AI＋制造的最终形态是无人工厂？概念炒作！

在AI赋能的争夺战中，AI+制造是人工智能落地的最大一块试验田和金矿。我国作为全球制造业大国，庞大的制造业体量以及数字化转型带来的巨大潜力，将制造业推向了数字经济转型发展的主阵地、主战场。

成则一番新天地，败则转头一场空。

然而，什么是AI+制造？从工业4.0、“中国制造2025”、智能制造，到AI+制造，为了降本增效，近年来世界范围内掀起一股智能制造的热潮，“智能”成为行业时刻挂在嘴边的热词。

当“智能”站到了风口并成为主角，“制造”本身却成了配角，智能制造更是镜花水月。

有需求才有价值

走进宝钢股份冷轧厂房，行车正在空中吊卸钢卷，运行自如，但驾驶室中却空无一人。整片作业区域不用照明，成了一座名副其实的“黑灯工厂”。钢铁工人不再满身油污、大汗淋漓，而是能够远程监控实现“白领化”操作。然而，这样的科技感十足的“黑灯工厂”在很多专家的眼里，只是“示范工程”，并不适合实际应用。

近年，即使是宝武集团这样的传统钢铁制造企业，也逐渐意识到了人工智能的巨大威力，并开始发力人工智能。智造战略成为其四大战略之一，即以互联网、物联网、大数据、人工智能为依托，大力开发和利用智能钢铁制造技术与装备，实现智慧钢铁。

然而，自动化和数字化才是我国工业制造最为迫切需要解决的问题，降低成本、提升利润仍然是工业制造追求的核心。

德国的西门子是全球自动化的集大成者之一，然而他们也不敢称自己的工厂为智能制造的样板。在西门子成都工厂一期工程中，只能见到两台工业机器人，一台为台式小型机器人用于部装，一台是关节机器人用在装配液晶面板的生产线上。西门子的专家称，针对该工厂的产品，经多年的经验评估采用托盘+滚动传递的方式运输中间产品更合适、更经济、更柔性。

据2018年统计，西门子成都全厂的蓝领工人占65%。他们不盲目追求无人化，一切考虑的出发点是质量与效益来决定采用何种适用先进技术。

“工业是讲究利润的。” 中国宝武中央研究院智慧制造研究所所长张群亮也意识到，技术和经济的双重可行，是工业领域运用新技术的前提。而需求，才是人工智能在制造业应用的出发点。

显示器是中国制造的代表性行业，2017年我国大陆地区液晶面板产量已位居全球第一。但是其质量检测环节作为液晶后段模组的生产过程，则相当落后，较多产线还是人力密集型投入方式组织生产。与此同时，智能化的理念已经悄无声息地渗透进制造领域。在海外，一些机器视觉检测设备已经逐渐能够量产，而在中国还是一个待开发的领域。

庞大的市场、极少的玩家，于是，AR企业、检测设备商、软件企业等纷纷进入图像检测这一领域，位于金桥的帆声图像就是其中之一。

“这还是蓝海。”帆声图像CEO汤韬略雄心勃勃。

用图像识别的方法做产品缺陷检测，其实门槛并不高。汤韬略说，图像视觉缺陷检测需要在被营造的特定波长的光环境里进行，这一限制条件反而成了制造业的优势。“人脸识别在安防等民生领域，光环境天差地别，但工业领域的可以营造特定的光环境。”目前，机器视觉是人工智能在工业领域落地最快、应用最广的领域，其中近80%的工业视觉系统主要用在检测场景。

但进入门槛低，实现门槛却很高。

算法是其一。日夜不停的流水线上，数以万计的产品不断地涌向检测环节。大数据是人工智能算法的核心，但看似庞大的样本，随着工艺水平的提升，有缺陷的样本却少之又少。即使如此，单一产品的缺陷种类却很多，如某一型号手机就有118项检测，包括LCD、光学模块和外观等多种类别。更为关键的是，有些产品缺陷在视觉上相似度很高，如胶渍、水渍和划伤的结构很像，这对算法的要求极高。在小样本的情况下提升算法的识别精度，是帆声图像一直研究的课题之一。

目前，帆声图像算法的准确率已经高达95%，“准确率每提升一个点，都需要好几倍的投入。”公司先后在上海投资建立了液晶AOI和光学研发中心，和上海大学合作建立了针对OLED技术方向的新型显示智慧检测联合实验室，目前正在建设质量大数据中心和人工智能前沿技术实验室等研发设施。

