TCL研究院俞大海：我從智能制造實(shí)踐中總結(jié)出的幾點(diǎn)經(jīng)驗(yàn)丨CCF-GAIR 2019

雷鋒網(wǎng) AI 掘金志按：7 月 12 日-7 月 14 日，2019 第四屆全球人工智能與機(jī)器人峰會（CCF-GAIR 2019）于深圳正式召開。峰會由中國計(jì)算機(jī)學(xué)會（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦。

在大會第三天的〖智能商業(yè)專場〗，阿里巴巴集團(tuán)副總裁、CEO助理肖利華，京東零售首席科學(xué)家兼技術(shù)副總裁胡魯輝，美國德州農(nóng)工大學(xué)數(shù)據(jù)挖掘?qū)嶒?yàn)室主任胡俠，蘇寧零售技術(shù)研究院院長王俊杰，TCL研究院 （香港）研究所總經(jīng)理俞大海，擴(kuò)博智能CTO柯嚴(yán)先后登臺發(fā)表精彩演講，分享了各自對智能商業(yè)的理解與實(shí)踐。

其中TCL研究院 （香港）研究所總經(jīng)理俞大海以《AIxIoT-TCL人工智能技術(shù)在智能制造的應(yīng)用》為主題，分享了TCL在智能制造領(lǐng)域的實(shí)踐與經(jīng)驗(yàn)。

俞大海介紹，制造行業(yè)的數(shù)據(jù)極其不平衡，正樣本多，負(fù)樣本少。用傳統(tǒng)機(jī)器學(xué)習(xí)的做法訓(xùn)練模型效果非常差。TCL的做法是用生成對抗網(wǎng)絡(luò)去模擬真實(shí)的生產(chǎn)環(huán)境，產(chǎn)生更多的負(fù)樣本，然后通過強(qiáng)化學(xué)習(xí)去訓(xùn)練模型。

他指出，現(xiàn)在行業(yè)的通行做法是在已有的業(yè)務(wù)流程上去應(yīng)用人工智能，效果比較有限。因?yàn)楝F(xiàn)有的業(yè)務(wù)流程是為人服務(wù)的，未來我們也可以嘗試去設(shè)計(jì)一套為機(jī)器學(xué)習(xí)服務(wù)的業(yè)務(wù)流程。

俞大海還提到，很多工廠不便把數(shù)據(jù)上傳到公有云，但在私有云上做人工智能的應(yīng)用成本又太高。這個問題可以用邊緣計(jì)算來解決，先在邊緣端處理數(shù)據(jù)，只將特征信息上傳至云端，甚至直接在邊緣端實(shí)現(xiàn)某些功能。

以下是俞大海的全部演講內(nèi)容，雷鋒網(wǎng)做了不改變原意的整理與編輯：

非常高興能來這里分享我關(guān)于智能制造的經(jīng)驗(yàn)。今天我分享的主題是“人工智能技術(shù)在智能制造的應(yīng)用實(shí)踐”。為什么要強(qiáng)調(diào)“應(yīng)用實(shí)踐”呢？因?yàn)橹悄苤圃焓且粋€非常大的話題，可以專門開一個這樣規(guī)模的論壇來討論。智能制造并不是一個新概念，想必在座各位都很熟悉。無論中國的智能制造2015還是歐洲的工業(yè)4.0，內(nèi)涵都非常接近。所以我今天不給大家科普，而是聚焦我們在一些應(yīng)用上的實(shí)踐。

智能制造并不是一件容易的事。尤其是人工智能在制造行業(yè)的應(yīng)用，并不像它在安防、零售這些行業(yè)那樣立竿見影。因?yàn)橹圃祛I(lǐng)域的流程從數(shù)字化和信息化的角度來說非常復(fù)雜。

