工业人工智能:从可见到不可见
2019-05-09 高工机器人

前段时间,在各大咖频繁发声下,“996”相关话题一时间成为舆论的焦点,伴随着各种社会情绪,观点莫衷一是。抛开主观上的评判,有一个问题却是许多人都想问的,那就是在保持效益增长的前提下,人们的工作时间有可能缩短吗?

对于这个问题,百度李彦宏曾经提出了他的展望:人工智能堪比工业革命,很多行业都将发生翻天覆地的变化,甚至有可能让人们一周只工作4天。

准确地说,人工智能是第四次工业革命的重要技术,它所带来的变革将超乎我们的想象。正如德国工业4.0之父、德国国家科学工程院前院长孔翰宁所言:人工智能是工业4.0成败的关键。

巨头的修罗场

在过去一年中,人工智能已成为全球科技巨头核心战略之一,为了争夺AI时代制高点,巨头们纷纷推出或在研发AI芯片,谷歌人工智能芯片TPU已经升级到第三代,亚马逊推出一款机器学习芯片Inferen,华为也推出Ascend系列AI芯片。

巨头争夺,比拼的是AI技术实力和应用落地能力,而国内具有用户规模、数据和应用场景的先天优势,让中国科技企业异军突起,能够与美国亚马逊和谷歌等巨头同台较量。 目前已经兴起了包括BAT、华为、今日头条、海康威视、小米、富士康(工业富联)、大疆和海尔等AI巨头。

作为国内三大互联网巨头,百度是率先向人工智能转型的企业,自2010年开始积极探索发展人工智能技术,围绕百度大脑,AI应用开始在多个领域开花结果,并以百度云为平台把AI能力分享给社会,从农业到工业,从家庭到汽车,以及翻译、图像识别和信息流等产品和服务。

今年,李彦宏又介绍了百度人工智能技术在工业制造领域的应用。他表示,现在很多3C产品在组装的过程当中都需要人的肉眼去检验这些零件的质量,而其中很多零件都非常小,比如iPhone组装插电的器件就很小,要人的肉眼去看是不是质量过关,是一个很费劲的任务。一般来说,熟练的工人干两个小时就得下来休息。而百度用计算机视觉的方式做了一个软硬一体的机器,一台设备相当于十个熟练工人能够做的事情,而且它的质量还比人工要更高。

2019年年初,世界经济论坛宣布鸿海旗下富士康工业富联的深圳关灯工厂成为全球十六家制造业“灯塔工厂”之一。对于富士康来说,这是一场开始于内部的制造业转型。

事实上,早在2018年7月,富士康就在硅谷成立了一家新公司——工业人工智能系统(IndustrialAISystem),开发用于实现工厂生产自动化的人工智能技术。

2019年3月29日,伴随着“智涌钱塘”2019 AI Cloud生态大会的举办,海康威视拉开了AI Cloud全面落地的序幕,AI Cloud是海康威视在2017年针对人工智能时代的物联网产业提出的概念,于2018年正式推出。

海康威视副总裁毕会娟博士称,可以预见,2019年将是海康威视 AI Cloud全面落地的一年,一方面,物信融合数据平台逐步走向成熟,将会应用到更多行业场合;另一方面,各地业务中心也已准备了本地化的数据治理工程实施团队,为用户提供服务。

华为董事长任正非认为,当人工智能出现升华以后,现在西方国家不能解决的社会福利、工会、罢工等问题,以后都能通过机器人来解决,真正能实现人工智能的生产方式,大规模的工业就会转向西方发展;完全不能实现人工智能的生产方式,可能就往东南亚这些人工成本低的国家发展;中国正面临着“夹心饼”中间这一层,中国往何处去,现在是一个极大挑战,不是人口红利就能解决中国未来的发展问题。

毋庸置疑的是,当生产往高端发展之后,人工已经不能完全解决生产的问题,生产方式会发生巨大的变化, 而中国能否抓住人工智能的机遇实现制造业转型升级将决定未来我们在世界制造中的地位。

从可见到不可见

如果说,自动化是解决可见世界的问题,那么人工智能就是探索不可见的世界。它的挑战就在于如何去定义不可见的关系性,比如造成机器停机的原因是什么。

正如富士康工业互联网副董事长李杰所说:“工业互联网数据有很多来源,有历史的数据、传感器数据、专家数据以及共性数据,在很多数据中可以找到因果关系,可见的数据和不可见的关系是不一样的,如何用不可见的关系产生效益,这个就是关系的价值,如何从可见的数据中找到不可见的关系,产生提质增效、降本减成、创新的价值,这个是工业互联网的最大本质。”

