<mark id="oztn4"></mark>
0
當(dāng)前，以智能化為核心的產(chǎn)業(yè)變革正在興起，人工智能技術(shù)與社會各領(lǐng)域的融合不斷加劇，并成為助推工業(yè)智能化轉(zhuǎn)型升級的關(guān)鍵燃料。
今年4月，工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟（AII）發(fā)布的《工業(yè)智能白皮書》顯示，截止到2019年底，在全球20多個經(jīng)濟(jì)體近三年發(fā)布的100份人工智能方面的戰(zhàn)略規(guī)劃或政策文件中，涉及與工業(yè)結(jié)合的超過一半以上。美、日、德、歐盟分別發(fā)布《國家人工智能研究和發(fā)展戰(zhàn)略規(guī)劃》《新機(jī)器人戰(zhàn)略》《國家工業(yè)戰(zhàn)略2030》《歐盟人工智能》等一系列政策戰(zhàn)略，重點提及產(chǎn)品全生命周期優(yōu)化、先進(jìn)機(jī)器人、自動駕駛、大數(shù)據(jù)挖掘等在工業(yè)領(lǐng)域的應(yīng)用。
那么，人工智能技術(shù)與工業(yè)的結(jié)合，會給工業(yè)領(lǐng)域帶來哪些改變呢？現(xiàn)階段發(fā)展情況如何？
美國初創(chuàng)公司 Maana 聚焦石油和天然氣領(lǐng)域，推出了Knowledge Platform 的平臺，通過梳理專業(yè)知識打造計算知識圖譜，與機(jī)器學(xué)習(xí)計算模型相結(jié)合，為 GE、殼牌、阿美等石油巨頭提供決策和流程優(yōu)化建議；
智能抓取場景中，日本發(fā)那科公司基于深度學(xué)習(xí)賦予機(jī)器人抓取混雜零件的功能，并通過強化學(xué)習(xí)賦予機(jī)器人自學(xué)習(xí)能力，通過自主訓(xùn)練 8 小時使散件分揀的成功率達(dá)到了 90%；
新松機(jī)器人公司利用 5G+ 人工智能的巡檢機(jī)器人，實現(xiàn)了全自動巡檢以及異常問題的自主判斷......
隨著人們對于工業(yè)AI的研究不斷深入，逐漸擴(kuò)展了其在工業(yè)領(lǐng)域可解問題的性能與邊界。近期，雷鋒網(wǎng)通過和業(yè)內(nèi)人士的交流以及對行業(yè)信息的梳理，整理了有關(guān)工業(yè)AI領(lǐng)域備受關(guān)注的問題，比如工業(yè)AI的重要玩家和應(yīng)用落地情況，行業(yè)發(fā)展面臨的障礙等。
工業(yè)AI，也就是工業(yè)智能，其本質(zhì)是通過人工智能技術(shù)與工業(yè)場景、機(jī)理、知識結(jié)合，實現(xiàn)設(shè)計模式創(chuàng)新、生產(chǎn)智能決策等應(yīng)用。
據(jù) Markets 報告預(yù)計，2025 年人工智能制造市場規(guī)模將達(dá) 172 億美元，預(yù)測期 (2018-2025 年 ) 內(nèi)的年復(fù)合增長率為 49.5%。而埃森哲在比較了人工智能對我國各個行業(yè)部門增加值增速的影響后得出，預(yù)計到 2035 年，制造業(yè)因人工智能的應(yīng)用其增加值增速可以提高 2.0% 左右，是所有產(chǎn)業(yè)部門中提高幅度最大的。
由此可見，工業(yè)AI領(lǐng)域不管是市場容量，還是增速，其表現(xiàn)都足夠出色。也因此，吸引著AI界的科研大牛、科技企業(yè)相繼涌入工業(yè)領(lǐng)域。
2019年6月，閔萬里從阿里云離職，并創(chuàng)辦了北高峰資本和坤湛科技兩家公司。在離職信中他透露：
“我創(chuàng)辦了一個風(fēng)險投資基金，聚焦傳統(tǒng)產(chǎn)業(yè)(制造業(yè)，農(nóng)業(yè)，醫(yī)療)周邊，用云智能技術(shù)注入和資本加持‘二位一體’的組合型賦能，推動傳統(tǒng)產(chǎn)業(yè)實現(xiàn)數(shù)字化轉(zhuǎn)型和智能升級。”
而賈佳亞，則是在今年年初創(chuàng)立了一家新的 AI 公司——思謀科技（SmartMore）。目前，該公司已經(jīng)獲 Pre-A 輪融資，并在深圳和香港分別設(shè)立了研發(fā)中心。此前，他不僅是騰訊杰出科學(xué)家，也是優(yōu)圖實驗室X-Lab負(fù)責(zé)人。
