出品 | 虎嗅智庫
頭圖 | 視覺中國
當前，人工智能正持續進行技術叠代，拓展應用的廣度、深度，進入到千行百業當中，不斷落地開花。
工業制造領域擁有人工智能技術重要的應用場景。
包括 AI 質檢、智能排産、AI 預測維護等等都是 AI 技術在工業生産方向上的重要實踐。
3 月 6 日，虎嗅智庫特邀創新奇智技術副總裁郭江亮、百度智能雲工業産品部總經理黃鋒、上海電氣集團中央研究院算法研究員黃夢珂、淩雲光知識理性研究院常務副院長全煜鳴，分享了關于 AI 在工業生産的實踐案例及觀點。
目前 AI 在工業生産當中的應用場景和案例
全煜鳴：
目前在工業生産中應用 AI 技術方面：首先是最基礎的視覺感知智能，在衆多的垂直行業當中應用，如：測量檢測、對位引導等。包括生産安全、生産合規的一些動作的自動識别、缺陷檢測等。
另外，通過将各個模态的感知智能融合在一起，形成柔性組裝産線。這是要替代人開展手腕以下的相關動作，包括皮膚的觸感、關節的力感以及整體視覺，能夠把一個比較細微的動作完成。比如軟排線扣接、精密螺絲的鎖附等任務。
此外還有工業大數據沉澱，通過知識沉澱驅動下的認知智能和智能決策，用在電子 ESOP 的自動生成和優化。
最後是利用 AIGC 進行工業應用，包括一些教學輔導的視頻生成。例如結合 AR 眼鏡做相關虛實融合的應用場景，實現遠程專家指導和培訓。
黃鋒：
從大語言模型來看，主要有三個方面：第一個層面是交互層面全新升級，例如某些工業軟件操作十分複雜，很多功能隐藏在二、三級菜單中，通過大語言模型可以讓使用者更便捷地應用某些複雜的工業軟件。
百度補充資料
第二個層面是工業知識的沉澱複用。這是非常重要的應用場景，通過将老專家的經驗知識轉化爲文本，沉澱到大模型中，再通過自然語言的交互，能夠讓新人很快具備老專家的豐富經驗。我們與國内某頭部化工企業進行合作探索，過去，面對園區中上千個化工裝置，老專家往往通過經驗對這些化工裝置做參數判斷，識别異常、定位問題，進而采取相應對策。現在，我們嘗試将這家企業設備運行手冊中的文本資料，訓練成一個專業場景的大模型，這個大模型一定程度上具備一定的專家經驗知識，可以幫助員工更快解決問題。
第三個層面是生成式場景應用的創新。我們去年曾和國内某家設計院嘗試利用大模型生成 2D 的 CAD 圖，通過滿足工業設計中邊界約束條件要求，讓大模型生成 CAD 圖，目前已取得初步成果。
CV 大模型雖然在技術層面，暫時還未産生像大語言模型的代際變化，但在實際應用過程中發揮很大的價值，比如在安全生産領域，以往經常利用小模型檢測火電廠、風廠有沒有煙火，但不免出現漏報、誤報，而 CV 大模型在泛化能力及準确率上都有更好的表現。但相較小模型，CV 大模型推理的速度會比較慢，所以當前更多通過結合邊緣小模型與雲端大模型的方式解決漏報誤報的問題，并廣泛應用于客戶現場。
郭江亮：
其實大模型帶來了更大的機遇，特别是對工業來說，比如多模态的發展結合工業裏邊 AGV、機器人等有可能會颠覆現在的工業生産的底層邏輯。現在整個工業生産的過程中，很多的設備都還是偏早期的智能或者是單體的智能。有了大模型，能夠往更高的智能和集群化的模式發展。
但是如何在工業生産的一些核心環節做颠覆式的創新是比較關鍵的。比如我們正在做的一個案例，這家公司是做裝備自動化的，需要做大量的機械設計和電氣設計等相關工作。此前都是用傳統的設計軟件來進行，成本很高。目前通過嘗試把整個設計的知識給到大模型，讓大模型輔助做一些關鍵的、常用場景設計，這對使用體驗是一個提升，對成本也有降低。
