bf88:一家工业公司是如何用好AI的？

  当前，人工智能正持续进行技术迭代，拓展应用的广度、深度，进入到千行百业当中，不断落地开花。

  包括AI质检、智能排产、AI预测维护等等都是AI技术在工业生产方向上的重要实践。

  3月6日，虎嗅智库特邀创新奇智技术副总裁郭江亮、百度智能云工业产品部总经理黄锋、上海电气集团中央研究院算法研究员黄梦珂、凌云光知识理性研究院常务副院长全煜鸣，分享了关于AI在工业生产的实践案例及观点。

  目前在工业生产里应用AI技术方面：首先是最基础的视觉感知智能，在众多的垂直行业当中应用，如：测量检测、对位引导等。包括生产安全、生产合规的一些动作的自动识别、缺陷检验测试等。

  另外，通过将各个模态的感知智能融合在一起，形成柔性组装产线。这是要替代人开展手腕以下的相关动作，包括皮肤的触感、关节的力感及整体视觉，能够把一个比较细微的动作完成。比如软排线扣接、精密螺丝的锁附等任务。

  此外还有工业大数据沉淀，通过知识沉淀驱动下的认知智能和智能决策，用在电子ESOP的自动生成和优化。

  最后是利用AIGC进行工业应用，包括一些教学辅导的视频生成。例如结合AR眼镜做相关虚实融合的应用场景，实现远程专家指导和培训。

  从大语言模型来看，主要有三个方面：第一个层面是交互层面全新升级，例如某些工业软件操作十分复杂，很多功能隐藏在二、三级菜单中，通过大语言模型可以让使用者更便捷地应用某些复杂的工业软件。

  第二个层面是工业知识的沉淀复用。这是很重要的应用场景，通过将老专家的经验知识转化为文本，沉淀到大模型中，再通过自然语言的交互，能够让新人很快具备老专家的丰富经验。我们与国内某头部化工公司进行合作探索，过去，面对园区中上千个化工装置，老专家往往通过经验对这些化工装置做参数判断，识别异常、定位问题，进而采取对应对策。现在，我们尝试将这家企业设备正常运行手册中的文本资料，训练成一个专业场景的大模型，这个大模型某些特定的程度上具备一定的专家经验知识，能够在一定程度上帮助员工更快解决问题。

  第三个层面是生成式场景应用的创新。我们去年曾和国内某家设计院尝试利用大模型生成2D的CAD图，通过满足工业设计中边界约束条件要求，让大模型生成CAD图，目前已取得初步成果。

  CV大模型虽然在技术层面，暂时还未产生像大语言模型的代际变化，但在实际应用过程中发挥很大的价值，比如在安全生产领域，以往经常利用小模型检测火电厂、风厂有没有烟火，但不免出现漏报、误报，而CV大模型在泛化能力及准确率上都有更好的表现。但相较小模型，CV大模型推理的速度会比较慢，所以当前更多通过结合边缘小模型与云端大模型的方式解决漏报误报的问题，并大范围的应用于客户现场。

  其实大模型带来了更大的机遇，特别是对工业来说，比如多模态的发展结合工业里边AGV、机器人等有一定的概率会颠覆现在的工业生产的底层逻辑。现在整个工业生产的过程中，很多的设备都还是偏早期的智能或者是单体的智能。有了大模型，能够往更高的智能和集群化的模式发展。

  但是如何在工业生产的一些核心环节做颠覆式的创新是比较关键的。比如我们正在做的一个案例，此公司是做装备自动化的，需要做大量的机械设计和电气设计等相关工作。此前都是用传统的设计软件来进行，成本很高。目前通过尝试把整个设计的知识给到大模型，让大模型辅助做一些关键的、常用场景设计，这对使用体验是一个提升，对成本也有降低。

  此前企业使用的设计图纸，往往做完评审之后就被搁置了。而利用大模型之后，无论后期阶段遇到什么样的问题都可以来问大模型，拓展设计的生命周期。

  AI技术其实非常大程度上代替了依赖经验的重复性劳动，比如我们做过的一个在工业质检领域的案例，通过研发一套AI辅助的焊接缺陷检验测试系统，帮助检查焊接质量。

  此前质检员需要从一个拍摄出来的X光图像上通过眼睛检查出缺陷，并判断缺陷是什么。目前通过结合CV模型，智能检测系统做到了零漏检。现在质检员只应该要依据显示器传出的报警框进一步审核就可以了完成质检工作，大幅度的降低了他们的工作量。

  另外，CV模型在工件盘点的场景也是很有用的，因为我们还做过一个案例是对这种堆放非常密集的，比如钢筋或者钻头的刀具进行统计。当时我们接触的场景，一个模具中最大可能堆放这种零件有近万个，堆放地非常密集。

  传统的工件统计方法，其实是人工把工件放在固定的容器里，把最上面的一排数一下，再利用等差数列求和的方式，计算一共有多少个，这样的误差很大，另外当数量级达到几千甚至上万的时候，单纯数最上面一排需要的时间也很久。

