2019產業AI速寫:工業篇
工業AI很可能是AI技術的最后一張王牌,是第四次工業革命的關鍵。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。
2019年即將過去,這兩天很多朋友問我:今年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。
根植于互聯網經濟帶來的一個又一個“風口記憶”,似乎如今國人已經習慣于把某種技術、產品,或者商業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按部就班地發展進步,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,最簡單的體現就是AI相關的投融資成交額大幅下降,眾多優質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AI芯片進入產業周期、AI開發環境走向成熟。對于AI從業者和AI開發者來說,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,也就是所謂的產業智能市場,去看看在2019年到底進展如何?
去年麥卡錫發布了一份名為《模擬人工智能對世界經濟影響》的報告,認為到2030年,AI將為全球貢獻9萬億美元的GDP增長,其中90%來自于各行業智能化組成的企業市場。AI一分在C端,九分在B端,也已經成為了今天中國社會對這門技術的共識。
如果說,投資人會偏袒泡沫,科學家執著于實驗室。那么,工廠主和企業家們,似乎是今天AI技術發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,來總結這一年中各主要行業使用AI技術的變化、市場的成長,以及產業成熟度的趨勢。系列中各案例和數據,都來自真實存在的企業,為了減少麻煩我們將隱去企業的具體名稱。
希望這種回望和總結,有助于大家換一個視角看清AI技術的“真身”。
第一站,我們要去號稱“AI能改變的最后一個行業”——工業。業內人士普遍認為,工業AI是最難做的一個領域,但也可能是那“9萬億GDP”中的絕大部分。工業AI的希望、艱難與真實進展,都能很輕易在這一年中被發現。
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。
質檢:工業AI的第一站
作為AI相關的內容報道者,今年最直觀的感受是與制造業代表的傳統行業管理者聊AI,其專業程度和了解深度已經遠遠超過2017年AI剛剛興起的時候。或許換個角度看,這與如今工業領域遭遇的外部壓力有直接相關。勞動力的成本提升、大量工業訂單向東南亞轉移,以及經濟下行壓力下的成本與效率焦慮,構成了今天工業企業的主要情緒。
而這種情緒的促使下,企業主和管理者開始積極尋找外部的技術推動力,這與AI希望走進產業的愿望不謀而合。
但是周瑜打黃蓋,還需要蔣干當引子,工業遇上AI的契機又在哪里?這個答案已經比較明顯。
2017年,工業AI命題更多還處在討論當中;2018年,AI質檢就已經提上了云計算、企業網和AI公司的服務列表。
對于工業場景來說,融合AI最大的挑戰在于AI的釋放需要設備、網絡和算力作為基礎條件,而工廠顯然不能拆掉流水線去為AI尋找容身之所。
所以工業最開始嘗試的,只能是外部的、淺層的、不傷筋動骨的工業智能化能力。于是,質檢作為一個特殊場景躍然而出。
在今天絕大部分工業體系中,質檢都是依靠人工來完成的。憑借的是人力的大量重復勞動以及相關經驗,而使用智能攝像頭和機器視覺算法,來學習和理解質檢員需要找到的瑕疵與問題,可以令很多行業的質檢工作快速被AI所替代。
于是從2018年開始,大量AI+質檢項目快速上馬,很多工廠也找到相關供應商嘗試搭建自己的智能質檢體系。但是這個領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,也導致AI質檢速度不如工人質檢,更多時候只能作為人工識別的復檢補充。