雷鋒網(wǎng)了解到，思謀科技專注于智能制造（檢測領(lǐng)域）運用人工智能深度學(xué)習(xí)算法和計算機(jī)視覺技術(shù)，在無需改變產(chǎn)線現(xiàn)有的硬件設(shè)備下，為用戶提供無人自動化缺陷檢測技術(shù)。
這兩人的去留，曾一度引起業(yè)界的廣泛關(guān)注。除了考慮到他們的離開會給原公司帶來一些影響，另一方面，他們在創(chuàng)業(yè)時都選擇了工業(yè)制造里面的AI應(yīng)用這一領(lǐng)域。
而百度，作為國內(nèi)三大互聯(lián)網(wǎng)巨頭之一，他們早在2010年就開始探索發(fā)展人工智能技術(shù)，圍繞百度大腦，其AI應(yīng)用逐漸在多個領(lǐng)域進(jìn)行試水，從農(nóng)業(yè)到工業(yè)，從家庭到汽車，以及翻譯、圖像識別和信息流等產(chǎn)品和服務(wù)。
談及百度AI技術(shù)在工業(yè)制造領(lǐng)域的應(yīng)用，李彥宏曾表示，現(xiàn)在很多3C產(chǎn)品在組裝的過程當(dāng)中都需要人的肉眼去檢驗這些零件的質(zhì)量，而其中很多零件都非常小，比如iPhone組裝插電的器件就很小，要人的肉眼去看是不是質(zhì)量過關(guān)，是一個很費勁的任務(wù)。一般來說，熟練的工人干兩個小時就得下來休息。而百度用計算機(jī)視覺的方式做了一個軟硬一體的機(jī)器，一臺設(shè)備相當(dāng)于十個熟練工人能夠做的事情，而且它的質(zhì)量還比人工要更高。
工業(yè)AI應(yīng)該如何去做，這不僅是BAT系的大佬正在思考的問題，也是工業(yè)企業(yè)更為關(guān)注的事。
在2019年業(yè)績交流會上，工業(yè)富聯(lián)將工業(yè)AI作為公司戰(zhàn)略的一部分提到了日程上。工業(yè)富聯(lián)董事長李軍旗表示：
“在過去的一年當(dāng)中，工業(yè)富聯(lián)明確了公司的戰(zhàn)略方向，這個戰(zhàn)略方向我們把它歸結(jié)為‘智能制造+工業(yè)互聯(lián)網(wǎng)’的雙輪驅(qū)動戰(zhàn)略。智能制造有‘三硬三軟’，從‘三硬’的裝備、工具和材料加上工業(yè)大數(shù)據(jù)、工業(yè)AI和工業(yè)軟件，形成智能制造的整體解決方案，軟硬整合的整體解決方案。在這個基礎(chǔ)上搭建了工業(yè)互聯(lián)網(wǎng)平臺。工業(yè)互聯(lián)網(wǎng)平臺同時需要硬軟整合，也有三硬三軟，云網(wǎng)端再加上三軟里面的工業(yè)大數(shù)據(jù)、工業(yè)AI和工業(yè)軟件。”
此外，萌生于美國智能維護(hù)系統(tǒng)（IMS）中心的工業(yè)智能公司——天澤智云，在工業(yè)智能上，他們的理解是“3+4”，即融合工業(yè)領(lǐng)域知識、智能建模技術(shù)、計算機(jī)科學(xué)等3個跨學(xué)科的融合領(lǐng)域知識，并且還需要分析技術(shù)（AT）、運維技術(shù)（OT）、數(shù)據(jù)技術(shù)（DT）、平臺技術(shù)（PT）等四大關(guān)鍵支撐技術(shù)，才能誕生出真正的工業(yè)智能。
而明略科技集團(tuán)，作為更具行業(yè)“Know-how”的新一代數(shù)據(jù)中臺先行者，致力于探索新一代人工智能技術(shù)在知識和管理復(fù)雜度高的行業(yè)中的落地。在“AI+工業(yè)”方面，他們主要基于設(shè)備和裝備物聯(lián)感知動態(tài)數(shù)據(jù)的分析挖掘與智能應(yīng)用，幫助大型組織和企業(yè)高效運轉(zhuǎn)和加速創(chuàng)新，聚焦交通、電力、制造業(yè)。
有投資人表示，初創(chuàng)公司在人工智能領(lǐng)域還是有很多機(jī)會的，但他們需要往更細(xì)分的賽道里去專研，去挖掘，這樣才能避開一些大公司，發(fā)揮自己的長處，實現(xiàn)AI與具體工業(yè)場景的相結(jié)合......
