一九產業AI速寫:工業篇

naojiti發表於2019-12-27

2019年即將過去,這兩天很多朋友問我:今年AI到底是火了還是涼了?

然後我跟他們說:為了身體健康,別光吃涼的燙的,也吃點溫的。

根植於網際網路經濟帶來的一個又一個“風口記憶”,似乎如今國人已經習慣於把某種技術、產品,或者商業模式粗暴歸類為非火既涼。換言之,我們總是很難有信心等待去技術按部就班地發展進步,而是熱切希望它一步登天或者一腳蹬空。

2019年,AI火了嗎?顯然並沒有,最簡單的體現就是AI相關的投融資成交額大幅下降,眾多優質AI專案找不到資本投入。

2019年,AI涼了嗎?顯然也沒有,我們能夠看到明顯的演算法進步、國產AI晶片進入產業週期、AI開發環境走向成熟。對於AI從業者和AI開發者來說,2019年甚至迎來了翻天覆地的變化。

那麼,到底在哪裡能感受到AI的真實溫度呢?我想有一個地方或許可以,那就是AI走入各行業,也就是所謂的產業智慧市場,在2019年到底進展如何?

去年麥卡錫釋出了一份名為《模擬人工智慧對世界經濟影響》的報告,其中認為到2030年,AI將為全球貢獻9萬億美元的GDP增長,其中90%來自於各行業智慧化組成的企業市場。AI一分在C端,九分在B端,也已經成為了今天中國社會對這門技術的共識。

如果說投資人會偏袒泡沫,科學家執著於實驗室,那麼工廠主和企業家們,似乎是今天AI技術發展中一個恰如其分的“裁判”。

時值歲末,我們希望用一個系列報導的形式,來總結這一年中各主要行業使用AI技術的變化,市場的成長,以及產業成熟度的趨勢。系列中各案例和資料,都來自真實存在的企業,為了減少麻煩我們將隱去企業的具體名稱。

希望這種回望和總結,有助於大家換一個視角看清AI技術的“真身”。

第一站,我們要去號稱“AI能改變的最後一個行業”——工業。業內人士普遍認為,工業AI是最難做的一個領域,但也可能是那“9萬億GDP”中的絕大部分。工業AI的希望、艱難與真實進展,都能很輕易在這一年中被發現。

AI是溫的,熱的,涼的?且為如今事,功績且待來日說。或者換個說法——AI的未來不在鍵盤上,而在工廠裡。

質檢:工業AI的第一站

作為AI相關的內容報導者,今年最直觀的感受是與製造業代表的傳統行業管理者聊AI,其專業程度和了解深度已經遠遠超過2017年AI剛剛興起的時候。

或許換個角度看,這與如今工業領域遭遇的外部壓力有直接相關。勞動力的成本提升、大量工業訂單向東南亞轉移,以及經濟下行壓力下的成本與效率焦慮,構成了今天工業企業的主要情緒。

而這種情緒的促使下,企業主和管理者開始積極尋找外部的技術推動力,這與AI希望走進產業的願望不謀而合。

但是周瑜打黃蓋,還需要蔣幹當引子,工業遇上AI的契機又在哪裡?這個答案已經比較明顯。2017年,工業AI命題更多還處在討論當中;2018年,AI質檢就已經提上了雲端計算、企業網和AI公司的服務列表。

對於工業場景來說,融合AI最大的挑戰在於AI的釋放需要裝置、網路和算力作為基礎條件。而工廠顯然不能拆掉流水線去為AI尋找容身之所。所以工業最開始嘗試的,只能是外部的、淺層的、不傷筋動骨的工業智慧化能力。於是質檢作為一個特殊場景躍然而出。

在今天絕大部分工業體系中,質檢都是依靠人工來完成的。憑藉的是人力的大量重複勞動以及相關經驗,而使用智慧攝像頭和機器視覺演算法,來學習和理解質檢員需要找到的瑕疵與問題,可以令很多行業的質檢工作快速被AI所替代。

於是從2018年開始,大量AI+質檢專案快速上馬,很多工廠也找到相關供應商嘗試搭建自己的智慧質檢體系。但是這個領域的初始瓶頸也很明顯,一個是智慧攝像頭的精度不夠,微小瑕疵識別成為了AI的難題,另一方面AI識別的算力和處理速度不足,也導致AI質檢速度不如工人質檢,更多時候只能作為人工識別的複檢補充。

還有一個問題,是AI攝像頭很難識別立體的東西,尤其是球狀物。所以在2018年中到2019年初,行業內更多能看到的是AI對板狀原材料進行質檢,比如鋼鐵板坯、光伏皮膚等。一方面是因為原材料質檢的容錯率高,一般漏檢錯檢率低於10%就可以應用,另一方面就是這些材料只用AI識別單一平面,相對具有可行性。

