疫情前，豐融出差去了趟重慶，跟一個客戶談工業大腦的方案。但項目還沒來得及落地，疫情已經到來。
豐融是阿里雲工業大腦首席解決方案架構師。春節期間，客戶跟他電話溝通時，表示非常後悔，如果能早三個月接觸，項目在春節前落地，如今就可以用工業大腦託管控制系統，無需再為招工發愁了。
疫情前期，可謂一工難求，甚至加錢員工都不願意上工。這也在悄然改變產業方對於工業智能的看法。
在新基建七大領域中，有三個（大數據中心、人工智能、工業互聯網）直接與智能製造相關，政策的引導與扶持，也為工業智能的落地與傳統企業的智能化轉型帶來良好的契機。
自2017年以來，科研大牛、AI公司相繼湧入工業領域。前不久，原騰訊傑出科學家、優圖實驗室 X-Lab 負責人賈佳亞離職創業，智能製造便是新公司發力的重要領域。
再往前翻，前阿里雲機器智能首席科學家閔萬里去年亦離職創業，成立北高峰資本，製造業也是三大聚焦方向之一。
然而，當每一位創業者、變革者拿起AI的工具，叩響工業之門時，撲面而來的是前所未有的挑戰，不僅有工業機理、領域知識的屏障，還有數據匱乏、模型泛化的挑戰，更有傳統企業的認知問題與信任缺乏。
面對「AI工業落地之深坑」，無論技術提供方，還是產業方，該如何走出？
透過阿里雲工業大腦、庫柏特科技、阿丘科技、杉數科技等在工業領域的實戰，看他們如何從「深坑」中趟出一條工業智能之路。
01 企業幾乎必遇的「深坑」
在清華大學人工智能實驗室還未畢業時，黃耀就創辦了阿丘科技，如今已在工業視覺賽道摸爬滾打了3年多。
創業以來，他一直聚焦解決工業檢測問題，跑了不下100個工廠，看到了行業的無數坑，自身也踩過許多坑。
AI在工業檢測領域的落地，如同「技術成熟度曲線」所演繹的那樣，整個過程中會存在一個低谷，黃耀稱之為「AI工業落地之深坑」。
他坦言，剛開始接觸AI時，客戶的工程師往往比較興奮，願意去嘗試，用AI嘗試解決之前不可解的工業視覺難題，小樣本測試的結果通常非常好，比如傳統方法的識別準確率只有50%，而AI很短時間內就可以做到超過80%。
這給了他們期望，推動公司投入更多資源進行AI項目導入。可是當進行大量樣本測試時，儘管增加一定的數據可以讓模型準確度進一步提升，比如達到90%，但瓶頸隨之出現。
盲目增加數據，帶來效果不一，有的缺陷項檢測效果可能變好，有的準確率反而會下降。此時往往進入一個震盪期，工程師陷入其中而不得其解。
黃耀稱，這種情況在AI落地工業檢測過程中遇到的概率高達90%以上，幾乎是必遇的坑。
這一精度對工業而言，顯然遠遠不夠，AI難以達到上線要求。一些人開始失望，深度學習似乎遠沒有達到預期，許多AI項目逐漸擱置或邊緣化。
這就是AI工業視覺落地之深坑。工業領域經常會出現一種情況，兩張差不多的「缺陷」照片，一張能夠被AI檢測出來，另一張卻沒有，甚至不明顯的被檢測出來，明顯的卻被漏掉了。
此時，工程師需要的不是盲目增加數據，而是理性分析，找出問題的根源，優化直至模型達標上線。
正如庫柏特創始人李淼所言，AI很大程度取決於數據和場景。
工業AI問題的解決不能只侷限問題本身，更應該基於工業應用的一般流程，從全流程中去優化關鍵問題，這也是運營的關鍵。
在AI落地的流程中，每一個環節都值得推敲。李淼稱，場景選擇非常重要，不能太大，否則數據千奇百怪，也需要與大量行業專家溝通，合理定義問題的邊界。