人工智能是個比較大的話題，包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計算機(jī)視覺等，并且在工業(yè)特定領(lǐng)域中有非常多的業(yè)務(wù)場景和技術(shù)應(yīng)用。
目前，騰訊優(yōu)圖在工業(yè)方面的探索，主要專注在計算機(jī)視覺領(lǐng)域。他們曾聯(lián)合騰訊云為國內(nèi)的一家面板生產(chǎn)企業(yè)打造了一個工業(yè)AI的項目，主要內(nèi)容是為液晶面板做缺電檢測。
據(jù)了解，缺電檢測是工業(yè)智能一個比較常見的業(yè)務(wù)場景，前期他們的很多模型都是靠算法專家以手工方式去訓(xùn)練模型。然而，從交付的形態(tài)去說，這些是比較輕量級的交付，因為沒有提供攝像頭的硬件設(shè)備，也沒有對客戶生產(chǎn)系統(tǒng)進(jìn)行調(diào)整，僅僅利用視覺AI的算法做了缺陷檢測產(chǎn)品去替代缺陷質(zhì)檢的環(huán)節(jié)。
最終，騰訊優(yōu)圖上線的這些模型可以保證在跟人的準(zhǔn)確率相當(dāng)?shù)那闆r下達(dá)到70%以上的覆蓋率，能夠替代七成以上的質(zhì)檢工人。
“我們認(rèn)為，在人工智能產(chǎn)業(yè)化道路上，業(yè)務(wù)和技術(shù)同樣重要，掌握了好的方法論交付項目才能事半功倍。”騰訊優(yōu)圖實驗室工業(yè)AI項目負(fù)責(zé)人黃亮表示：
“比如說數(shù)據(jù)質(zhì)量，大家都知道數(shù)據(jù)質(zhì)量在人工智能和模型訓(xùn)練方面的重要性，你的網(wǎng)絡(luò)再先進(jìn)，你如果沒有好的數(shù)據(jù)依然是無法取得好的效果。但是，如何獲取高質(zhì)量的數(shù)據(jù)呢？有很多的方法，我們早期也吃了很多虧，就以缺陷檢測為例，生產(chǎn)線上我們可以看到有很多的缺陷，100多種缺陷。但是我們怎么去采集這些缺陷，我們需要采集多少種缺陷的樣本，每個缺陷我們需要采集多少張圖片，模糊的缺陷我們?nèi)绾稳ヅ卸ǎ绻粋€圖片有多種缺陷，我們按哪種缺陷判定和標(biāo)注，這些都是一些很細(xì)節(jié)的問題，但是會非常影響模型最終的效果。”
除了計算機(jī)視覺，人工智能在工業(yè)領(lǐng)域的應(yīng)用還包括數(shù)據(jù)智能、決策方面的一些應(yīng)用。明略科技依托他們的數(shù)據(jù)中臺和知識圖譜，探索異地專家如何將經(jīng)驗進(jìn)行積累和沉淀。
比如明略科技為某家軸承生產(chǎn)廠商構(gòu)建了產(chǎn)品的知識圖譜以及智能問答與選型的系統(tǒng)，用來解決用戶對軸承以及相關(guān)產(chǎn)品信息的咨詢查找對比和推薦的問題，相比于傳統(tǒng)的基于人工的客戶服務(wù)，這一套智能問答系統(tǒng)能夠取代人工回答60%-80%重復(fù)的、常見的問題。
雷鋒網(wǎng)了解到，不管是液晶面板的缺電檢測，還是用戶對軸承以及相關(guān)產(chǎn)品信息的咨詢查找對比和推薦，目前AI主要用在工業(yè)領(lǐng)域的應(yīng)用數(shù)據(jù)的可視化分析、預(yù)測性維護(hù)等，另外還可用于自動分析設(shè)備故障情況等，向著更多細(xì)分的工業(yè)場景進(jìn)行滲透。
然而，當(dāng)每一位創(chuàng)業(yè)者、變革者拿起AI的工具叩響工業(yè)之門時，撲面而來的不僅有工業(yè)機(jī)理、工業(yè)模型的屏障，還有數(shù)據(jù)和專業(yè)知識缺乏帶來的一些挑戰(zhàn)。