人工智能可以在制造領(lǐng)域起到怎樣的作用呢？過去很多年我們一直在做這方面的研究，做了大量嘗試，尤其是TCL，在過去十年里下了很大功夫。我來自TCL研究院，我們聚焦的是人工智能可以為生產(chǎn)、檢測等環(huán)節(jié)帶來哪些改變。今天我想跟大家分享我們的一些實(shí)踐和對于未來趨勢的思考。

提到TCL，大家首先想到的是電視，但其實(shí)我們不光做電視。TCL有兩大事業(yè)群：第一個是智能終端和新興業(yè)務(wù)版塊，包括剛剛說到的電視，目前我們已經(jīng)超過LG做到了全球第二，僅次于三星；此外我們還有手機(jī)和家電，比如黑莓、阿爾卡特等品牌都是TCL旗下的。第二個是半導(dǎo)體顯示及材料版塊，我們在這個領(lǐng)域探索得非常深入，位居先進(jìn)制造行業(yè)的一線陣營。半導(dǎo)體顯示跟傳統(tǒng)的組裝、OEM行業(yè)不一樣，它屬于精密制造，對自動化、信息化程度的要求非常高。這給我們發(fā)展智能制造奠定了非常好的基礎(chǔ)。

簡單介紹下我們研究院的技術(shù)布局，主要有三個方向：一是人工智能及大數(shù)據(jù)；二是半導(dǎo)體顯示技術(shù)和材料，后者包括材料的研發(fā)和制造；三是智能制造和工業(yè)互聯(lián)網(wǎng)。TCL在全球擁有香港、歐洲、美國、西安、武漢和深圳6大研發(fā)中心，有很多的科學(xué)家和算法工程師共同為TCL的新材料研發(fā)、智能制造和工業(yè)互聯(lián)網(wǎng)服務(wù)。

下圖是我們一些具體的研究方向，基本涵蓋了所有人工智能相關(guān)的技術(shù)，無論是圖像識別、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析建模，還是NLP、ASR等。其中部分是為智能終端服務(wù)的，包括電視、手機(jī)、智能家居等。

下圖展示了我們智能制造的物聯(lián)網(wǎng)平臺。我們有自己的工業(yè)云、大數(shù)據(jù)云、IoT云，以及人工智能平臺。后者在TCL的工業(yè)物聯(lián)網(wǎng)中可以提供機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、NLP、BI等能力，服務(wù)于我們的智能工廠、供應(yīng)鏈、市場前端甚至研發(fā)。這里面的每一個板塊都有很多內(nèi)容可講，這里不展開敘述。

下面這張圖展示了我們的AI服務(wù)。最底層是我們團(tuán)隊(duì)在過去五六年里積累的各種能力，可以整合成一套高性能計(jì)算解決方案進(jìn)行統(tǒng)一輸出，也可以輸出給第三方平臺。這套高性能計(jì)算解決方案可以移植和轉(zhuǎn)化到不同的應(yīng)用場景當(dāng)中。我們知道人工智能是由非常復(fù)雜的算法組成的，要把它運(yùn)用到具體的場景中就必須進(jìn)行移植和轉(zhuǎn)發(fā)。我們的這套方案可以完美應(yīng)用到應(yīng)用層的各個產(chǎn)品中，包括手機(jī)、電視等等；這是我們獨(dú)有的優(yōu)勢。

工業(yè)物聯(lián)網(wǎng)做為TCL的一個產(chǎn)品，不僅服務(wù)于自身，也可以輸出給上下游的合作伙伴。我們提供的除了云端解決方案，還有邊緣端的解決方案，不同的算法和技術(shù)都可以根據(jù)客戶的需求，形成個性化的解決方案。

接下來分享一些具體案例。我們在這方面有很多案例，比如跟中國最好的電池企業(yè)和整機(jī)生產(chǎn)代工企業(yè)合作，去提升他們的制造能力。但我覺得半導(dǎo)體顯示行業(yè)是TCL探索非常深的一個領(lǐng)域，而且非常具有代表性，由于時間關(guān)系，就只以我們自己的工廠舉例。