數據獲取直接影響模型的效果，往往需要算法工程師到現場蒐集，成本很高，並且對標註人員要求較高，需要懂得行業知識。
除了數據環節，後期的部署運維也需要耗費企業很多時間，進行實際樣本測試，算法人員駐場觀察，優化模型等。
從整個流程來看，中間的模型訓練環節，反而不是AI公司的主要障礙，兩端則耗費大量的時間成本與人力成本。
除了技術之坑、業務之坑，AI在工業落地中還面臨領域知識之坑、公司定位之坑、商業模式之坑等等。
趟過一個個坑，這些公司完成了工業AI落地的「從0到1」，並實現一定規模的落地。透過他們的落地之路，更有助於我們思考，如何走出AI工業落地之深坑。
02 砍掉98%業務，不做什麼更重要
波士頓動力機器人近乎花哨的表演，幾乎每隔一段都會上演。但業內人都清楚，它離實際場景太遠，並且難以商用。因為工業場景對機器人的精度要求極高，低於99.9%甚至無法商用，遠非實驗室可以達到。
在庫柏特創始人李淼看來，機器人面臨的挑戰可分為3類：一是做不了，任務挑戰太大，智能性不夠；二是做不好，柔性不夠，適應性差；還有一類是不想做，細分市場規模較小，盈利空間有限。
面對這些挑戰，機器人公司一方面需要結合AI、傳感器、工業軟件等提升機器的智能性與適應性；另一方面，也需要結合技術成熟度與市場判斷，選擇合適的「主戰場」。
創業近4年的李淼，趟過無數坑後，做的一個艱難決定便是做什麼、不做什麼，定位在哪裡，選擇什麼商業模式。
庫柏特定位於機器人操作系統，即給定一個真實任務，就可以從平臺中找到對應的機器人系統，來解決這個問題。它跟機器人本體進行打通，針對系統集成商的需求，面向行業提供解決方案。
在最開始的AI落地中，ToB的創業公司往往會接觸大量場景，打磨技術同時培養產品化能力。
2018年，庫柏特廣泛涉獵了3C電子、汽車零部件、食品、物流、醫療等眾多領域，但絕大多數時間都用在了「髒活」（dirty work）和極端案例中。
「你費半天勁解決某個複雜技術難題後，可能只賣出去一套。一開始，對方說要一百套。」李淼曾談道。
與集成商和設備商合作，還是直接面向終端客戶提供服務，是一個艱難的商業選擇。
李淼想要針對大的市場，實現機器人系統的產品化和規模化。但深耕在集成商與設備商之後，企業很難把握終端客戶與市場的真實需求。
後來他決定轉變，與渠道合作，直接與終端客戶簽訂合同。既然決定鋪渠道和規模化，他又砍掉98%不成熟業務，將重心濃縮為一個平臺（操作系統），兩個領域（智能檢測和柔性抓取）。
具體到一個場景，以香菇分揀為例，機器人系統的落地並不容易，數據就是尤為突出的一個挑戰。
其業務邏輯為，送料系統運輸香菇到檢測環境，經由光源與相機，獲取一張圖像，傳回智能控制器進行決策，除了判斷優、良，還需要進行分類或剔除，分裝到不同箱子中。
這一工作原來由人工完成，早期並無數據積澱，需要算法工程師現場採集一個個香菇數據，並進行標註。
但這一看似簡單的活並不容易。香菇個體有近10個維度的差異，包括花色、菇腿、卷邊、薄膜、殘缺等，需要存儲大量領域數據。
數據標註的專業性也相當高，非專業人士標註水平比不上分揀工人，一個工廠中往往標註水平最高的是廠長。經由他們標註的圖像，能讓算法識別率躍升一個新高。
此外，香菇特徵很豐富，每個廠家的分類標準也不同，這對算法帶來很大挑戰；並且這樣一個實時性高的場景，對於算法的穩定性、決策的實時性也有更高要求。
目前庫柏特的香菇分揀準確率可達90~95%，結合這一場景的特性，已能夠實現規模商用。
