一九產(chǎn)業(yè)AI速寫：工業(yè)篇

導(dǎo)讀：2019年已經(jīng)過去，這兩天很多朋友問我：去年AI到底是火了還是涼了?

2019年已經(jīng)過去，這兩天很多朋友問我：去年AI到底是火了還是涼了?

然后我跟他們說：為了身體健康，別光吃涼的燙的，也吃點溫的。

根植于互聯(lián)網(wǎng)經(jīng)濟帶來的一個又一個“風(fēng)口記憶”，似乎如今國人已經(jīng)習(xí)慣于把某種技術(shù)、產(chǎn)品，或者商業(yè)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(shù)按部就班地發(fā)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?顯然并沒有，最簡單的體現(xiàn)就是AI相關(guān)的投融資成交額大幅下降，眾多優(yōu)質(zhì)AI項目找不到資本投入。

2019年，AI涼了嗎?顯然也沒有，我們能夠看到明顯的算法進步、國產(chǎn)AI芯片進入產(chǎn)業(yè)周期、AI開發(fā)環(huán)境走向成熟。對于AI從業(yè)者和AI開發(fā)者來說，2019年甚至迎來了翻天覆地的變化。

那么，到底在哪里能感受到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(yè)，也就是所謂的產(chǎn)業(yè)智能市場，在2019年到底進展如何?

去年麥卡錫發(fā)布了一份名為《模擬人工智能對世界經(jīng)濟影響》的報告，其中認(rèn)為到2030年，AI將為全球貢獻9萬億美元的GDP增長，其中90%來自于各行業(yè)智能化組成的企業(yè)市場。AI一分在C端，九分在B端，也已經(jīng)成為了今天中國社會對這門技術(shù)的共識。

如果說投資人會偏袒泡沫，科學(xué)家執(zhí)著于實驗室，那么工廠主和企業(yè)家們，似乎是今天AI技術(shù)發(fā)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道的形式，來總結(jié)這一年中各主要行業(yè)使用AI技術(shù)的變化，市場的成長，以及產(chǎn)業(yè)成熟度的趨勢。系列中各案例和數(shù)據(jù)，都來自真實存在的企業(yè)，為了減少麻煩我們將隱去企業(yè)的具體名稱。

希望這種回望和總結(jié)，有助于大家換一個視角看清AI技術(shù)的“真身”。

第一站，我們要去號稱“AI能改變的最后一個行業(yè)”——工業(yè)。業(yè)內(nèi)人士普遍認(rèn)為，工業(yè)AI是最難做的一個領(lǐng)域，但也可能是那“9萬億GDP”中的絕大部分。工業(yè)AI的希望、艱難與真實進展，都能很輕易在這一年中被發(fā)現(xiàn)。

AI是溫的，熱的，涼的?且為如今事，功績且待來日說?；蛘邠Q個說法——AI的未來不在鍵盤上，而在工廠里。

質(zhì)檢：工業(yè)AI的第一站

作為AI相關(guān)的內(nèi)容報道者，今年最直觀的感受是與制造業(yè)代表的傳統(tǒng)行業(yè)管理者聊AI，其專業(yè)程度和了解深度已經(jīng)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(yè)領(lǐng)域遭遇的外部壓力有直接相關(guān)。勞動力的成本提升、大量工業(yè)訂單向東南亞轉(zhuǎn)移，以及經(jīng)濟下行壓力下的成本與效率焦慮，構(gòu)成了今天工業(yè)企業(yè)的主要情緒。

而這種情緒的促使下，企業(yè)主和管理者開始積極尋找外部的技術(shù)推動力，這與AI希望走進產(chǎn)業(yè)的愿望不謀而合。

但是周瑜打黃蓋，還需要蔣干當(dāng)引子，工業(yè)遇上AI的契機又在哪里?這個答案已經(jīng)比較明顯。2017年，工業(yè)AI命題更多還處在討論當(dāng)中;2018年，AI質(zhì)檢就已經(jīng)提上了云計算、企業(yè)網(wǎng)和AI公司的服務(wù)列表。

對于工業(yè)場景來說，融合AI最大的挑戰(zhàn)在于AI的釋放需要設(shè)備、網(wǎng)絡(luò)和算力作為基礎(chǔ)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(yè)最開始嘗試的，只能是外部的、淺層的、不傷筋動骨的工業(yè)智能化能力。于是質(zhì)檢作為一個特殊場景躍然而出。