為了解決這些問題,讓AI質檢這個“工業AI”第一站能夠走的更通順。2019年相關產業發生了系列變化,比較顯著的變化,是邊緣計算解決方案,開始透過雲服務廠商走進工廠。這就讓AI質檢的算力和傳輸問題得到了極大解決,如今很多AI質檢專案已經可以用高於人工效率的方式來完成。

與此同時,市面上的智慧攝像頭也在增多,工業級別的高精AI攝像頭和相關質檢演算法不再“有價無市”。另一方面,雲服務廠商提供的工業AI質檢解決方案更加多元。除非垂直需求獨特的工業類別,鋼鐵、煤炭、電力、防治等工業主要行業,已經可以在雲服務廠商中直接選購比較成熟的行業定製化AI質檢解決方案。

與此同時,雖然工廠裡的工業攝像頭不夠高畫質和缺乏立體視角,依然是AI質檢的主要難題。但是AI+工業檢測這件事卻得到了眾多新的發展機會,比如裝置故障識別、電路巡檢、儀表巡檢、施工現場檢測等,在2019年都可以找到成功的智慧化案例。

質檢作為工業AI的第一站,已經完成了從單點到多元化的價值釋放,尤其在危險作業環境和偏遠地區的AI質檢,其價值遠遠大於產業價值本身。

工業模型預測:2019年的最大收穫

當一些聲音開始嘲笑所謂的“工業AI”只會質檢,這條產業鏈卻在悄然開始新的進化。

如果說,2019年中國市場上的工業AI必須選擇一個主要進展,那工業模型預測應該得票最多。

所謂AI工業模型預測,一般是指利用工業大資料,透過AI對原料、產出、生產時間、廢料排放等資料進行智慧調配,最終得到高於粗放式生產的智慧生產模型。當然,這只是工業AI預測的一個基本模式。廣義的工業AI預測,還包括將專家經驗轉化成AI模型,再反向投入生產解決工人經驗不足的問題;還有將維修與裝置管理經驗轉化為AI模型,來預測裝置故障,智慧管理檢修體系等等。

工業AI預測,本質上是將人工經驗與智慧資料運算能力,抽象化成可複用的AI模型,來解決工業領域無處不在的資料關係問題。比如配料的比例、不同原料採購的數量和時間、裝置維修週期等等,這些資料原本都是需要人工長時間摸索並進行經驗總結的,也可能始終處在不合理的資料區間。AI的加入,可以讓小師傅變老師傅,粗放經營變成智慧經營。

當然,這只是理想中的情況,真實場景中的工業體系極度複雜,AI不可能也不會一上來就“算盡天下”。但從2019年眾多工業AI預測的成功案例來看,這個領域即將進入蓬勃發展週期。

如果說AI質檢,更多價值是在單一場景中,解決人工重複勞動的問題,那麼當AI開始在工廠裡玩資料、玩模型,AI預測正式讓工業AI走向了“腦力勞動”的崗位。

這一年中,已經有很多行業案例成功融合了工業AI預測技術。

一家軸承廠可以利用大資料檢測和機器學習系統,對工廠裝置的歷史維修週期與故障率進行分析測算,從而結合機器視覺系統對裝置進行監控,從而預測何時需要進行裝置清洗、何時可能需要更換部件,從而讓檢修人員進行提前規劃,最大程度降低工廠因裝置故障導致的停工情況,從而達到裝置中斷工作時間降低了50%。

再比如一些製造業企業和工業園區,已經開始利用AI技術構建電力系統的智慧監控與運維,預測企業的電力負荷情況,從而實行針對性供電,普遍可以達到企業整體購電成本下降30-40%的效果。

河南一家煤炭焦化企業,利用AI演算法來進行焦炭質量預測和配煤比例最佳化,從而實現再不降低產品質量的前提下,達到解決成本每噸20-70元,一年可以節省數千萬元成本。更重要的是,AI調參之後的配煤比例,可以讓原材料出煤更加充分,極大降低了汙染排放量,其社會價值遠大於企業價值本身。

工業AI模型預測的產業特徵,是每個行業都有非常高的特殊性。作為一種新技術,AI想要真正成為工廠的“大腦”,需要與具體行業充分接觸、溝通,反覆試錯,最終走向產業融合。所以說,工業AI預測是很難具備大面積重複推廣性的,與網際網路產業傳統的認知截然不同。但換個角度看,一家工廠很容易就因為AI的加入節省上千萬的成本,一個看似不大的行業,就可以基於工業AI預測帶來數十億級別的價值增長。

這是一個需要慢下來、紮實下來的工程,也是“非火即涼”論者需要適應的新現實。

工業AI,依舊路漫漫

如果算報償比率,工業AI絕對是所有“智慧+產業”中的魁首,同時從產業週期上看,工業也毫無疑問是最後一個徹底完成智慧化升級的產業。

無數細節和流程、漫長的產業鏈、上百年巋然不動的重型機械、與勞動者之間複雜難言的關係,種種因素限制著工業AI的發展速度。

如果為工業AI畫一條增長曲線,那麼在這條曲線的盡頭,工業AI無非是要做兩件事:徹底代替工人的工作,實現工廠的完全自動化。機械臂、工業機器人就是向這個目標前進;另一種是讓AI的感知、推理與決策能力,發生在工業生產的核心部類當中,也就是讓工業裝置、生產線、工業產品獲得智慧能力。工業AI預測、大規模工業資料處理、工業BI,都是這個目標的初級階段。