比起技术层面的沟壑，工业的硬性要求更像是万丈悬崖。

“效率、成本和可靠性，像是悬在我们头上的三把刀！”汤韬略声音提高了几度，一字一句地吐出来。“工业环境对产品检测的效率、准确率要求很高，有明确的边际成本，达不到标准就无法进入产品线。”

图像识别产品缺陷检测行业，进入门槛低，实现门槛却很高

图像检测对光的稳定性要求高，光照一旦发生变化，就会导致图像边缘位置发生变化，从而影响图片质量，检测准确率也就难以保证。此外，流水线对检测的效率和稳定性也有明确的要求。行业标准明确要求：从产品进料到出料，检测时间为3.5秒，在其他场景“一次不行再检测一次”的情况绝不可能在工业领域中适用。

图像缺陷检测的目的是为了替代人眼。汤韬略算了笔账，考虑综合成本，机器要想替代人，一台设备成本必须控制在32万元以内，工厂才有可能接受这套方案。从工厂的角度，一般要求6-12个月收回投资。在中国，中小规模企业才是制造业的主流，他们的盈利能力有限，但降本增效的需求却最为迫切。但无论大型企业还是中小企业，为他们找到一条切实可行的转型升级路径，才是智能制造真正的价值所在。

用机器视觉的方法切入3C领域产品检测领域，是汤韬略找到的AI+制造的真正价值：缺陷检测环节虽然不是制造领域的核心，但3C领域60%的人工都在检查上，如果都能用机器替代，产生的效益是巨大的。

市场也证实了汤韬略的想法。2016年，帆声图像完成近 7000 万的销售额，2017年销售额达到1.37亿，2018年达到 2.2亿。4年销售平均增长率132.6%，净利润平年均增长率118.7%。这样的盈利能力在整个行业来说都是比较领先的。

帆声图像在国内首次完成了液晶后段模组全自动智能检测线的研发和产业应用，是国内唯一一家能提供液晶模组全制程（液晶二次切割后，到整机出货的生产过程）视觉检测方案的公司，客户覆盖京东方、天马、苹果、vivo等多家3C领域高端品牌。

“有需求才有价值。更何况，人工智能要想真正在制造环节全面应用，没有5-10年时间很难实现。”汤韬略信心十足，坚毅如当初进入这一领域那样。

3C领域60%的人工都在质检上，如果都能用机器来替代，效益巨大。汤韬略说，有需求才有价值

人工智能只是一种自动化手段，对工艺的理解是关键

虽然智能制造还很远，工业4.0更是遥遥无期，AI+制造还停留在浅层应用，但方向没有错。

和其他国家一样，中国的工业发展也有同样的阶段性呈现，机械化-自动化-信息化-两化融合-中国制造2025，这个发展历程也很清晰。但中国很多制造企业还停留在自动化阶段，也不是所有的制造业问题和场景都必须通过人工智能的手段去解决，就像是跑步，步子迈得太大，反而容易拉伤自己。

从自动化到信息化，再到互联化，最后才能实现真正意义上的智能化，中国制造的路子要一步一步迈，单纯鼓吹“黑灯工厂”“无人工厂”，基本都是概念炒作。

“人工智能只是一种自动化的手段和工具，不是一个时代。”上海慧程副总裁、智能制造首席科学家冯立说。

如果说图像缺陷检测是AI+制造的现在，那么以人工智能和大数据为基础的工艺流程再造则是制造业的未来。目前，人工智能在工业领域50%以上的市场在机器视觉，语音识别和语义各占20%市场。上海慧程则瞄准了最后一块蛋糕——基于工业大数据对工艺参数和流程优化的智能决策和制造协同系统。“虽然这个领域只占10%的市场，但其他场景在价值链上对产量和质量并没有太大的提高。我们直击制造最核心的环节。”在冯立看来，AI要替代的既不是人也不是自动化，而是人的重复脑力劳动，传承经验和知识。

立足智能制造系统集成，挖掘和验证应用场景，这是慧程目前的策略

慧程以做自动化和信息化融合起家，当人工智能来袭时，慧程的路一下子变宽了。“从传统制造向智能制造进行产业升级，并不单纯是实行自动化、信息化那么简单，而是一次企业生产和经营流程的优化与改造。”冯立说，AI赋能下，很多老的生产模式和经营方式会被取代，很多先进的技术和管理手段会被引入，涉及到制造业的全局。因此利用AI对生产工艺流程优化的过程中，也要做好全局性的布局，把每个生产环节都考虑进去。

