制造业用上AI，不能是“黑箱” | 专访清湛智造CTO张淮

2023-08-17 02:13:17来源：镁客网

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

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”。

(相关资料图)

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？