盡管我們知道AI在工業(yè)領(lǐng)域有眾多場景和可能性，但是，要達(dá)到產(chǎn)業(yè)級應(yīng)用，我們還必須對它有更為清晰的認(rèn)識，知道工業(yè)AI存在哪些問題。
“人工智能這個詞最早是1956年在達(dá)特茅斯會議上出現(xiàn)，其發(fā)展可以說是起起伏伏。如果和上世紀(jì)90年代——上一次的人工智能高潮相比，除了算力和數(shù)據(jù)，我們在某些領(lǐng)域的進(jìn)步并沒有那么明顯。”英特爾中國區(qū)物聯(lián)網(wǎng)事業(yè)部首席工程師及首席技術(shù)官張宇博士表示：
“算力方面，英特爾一直在摩爾定律的推動下，帶領(lǐng)整個半導(dǎo)體行業(yè)前進(jìn)，其算力不斷地進(jìn)行更新。比如超算領(lǐng)域定期頒布的世界500強的超級計算機(jī)的榜單，這個榜單第一次發(fā)布在1994年，當(dāng)時榜單上排名首位的超級計算機(jī)浮點運算能力每秒鐘峰值1300億次，而去年年底的榜單排名首位的超級計算機(jī)浮點運算能力每秒鐘峰值21億次。”
“算力的提升，對于運行一些比較復(fù)雜的算法是很有幫助的。以前一些網(wǎng)絡(luò)可能相對比較簡單，層次比較淺，現(xiàn)在可以用我們的算力運行比較復(fù)雜的網(wǎng)絡(luò)模型得到更好的結(jié)果，或者我們可以在消耗網(wǎng)絡(luò)模型下，在更短的時間里得到結(jié)果，實現(xiàn)更快的迭代，算力確實極大的推動了人工智能的發(fā)展。”
對于另一個推動因素——數(shù)據(jù)，張宇博士則是這樣理解的。他表示：
“以ImageNet為例，ImageNet里已經(jīng)包含了超過1400萬張經(jīng)過標(biāo)注的圖片，所以有了這么多大量的圖片，就可以訓(xùn)練網(wǎng)絡(luò)，得到一個可以運行的比較理想的結(jié)果。在數(shù)據(jù)增長的背后，實際上它的基礎(chǔ)是我們在存儲領(lǐng)域以及通信領(lǐng)域技術(shù)的提升。”
4月23日，在工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟（AII）發(fā)布的《工業(yè)智能白皮書》中提到，當(dāng)前工業(yè)智能的應(yīng)用以點狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發(fā)展的初級階段。工業(yè)智能應(yīng)用面臨的四大問題分別是：
實時性問題。現(xiàn)有通用計算架構(gòu)與芯片尚無法滿足工業(yè)實時性所帶來的計算要求，端側(cè)推理需求迫切。
可靠性問題。電商平臺的推薦系統(tǒng)達(dá)到 60%-70% 的準(zhǔn)確率已經(jīng)算是比較高的精準(zhǔn)度，而部分工業(yè)領(lǐng)域、部分工業(yè)核心環(huán)節(jié)對推薦參數(shù)的準(zhǔn)確性要求是 100%，一旦參數(shù)出現(xiàn)任何問題，將對生產(chǎn)、制造等環(huán)節(jié)，甚至生命財產(chǎn)安全產(chǎn)生巨大影響。
可解釋性問題。在冶煉、核電等工業(yè)領(lǐng)域核心環(huán)節(jié)所面臨的問題如果期望 通過數(shù)據(jù)技術(shù)解決，則此類問題的解決必須建立在可靠的工程 / 科學(xué)突破上，即需要能夠明確 解釋其背后機(jī)理。
適應(yīng)性問題。通常包括模型間交互、軟硬件適配與算法的數(shù)據(jù)、任務(wù)適配三類問題。
“就工業(yè)智能來說，總的判斷還是處于起步階段，還沒有達(dá)到成熟。”張宇表示：