在今天絕大部分工業(yè)體系中，質(zhì)檢都是依靠人工來完成的。憑借的是人力的大量重復(fù)勞動以及相關(guān)經(jīng)驗，而使用智能攝像頭和機器視覺算法，來學(xué)習(xí)和理解質(zhì)檢員需要找到的瑕疵與問題，可以令很多行業(yè)的質(zhì)檢工作快速被AI所替代。

于是從2018年開始，大量AI+質(zhì)檢項目快速上馬，很多工廠也找到相關(guān)供應(yīng)商嘗試搭建自己的智能質(zhì)檢體系。但是這個領(lǐng)域的初始瓶頸也很明顯，一個是智能攝像頭的精度不夠，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(dǎo)致AI質(zhì)檢速度不如工人質(zhì)檢，更多時候只能作為人工識別的復(fù)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(yè)內(nèi)更多能看到的是AI對板狀原材料進行質(zhì)檢，比如鋼鐵板坯、光伏面板等。一方面是因為原材料質(zhì)檢的容錯率高，一般漏檢錯檢率低于10%就可以應(yīng)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(zhì)檢這個“工業(yè)AI”第一站能夠走的更通順。2019年相關(guān)產(chǎn)業(yè)發(fā)生了系列變化，比較顯著的變化，是邊緣計算解決方案，開始通過云服務(wù)廠商走進工廠。這就讓AI質(zhì)檢的算力和傳輸問題得到了極大解決，如今很多AI質(zhì)檢項目已經(jīng)可以用高于人工效率的方式來完成。

與此同時，市面上的智能攝像頭也在增多，工業(yè)級別的高精AI攝像頭和相關(guān)質(zhì)檢算法不再“有價無市”。另一方面，云服務(wù)廠商提供的工業(yè)AI質(zhì)檢解決方案更加多元。除非垂直需求獨特的工業(yè)類別，鋼鐵、煤炭、電力、防治等工業(yè)主要行業(yè)，已經(jīng)可以在云服務(wù)廠商中直接選購比較成熟的行業(yè)定制化AI質(zhì)檢解決方案。

與此同時，雖然工廠里的工業(yè)攝像頭不夠高清和缺乏立體視角，依然是AI質(zhì)檢的主要難題。但是AI+工業(yè)檢測這件事卻得到了眾多新的發(fā)展機會，比如設(shè)備故障識別、電路巡檢、儀表巡檢、施工現(xiàn)場檢測等，在2019年都可以找到成功的智能化案例。

質(zhì)檢作為工業(yè)AI的第一站，已經(jīng)完成了從單點到多元化的價值釋放，尤其在危險作業(yè)環(huán)境和偏遠地區(qū)的AI質(zhì)檢，其價值遠遠大于產(chǎn)業(yè)價值本身。

工業(yè)模型預(yù)測：2019年的最大收獲

當(dāng)一些聲音開始嘲笑所謂的“工業(yè)AI”只會質(zhì)檢，這條產(chǎn)業(yè)鏈卻在悄然開始新的進化。

如果說，2019年中國市場上的工業(yè)AI必須選擇一個主要進展，那工業(yè)模型預(yù)測應(yīng)該得票最多。

所謂AI工業(yè)模型預(yù)測，一般是指利用工業(yè)大數(shù)據(jù)，通過AI對原料、產(chǎn)出、生產(chǎn)時間、廢料排放等數(shù)據(jù)進行智能調(diào)配，最終得到高于粗放式生產(chǎn)的智能生產(chǎn)模型。當(dāng)然，這只是工業(yè)AI預(yù)測的一個基本模式。廣義的工業(yè)AI預(yù)測，還包括將專家經(jīng)驗轉(zhuǎn)化成AI模型，再反向投入生產(chǎn)解決工人經(jīng)驗不足的問題;還有將維修與設(shè)備管理經(jīng)驗轉(zhuǎn)化為AI模型，來預(yù)測設(shè)備故障，智能管理檢修體系等等。

工業(yè)AI預(yù)測，本質(zhì)上是將人工經(jīng)驗與智能數(shù)據(jù)運算能力，抽象化成可復(fù)用的AI模型，來解決工業(yè)領(lǐng)域無處不在的數(shù)據(jù)關(guān)系問題。比如配料的比例、不同原料采購的數(shù)量和時間、設(shè)備維修周期等等，這些數(shù)據(jù)原本都是需要人工長時間摸索并進行經(jīng)驗總結(jié)的，也可能始終處在不合理的數(shù)據(jù)區(qū)間。AI的加入，可以讓小師傅變老師傅，粗放經(jīng)營變成智能經(jīng)營。

當(dāng)然，這只是理想中的情況，真實場景中的工業(yè)體系極度復(fù)雜，AI不可能也不會一上來就“算盡天下”。但從2019年眾多工業(yè)AI預(yù)測的成功案例來看，這個領(lǐng)域即將進入蓬勃發(fā)展周期。