  我们设计的AI的算法，只需要用工业相机拍出一张包含所有工件的图像，大概在不到一秒钟之内就把一个场景里面包含的工件的个数预测出来。在有些场景，我们的方法可能比人工检测的还要更准，这不仅提高了效率，而且也提高了精度。

  目前实际来看公有部署和私有部署两种方式都存在，目前我们公司在工业里做的是八个细分的领域，钢铁冶金，汽车装备，能源电力，面板半导体、3C高科技，还有智造实训等。比如智造实训领域，它采用的是公有云的方案，我们有一个小的行业化的公有云，主要是部署偏pass类的一些产品。智造实训的平台也在公共云上，通过在公共云上提供多账号的服务。把过去多年积累的一些做项目的资源，无论是算法的、平台的包装成课程，一些企业和园区可拿来做培训。

  工业领域的大客户，它的数据安全是最重要的。一般都会采用都是私有化部署的方案。交付上主要是通过私有化部署，从一开始就对AI产品、应用要求更安全、更可控、也更灵活，所以私有化占很大一部分比例。

  其实工业里边偏中小的性质的集成商，可能对混合的模式是能接受的。比如在云上做模型的训练、甚至做调试，在私有化环境里做部署。

  虽然在技术层面比较类似，但不一样的行业细分需求则呈现出较大的差别，跨行业复制的成本比较高。例如同样做缺陷检验测试，汽车与纺织就一定存在很大差异。

  以前我们依赖算法工程师去到客户现场，通过工业相机采集相应样本图片做标注、训练，与硬件自动化做联调最终上线，交付成本非常高。

  现在我们开发平台工具，把模型调优训练、模型推理经验等能力沉淀为平台工具，极大降低了交付和使用门槛。

  过去在大多数情况下要百度高级工程师才能做的项目，有了工具后，具备行业经验的合作伙伴，利用此工具也可以轻松交付。

  平台化真正的完成了交付周期和交付成本的降低，才能从根本上解决跨行业快速复制的问题。

  工业制造业和一般的自然场景不太一样，在某些场景下，比如手机上的视觉算法不太好，拍摄的内容有问题，用户可能仅仅是对它的主观体验感比较差。但在工业领域，模型的效果如果不好，就会涉及到生产的质量、安全的问题，这是没办法接受的。所以在多数情况下，很多企业的反馈都是要求模型或算法的过程是可以追溯、复盘的。

  目前，结合项目的经验，在工业的场景里，非常容易采集数据且数据质量还不错的情况下，其实把AI模型的精度从零提升到90%或者95%是能轻松实现的，但是在高端装备制造业，要求往往是99%、99.9%，甚至是百分之百。

  因为如果出现误差，就会涉及到责任归属的问题，现在采取的做法是把AI技术或者AI大模型作为一个辅助工具，在具体使用的时候，利用这个模型给提示或者建议，最终的决策权还是在人。

  未来在工业场景下的AI模型，可能要融合更多的工业机理知识和工业数据，做成行业模型，从某一些程度上也能大大的提升模型的解释性。当前也有更多的研究者，尝试设计出具有可解释性的白盒AI模型。随着技术的不断成熟，相信这些问题会被解决。

  总结下来有系统性、实时性、正确性三个方面，系统性是指随着整个工业生产的自动化，信息化、智能化发展，包括现有的MES、ERP等既有的系统应用。通过这些系统可以收集到比较多的、系统性的、多维度的数据。

  收集数据的时候不仅要知道生产状态是什么，设备状态是什么，甚至如果有缺陷，需要了解缺陷是什么。

  第二个是实时性，当异常发生的时候。我们在线收集数据时，几个系统进行相应的参照，甚至匹配到我们下游客户的异常数据。收集数据需要广泛且快速。举个例子，在A客户的生产线里，进行采集数据时，相应的性能就要做到一秒：比如看到了屏幕瑕疵，我们会在一秒内找到这块屏幕生产的相应情况，包括它在模组端相关的信息，带着专属的二维码，能够发现它的完整生产链路情况，在不同的制程段里，所对应的缺陷会有形态上的一些变化，这样就能分析出不同的制程对相应缺陷的放大、缩小或者是形态改变，这样的机理作用。

  第三是基础准备和数据可靠性的问题。设备的各类关键模组数据能不能获取到是一方面，另外一方面是目前很多智能传感器的加装已经不是问题了，但企业会考虑ROI的问题，因为成本等因素，是不是可以加装足够多的传感器来传送相应多维度的数据，这是很重要的问题。

  不同的人在写相应的底层工业程序的时候，因为不同的习惯也会出现很多种情况，而在检测软件和制程装备当中，其实都有非常规范的定义，为数据收集和应用做准备。

  另外一些没有被及时做标注的数据，基本上还是要靠底层应用判断。所以在做整体数据闭环的时候，是通过这三大方面来保证数据的系统性、实时性、精确性。

  我觉得有三点可以考量，第一点，要眼见为实的价值，现在靠概念的时代已经过去了，要以眼见为实的价值为主。类似我们这样的供应商，在做客户支持的时候，需要带的是成品，带的是live demo这样眼见为实的价值。这对中小企业做决策的时候是更有帮助的。