“重要的原因是，現(xiàn)在的人工智能還是實驗科學(xué)，不是一個理論科學(xué)。雖然能夠有一些網(wǎng)絡(luò)證明它在處理某些問題的時候是有效的，但是還不能夠說明它為什么有效，以及有效的機(jī)理是什么。人工智能網(wǎng)絡(luò)對我們來說還像一個黑盒子，我們不能預(yù)測它有效的原因以及如何進(jìn)一步優(yōu)化的方向，這些都是我們現(xiàn)在需要進(jìn)一步提升的地方。如果這些問題不能達(dá)到進(jìn)一步的完善，那么人工智能還不能稱為成熟。”
“同樣地，工業(yè)也是一樣，工業(yè)不過是人工智能的一個分支，在大背景環(huán)境下可以看到有些人工智能網(wǎng)絡(luò)可以開始越來越多用到工業(yè)領(lǐng)域，通過我們拿到的一些工業(yè)數(shù)據(jù)來訓(xùn)練它，讓它在某些特定環(huán)境下能夠有效，但是，這個有效也是局部有效而不是全局，因此我們需要不斷地用更多數(shù)據(jù)進(jìn)一步完善和推廣。”
另外，雷鋒網(wǎng)了解到，工業(yè)領(lǐng)域的難點在于工業(yè)領(lǐng)域的應(yīng)用場景比較碎片化，這和我們熟知的交通領(lǐng)域、安防領(lǐng)域有很大不同。交通領(lǐng)域、安防領(lǐng)域識別的物體相對比較固定，場景也比較固定，這樣可以針對這些場景可以收集大量的數(shù)據(jù)，得到一些網(wǎng)絡(luò)模型以后，可以在這些場景里大面積推廣。而工業(yè)場景的碎片化很明顯，比如在紡織工廠里做一個產(chǎn)品的識別，在半導(dǎo)體工廠里也做產(chǎn)品的識別，但是它們要檢測的目標(biāo)是不一樣的，那帶來的問題是需要不同的樣本和設(shè)計不同的網(wǎng)絡(luò)結(jié)構(gòu)，在設(shè)計方面要用不同的方法進(jìn)行調(diào)優(yōu)，同時工業(yè)本身對準(zhǔn)確度的要求很高，因而，在工業(yè)領(lǐng)域推廣人工智能的話還有很長的路要走。
而創(chuàng)立了思謀科技的賈佳亞表示：“越是基礎(chǔ)設(shè)施、關(guān)系到國家社會生產(chǎn)力的部分，越是需要我們的綜合科技能力去全面落地解決經(jīng)濟(jì)生產(chǎn)里的缺人力、淺智能的問題。實現(xiàn)全面系統(tǒng)化、智能化、自動化是思謀瞄準(zhǔn)的解決方案。思謀的企業(yè)目標(biāo)是擺脫單個算法領(lǐng)域的數(shù)據(jù)局限，以系統(tǒng)化體系架構(gòu)開創(chuàng)AI 2.0時代。”
現(xiàn)如今，AlphaGo已經(jīng)是世界頂尖人工智能科技了，要研發(fā)出比AlphaGo復(fù)雜一個數(shù)量級的，能夠替代運營管理任務(wù)的人工智能，看上去還是很久遠(yuǎn)的事情。就如《1%的征程——阿里云工業(yè)大數(shù)據(jù)解決方案》中所述，人工智能科學(xué)家們已經(jīng)在某個輸出指標(biāo)維度有了一定研究，并且誰也不知道未來的增長是線性的，還是指數(shù)性的？全面的研究成果是百年之后得出，還是十年之后得出？
有專家分析，工業(yè)AI之所以一直都被看做是最難的、也最復(fù)雜的應(yīng)用領(lǐng)域，原因就在于，一方面行業(yè)外延十分廣泛，細(xì)分領(lǐng)域很多，要求的專業(yè)知識也很廣泛，因此一直沒能誕生能夠吃透整條產(chǎn)業(yè)鏈的巨頭玩家，而AI技術(shù)企業(yè)想要深入進(jìn)去更是會遇到各種各樣意想不到的難題。
那么，誰將摘下工業(yè)AI這頂“王冠”，成為這個領(lǐng)域的獨角獸企業(yè)？
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