如果說AI質(zhì)檢，更多價值是在單一場景中，解決人工重復(fù)勞動的問題，那么當(dāng)AI開始在工廠里玩數(shù)據(jù)、玩模型，AI預(yù)測正式讓工業(yè)AI走向了“腦力勞動”的崗位。

這一年中，已經(jīng)有很多行業(yè)案例成功融合了工業(yè)AI預(yù)測技術(shù)。

一家軸承廠可以利用大數(shù)據(jù)檢測和機器學(xué)習(xí)系統(tǒng)，對工廠設(shè)備的歷史維修周期與故障率進行分析測算，從而結(jié)合機器視覺系統(tǒng)對設(shè)備進行監(jiān)控，從而預(yù)測何時需要進行設(shè)備清洗、何時可能需要更換部件，從而讓檢修人員進行提前規(guī)劃，最大程度降低工廠因設(shè)備故障導(dǎo)致的停工情況，從而達到設(shè)備中斷工作時間降低了50%。

再比如一些制造業(yè)企業(yè)和工業(yè)園區(qū)，已經(jīng)開始利用AI技術(shù)構(gòu)建電力系統(tǒng)的智能監(jiān)控與運維，預(yù)測企業(yè)的電力負(fù)荷情況，從而實行針對性供電，普遍可以達到企業(yè)整體購電成本下降30-40%的效果。

河南一家煤炭焦化企業(yè)，利用AI算法來進行焦炭質(zhì)量預(yù)測和配煤比例優(yōu)化，從而實現(xiàn)再不降低產(chǎn)品質(zhì)量的前提下，達到解決成本每噸20-70元，一年可以節(jié)省數(shù)千萬元成本。更重要的是，AI調(diào)參之后的配煤比例，可以讓原材料出煤更加充分，極大降低了污染排放量，其社會價值遠大于企業(yè)價值本身。

工業(yè)AI模型預(yù)測的產(chǎn)業(yè)特征，是每個行業(yè)都有非常高的特殊性。作為一種新技術(shù)，AI想要真正成為工廠的“大腦”，需要與具體行業(yè)充分接觸、溝通，反復(fù)試錯，最終走向產(chǎn)業(yè)融合。所以說，工業(yè)AI預(yù)測是很難具備大面積重復(fù)推廣性的，與互聯(lián)網(wǎng)產(chǎn)業(yè)傳統(tǒng)的認(rèn)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(jié)省上千萬的成本，一個看似不大的行業(yè)，就可以基于工業(yè)AI預(yù)測帶來數(shù)十億級別的價值增長。

這是一個需要慢下來、扎實下來的工程，也是“非火即涼”論者需要適應(yīng)的新現(xiàn)實。

工業(yè)AI，依舊路漫漫

如果算報償比率，工業(yè)AI絕對是所有“智能+產(chǎn)業(yè)”中的魁首，同時從產(chǎn)業(yè)周期上看，工業(yè)也毫無疑問是最后一個徹底完成智能化升級的產(chǎn)業(yè)。

無數(shù)細(xì)節(jié)和流程、漫長的產(chǎn)業(yè)鏈、上百年巋然不動的重型機械、與勞動者之間復(fù)雜難言的關(guān)系，種種因素限制著工業(yè)AI的發(fā)展速度。

如果為工業(yè)AI畫一條增長曲線，那么在這條曲線的盡頭，工業(yè)AI無非是要做兩件事：徹底代替工人的工作，實現(xiàn)工廠的完全自動化。機械臂、工業(yè)機器人就是向這個目標(biāo)前進;另一種是讓AI的感知、推理與決策能力，發(fā)生在工業(yè)生產(chǎn)的核心部類當(dāng)中，也就是讓工業(yè)設(shè)備、生產(chǎn)線、工業(yè)產(chǎn)品獲得智能能力。工業(yè)AI預(yù)測、大規(guī)模工業(yè)數(shù)據(jù)處理、工業(yè)BI，都是這個目標(biāo)的初級階段。

但在這兩個終極目標(biāo)之前，今天依舊能看到工業(yè)AI的阻力依舊非常清晰。

比如說，工業(yè)AI改造的核心，必須經(jīng)歷對工業(yè)生產(chǎn)核心設(shè)備進行改造。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(yè)需要一系列配套技術(shù)與解決方案的支持，這些基礎(chǔ)條件今天并不成熟。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(zhì)檢還是預(yù)測，AI依舊在工業(yè)核心的外圍轉(zhuǎn)悠來轉(zhuǎn)悠去。