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,行業內更多能看到的是AI對板狀原材料進行質檢,比如鋼鐵板坯、光伏面板等。一方面是因為原材料質檢的容錯率高,一般漏檢錯檢率低于10%就可以應用;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質檢這個“工業AI”第一站能夠走得更通順。2019年相關產業發生了系列變化,比較顯著的變化,是邊緣計算解決方案,開始通過云服務廠商走進工廠。這就讓AI質檢的算力和傳輸問題得到了極大解決,如今很多AI質檢項目已經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,工業級別的高精AI攝像頭和相關質檢算法不再“有價無市”。另一方面,云服務廠商提供的工業AI質檢解決方案更加多元。除非垂直需求獨特的工業類別,鋼鐵、煤炭、電力、防治等工業主要行業,已經可以在云服務廠商中直接選購比較成熟的行業定制化AI質檢解決方案。
與此同時,雖然工廠里的工業攝像頭不夠高清和缺乏立體視角,依然是AI質檢的主要難題。但是,AI+工業檢測這件事卻得到了眾多新的發展機會,比如設備故障識別、電路巡檢、儀表巡檢、施工現場檢測等,在2019年都可以找到成功的智能化案例。
質檢作為工業AI的第一站,已經完成了從單點到多元化的價值釋放,尤其在危險作業環境和偏遠地區的AI質檢,其價值遠遠大于產業價值本身。
工業模型預測:2019年的最大收獲
當一些聲音開始嘲笑所謂的“工業AI”只會質檢,這條產業鏈卻在悄然開始新的進化。
如果說,2019年中國市場上的工業AI必須選擇一個主要進展,那工業模型預測應該得票最多。
所謂AI工業模型預測,一般是指利用工業大數據,通過AI對原料、產出、生產時間、廢料排放等數據進行智能調配,最終得到高于粗放式生產的智能生產模型。當然,這只是工業AI預測的一個基本模式。廣義的工業AI預測,還包括將專家經驗轉化成AI模型,再反向投入生產解決工人經驗不足的問題;還有將維修與設備管理經驗轉化為AI模型,來預測設備故障,智能管理檢修體系等等。
工業AI預測,本質上是將人工經驗與智能數據運算能力,抽象化成可復用的AI模型,來解決工業領域無處不在的數據關系問題。比如配料的比例、不同原料采購的數量和時間、設備維修周期等等,這些數據原本都是需要人工長時間摸索并進行經驗總結的,也可能始終處在不合理的數據區間。
AI的加入,可以讓小師傅變老師傅,粗放經營變成智能經營。當然,這只是理想中的情況,真實場景中的工業體系極度復雜,AI不可能也不會一上來就“算盡天下”。但從2019年眾多工業AI預測的成功案例來看,這個領域即將進入蓬勃發展周期。
如果說AI質檢,更多價值是在單一場景中,解決人工重復勞動的問題。那么當AI開始在工廠里玩數據、玩模型,AI預測正式讓工業AI走向了“腦力勞動”的崗位。
這一年中,已經有很多行業案例成功融合了工業AI預測技術。
一家軸承廠可以利用大數據檢測和機器學習系統,對工廠設備的歷史維修周期與故障率進行分析測算,從而結合機器視覺系統對設備進行監控,預測何時需要進行設備清洗、何時可能需要更換部件,讓檢修人員進行提前規劃。此舉最大程度降低工廠因設備故障導致的停工情況,使得設備中斷工作時間降低了50%。
再比如一些制造業企業和工業園區,已經開始利用AI技術構建電力系統的智能監控與運維,預測企業的電力負荷情況,從而實行針對性供電,普遍可以達到企業整體購電成本下降30-40%的效果。
河南一家煤炭焦化企業,利用AI算法來進行焦炭質量預測和配煤比例優化,從而實現再不降低產品質量的前提下,達到解決成本每噸20-70元,一年可以節省數千萬元成本。更重要的是,AI調參之后的配煤比例,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價值本身。
工業AI模型預測的產業特征,是每個行業都有非常高的特殊性。作為一種新技術,AI想要真正成為工廠的“大腦”,需要與具體行業充分接觸、溝通,反復試錯,最終走向產業融合。
所以說,工業AI預測是很難具備大面積重復推廣性的,與互聯網產業傳統的認知截然不同。但換個角度看,一家工廠很容易就因為AI的加入節省上千萬的成本,一個看似不大的行業,就可以基于工業AI預測帶來數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”論者需要適應的新現實。
工業AI,依舊路漫漫
如果算報償比率,工業AI絕對是所有“智能+產業”中的魁首。同時,從產業周期上看,工業也毫無疑問是最后一個徹底完成智能化升級的產業。無數細節和流程、漫長的產業鏈、上百年巋然不動的重型機械、與勞動者之間復雜難言的關系,種種因素限制著工業AI的發展速度。
