01 關於工業質檢的「冷知識」如果你問一些 AI 工程師，「做一個 AI 質檢儀去檢查手機內部攝像頭支架的缺陷要拍多少個點位？」放在幾年前，他們可能答不上來。但現在，他們會告訴你：要拍七八十個。這個「冷知識」是他們從工廠學到的，騰訊雲副總裁、騰訊雲智慧研發負責人、優圖實驗室研發負責人吳永堅說，在實際接觸這類專案之前，他們也沒想到一個小小的零件居然要花那麼大的工夫去質檢，原本預計一兩個月就能做出來的 AI 質檢工具，最後居然花了 300 多天。
圖源：https://www.yankodesign.com/2021/01/18/this-framed-disassembled-iphone-5-makes-the-perfect-gift-for-any-tech-lover/這個專案落地於富馳高科，他們生產的攝像頭支架精度、表面光潔度都非常高，但與生俱來的高反光特性和複雜的結構也使其缺陷更難被發現。通常，一個質檢工人要將其放到 30 倍的電子放大鏡下翻來覆去地看，才能發現一些微米級的裂痕或壓傷，一個零件要花上一分鐘才能看完，三個工人輪班每天也就能看完 1000 多個。每到客戶產品上新的週期，富馳高科的負責人就犯了難。幾千萬的零件要想如期交付，就得增加一大批質檢工人，不容易招到不說，招到也不一定能留得住，很多人都是幹上幾個月甚至幾周就離開了，讓工廠陷入招募、培訓、重新招募、重新培訓的迴圈。早在幾年前，他們就想過用 AI，但對於漏檢率的嚴苛要求篩掉了幾乎所有技術團隊。最終成功通關的吳永堅及其團隊，對這種嚴苛有著深刻的體會。之前做其他專案時，比如給相簿軟體做縮圖，你只需要讓 AI 檢測出裡面的顯著特徵就可以了，極少數檢測不出來也不影響軟體的使用。但工業質檢場景不能這樣做。要知道，一個批次幾萬件零件，一旦被發現一個嚴重缺陷，整批產品就可能全部退回重檢，人力成本直接翻倍。所以，工廠對他們的基本要求是漏檢率要控制在萬分之幾，嚴重缺陷漏檢率要接近於 0。這種前所未有的壓力，讓騰訊雲智慧團隊選擇了一種和以往不同的工作方式：將工位挪到工廠，向工人直接取經。這個舉動，讓他們發現了很多有價值的前場資訊，比如如何分辨一個小黑點是髒汙還是壓傷：工人可能會斜著看、用手擦一下或按壓一下。相應地，AI 質檢儀同樣要增加拍攝的角度，透過設計新的照片合成方法來立體地展示零件表面資訊，給演算法提供更豐富的判斷依據。類似的小發現在這個專案中層出不窮，每攻克一個就收穫一些「冷知識」。隨著這些「冷知識」的不斷積累，演算法的漏檢率降了下來，從最開始的百分之一降到後面的十萬分之一。最終，騰訊雲智慧交付出一款名為「騰慧飛瞳」的 AI 質檢儀，該質檢儀 4 秒就能完成一個產品的質檢，一天可以檢測 2 萬個，嚴重缺陷能做到零漏檢，而且只需要補充少量資料就能用到最新產品的外觀檢測上。在 10 多臺裝置持續滿載生產的情況下，該專案預計每年為富馳高科節省成本數千萬元。
TI-AOI 是騰訊雲智慧對 AI 技術與質檢專案經驗的提煉與總結。據介紹，它分為訓練和運營兩個模組，零基礎工程師也能輕鬆上手。 在訓練模組，工廠工程師可以選擇這批零件有哪些型別的缺陷，這些缺陷裡面哪些是關鍵點，哪些不是，然後設定指標（比如目標過殺率、漏檢率），平臺訓練之後，會告訴工廠工程師需要增加哪些資料持續訓練。在運營模組，如果模型出現某些點位漏檢率、過殺率過高的情況，也可以在不調整訓練側資料的情況下透過運營的方式去解決。比如，在那些可能沒問題的點位進行遮蔽，或調整某個機率來快速降低過殺率。當幾個版本跑完之後，運營模組可以給出一些關鍵資料的統計結果，比如哪些點位容易過殺，哪些點位容易漏檢，從而幫助使用者實現快速迭代。如此一來，工廠裡無演算法背景的工程師也能參與到專案中來，專案進度大大加快。 在過去的一年中，騰訊雲智慧打造了 10 多個細分領域外觀檢測的解決方案，年累計交付超過 100 臺外觀檢測裝置，單一客戶累計完成超過 2000 萬件產品外觀檢測。