制造业用上AI,不能是“黑箱” | 专访清湛智造CTO张淮

伟铭 10个月前 (08-16)

智能制造前期投入非常大,必须调整优化到比较成熟的阶段,才有可能落到客户生产环境

制造业用上AI,不能是“黑箱” | 专访清湛智造CTO张淮

人工智能领域的从业者总在想方设法将技术引入产业,落地场景,但某些产业比如工业制造领域,却不会那么快地接受外来的“野蛮人”。

工业制造涉及的学科知识众多,包括但不限于通常所知的机械制造、软件工程、运筹管理、化工材料等,想要“+人工智能”,得先啃一啃这些学科知识。另一方面,中国是世界上唯一拥有制造业全品类的国家,很多企业却大而不强,与“隐性冠军”仍有不小差距,甚至有些领域产能过剩,对智能化需求并不强烈。而一家制造企业往往会接入有数十甚至上百种的设备、辅助软件和工控系统,数据缺乏标准、彼此业务系统难以互通,这与当前人工智能技术落地的基础之一——数据流通相悖。

最近一段时间,大模型也在尝试落地制造业,即利用指令微调形成工业领域的大模型,大模型进一步辅助制造企业实现智能转型升级。可见的难题依然存在。

“大模型在制造需谨慎使用。”清湛智造CTO张淮指出,大模型是一个基于归纳、统计的语言模型,这放到文科领域可以应用。但在工业领域,不容许出错,必须通过演绎的方式进行推导。

这其实已经在说明,由于制造业对于决策的解释和鲁棒性要求较高,特别是在关键决策和质量控制方面。大模型通常被认为是黑箱模型,难以解释其决策过程和推理逻辑并且无法保证其安全可靠性,简单的横向推广并不符合制造业的要求。

清湛智造(南京)科技有限公司于2020年注册成立,三年多以来,清湛智造研发了柔性工业移动机器人、工业机器视觉缺陷检测、工业机器人视觉伺服技术、AI智慧监造平台、5G遥操机器人系统、MLOps智能运维平台等面向工业场景的产品及端到端解决方案。

张淮说,清湛成立的初心就是“将人工智能落地,想要落地则需要行业+AI,而不是AI+行业。”他明白,智能制造前期投入非常大,这要求IT服务商必须调整优化到比较成熟的阶段,才有可能落到客户生产环境。

以下为钛媒体与清湛智造CTO张淮的对话实录,内容经摘编:

记者:相比于安防、金融,工业制造并不是AI视觉技术最优先落地的行业,过去几年,在这个行业因AI的渗透,发生了哪些改变?

张淮:早几年有个形象的比喻:网线里流不出牛奶,理解来讲,就是从生产制造、物流运输,再交付到人们手中,需要依靠实体经济。在我看来,实体经济早晚会体现出它真正的重要性。

在制造业落地AI,难点之一是各个环节非常琐碎。这导致如今那么多生成提供AI或智能制造的国内外企业,能做得好的非常少。要么是纯AI的业务成本占比非常少,如果不跟硬件、不跟产业结合根本做不出来。目前很多大公司在软件开发方面做出了许多尝试,但最终也没有做成功,难度非常大。可以说,在软件领域,可复用性非常高,能够达到90%以上,但在工业制造领域,能够做到30%,就可能是非常好的项目了。

造成这些琐碎的原因有很多,比如企业预算有限,对产品质量或精度要求低;环节价值性不高,或者不能影响主要生产线环境,需要整体解决方案,很难存在单一解决方案;产品所处的流水线位置不同,或者进出料、流程、节拍的差异,只能重新设计方案。

记者:某国企在引入AI时,做的比较彻底的事情是先构建了云平台,从而在云之上搭建起来AI系统。这是否普遍做法?