如果為工業AI畫一條增長曲線,那么在這條曲線的盡頭,工業AI無非是要做兩件事:徹底代替工人的工作,實現工廠的完全自動化,機械臂、工業機器人就是向這個目標前進;另一種是讓AI的感知、推理與決策能力,發生在工業生產的核心部類當中,也就是讓工業設備、生產線、工業產品獲得智能能力,工業AI預測、大規模工業數據處理、工業BI,都是這個目標的初級階段。
但在這兩個終極目標之前,今天依舊能看到工業AI的阻力依舊非常清晰。比如說,工業AI改造的核心,必須經歷對工業生產核心設備進行改造。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走進工業需要一系列配套技術與解決方案的支持,這些基礎條件今天并不成熟。
所以說,一方面工廠不會讓AI改,另一方面AI也改不起。所以無論是質檢還是預測,AI依舊在工業核心的外圍轉悠來轉悠去。
比技術和成本困境更先遇到的,是工業和AI的相互不理解。
我們經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。而工廠專家和領導審核之后,可能最多留下兩三項,甚至可能看著令人眩暈的技術列表,決定把AI拉黑。
這種情況,一方面是AI技術從業者并不了解工業,尤其對工業所需的安全、效率、成本周期缺乏常識;另一方面工業專家也并不了解AI,經常將這門技術與機器人、數據可視化等技術劃等號。
經常聽到這種情況,工廠主見到AI公司負責人后有兩種情況,一種是想讓AI做一切事,另一種是拿AI當又一個騙人的“風口”。
可能相對幸運的是,如今的工業發展壓力,正在倒逼著產業智能化升級發生,工業專家和工廠主也在持續提升對AI的認識。對于溝通層面的抱怨,在2019年已經少聽到了很多。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,都會強調一定要AI公司附加非常多的數據可視化功能與系統建設。往往AI專家會很詫異,一方面數據可視化很可能不是AI公司或者AI部門的業務,另一方面他們認為這種大量浪費成本在視覺系統上的項目意義不大。
但是,工廠主普遍認為,能看到自己的數據流動、智能決策是如何一步步做出的,這件事十分有必要——哪怕這些可視化數據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,亦或其他。
2020,變化何處而生?
說千道萬,工業AI的重點還是要往前走。
在2020,我們最可能看到哪些來自AI與工業的進一步碰撞呢?
回到剛才那個判斷,今天眾多來自工業的聲音,都是希望AI技術與云服務、企業解決方案提供商,能夠進一步深入自己的行業,去主動洞察產業機會。
就像以上我們提到的幾個案例,可能對于大部分互聯網和技術從業者來說,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體系的無數個細節,在技術內核發展之先,產業洞察是決定AI深入工業的主要推動力。有很多乍一聽老掉牙,或者根本不明白的工業領域,都是AI大顯身手的富礦。
另一方面,我認為最有可能繼續推動工業AI發展的技術,是多模態融合的感知與交互。能對話,能利用智能攝像頭與傳感器進行主動觀察,并且能進行數據分析的多模態交互IoT設備,已經極大限度接近了眾多崗位上的人工價值。多模態技術和IoT技術已經達到了一個新的成熟期,與工業的結合值得期待。
而這就引出另外一個問題,適配工業場景大規模部署AI能力,需要在計算、數據、部署場景、硬件解決方案上具備一系列“工業級”的基礎。從極客的心頭好,變成工廠的“老師傅”,AI還需要一系列產業基礎設施的進化和升級,而這很有可能引發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,以及網絡切片技術和企業專網服務,也為融合5G+AI帶來了契機。5G和AI,在工業領域正在期待成為彼此的新爆發點。
總而言之,工業AI還大有可為,而且必然在2020年產生非常大的變化,雖然變化程度也絕對達不到很多“風口期待者”的愿望。
工業AI很可能是AI技術的最后一張王牌,是第四次工業革命的關鍵。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。
作者:腦極體,微信公眾號:腦極體
本文由 @腦極體 原創發布于人人都是產品經理。未經許可,禁止轉載。
題圖來自Unsplash, 基于CC0協議
我們在工業上取得了一點的突破,比如電廠,水泥,汽車配件制造。但是問題和麻煩不斷,努力探索中。