此前企業使用的設計圖紙，往往做完評審之後就被擱置了。而利用大模型之後，無論後期階段遇到什麽問題都可以來問大模型，拓展設計的生命周期。
黃夢珂：
AI 技術其實很大程度上代替了依賴經驗的重複性勞動，比如我們做過的一個在工業質檢領域的案例，通過研發一套 AI 輔助的焊接缺陷檢測系統，幫助檢查焊接質量。
上海電氣集團補充資料
此前質檢員需要從一個拍攝出來的 X 光圖像上通過眼睛檢查出缺陷，并判斷缺陷是什麽。目前通過結合 CV 模型，智能檢測系統做到了零漏檢。現在質檢員隻需要根據顯示器傳出的報警框進一步審核就可以了完成質檢工作，大大降低了他們的工作量。
另外，CV 模型在工件盤點的場景也是非常有用的，因爲我們還做過一個案例是對這種堆放非常密集的，比如鋼筋或者鑽頭的刀具進行統計。當時我們接觸的場景，一個模具中最大可能堆放這種零件有近萬個，堆放地非常密集。
傳統的工件統計方法，其實是人工把工件放在固定的容器裏，把最上面的一排數一下，再利用等差數列求和的方式，計算一共有多少個，這樣的誤差很大，另外當數量級達到幾千甚至上萬的時候，單純數最上面一排需要的時間也很久。
我們設計的 AI 的算法，隻需要用工業相機拍出一張包含所有工件的圖像，大概在不到一秒鍾之内就把一個場景裏面包含的工件的個數預測出來。在有些場景，我們的方法可能比人工檢測的還要更準，這不僅提高了效率，而且也提高了精度。
工業大模型如何與不同的工業生産場景适配？
創新奇智補充資料
目前實際來看公有部署和私有部署兩種方式都存在，目前我們公司在工業裏做的是八個細分的領域，鋼鐵冶金，汽車裝備，能源電力，面闆半導體、3C 高科技，還有智造實訓等。比如智造實訓領域，它采用的是公有雲的方案，我們有一個小的行業化的公有雲，主要是部署偏 pass 類的一些産品。智造實訓的平台也在公共雲上，通過在公共雲上提供多賬号的服務。把過去多年積累的一些做項目的資源，無論是算法的、平台的包裝成課程，一些企業和園區可以用來做培訓。
工業領域的大客戶，它的數據安全是最重要的。一般采用都是私有化部署的方案。交付上主要通過私有化部署，從一開始就對 AI 産品、應用要求更安全、更可控、也更靈活，所以私有化占很大一部分比例。
其實工業裏邊偏中小的性質的集成商，可能對混合的模式是能接受的。比如在雲上做模型的訓練、甚至做調試，在私有化環境裏做部署。
但未來都希望能夠慢慢地去做混合或者做公有的方向。
雖然在技術層面比較類似，但不同行業細分需求則呈現出較大差異，跨行業複制的成本較高。例如同樣做缺陷檢測，汽車與紡織就一定存在很大差異。
以前我們依賴算法工程師去到客戶現場，通過工業相機采集相應樣本圖片做标注、訓練，與硬件自動化做聯調最終上線，交付成本非常高。
現在我們開發平台工具，把模型調優訓練、模型推理經驗等能力沉澱爲平台工具，極大降低了交付和使用門檻。
過去可能需要百度高級工程師才能做的項目，有了工具後，具備行業經驗的合作夥伴，利用此工具也可以輕松交付。
平台化真正實現了交付周期和交付成本的降低，才能從根本上解決跨行業快速複制的問題。
AI 在工業生産上的可靠性和透明度如何被解決？
工業制造業和一般的自然場景不太一樣，在某些場景下，比如手機上的視覺算法不太好，拍攝的内容有問題，用戶可能隻是對它的主觀體驗感比較差。但在工業領域，模型的效果如果不好，就會涉及到生産的質量、安全的問題，這是沒辦法接受的。所以在多數情況下，很多企業的反饋都是要求模型或算法的過程是可以追溯、複盤的。
