一九产业AI速写：工业篇

2019-12-27 15:04:19来源：亿欧

2019年即将过去，这两天很多朋友问我：今年AI到底是火了还是凉了？

然后我跟他们说：为了身体健康，别光吃凉的烫的，也吃点温的。

根植于互联网经济带来的一个又一个“风口记忆”，似乎如今国人已经习惯于把某种技术、产品，或者商业模式粗暴归类为非火既凉。换言之，我们总是很难有信心等待去技术按部就班地发展进步，而是热切希望它一步登天或者一脚蹬空。

2019年，AI火了吗？显然并没有，最简单的体现就是AI相关的投融资成交额大幅下降，众多优质AI项目找不到资本投入。

2019年，AI凉了吗？显然也没有，我们能够看到明显的算法进步、国产AI芯片进入产业周期、AI开发环境走向成熟。对于AI从业者和AI开发者来说，2019年甚至迎来了翻天覆地的变化。

那么，到底在哪里能感受到AI的真实温度呢？我想有一个地方或许可以，那就是AI走入各行业，也就是所谓的产业智能市场，在2019年到底进展如何？

去年麦卡锡发布了一份名为《模拟人工智能对世界经济影响》的报告，其中认为到2030年，AI将为全球贡献9万亿美元的GDP增长，其中90%来自于各行业智能化组成的企业市场。AI一分在C端，九分在B端，也已经成为了今天中国社会对这门技术的共识。

如果说投资人会偏袒泡沫，科学家执着于实验室，那么工厂主和企业家们，似乎是今天AI技术发展中一个恰如其分的“裁判”。

时值岁末，我们希望用一个系列报道的形式，来总结这一年中各主要行业使用AI技术的变化，市场的成长，以及产业成熟度的趋势。系列中各案例和数据，都来自真实存在的企业，为了减少麻烦我们将隐去企业的具体名称。

希望这种回望和总结，有助于大家换一个视角看清AI技术的“真身”。

第一站，我们要去号称“AI能改变的最后一个行业”——工业。业内人士普遍认为，工业AI是最难做的一个领域，但也可能是那“9万亿GDP”中的绝大部分。工业AI的希望、艰难与真实进展，都能很轻易在这一年中被发现。

AI是温的，热的，凉的？且为如今事，功绩且待来日说。或者换个说法——AI的未来不在键盘上，而在工厂里。

质检：工业AI的第一站

作为AI相关的内容报道者，今年最直观的感受是与制造业代表的传统行业管理者聊AI，其专业程度和了解深度已经远远超过2017年AI刚刚兴起的时候。

或许换个角度看，这与如今工业领域遭遇的外部压力有直接相关。劳动力的成本提升、大量工业订单向东南亚转移，以及经济下行压力下的成本与效率焦虑，构成了今天工业企业的主要情绪。

而这种情绪的促使下，企业主和管理者开始积极寻找外部的技术推动力，这与AI希望走进产业的愿望不谋而合。

但是周瑜打黄盖，还需要蒋干当引子，工业遇上AI的契机又在哪里？这个答案已经比较明显。2017年，工业AI命题更多还处在讨论当中；2018年，AI质检就已经提上了云计算、企业网和AI公司的服务列表。

对于工业场景来说，融合AI最大的挑战在于AI的释放需要设备、网络和算力作为基础条件。而工厂显然不能拆掉流水线去为AI寻找容身之所。所以工业最开始尝试的，只能是外部的、浅层的、不伤筋动骨的工业智能化能力。于是质检作为一个特殊场景跃然而出。

在今天绝大部分工业体系中，质检都是依靠人工来完成的。凭借的是人力的大量重复劳动以及相关经验，而使用智能摄像头和机器视觉算法，来学习和理解质检员需要找到的瑕疵与问题，可以令很多行业的质检工作快速被AI所替代。