比技術(shù)和成本困境更先遇到的，是工業(yè)和AI的相互不理解。我們經(jīng)常會遇到這樣的情況，一家AI公司到工廠走訪后，能給出100多項自己可以做的智能化升級。而工廠專家和領(lǐng)導(dǎo)審核之后，可能最多留下兩三項，甚至可能看著令人眩暈的技術(shù)列表，決定把AI拉黑。這種情況，一方面是AI技術(shù)從業(yè)者并不了解工業(yè)，尤其對工業(yè)所需的安全、效率、成本周期缺乏常識;另一方面工業(yè)專家也并不了解AI，經(jīng)常將這門技術(shù)與機器人、數(shù)據(jù)可視化等技術(shù)劃等號。

經(jīng)常聽到這種情況，工廠主見到AI公司負(fù)責(zé)人后有兩種情況，一種是想讓AI做一切事，另一種是拿AI當(dāng)又一個騙人的“風(fēng)口”。

可能相對幸運的是，如今的工業(yè)發(fā)展壓力，正在倒逼著產(chǎn)業(yè)智能化升級發(fā)生。工業(yè)專家和工廠主也在持續(xù)提升對AI的認(rèn)識。對于溝通層面的抱怨，在2019年已經(jīng)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(diào)一定要AI公司附加非常多的數(shù)據(jù)可視化功能與系統(tǒng)建設(shè)。往往AI專家會很詫異，一方面數(shù)據(jù)可視化很可能不是AI公司或者AI部門的業(yè)務(wù)，另一方面他們認(rèn)為這種大量浪費成本在視覺系統(tǒng)上的項目意義不大。但是工廠主卻普遍認(rèn)為，能看到自己的數(shù)據(jù)流動、智能決策是如何一步步做出的，這件事十分有必要——哪怕這些可視化數(shù)據(jù)是人工一點點畫出來的。

八竿子打不著的兩伙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(yè)，亦或其他。

2020，變化何處而生?

說千道萬，工業(yè)AI的重點還是要往前走。

那么在2020，我們最可能看到哪些來自AI與工業(yè)的進一步碰撞呢?回到剛才那個判斷，今天眾多來自工業(yè)的聲音，都是希望AI技術(shù)與云服務(wù)、企業(yè)解決方案提供商，能夠進一步深入自己的行業(yè)，去主動洞察產(chǎn)業(yè)機會。

就像以上我們提到的幾個案例，可能對于大部分互聯(lián)網(wǎng)和技術(shù)從業(yè)者來說，都沒有想過原來還可以這么干。這種“原來還可以”今天依舊分布于工業(yè)體系的無數(shù)個細(xì)節(jié)，在技術(shù)內(nèi)核發(fā)展之先，產(chǎn)業(yè)洞察是決定AI深入工業(yè)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(yè)領(lǐng)域，都是AI大顯身手的富礦。

另一方面，我認(rèn)為最有可能繼續(xù)推動工業(yè)AI發(fā)展的技術(shù)，是多模態(tài)融合的感知與交互。能對話，能利用智能攝像頭與傳感器進行主動觀察，并且能進行數(shù)據(jù)分析的多模態(tài)交互IoT設(shè)備，已經(jīng)極大限度接近了眾多崗位上的人工價值。多模態(tài)技術(shù)和IoT技術(shù)已經(jīng)達到了一個新的成熟期，與工業(yè)的結(jié)合值得期待。

而這就引出另外一個問題，適配工業(yè)場景大規(guī)模部署AI能力，需要在計算、數(shù)據(jù)、部署場景、硬件解決方案上具備一系列“工業(yè)級”的基礎(chǔ)。從極客的心頭好，變成工廠的“老師傅”，AI還需要一系列產(chǎn)業(yè)基礎(chǔ)設(shè)施的進化和升級，而這很有可能引發(fā)公有云與混合云市場的進一步競爭。

同時，5G帶來的低時延、大帶寬特性，以及網(wǎng)絡(luò)切片技術(shù)和企業(yè)專網(wǎng)服務(wù)，也為融合5G+AI帶來了契機。5G和AI，在工業(yè)領(lǐng)域正在期待成為彼此的新爆發(fā)點。

總而言之，工業(yè)AI還大有可為，而且必然在2020年產(chǎn)生非常大的變化——雖然變化程度也絕對達不到很多“風(fēng)口期待者”的愿望。工業(yè)AI很可能是AI技術(shù)的最后一張王牌，是第四次工業(yè)革命的關(guān)鍵。但是今天它還是AI的許多張牌里最稚嫩的一張。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贊美聲，也能足夠精彩。