但在這兩個終極目標之前,今天依舊能看到工業AI的阻力依舊非常清晰。

比如說,工業AI改造的核心,必須經歷對工業生產核心裝置進行改造。這一方面意味著巨大的成本壓力,甚至是根本天方夜譚的成本。另一方面,AI走進工業需要一系列配套技術與解決方案的支援,這些基礎條件今天並不成熟。所以說一方面工廠不會讓AI改,另一方面AI也改不起。所以無論是質檢還是預測,AI依舊在工業核心的外圍轉悠來轉悠去。

比技術和成本困境更先遇到的,是工業和AI的相互不理解。我們經常會遇到這樣的情況,一家AI公司到工廠走訪後,能給出100多項自己可以做的智慧化升級。而工廠專家和領導稽核之後,可能最多留下兩三項,甚至可能看著令人眩暈的技術列表,決定把AI拉黑。這種情況,一方面是AI技術從業者並不瞭解工業,尤其對工業所需的安全、效率、成本週期缺乏常識;另一方面工業專家也並不瞭解AI,經常將這門技術與機器人、資料視覺化等技術劃等號。

經常聽到這種情況,工廠主見到AI公司負責人後有兩種情況,一種是想讓AI做一切事,另一種是拿AI當又一個騙人的“風口”。

可能相對幸運的是,如今的工業發展壓力,正在倒逼著產業智慧化升級發生。工業專家和工廠主也在持續提升對AI的認識。對於溝通層面的抱怨,在2019年已經少聽到了很多。

但是雙方的代溝還遠未消弭。舉個例子,很多工廠在探索使用AI時,都會強調一定要AI公司附加非常多的資料視覺化功能與系統建設。往往AI專家會很詫異,一方面資料視覺化很可能不是AI公司或者AI部門的業務,另一方面他們認為這種大量浪費成本在視覺系統上的專案意義不大。但是工廠主卻普遍認為,能看到自己的資料流動、智慧決策是如何一步步做出的,這件事十分有必要——哪怕這些視覺化資料是人工一點點畫出來的。

八竿子打不著的兩夥人要坐在一起圖謀大事。這事確實很煩心,但是能做好的人和公司一定會得到未來的獎賞,無論他來自AI還是工業,亦或其他。

2020,變化何處而生?

說千道萬,工業AI的重點還是要往前走。

那麼在2020,我們最可能看到哪些來自AI與工業的進一步碰撞呢?回到剛才那個判斷,今天眾多來自工業的聲音,都是希望AI技術與雲服務、企業解決方案提供商,能夠進一步深入自己的行業,去主動洞察產業機會。

就像以上我們提到的幾個案例,可能對於大部分網際網路和技術從業者來說,都沒有想過原來還可以這麼幹。這種“原來還可以”今天依舊分佈於工業體系的無數個細節,在技術核心發展之先,產業洞察是決定AI深入工業的主要推動力。有很多乍一聽老掉牙,或者根本不明白的工業領域,都是AI大顯身手的富礦。

另一方面,我認為最有可能繼續推動工業AI發展的技術,是多模態融合的感知與互動。能對話,能利用智慧攝像頭與感測器進行主動觀察,並且能進行資料分析的多模態互動IoT裝置,已經極大限度接近了眾多崗位上的人工價值。多模態技術和IoT技術已經達到了一個新的成熟期,與工業的結合值得期待。

而這就引出另外一個問題,適配工業場景大規模部署AI能力,需要在計算、資料、部署場景、硬體解決方案上具備一系列“工業級”的基礎。從極客的心頭好,變成工廠的“老師傅”,AI還需要一系列產業基礎設施的進化和升級,而這很有可能引發公有云與混合雲市場的進一步競爭。

同時,5G帶來的低時延、大頻寬特性,以及網路切片技術和企業專網服務,也為融合5G+AI帶來了契機。5G和AI,在工業領域正在期待成為彼此的新爆發點。

總而言之,工業AI還大有可為,而且必然在2020年產生非常大的變化——雖然變化程度也絕對達不到很多“風口期待者”的願望。工業AI很可能是AI技術的最後一張王牌,是第四次工業革命的關鍵。但是今天它還是AI的許多張牌裡最稚嫩的一張。需要更多變化組合,也需要等待更好的時機。

好在“工廠+AI”這幅畫面,不用聽到山呼海嘯的讚美聲,也能足夠精彩。

來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/31561483/viewspace-2670825/,如需轉載,請註明出處,否則將追究法律責任。

相關文章