于是从2018年开始，大量AI+质检项目快速上马，很多工厂也找到相关供应商尝试搭建自己的智能质检体系。但是这个领域的初始瓶颈也很明显，一个是智能摄像头的精度不够，微小瑕疵识别成为了AI的难题，另一方面AI识别的算力和处理速度不足，也导致AI质检速度不如工人质检，更多时候只能作为人工识别的复检补充。

还有一个问题，是AI摄像头很难识别立体的东西，尤其是球状物。所以在2018年中到2019年初，行业内更多能看到的是AI对板状原材料进行质检，比如钢铁板坯、光伏面板等。一方面是因为原材料质检的容错率高，一般漏检错检率低于10%就可以应用，另一方面就是这些材料只用AI识别单一平面，相对具有可行性。

为了解决这些问题，让AI质检这个“工业AI”第一站能够走的更通顺。2019年相关产业发生了系列变化，比较显著的变化，是边缘计算解决方案，开始通过云服务厂商走进工厂。这就让AI质检的算力和传输问题得到了极大解决，如今很多AI质检项目已经可以用高于人工效率的方式来完成。

与此同时，市面上的智能摄像头也在增多，工业级别的高精AI摄像头和相关质检算法不再“有价无市”。另一方面，云服务厂商提供的工业AI质检解决方案更加多元。除非垂直需求独特的工业类别，钢铁、煤炭、电力、防治等工业主要行业，已经可以在云服务厂商中直接选购比较成熟的行业定制化AI质检解决方案。

与此同时，虽然工厂里的工业摄像头不够高清和缺乏立体视角，依然是AI质检的主要难题。但是AI+工业检测这件事却得到了众多新的发展机会，比如设备故障识别、电路巡检、仪表巡检、施工现场检测等，在2019年都可以找到成功的智能化案例。

质检作为工业AI的第一站，已经完成了从单点到多元化的价值释放，尤其在危险作业环境和偏远地区的AI质检，其价值远远大于产业价值本身。

工业模型预测：2019年的最大收获

当一些声音开始嘲笑所谓的“工业AI”只会质检，这条产业链却在悄然开始新的进化。

如果说，2019年中国市场上的工业AI必须选择一个主要进展，那工业模型预测应该得票最多。

所谓AI工业模型预测，一般是指利用工业大数据，通过AI对原料、产出、生产时间、废料排放等数据进行智能调配，最终得到高于粗放式生产的智能生产模型。当然，这只是工业AI预测的一个基本模式。广义的工业AI预测，还包括将专家经验转化成AI模型，再反向投入生产解决工人经验不足的问题；还有将维修与设备管理经验转化为AI模型，来预测设备故障，智能管理检修体系等等。

工业AI预测，本质上是将人工经验与智能数据运算能力，抽象化成可复用的AI模型，来解决工业领域无处不在的数据关系问题。比如配料的比例、不同原料采购的数量和时间、设备维修周期等等，这些数据原本都是需要人工长时间摸索并进行经验总结的，也可能始终处在不合理的数据区间。AI的加入，可以让小师傅变老师傅，粗放经营变成智能经营。

当然，这只是理想中的情况，真实场景中的工业体系极度复杂，AI不可能也不会一上来就“算尽天下”。但从2019年众多工业AI预测的成功案例来看，这个领域即将进入蓬勃发展周期。

如果说AI质检，更多价值是在单一场景中，解决人工重复劳动的问题，那么当AI开始在工厂里玩数据、玩模型，AI预测正式让工业AI走向了“脑力劳动”的岗位。

这一年中，已经有很多行业案例成功融合了工业AI预测技术。

一家轴承厂可以利用大数据检测和机器学习系统，对工厂设备的历史维修周期与故障率进行分析测算，从而结合机器视觉系统对设备进行监控，从而预测何时需要进行设备清洗、何时可能需要更换部件，从而让检修人员进行提前规划，最大程度降低工厂因设备故障导致的停工情况，从而达到设备中断工作时间降低了50%。

再比如一些制造业企业和工业园区，已经开始利用AI技术构建电力系统的智能监控与运维，预测企业的电力负荷情况，从而实行针对性供电，普遍可以达到企业整体购电成本下降30-40%的效果。