张淮:这件事情对于一家中小企业,或者解决方案服务商而言,仍然是有一些难度。这一方面看似大厂能做,有资源有平台但其实人员不精,其核心目的是卖云资源。我们此前接了很多项目,包括很多大公司都在做,但都没有做下去。AI公司需要的是全方位的技能,光懂软件、算法还不够,还要具备工业领域的控制、规划、传感器等技能。同时,很多企业客户尤其是政府项目,生产状况、运营状况等相关数据,是不会放在这些大厂的云平台上。

记者:制造行业的细分领域众多,通过AI进行改造的空间,你们会重点关注哪些环节?

张淮:一是工业视觉,如瑕疵检测,可通过算法模拟划痕;二是工业AGV(Automated Guided Vehicle)自动引导车,具有自动控制功能运输机械,广泛应用于工业、物流等场景;三是视频分析,人的行为跟踪分析;四是云服务、MLOps、AI中台。我们希望通过平台,企业从设计、材料选择、上下游供应链、交付、物流都可以解决,以符合制造业的个性化柔性化需求。

另外,全域自动化非常难。感觉是能够人解决的问题,但实际上生产厂间现在人员招工非常难。生产车间的机械手和传感器处理方式并不一样,这些都是成本问题,协作起来也会非常麻烦。

记者:客户一般会看重的品牌、研发能力、服务经验,从最近一段时间的交流来看,客户有没有对你们产生过质疑?

张淮:说实在,现在的客户资源多的我们都做不过来。但会有所为,有所不为。有些项目是技术上达不到,有些则是成本上cover不了,无法形成可复制性。

在中国,有这样一个特点,所有的企业都会考虑先自己能不能做出来,而不是合作,或者买第三方解决方案。如果组建一支团队,既会计算机,又懂控制系统,还会搞传感器硬件的全能队伍,根本没有必要。

从客户角度,很多时候不会讲这套方案是谁做的,更多将其视为整套解决方案的一部分。跟大厂合作,大厂也会认为前期的投入做出的判断和决定,小厂再去配合很大程度上是脏活累活。

记者:在工业领域有什么标准化方案可供参考吗?

张淮:很多工厂给你的参数,使用的工具不见得是一样的。比如在招投标时,针对激光雷达的精度是有标准的。但在具体应用时,检测到的裂纹和异物侵入的环境和精度是不一样的。这也导致人工智能领域发展这么长时间,还没有像通信领域早已定型。

我们也在考虑跟院校、企业考虑做标准规划的事情。数据的类型、领域、场景是非常多维的。需要企业实施的同时,专家做标准。

记者:最近一段时间,AI企业也在尝试将大模型技术引入制造领域,可见的难题会有哪些?

张淮:大模型是一个基于归纳、统计的语言模型,是经过千百次测试归纳出的结论,结果具有不稳定性。

人工智能的第一代是演绎模型,通过推理,它的可解释性强。在工业领域,不容许出错,AI医疗只能作为辅助诊断,诊断错误是会死人的,自动驾驶也是绝对不容许出大错,很多情况下需要通过演绎的方式进行推导。总而言之,大模型在工业制造领域需慎重使用。

记者:哪些因素促成人工智能的应用和商业化?最重要的,以及积累最薄弱的部分是在哪些方面?

张淮:工业制造领域,从上到下要有一定的耐心,国家也需要有这样的耐心,需要有政策和资源的倾斜。产业上已经证明这一点,不存在金手指,目前连一个像样的巨无霸都没有。包括国内头部的AI公司在内,50%以上的收入来自于智能软件都很少。这是中国的问题,也是世界的问题。

记者:清湛智造成立之初主要看重哪些原因?

张淮:初心就是将人工智能落地,必须是行业+人工智能。因为很难,所以不至于马上成为红海,但确实非常苦。人工智能行业存在被集成的角色,要尽量往上游走。智能制造前期投入是非常大的,由于企业是不能停产的,需要调整优化模拟到比较成熟的阶段,才有可能落地到客户场景。

(文本首发钛媒体 作者 | 杨丽)

最后,记得关注微信公众号:镁客网(im2maker),更多干货在等你!

镁客网


科技 | 人文 | 行业

微信ID:im2maker
长按识别二维码关注

硬科技产业媒体

关注技术驱动创新

分享到