立足智能制造系统集成，一个场景、一个场景的挖掘和验证，这是慧程目前的策略。

汽车产线故障预测分析是慧程正在验证的一个场景。他们搜集了某汽车生产线几年的实时状态报警记录的数据，通过状态监控、报警信息，利用算法进行分析，建立了基于关联知识图谱分析的智能化PMC生产监视与控制系统，实现了产线短期故障预测、故障传导方向和根本原因分析。区别于预测性维护，这套系统可以根据传感器故障等已有状态进行预测，有多大概率会导致停线？会停线多久？什么原因导致故障？这些信息都可以实时分析出来，指导工人采取相应措施。利用这套系统，慧程还建立了车间和产线知识库，用于车间人员学习产线，了解常见问题，积累知识，真正成为车间的“老师傅”。

当生产线上的工程师看到这一成果时非常震惊，原本并没有放在心上，没想到无心插柳，慧程竟然利用这些“历史”、“垃圾”数据创造了这么大的价值。“没有垃圾的数据，只有用不上的数据。”

在慧程，数据大展身手的不只是故障分析，还有参数调优和预测。

烟草行业中，原料烟草的含水量是影响卷烟品质和成本的关键因素，一般要控制在某个区间内。水分高了，烟草品质不达标，水分少了，成本升高。但烟草生产有几十道工艺，如何控制工艺参数，使得最终生产出的烟草水分精准控制在一定范围内，是件很难的时期。慧程通过深度学习的方法，对烟草含水量根据众多工艺参数的变化规律进行建模，实现目标预测，从而调节生产过程中的参数，进而达到优化生产的目的。目前这一系统已经实际应用。

慧程开发的系统还有很多，仅在汽车行业就有PMC-生产监视与控制系统、整车厂能源管控PEMS系统、基于视觉识别人工操作效率分析平台、车身车间混线生产排程调度系统等多个系统和平台，而这些系统都像是慧程庞大智能制造系统集成的一个个“机器手”。“工业领域是一个宝库，场景很多，只有你想不到的。”冯立向记者展示一张表格，横坐标是AI相关技术和方法，纵坐标是“高级排产、制造执行”等制造业相关环节，密密麻麻列了几十个可能实现的应用场景，未来将逐一验证，再形成体系，构成功能完整的大型应用系统。

虽然人工智能对制造业的赋能使得慧程的路越走越宽，但路始终只有一条，即立足工艺基础，挖掘应用场景，并没有因人工智能的出现而多出一条捷径。

冯立服务汽车行业十多年，对工艺有着深度理解

冯立对工艺有着深度理解。他曾任大学老师，离开高校讲台后，服务汽车行业十多年，在汽车行业信息化及自动化领域积累了丰富经验，大到协助客户制定控制系统标准，小到不同国家的接线标准，他都一清二楚。

无独有偶，帆声图像也在显示器制造领域摸爬滚打了十几年。在光环境里进行检测，寻找产品的特定缺陷，通过算法处理建模计算寻迹。在汤韬略看来，图像缺陷检测更像一个“逆向工程”，想要算法准确识别缺陷，就必须知道缺陷形成的原因，就得往前一步，研究和探寻工艺的整个过程，哪个工艺有什么缺点？容易造成什么缺陷？很多时候，他们对工艺的理解甚至超过工艺的设计者。“只有对算法和工艺都深度研究很多年，才能真正融入企业的产线。算法和工艺，缺一不可。”汤韬略说。

如果没有对工艺的深度理解，那么想要玩转AI+制造几乎是痴人说梦。即使是IBM的沃森，现在也面临着大量的问题。沃森跟西门子合作，在工业领域也不过是配角。只玩算法的，是不会弄明白工业的。

中国当下，似乎把制造业转型重点放在了智能制造上。然而，中国绝大部分企业连数字化制造都没有摸门，如果奢谈智能制造，中国制造将很容易进入一个“迷雾阵”。“智能制造是2025的主战场”，这一选择，难免过于乐观。

智能制造不是无所不能，少谈一点智能，多谈一点制造。弯下身子搞“制造”，而不是掂起脚尖搞“智能”，这是帆声图像和慧程的共识，也是当下工业界需要正面应对的问题。

文字丨科Way

美编丨小小粉刷匠