  第二是性价比。市面上的产品很多，但最后如何把一个好的技术、好的产品变成一个好的生意，这是关键。所以，一个产品它不具有性价比，可能也不是一个好的选择。

  第三，要抓住时机，顺应大趋势。拥抱新的技术和新的发展趋势。有时候需要果断一点，如果拿不准，可以先从边缘的业务的领域尝试，我认为这是很关键的。

  比如现在大模型这个阶段来了，在这个时候如何决策？我认为如果能尝试就先尝试，这是我的建议。

  目前AI应用偏中大型企业多一些，中小企业建议还需基于自己实际应用需求，技术只是用来解决问题的一个手段，还是从自身业务发展出发，通过测算应用的ROI判断价值更加务实。

  大型企业可以做超前建设，例如我们服务的一些大企业，它们基于多年数字化建设、数据积累，会选择先建设算力中心、建立各种的平台，最后再建设各种应用。但对于中小企业而言，如果没有这样的积累，或许以应用为出发点，测算引入相关技术的ROI，更为务实。

  我觉得就是从企业的实际需求出发，实事求是一点。另外近些年，不仅是存储算力，一些核心的开发组件等技术也大幅度发展，应用成本在降低，可获得的解决方案在丰富化。也就是说，中小企业不会是一个模型的开发者、优化者，有可能更多是一个使用者，所以看自己的场景，按需来选择相应的解决方案。因为现在慢慢的变多的走在头部的企业，为了构造相应的生态，给大家很多选择。

  对于一些专有的解决方案，包括读码、识别对位，在我们AI开发平台上面，甚至有免费的解决方案套件可以下载到相应的嵌入式上，满足大家应用，这些都是在慢慢发生的事。

  我的观点是倾向于利用AI赋能工业生产的，因为AI技术是可以替代依赖于经验的重复劳动的。如果中小企业，在兼顾成本的同时，把生产环节当中的一些重复性的工作交给AI，让自己更专注于工业生产中擅长的或者具有创造性的领域的研发，这更能体现出企业的价值。

  另外比如视觉模型，它和单纯的人工质检对比，人工的成本是很高的，一些企业也表示现在不仅用工成本比较高，而且有些质检的过程本身对人工是有伤害的，因此现在年轻人很多不愿意从事这种行业，出现了招工难的问题。所以将AI技术应用到这个领域当中，我觉得也是有必要的，这也是降本增效的手段。

  企业如何选择适合自己的AI解决方案，可能也要针对不同的环节具体来看，因为每一个中小企业，它自身的数字化程度或者智能化的程度是不一样的。有一些中小型企业，它其实本身数字化程度已经非常高了，有整条的数字化产线，对于如何选择AI技术作为生产上的解决方案，他们完全可以根据自身已有的数据、数字化技术的积累来扩充自己的AI的研发能力，丰富企业的技术储备。

  另一种情况，可能某些中小型企业的数字化程度比较低，这样一个时间段需要找合作方一起交流讨论，首先把其中的一个非重点生产环节，树立起数字化、智能化的观念，进行尝试。然后以点带面，慢慢发展。这个过程是一个不断学习、不断积累AI技术的过程，也是智能化转型的过程。

  在活动过程中，线上参会观众也都热情参加互动交流，既有来自京东方、理想汽车、沈阳机床、荣耀等企业的人士，也有来自南京大学、北京大学、北京交通大学的等学院机构的人士，还有中国电子信息产业发展研究院为代表的行业研究机构、投资机构的从业者们，嘉宾们对于相应问题进行了一一回复，也圆满结束了本次502线上同行研讨活动。

  数智化是大势所趋，新的技术在持续不断的发展，新的智能化业务场景在不断涌现，虎嗅智库将持续服务中国企业数智化转型，向业界输出及时、优质的研究与洞察，帮助决策者把握技术趋势、并提升对客户、战略、管理的认知。

  追踪更多产业数字化动态，欢迎关注虎嗅智库相关研讨与报告内容。前往虎嗅智库完成注册即可接收我们内容更新与活动通知。

  虎嗅智库是推动中国产业数字化与智能化的新型研究服务平台，虎嗅智库从数字化技术出发，服务于工业制造、零售消费和汽车产业三大行业，形成研究矩阵。向业界输出及时、优质的研究与洞察，帮助决策者把握技术趋势、并提升对客户、战略、管理的认知，共赴产业数字化与智能化。

  本内容为作者独立观点，不代表虎嗅立场。未经允许不得转载，授权事宜请联系

  特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

  太可怕！初中生遭3名同学杀害埋尸，嫌疑人曾给出误导信息，霸凌细节曝光→

  贪得无厌!马斯克好心提供平台,他要CyberTruck+800万年薪+X的股份

  消息称苹果计划5月量产 AirPods 4，主打新设计和 Type-C 接口

  消息称苹果可折叠 iPhone 2026 年推出，“线KS开卖：竟然有官方质保

  Meta Quest 3 Lite头显有望今年发售：高通 XR2 Gen 2 芯片、或将取消彩透摄像头

  vivo X Fold3系列再次被确认：秘密基本没了，只因卖点均很清晰！