在李杰看来,生产的产品可以比作蛋黄,而产品创造的价值是蛋白。“蛋黄是可见的,蛋白是不可见的。换句话说,富士康可将很多核心竞争力当作蛋黄,比如控制器、传感器。把控制器加上工业大数据、工业人工智能的分析后,生产线将持续不间断工作,并及时预测预防质量问题,做到’事前诸葛亮’,这就是蛋白。”

他提出“工业人工智能”,在为工业的应用发展和部署各种机器学习算法,必须带来“稳定且持续”的效益。人工智能驱动(AI-driven)的自动化正处于起步阶段,必须先定义其结构、方法和挑战作为框架。

工业人工智能通过多维度学习,形成快速性、系统性及可传承性等特性。在实际操作过程中,不同个体使用同样工具可得到相同或相近的结果,系统将形成标准性解决方案,高度契合作业过程中即时响应、准确度极高、高等级安全等一系列要求。

李杰认为,中国制造业现阶段面临教育素质参差不齐、管理体质存在漏洞、没有认清产业本质三大问题。 目前,国内消费者对部分中国制造不信任,问题不仅在于假冒伪劣流行的病症至今未能得以有效治疗,还有国内厂商,包括管理者、一线工人对产品品质要求,及其所需的精细管理文化、精工制造文化、品质尊重文化普及,相对德国、日本等国家仍有较大差距。

为提质增效,美的集团人工智能战略引入了机器视觉系统。美的集团视觉研究所长胡正博士说:“要实现工厂的质控,必须使用机器视觉系统。人工智能只需要采集各种各样品类部件的数据,然后使用合适的人工智能模型,就能够生成一系列通用的人工智能算法来做不同的项目,从而避免了一个项目一个项目去做,节约了大量的工时。”

在方法上,美的在边缘计算、处理器、数据中心产品上部署AI相关产品,通过使用英特尔芯片的计算力,再借用分析工具来帮助更好的做人工智能培训,再通过参考模型,实现智能化控制。

当前的国内AI创业及应用热潮多是基于深度学习这一算法,往往需要大量数据进行训练,且模型可解释性不强,因此并不是所有领域和场景的最优AI算法。

清华大学AI研究院首任院长张钹院士认为,现有的AI技术“小错不犯,一犯就是大错”。当前AI技术对训练数据过分依赖,这导致算法在工业领域等样本和标注不足的场景中极易出错,其次模型可解释性不强。

而成立于2018年7月的瑞莱智慧正在研发无监督学习算法、可解释性算法,希望能够解决行业中标注数据缺失问题,帮助人们借助算法解释更好的进行决策;目前瑞莱智慧已经与工业多家企业展开合作,研发了工业领域的异常检测、预测性维护等。

瑞莱智慧CEO田天说,“在工业应用领域,收集高质量训练数据的过程往往成本高昂,且耗费时间,如果采用无监督或者半监督的学习方法,就能有效降低训练数据需求,针对碎片化的工业视觉检测场景具有更广的应用前景”。在没有训练数据时,可以考虑采用异常检测、或者变化检测等方法,让机器学会什么是正常的数据,进而在出现异常数据或者变化时能够做出准确判断。

“AI产业化落地,第一要找到行业的最大痛点;第二要让AI技术实现价值,即选择相对成熟的人工智能,实现产品化;第三,有了产品后,还是需要有一个创新的产业解决方案,实现产业层面的迭代升级;最后,基于自身积累的经验,实现产品升级、赋能产业,提升我们行业的效率,提升整个行业的价值。”极智嘉CEO郑勇说。

工业人工智能进入落地期

过去10年,AI 领域开发了大量优秀算法,为实际应用储备了大量的工具;近年来,人工智能开始大规模应用于金融和互联网等领域,起到了较好的示范效应。业内人士普遍认为2019 年将是人工智能在工业制造领域快速发展以及各种技术落地的一年。

如今国内中小创投公司林立,科技氛围浓厚,让李杰对中国制造业的未来充满信心,“目前中国有太多的产业可以做蛋白,只要拥有足够的核心竞争力,蛋白可以做得很大。”

综合来看,目前人工智能在制造业领域主要有三个方向:视觉检测、视觉分拣和故障预测。

田天表示,目前在“缺陷检测”和“预测性维护”两大方面客户接受度和需求较高,主要是因为该领域为客户痛点,能直接为客户节省大量的费用。预测性维护也有利于避免重大事故,对于安全制造和安全生产至关重要。