李淼稱，一臺機器可替換4~6人，一條產線一般配5臺，可替換20~30人。這些工人一年最少也要100萬工資，而他們的產線目前售價75萬，6~10個月客戶就可以收回成本。
一直以來，行業似乎更看好AI在自動化程度更高、數據更好的汽車、3C等領域落地。從庫柏特的案例來看，勞動密集型的食品加工業，無論材料或配方，往往變動更小，未嘗不是一個好的AI落地方向。
03 問題導向，將AI和傳統視覺結合
對於投身於工業視覺的阿丘科技而言，清晰認知AI能做什麼，不能做什麼，以及將AI算法和傳統算法相結合去解決具體問題，是實現AI工業落地的重要一步。
工業視覺主要有四個應用場景，一是測量，比如計算兩點間的距離；二是識別，比如讀取各種條碼；三是定位、引導，識別位置，引導機械臂抓取或組裝等；四是檢測，典型的就是缺陷檢測。
阿丘科技創始人黃耀解釋，2D/3D測量更強調精度，核心在於光學和傳感器，對硬件要求高，不是AI的主戰場。
識別，算法複雜度不是很高，也不是工業AI的主戰場。特殊場景複雜OCR識別（光學字符識別），需要用AI才能很好解決。
定位分2D定位與3D定位，工業領域大部分定位場景不需要AI來做。定位應用中，AI在一些種類較多的場景價值較大，比如物流領域，有成千上萬種SKU，場景較為複雜，適合AI來做定位、分揀等。
至於檢測，他認為這是AI的主戰場，「AI在工業視覺的最大價值點，是解決複雜的缺陷檢測，這屬於行業難題，AI為它提供了新的可能性。」
而傳統視覺檢測存在一系列問題，比如難以解決複雜檢測；存在過檢誤報過高，需要人工輔助複檢；重光學、重算法，對集成商、設備公司要求高；並且後期算法補丁越來越大，維護難度大。
但黃耀坦言，國內能夠做一定複雜度的缺陷檢測的公司很少，很多做的屬於輕量簡單檢測，比如判斷有無等。
一個典型的證明是，在黃耀去過的上百家工廠中，2017年質檢員約佔10~20%，但到2019年質檢員已佔到超30%。隨著自動化水平的提升，組裝的工人在減少，但檢測端，受限於技術等問題，仍需靠人力。
因為在複雜的缺陷檢測中，每種產品可能存在數十種到數百種的缺陷類型，且每種缺陷存在多樣的形態和變種，可能分佈在產品的任何一個位置。此外缺陷的認知，還存在人員間的主觀差異。這些都增加了問題的解決難度。
以一個小小的連接器接口為例，涉及到的缺陷種類相當多，包括劃傷、髒汙、溢膠等複雜缺陷。
除了界定好問題，有針對性的獲取缺陷數據，並不斷優化AI模型外，還需要以具體問題為導向，綜合深度學習和傳統視覺，發揮各自的長處，來解決問題。
針對膠圈間隙大、圓點超二分之一等精度測量問題，阿丘科技採用傳統視覺算法解決；針對套筒溢膠、套筒粘膠等難以察覺、且可能分佈任意位置等問題，他們主要採用AI算法檢測。
不僅如此，針對金手指刮傷/粘膠、端子粘膠包膠等其他問題，阿丘科技會動態調整算法，或以AI檢測為主，傳統算法為輔，或傳統算法為主，AI檢測為輔，來解決實際問題。
目前阿丘科技的工業AI視覺平臺已落地多個行業，數十個應用場景。
04 對行業理解越多，越充滿敬畏之心
阿里雲探索工業大腦已三年有餘。
其主要思路是，把生產全流程的數據打通匯聚，構建工業數據中臺，進而通過算法挖掘出數據的價值。簡單來說就是「數據智能」。
互聯網起家的阿里雲，天然具備AI、大數據、雲計算的沃土，這也是其最初探索工業領域的三項核心技術。