首先回顧一下TCL在半導(dǎo)體顯示領(lǐng)域的投入。2009年我們投建了第一家半導(dǎo)體顯示工廠，迄今剛好十年。目前TCL一共有8家半導(dǎo)體顯示工廠，3家在深圳，2家在武漢，還有2家在建，一家剛剛立項(xiàng)。半導(dǎo)體顯示通俗來說就是顯示屏，我們的產(chǎn)品線覆蓋了大大小小各種電子設(shè)備的顯示屏，也包括柔性屏。已經(jīng)投產(chǎn)的5家工廠，T1、T2、T3都是智能制造2025的示范單位。

我們在建這些工廠的時候就想得非常遠(yuǎn)，怎么把智能制造做到最優(yōu)。2016年開始，我們對所有工廠陸續(xù)進(jìn)行了自動化和數(shù)據(jù)的改造，目前改造工作已經(jīng)全部完成。2017年至今，我們成功搭建了物聯(lián)網(wǎng)平臺，依托這個平臺，所有工廠都能夠收集、管理和分析我們想要的數(shù)據(jù)，真正做到了可視化。去年開始，我們在人工智能領(lǐng)域也進(jìn)行了很多時間，逐步收獲了成效；預(yù)計(jì)明年我們將把人工智能技術(shù)應(yīng)用到所有工廠。

在智能制造領(lǐng)域，我們關(guān)注三個核心部分：

一是IoT平臺。如果你的工廠足夠自動化，信息化程度很高，精益化管理也沒有任何問題。你想讓它真正走向智能化，就必須發(fā)展IoT平臺。因?yàn)槟愕臄?shù)據(jù)是多維度和多模態(tài)的，如果沒有IoT平臺采集數(shù)據(jù)，讓它和機(jī)器相關(guān)聯(lián)，后面的智能化是無法實(shí)現(xiàn)的。這對工廠提出了很大挑戰(zhàn)。

二是大數(shù)據(jù)平臺。大量數(shù)據(jù)涌進(jìn)來，可能有些有用，有些沒用，怎么對數(shù)據(jù)進(jìn)行清洗和管理，把數(shù)據(jù)轉(zhuǎn)化成服務(wù)，這一點(diǎn)非常重要。

最后才是人工智能的平臺。用數(shù)據(jù)結(jié)合生產(chǎn)流程去提供智能化的服務(wù)，幫助提高效率和降低成本。為什么要智能化？

所有制造企業(yè)面臨的最根本問題，一是降低成本，二是提高效率，三是產(chǎn)能和良率達(dá)到最優(yōu)的平衡狀態(tài)。之前精益制造要解決的是這些問題，現(xiàn)在的智能化也是。

其中的挑戰(zhàn)非常大。智能制造流程復(fù)雜，通過精益制造和自動化我們已經(jīng)把產(chǎn)能和良率提得很高了，但任有進(jìn)步的空間。智能化的過程中，我們要做的依托各個設(shè)備產(chǎn)生的數(shù)據(jù)對每一個環(huán)節(jié)進(jìn)行優(yōu)化，以數(shù)據(jù)為驅(qū)動，實(shí)現(xiàn)高效的管理和精準(zhǔn)的判斷。

總而言之，制造業(yè)需要解決三個問題：降低成本、提高效率、提高良率。具體怎么做呢？下面用兩個案例為大家解答。

下面這張圖展示了我們工廠的一條生產(chǎn)線，它大概包含了20道工序，每天會產(chǎn)生70萬張圖像。我們希望通過這些圖像，在保證產(chǎn)品的情況下提高良率。怎么做呢？

過去我們?nèi)斯た偨Y(jié)了100多種缺陷，派10個人三班倒（也就是30個人）來檢查這些圖象，如果發(fā)現(xiàn)問題就進(jìn)行修補(bǔ)。剛建廠的時候這種方法還是很有效的，使得我們在同行中的良率非常高。但隨著產(chǎn)能和良率的提升，我們意識到不能再這樣做了，一是成本非常高，二是人工的方法已經(jīng)很難再提升了。