目前，結合項目的經驗，在工業的場景裏，比較容易采集數據且數據質量還不錯的情況下，其實把 AI 模型的精度從零提升到 90% 或者 95% 是可以實現的，但是在高端裝備制造業，要求往往是 99%、99.9%，甚至是百分之百。
因爲一旦出現誤差，就會涉及到責任歸屬的問題，現在采取的做法是把 AI 技術或者 AI 大模型作爲一個輔助工具，在具體使用的時候，利用這個模型給提示或者建議，最終的決策權還是在人。
未來在工業場景下的 AI 模型，可能要融合更多的工業機理知識和工業數據，做成行業模型，從某種程度上也可以提高模型的解釋性。當前也有越來越多的研究者，嘗試設計出具有可解釋性的白盒 AI 模型。随着技術的不斷成熟，相信這些問題會被解決。
如何收集工業生産場景下的數據，讓 AI 大模型更好地服務生産？
總結下來有系統性、實時性、正确性三個方面，系統性是指随着整個工業生産的自動化，信息化、智能化發展，包括現有的 MES、ERP 等既有的系統應用。通過這些系統可以收集到比較多的、系統性的、多維度的數據。
淩雲光補充資料
收集數據的時候不僅要知道生産狀态是什麽，設備狀态是什麽，甚至如果有缺陷，需要了解缺陷是什麽。
第二個是實時性，當異常發生的時候。我們在線收集數據時，幾個系統進行相應的參照，甚至匹配到我們下遊客戶的異常數據。收集數據需要廣泛且快速。舉個例子，在 A 客戶的生産線裏，進行采集數據時，相應的性能就要做到一秒：比如看到了屏幕瑕疵，我們會在一秒内找到這塊屏幕生産的相應情況，包括它在模組端相關的信息，帶着專屬的二維碼，能夠發現它的完整生産鏈路情況，在不同的制程段裏，所對應的缺陷會有形态上的一些變化，這樣就能分析出不同的制程對相應缺陷的放大、縮小或者是形态改變，這樣的機理作用。
第三是基礎準備和數據可靠性的問題。設備的各類關鍵模組數據能不能獲取到是一方面，另外一方面是目前很多智能傳感器的加裝已經不是問題了，但企業會考慮 ROI 的問題，因爲成本等因素，是不是可以加裝足夠多的傳感器來傳送相應多維度的數據，這是很重要的問題。
不同的人在寫相應的底層工業程序的時候，因爲不同的習慣也會出現很多種情況，而在檢測軟件和制程裝備當中，其實都有非常規範的定義，爲數據收集和應用做準備。
另外一些沒有被及時做标注的數據，基本上還是要靠底層應用判斷。所以在做整體數據閉環的時候，是通過這三大方面來保證數據的系統性、實時性、精确性。
對中小企業利用 AI 賦能生産的建議
我覺得有三點可以考量，第一點，要眼見爲實的價值，現在靠概念的時代已經過去了，要以眼見爲實的價值爲主。類似我們這樣的供應商，在做客戶支持的時候，需要帶的是成品，帶的是 live demo 這樣眼見爲實的價值。這對中小企業做決策的時候是更有幫助的。
第二是性價比。市面上的産品很多，但最後如何把一個好的技術、好的産品變成一個好的生意，這是關鍵。所以，一個産品它不具有性價比，可能也不是一個好的選擇。
第三，要抓住時機，順應大趨勢。擁抱新的技術和新的發展趨勢。有時候需要果斷一點，如果拿不準，可以先從邊緣的業務的領域嘗試，我認爲這是很關鍵的。
比如現在大模型這個階段來了，在這個時候如何決策？我認爲如果能嘗試就先嘗試，這是我的建議。