然而隨著工業領域探索的深入，互聯網人的侷限進一步暴露，不懂工業機理，不懂領域知識。一個項目，往往需要AI算法人才、行業專家、行業集成商/方案商等多股力量，才能將工業大腦落地。
這也是很多AI創企遇到的問題，以至於對行業理解越多，越充滿敬畏之心。
阿里雲的一個轉變是，將「專家知識庫」納入核心技術版圖，更加重視行業專家的力量，將傳統機理與數理結合。
數據中臺，是阿里雲工業大腦的核心能力之一。在落地鋼鐵、水泥、化工等不同領域的過程中，他們也在深化對於工業數據中臺的認知。
阿里雲工業大腦首席解決方案架構師豐融稱，數據中臺最核心的部分是「中間層」，今天數據中臺能不能做成，很大程度取決於中間層數據的治理是否合理，是否足夠完善，能否支撐上面的業務體系。
目前工業領域的現狀是，企業內部數據往往割裂成「孤島」，直接使用容易變成「數據煙囪」，數據治理尤為重要。
「只有中間層搭建好，這些跨領域的數據才能碰撞，發生化學反應。」
以某水泥集團為例，它面臨的一個主要問題是熟料生產能耗高。在水泥行業，能耗成本約佔生產經營成本的60%，其中主要能耗來自電耗和煤耗。
阿里雲通過工業大腦來託管水泥產線控制，通過模型來推薦相關指標參數，相比人工更穩定、合理性更高。目前工業大腦可將噸熟料煤耗降低0.64%，將熟料工序電耗降低1.23%。對於水泥企業而言，任何一個點的提升，一年都可以節省數百萬成本。
豐融稱，目前工業大腦已經託管了客戶90%以上的控制場景，客戶反饋，工業大腦基本達到中級操作員水平。
疫情期間，招工難、人工緊缺之下，AI工業自動化可謂正當時。而隨著復工復產，如何優化運營，進行智能供應鏈決策同樣重要。
杉數科技聯合創始人&CPO王曦稱，企業在做供應鏈決策時，往往存在4個問題：
看不清，難以看懂市場需求的波動性；靠人工，一方面靠人工做各類生產/銷售計劃，另一方面針對現有軟件給出的不合理結果，需要手動調整；效果差，訂單滿足率、生產成本、倉儲成本等難以優化；難應變，需求端變化、產能端變化、接單插單、轉產等運營問題，難以應變。
針對這些問題，杉數科技推出智能供應鏈決策平臺，來輔助企業的生產計劃、調度計劃、銷售計劃等業務決策。其核心技術是依託運籌學和機器學習等搭建的杉數優化求解器（COPT）。
以某ICT行業巨頭為例，原來單工廠、不透明的計劃排產系統難以滿足業務需求，面臨工廠間協同生產效率低下的問題。
它有數十個工廠，超過10萬個零部件半成品，需要做一個28天+10周的訂單排程與需求預測計劃，這中間存在上億種可能性，千萬級限制條件。
杉數為其打造一個最優生產計劃，可詳細到每一個零部件加工指令，同時包括原材料到貨指令、建議採購計劃與異常分析、預警等。
最終使客戶的訂單滿足率提升20%，產能損失率降低30%，人工干預降低70%，帶來生產端資源池的盤活，效率較大提升。
針對機器決策，王曦也談道，智能決策的目的不是替代人工，而是一個決策輔助工具，它要把人們從那些容易出錯，無法全局尋優的工作中解放出來。
針對預測、分類問題，人類的先驗知識非常有價值，模型不一定準確，因為數據驅動的預測，本質只能解決歷史數據規律的最大化挖掘，但歷史數據不代表未來。
而決策建議，當我們給定約束，比如產能、訂單、原材料、庫存等，可以讓機器去最優化一些目標。人可以找到一個合理解，但未必是最優解，這正是機器的價值。
閱讀更多 機器之心Pro 的文章