我們是怎么做的呢？用深度學(xué)習(xí)技術(shù)去分析機(jī)器產(chǎn)生的大量圖像，這個過程并不復(fù)雜，很快就把這個問題給解決了。

過去的人工流程用了5年時間總結(jié)經(jīng)驗(yàn)才達(dá)到比較完美的效果，現(xiàn)在我們用人工智能技術(shù)一年就把它替換掉了，而且效率還更高。

不需要再人工總結(jié)問題和標(biāo)注，而是讓機(jī)器從上百萬的圖片中自動學(xué)習(xí)，就可以找到自動找到這些缺陷，而且還能發(fā)現(xiàn)新的問題。我們原來需要10個人，需要只要一個就行了，他只要保證機(jī)器不出大的問題就可以了。

由此甚至還產(chǎn)生了一些邊際效應(yīng)。通過長期的數(shù)據(jù)積累和自學(xué)習(xí)，我們在某些環(huán)節(jié)提前就能發(fā)現(xiàn)問題，不必等到良率出問題了再去解決。我們甚至可以提前一到兩個小時預(yù)警，把問題扼殺在萌芽期。因此我們的檢測效率提升了20%，同時節(jié)省了大量人力成本。

再看另一個案例。剛才我們說的是用算法檢查產(chǎn)品的缺陷，下面談?wù)勗趺从脭?shù)據(jù)和算法去發(fā)現(xiàn)生產(chǎn)流程中的問題。以前這件事情完全依賴于專家，需要一個干了十多年的老工人去判斷哪臺機(jī)器出了問題。以前我們覺得這個事情AI做不了。后來才發(fā)現(xiàn)不是，因?yàn)槿说慕?jīng)驗(yàn)也是一個數(shù)據(jù)和知識積累的過程，只要把知識和信息數(shù)據(jù)化，讓算法在流程和數(shù)據(jù)之間尋找相關(guān)性，就能夠做到。

下圖是傳統(tǒng)的深度學(xué)習(xí)或機(jī)器學(xué)習(xí)的做法。用機(jī)器學(xué)習(xí)的方法建模，對大量的數(shù)據(jù)做分類或回歸，從而找到問題，做一些簡單的分類預(yù)測。這種做法對數(shù)據(jù)的要求非常高，需要數(shù)據(jù)非常干凈，還需要人去做標(biāo)注，把人的知識轉(zhuǎn)化過來。

但我們不這樣做，我們用對抗生成網(wǎng)絡(luò)，用歷史數(shù)據(jù)去生成一個環(huán)境，模擬數(shù)據(jù)產(chǎn)生的過程，讓數(shù)據(jù)更貼近真實(shí)情況。為什么要做這個呢？因?yàn)樯a(chǎn)制造行業(yè)的數(shù)據(jù)極其不平衡，正常的數(shù)據(jù)非常多，負(fù)樣本非常少，可能99%都是正樣本。如果單純用這些樣本分析，效果非常差。如果我模擬一個環(huán)境，就可以讓他在線下學(xué)習(xí)，就像下圍棋一樣，讓機(jī)器跟自己下3000萬盤棋。這樣就會產(chǎn)生更多貼近真實(shí)情況的負(fù)樣本，我們把它用于強(qiáng)化學(xué)習(xí)去訓(xùn)練預(yù)測模型。這個預(yù)測模型可以根據(jù)你的任務(wù)去調(diào)整，最終得到想要的效果。

舉一個Pump壽命預(yù)測的例子。這個工作以前完全靠人的經(jīng)驗(yàn)，沒有幾年產(chǎn)線工作經(jīng)驗(yàn)的人做不了這個。人工檢測，稍微判斷失誤就會導(dǎo)致停機(jī)，停機(jī)一個小時，將給企業(yè)帶來非常大的損失。我們現(xiàn)在用機(jī)器學(xué)習(xí)做，一次停機(jī)都沒有。而且還是提前預(yù)測它的健康壽命，提前進(jìn)行維護(hù)和維修，保證它絕不宕機(jī)。