在最新的 IDC 權威報告中，騰訊雲智慧僅用 2 年時間便成功躋身工業 AI 質檢行業前三。 當然，這種從定製化到標準化、從單一技術產品到多能力聚合平臺的進化在騰訊雲智慧內部並不是孤例，也並不侷限於單個環節、單個行業。各行各業對於降本增效、開箱即用的 AI 需求加快了他們將整個騰訊雲智慧推向體系化的程式。 03 一個完整的產業落地鏈條 在 AI 產業落地的初期，很多需求是相對比較單點的，比如一家公司可能只需要一項 OCR 的識別或一項人臉核身技術。在這一階段，很多 AI 產品也是以單點能力的形式來交付的。但隨著 AI 產業落地程度的加深，騰訊雲智慧發現，客戶對 AI 的需求已經變得越來越多樣化。 要應對這些需求，僅僅開放一項或幾項 AI 能力、AI 產品是遠遠不夠的。就像工業質檢專案一樣，之前該領域也有一些開放了某幾項能力的拖拉拽式工業軟體，但使用者拿到之後依然需要自己摸索很多細節，比如如何搭建 pipeline，新增哪些資料去除錯結果等等，實際可用性並不高。 「產業是嚴密的體系，環節之間的協作至關重要。單點智慧的能力提升，往往不足以改變整個體系的效率；需要高度系統化、協同化的全流程 AI，才能實現綜合產能的提升。」騰訊集團高階執行副總裁、雲與智慧產業事業群 CEO 湯道生在 2022 騰訊全球數字生態大會上說。 為了適應這種需求的變化，騰訊內部多個與 AI 技術、產業相關的團隊正在不斷融合，聚合成「騰訊雲智慧」體系。這個對外的品牌融合了騰訊內部 AI 技術、拳頭 AI 產品和解決方案，以及成熟的數智化轉型方法論，一起「成團出道」。 具體來說，這個「團」的內部有四個層級，分別負責在不同的環節加速 AI 產業落地。
最底層是算力加速，騰訊自研的紫霄 AI 晶片與自家 AI 開發平臺高度適配，與使用通用 GPU 相比效能提升 200%。 中間兩層是開發加速和落地加速，其基礎支撐是騰訊雲的開發平臺——TI 平臺，前面提到的 TI-AOI 工業質檢平臺就是它的一個細分領域子平臺。 本著把「平臺做厚」的原則，騰訊雲智慧一直在給 TI 平臺增加新的能力，從標註、訓練、推理到應用都涵蓋在內，其新推出的 TI-ACC 訓練、推理加速工具能幫助使用者節省一半的算力資源投入。就是因為有這個一個一站式的開發平臺，騰訊雲智慧才能在各個行業的落地解決方案中做到讓使用者足夠省心，由此把行業解決方案做得越來越深。 此外，落地加速層面還包括一系列標準化的應用，比如數智人、語音助手、智慧客服，讓使用者真正「開箱即用」。 這些能力組合到一起，幫助騰訊把產業落地的路越走越寬，生態合作伙伴越來越多。 對於這些合作伙伴共同的數智化轉型訴求，騰訊雲智慧聯合埃森哲共同梳理出了一套數智化轉型方法論，其中詳細梳理了以傳統模式推動數智化轉型過程中的痛點與難題，並給出了針對性的解決方案。 正如騰訊雲副總裁、騰訊雲智慧負責人、優圖實驗室負責人吳運聲所說，這個「四級加速」矩陣把產業落地的前後端都考慮到了，形成了 AI 產業落地的一個完整鏈條，「在這個鏈條中，不管客戶需要的是標準化 AI 原子能力、通用產品還是定製化行業解決方案，雲智慧有相應的方式來滿足需求，這是我們的優勢」。04 結語「數字技術和實體經濟共生共榮，只有充分考慮產業、技術、商業等各個環節，才能更好發揮 AI 的價值，推動中國產業升級發展。」吳運聲曾在 9 月世界人工智慧大會「騰訊論壇」上表示。當時，騰訊雲對上述問題的完整解法還沒正式披露。如今，透過「四級加速」矩陣和「做厚平臺、做精應用、做深行業、做廣生態」的打法，騰訊雲智慧正在逐步打通各個環節，成為高度系統化、協同化的全流程 AI 服務的提供者。湯道生說，未來，騰訊雲智慧將沿著全新戰略方向，助力各行各業擁有大算力、易開發、能落地的雲端智慧平臺，讓 AI 成為產業升級的「貼心」助手，同時以雲智融合幫助人看得更遠、想得更深、幹得更好，造福於人類的美好生活。