目前 AI 應用偏中大型企業多一些，中小企業建議還需基于自己實際應用需求，技術隻是用來解決問題的一個手段，還是從自身業務發展出發，通過測算應用的 ROI 判斷價值更加務實。
大型企業可以做超前建設，例如我們服務的一些大企業，它們基于多年數字化建設、數據積累，會選擇先建設算力中心、建立各種的平台，最後再建設各種應用。但對于中小企業而言，如果沒有這樣的積累，或許以應用爲出發點，測算引入相關技術的 ROI，更爲務實。
我覺得就是從企業的實際需求出發，實事求是一點。另外近些年，不僅是存儲算力，一些核心的開發組件等技術也大幅度發展，應用成本在降低，可獲得的解決方案在豐富化。也就是說，中小企業不會是一個模型的開發者、優化者，有可能更多是一個使用者，所以看自己的場景，按需來選擇相應的解決方案。因爲現在越來越多的走在頭部的企業，爲了構造相應的生态，給大家很多選擇。
對于一些專有的解決方案，包括讀碼、識别對位，在我們 AI 開發平台上面，甚至有免費的解決方案套件可以下載到相應的嵌入式上，滿足大家應用，這些都是在慢慢發生的事。
我的觀點是傾向于利用 AI 賦能工業生産的，因爲 AI 技術是可以替代依賴于經驗的重複勞動的。如果中小企業，在兼顧成本的同時，把生産環節當中的一些重複性的工作交給 AI，讓自己更專注于工業生産中擅長的或者具有創造性的領域的研發，這更能體現出企業的價值。
另外比如視覺模型，它和單純的人工質檢對比，人工的成本是很高的，一些企業也表示現在不僅用工成本比較高，而且有些質檢的過程本身對人工是有傷害的，因此現在年輕人很多不願意從事這種行業，出現了招工難的問題。所以将 AI 技術應用到這個領域當中，我覺得也是有必要的，這也是降本增效的手段。
企業如何選擇适合自己的 AI 解決方案，可能也要針對不同的環節具體來看，因爲每一個中小企業，它自身的數字化程度或者智能化的程度是不一樣的。有一些中小型企業，它其實本身數字化程度已經非常高了，有整條的數字化産線，對于如何選擇 AI 技術作爲生産上的解決方案，他們完全可以根據自身已有的數據、數字化技術的積累來擴充自己的 AI 的研發能力，豐富企業的技術儲備。
另一種情況，可能某些中小型企業的數字化程度比較低，這個時候需要找合作方一起交流讨論，首先把其中的一個非重點生産環節，樹立起數字化、智能化的觀念，進行嘗試。然後以點帶面，慢慢發展。這個過程是一個不斷學習、不斷積累 AI 技術的過程，也是智能化轉型的過程。
在活動過程中，線上參會觀衆也都積極參與互動交流，既有來自京東方、理想汽車、沈陽機床、榮耀等企業的人士，也有來自南京大學、北京大學、北京交通大學的等學院機構的人士，還有中國電子信息産業發展研究院爲代表的行業研究機構、投資機構的從業者們，嘉賓們對于相應問題進行了一一回複，也圓滿結束了本次 502 線上同行研讨活動。
數智化是大勢所趨，新的技術在不斷發展，新的智能化業務場景在不斷湧現，虎嗅智庫将持續服務中國企業數智化轉型，向業界輸出及時、優質的研究與洞察，幫助決策者把握技術趨勢、并提升對客戶、戰略、管理的認知。
追蹤更多産業數字化動态，歡迎關注虎嗅智庫相關研讨與報告内容。前往虎嗅智庫完成注冊即可接收我們内容更新與活動通知。
關于虎嗅智庫
虎嗅智庫是推動中國産業數字化與智能化的新型研究服務平台，虎嗅智庫從數字化技術出發，服務于工業制造、零售消費和汽車産業三大行業，形成研究矩陣。向業界輸出及時、優質的研究與洞察，幫助決策者把握技術趨勢、并提升對客戶、戰略、管理的認知，共赴産業數字化與智能化。