前面介紹了TCL在工廠里應(yīng)用人工智能的兩個案例，下面再分享一些我們的經(jīng)驗(yàn)。

人工智能在工廠里可以做到什么？我覺得有三項(xiàng)：發(fā)生了什么、為什么發(fā)生、還會發(fā)生什么；這是我們已經(jīng)在實(shí)踐中證明過的。我們接下來要思考的是，如何更好地把人工智能應(yīng)用到這些環(huán)節(jié)。過程中有不少的挑戰(zhàn)，因?yàn)槲覀兠媾R著大量結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)，如何把數(shù)據(jù)和人工智能有效結(jié)合起來，充分發(fā)揮其價值，是我們需要思考的命題。

此外，人工智能能不能做決策，能不能做認(rèn)知智能，怎么去做，這是很多人關(guān)心的話題。從實(shí)踐來看，我們暫時還沒有做到，但這是不是值得研究的方向呢，會不會出來一些新的應(yīng)用。

還有知識圖譜。我們調(diào)研大量制造業(yè)企業(yè)后發(fā)現(xiàn)，知識圖譜對智能決策和智能預(yù)測非常關(guān)鍵。沒有知識圖譜，說明你對自己的生產(chǎn)工藝流程并不了解。我們希望大家都能建立自己的知識圖譜，不是畫出來的文本，而是真正數(shù)字化的知識圖譜。

我們的實(shí)踐證明，深度學(xué)習(xí)非常好用。未來它能不能跟自動化學(xué)習(xí)或者強(qiáng)化學(xué)習(xí)結(jié)合起來呢？從我們的時間來看，這是有效果的。我認(rèn)為這個方向值得深入研究。

數(shù)據(jù)方面，有標(biāo)簽的數(shù)據(jù)實(shí)在太重要了。即使我們做了一些自動化學(xué)習(xí)的方案，也仍然很依賴有標(biāo)簽的數(shù)據(jù)，有標(biāo)簽的數(shù)據(jù)越多，對效果的提升就越快。

我們現(xiàn)在的做法是把人工智能加到已有的生產(chǎn)流程中去，它可以起到一些作用，但不能發(fā)揮全部價值。于是我們開始思考，現(xiàn)有的生產(chǎn)流程是不是可以改進(jìn)呢？改變生產(chǎn)的整個框架和流程，把人工智能作為一個核心部件放進(jìn)去。因?yàn)楝F(xiàn)有的流程一開始就是為人服務(wù)的，如果人工智能有效，是不是可以專門為它去設(shè)計(jì)一個流程呢？我想不只是智能制造，在零售等其他領(lǐng)域這個問題也同樣值得思考。

另外，我覺得邊緣計(jì)算將是人工智能的關(guān)鍵。很多企業(yè)——尤其是工廠，很難把數(shù)據(jù)上傳到公有云，他們都有自己的私有云。但是如果所有東西都在私有云上做，成本太高了，這時候邊緣計(jì)算就可以發(fā)揮作用了。我們希望未來的人工智能不需要把所有數(shù)據(jù)都上傳到云端，而是在機(jī)器端就已經(jīng)處理了，只上傳一些特征信息，甚至某些功能直接在機(jī)器端就能實(shí)現(xiàn)。

最后插播一則小廣告。TCL跟香港大學(xué)合作成了一個人工智能聯(lián)合研究中心，我們投入了很多資源，也獲得了香港政府和香港大學(xué)的大力支持。希望有志于人工智能的朋友可以跟我們聯(lián)系，尋找合作的機(jī)會。TCL開放了13個項(xiàng)目，包括智能終端、智能制造、半導(dǎo)體顯示材料等，我們將提供自己優(yōu)勢，比如數(shù)據(jù)和應(yīng)用場景，歡迎大家來合作。

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。