人工智能走进工厂，打响降本增效攻坚战  

中国的工厂里正在进行一场悄无声息的革命。

和以往蒸汽和电力时代发生的变化相似，这场转型升级源自自动化相关技术，尤其是以机器视觉、自然语言处理为代表的AI技术。相较于消费互联网、金融，AI在工业领域的落地应用和探索仍处于起步阶段，且常常要面临企业主的终极拷问：这套算法究竟能帮我省多少钱或者赚多少钱？

工业AI进行时

“2016年看博士，2017年看融资，2018年看场景，2019年看收入。”创新奇智CEO徐辉借此描述AI的发展，在他看来AI落地商业化还是非常崎岖坎坷的，AI经历了四波发展。

第一波是互联网的智能化，AI离不开算法、算力和数据，互联网是数据最多的行业，因此互联网的智能化衍生出了很多的商业机会和创新公司。第二波是商业的智能化，例如金融因本身存储的数据以及IT的管理比较成熟，借助AI可以激活数据实现他们的商业价值。

第三波是实体世界智能化，伴随5G和物联网技术的成熟，数据的采集、传输、标注、建模、沉淀和迭代都成为可能。第四波将是自动驾驶和机器人为代表的全自动智能化，而这一波智能化，会先在工业领域普及，再在商业和消费领域普及。

工业AI落地已经在工厂中展开。

在宝武集团湛江钢铁，一条全天候的智慧铁水运输系统正在运行。铁水运输是钢厂物流系统与生产联系最紧密的环节，在传统钢铁生产过程中，铁水调度、机车驾驶、摘钩、驻车、对位、路径规划、配罐等作业均需人工完成，因为高温、暴雨、台风等恶劣天气，1500℃的铁水、粉尘、噪声等恶劣环境，凭借人员经验、素质和应急判断为主的操作模式，带来高昂的人力成本投入、效率提升瓶颈和巨大的安全隐患。

据了解这套智慧铁水运输系统通过搭建实时自学习自适应高精度控制模型，并结合全天候环境感知、数字孪生、机器学习、机器视觉等技术，能够实现机车运输的全天候环境感知、全障碍物识别，实现机车自动摘挂钩、恶劣环境精准定位。

赛迪奇智CEO张志勇告诉第一财经，以往机车驾驶班组需要40多人，伴随智慧铁水运输系统的上线，初期人力成本会降低70%，最终将实现无人。他认为智能的核心在于决策和执行，而决策的核心是感知和判断。在工业系统中，IoT技术不断发展，为智能化技术实施提供了可靠的感知基础。但是目前的工业智能大都以人的决策和反馈为核心，这就导致系统中有很大一部分的价值并没有被释放出来。

以钢铁生产为例，事实上工厂机车很早就已经实现了自动化，但仍旧难以解决“冲突”的问题。例如五条轨道同时要过车，以往调度人员只能凭借经验进行调度，但未必是效率最大化的解决方案。伴随AI的应用，人无需做判断，机器会凭借始点和终点双方的生产计划、调度计划以及车辆铁水温度实施情况进行判断。

借助AI技术，协作机器人也在推动工厂生产从标准化向柔性制造转型。优傲机器人大中华区总经理苏璧凯告诉第一财经，通过AI算法可以让视觉系统具有更强的自主力。与协作机器人本体结合，可以实现更加智能化的工作流程。例如基于深度学习的手机机壳外观检测系统，内置神经单元具有高度的智能化，系统可以通过自我学习完成各种手机壳的检测程序。

同时，机械臂作为执行终端，可将熟练工通过远程装置操作的动作切换到自动运行，包括一些精细的微调动作也可由机器人捕捉并运行。“如今机器人已经广泛部署在仓库和工厂车间，但它们只能处理特定任务，例如拾取特定物体或转动螺丝，而谷歌则在尝试让机器自主学习。”苏璧凯表示。

在谷歌的AI实验室中，优傲协作机器人手臂靠近装满乒乓球、木块、塑料香蕉和其它随机物品的箱子。触碰到这些物体时，协作机器人夹爪可以抓住一根香蕉，轻轻一甩手腕，将它扔到几英尺外的一个小箱子里。

对于机器人来说，这是一个并不容易的技巧。当机器人第一次面对无序摆放的物体时，它不知道如何拾取一个物体。但配备了俯视箱子的摄像头，谷歌系统在大约14个小时的试错期间，分析了机器人的进度。最终，机器人学会了如何将物品扔进正确的箱子里，准确率大约85％。当研究人员尝试同样的任务时，他们的准确率仅约为80％。

“系统越是复杂，人的学习曲线就会越缓慢，而当人的学习曲线比技术的进步速度慢时，人就会成为制约技术进步和应用的瓶颈。AI为工业带来的第一个革命性的改变，就是摆脱人类认知和知识边界的限制，为决策支持和协同优化提供可量化依据。”张志勇表示。

落地AI中的误区

面对当下国际政治环境的不确定性以及供应链的动荡，徐辉认为AI对于其他行业，可能是一件“锦上添花”的事情，但对于制造业而言具有“雪中送炭”的意义。一方面他们对新技术求知若渴，另一方面又有着明确的诉求：降本增效，提升利润。

尽管中国一直在推动工厂互联网化和智能化，但在实际运营中，工厂的联网和智能程度参差不齐，认知误区使得工厂在导入AI的过程中仍面临一系列挑战。

根据2018年德勤对中国153家大中型智能制造企业的调研显示，51%的受访企业在制造和管理流程中运用AI，46%的受访企业在产品和服务领域已经或计划部署AI。对于尚未部署AI的制造企业来说，缺乏投资AI的商业论证、尚不具备建立和支持AI的系统能力、尚不明确部署AI的前提是主要挑战。

AI技术和服务的提供商第四范式在尝试将AI应用到石油管道异常检测、风机设备故障预警、化工品价格预测等工业领域。第四范式大客户事业部总经理夏斌告诉第一财经，在落地AI过程中，首先要关注企业需要提升的是什么业务价值。

有些企业关注用AI将核心业务做到“极致效果”，每提升一个百分点的效果对企业都至关重要，而有些企业面临场景应用极其分散的情况，AI的规模化落地能力是企业智能化转型的关键，而实现规模化落地和极致效果的路径不完全一样。

例如AI的规模化对数据提出了不同的要求。以往企业做大数据系统往是面向BI(商业智能软件)建设的，BI大数据主要是帮助人去总结一些经验，因此更强调查询、统计、可视化等功能。AI大数据是给机器看的数据，需要的是完整、实时和支持机器自学习的闭环。

“两个大数据系统的设计理念天然不同，我们经常会看到企业由于过去建设了面向BI的大数据系统，又将AI建设在这个系统之上，非但没有帮到AI，反倒成为AI落地的障碍。”夏斌告诉第一财经。

天泽智云技术研发副总裁金超博士也提出了同样的问题，他认为数据驱动的模型非常依赖数据质量。然而，在工业界，前期多是以控制、监控等为目的收集的数据，有时从问题机理角度看，这些数据并不符合数据分析的要求，使得模型在初期会出现不准确的现象。

归根到底人工智能落地工业，核心在于要对工业有深刻的理解，找到真正懂场景和痛点的人来做。“人工智能商业化落地需要做到技术、产品、场景、工程、商业，五位并举。技术是基础，产品是载体，行业场景是王道，商业是保障，工程交付和运营是关键。 ”徐辉表示。