近年来,越来越多的机器视觉落地应用,在技术与市场上的认可度不断获得提升,视觉企业成长速度加快。在工业应用领域,随着生产的柔性和自动化程度的不断提高和对质量更加严格的控制要求,企业迫切需要机器视觉来代替人工,实现定位、检测、引导、识别等功能。

机器视觉技术是图像获取、分析、识别、检测等技术的综合,机器视觉行业经过数年的积累,不仅在规模上实现年均增速超20%,且在3D视觉、无序分拣等技术方面获得了不同程度的突破。GGII预计2018年中国机器视觉市场规模54亿元,同比增速超25%,高于其他细分领域增速。

人工智能技术的发展推动了机器视觉的快速应用,GGII认为,机器视觉是实现工业自动化和智能化的必要手段,随着机器视觉的介入,自动化设备将朝着更智能、更快速的方向发展,同时,机器视觉在各行业的渗透率也将逐渐提升。

其中,将近80%的工业视觉系统主要用在检测方面,包括用于提高生产效率、控制生产过程中的产品质量、采集产品数据等。

高视科技2015年完成了屏幕模组检测设备研发,已向众多国内一线屏幕厂商提供50多台各型设备,可以检测出38类上百种缺陷,且具备智能自学习能力;阿丘科技则推出了面向工业在线质量检测的视觉软件平台AQ-Insight,主要用于产品表面缺陷检测,可用于烟草行业,实现烟草异物剔除、缺陷检测。

近年来,国内陆续出现了一些基于深度学习和人工智能技术解决机器人视觉分拣问题的企业,如埃尔森、梅卡曼德、库柏特、阿丘科技、埃克里得等,通过计算机视觉识别出物体及其三维空间位置,指导机械臂进行正确的抓取。

埃尔森通过3D快速成像技术,对物体表面轮廓数据进行扫描,形成点云数据后进行智能分析处理,加以人工智能分析、机器人路径自动规划、自动防碰撞技术,计算出当前工件的实时坐标,并发送指令给机器人实现抓取定位的自动完成。

以高性能3D相机、视觉AI算法和软件、机器人运动算法和软件为核心产品的梅卡曼德可提供多种典型应用的参考设计和现场服务。其解决方案可使机器人厂家和集成商迅速提升人工智能能力,完成无序物体抓取、视觉引导拆垛、混合码垛、精确定位装配等应用。

基于人工智能和IOT技术,通过在工厂各个设备加装传感器,对设备运行状态进行监测,并利用神经网络建立设备故障的模型,则可以在故障发生前,对故障提前进行预测,在发生故障前,将可能发生故障的工件替换,从而保障设备的持续无故障运行。

据悉,国外AI故障预测平台公司Uptake,已经估值超过20亿美元。而国内智能装备企业利元亨利用数字孪生技术让企业管理者随时随地了解设备的实时运行情况和生产数据,同时预测设备未来的生产数据和可能出现的产线故障,提前制定计划和对策。

目前“灯塔工厂”名单全球总计只有 16 家公司入选,“富士康是其中唯一利用 AI 做预测的企业, 李杰指出,工业 AI 有五大关键要素:分析技术、大数据技术、云或网络技术、行业领域知识、事实结果。而投入工业互联网会失败通常有四大因素:没有场域、没有使用工具/数据、公司内部斗争、项目纠纷、最后才是没有技术,其中有 4 成以上是没有场域。

目前,AI故障预测成熟运用较少。大部分传统制造企业的设备没有足够的数据收集传感器,也没有积累足够的数据;很多工业设备对可靠性的要求极高,即便机器预测准确率很高,不能达到百分之百,依旧难以被接受;此外,投入产出比不高,很多AI预测功能应用后,如果成功能减少5%的成本,但如果不成功反而可能带来成本的增加,所以不少企业宁愿不用。

有投资人表示,初创公司在人工智能领域还是有很多机会的, 但他们需要往更细分的赛道里去专研,去挖掘,这样才能避开一些大公司,发挥自己的长处,实现AI与具体产业相结合。

此外,拥有更加独到数据的企业将更有机会,这里为什么强调独到数据,是因为之前很多做算法的数据都是公开数据、各种扒的数据或者是直接买的数据,但是这类数据是没有稀缺性。

郑勇认为,虽然现在人工智能领域有大量的创业公司,但是不同公司最后在产品上的差异,其实就在于细节,细节决定了客户的体验,包括对行业的理解。想要获得这些经验,需要花很长的时间,跟客户一起打磨,最后才能获得。“当有了这样经验的时候,你跟你的竞争对手是可以差异化的,最后会带来品牌溢价,带来产品价值优势。”

总体而言,AI在工业领域的应用才刚刚开始,还有不少潜在应用场景值得去探索和发掘。