河南一家煤炭焦化企业，利用AI算法来进行焦炭质量预测和配煤比例优化，从而实现再不降低产品质量的前提下，达到解决成本每吨20-70元，一年可以节省数千万元成本。更重要的是，AI调参之后的配煤比例，可以让原材料出煤更加充分，极大降低了污染排放量，其社会价值远大于企业价值本身。

工业AI模型预测的产业特征，是每个行业都有非常高的特殊性。作为一种新技术，AI想要真正成为工厂的“大脑”，需要与具体行业充分接触、沟通，反复试错，最终走向产业融合。所以说，工业AI预测是很难具备大面积重复推广性的，与互联网产业传统的认知截然不同。但换个角度看，一家工厂很容易就因为AI的加入节省上千万的成本，一个看似不大的行业，就可以基于工业AI预测带来数十亿级别的价值增长。

这是一个需要慢下来、扎实下来的工程，也是“非火即凉”论者需要适应的新现实。

工业AI，依旧路漫漫

如果算报偿比率，工业AI绝对是所有“智能+产业”中的魁首，同时从产业周期上看，工业也毫无疑问是最后一个彻底完成智能化升级的产业。

无数细节和流程、漫长的产业链、上百年岿然不动的重型机械、与劳动者之间复杂难言的关系，种种因素限制着工业AI的发展速度。

如果为工业AI画一条增长曲线，那么在这条曲线的尽头，工业AI无非是要做两件事：彻底代替工人的工作，实现工厂的完全自动化。机械臂、工业机器人就是向这个目标前进；另一种是让AI的感知、推理与决策能力，发生在工业生产的核心部类当中，也就是让工业设备、生产线、工业产品获得智能能力。工业AI预测、大规模工业数据处理、工业BI，都是这个目标的初级阶段。

但在这两个终极目标之前，今天依旧能看到工业AI的阻力依旧非常清晰。

比如说，工业AI改造的核心，必须经历对工业生产核心设备进行改造。这一方面意味着巨大的成本压力，甚至是根本天方夜谭的成本。另一方面，AI走进工业需要一系列配套技术与解决方案的支持，这些基础条件今天并不成熟。所以说一方面工厂不会让AI改，另一方面AI也改不起。所以无论是质检还是预测，AI依旧在工业核心的外围转悠来转悠去。

比技术和成本困境更先遇到的，是工业和AI的相互不理解。我们经常会遇到这样的情况，一家AI公司到工厂走访后，能给出100多项自己可以做的智能化升级。而工厂专家和领导审核之后，可能最多留下两三项，甚至可能看着令人眩晕的技术列表，决定把AI拉黑。这种情况，一方面是AI技术从业者并不了解工业，尤其对工业所需的安全、效率、成本周期缺乏常识；另一方面工业专家也并不了解AI，经常将这门技术与机器人、数据可视化等技术划等号。

经常听到这种情况，工厂主见到AI公司负责人后有两种情况，一种是想让AI做一切事，另一种是拿AI当又一个骗人的“风口”。

可能相对幸运的是，如今的工业发展压力，正在倒逼着产业智能化升级发生。工业专家和工厂主也在持续提升对AI的认识。对于沟通层面的抱怨，在2019年已经少听到了很多。

但是双方的代沟还远未消弭。举个例子，很多工厂在探索使用AI时，都会强调一定要AI公司附加非常多的数据可视化功能与系统建设。往往AI专家会很诧异，一方面数据可视化很可能不是AI公司或者AI部门的业务，另一方面他们认为这种大量浪费成本在视觉系统上的项目意义不大。但是工厂主却普遍认为，能看到自己的数据流动、智能决策是如何一步步做出的，这件事十分有必要——哪怕这些可视化数据是人工一点点画出来的。

八竿子打不着的两伙人要坐在一起图谋大事。这事确实很烦心，但是能做好的人和公司一定会得到未来的奖赏，无论他来自AI还是工业，亦或其他。