10月21日，2021第五届全球智能工业大会“智能感知与机器视觉”分论坛上，思谋科技董事长、香港中文大学终身教授贾佳亚指出，未来 10 年是新一轮工业制造革命的关键时间窗口，是全球各国将高精尖制造业全面升级成为智能制造的核心阶段，目前智能制造依然面临着场景需求复杂、设备连接力不足、跨行业跨领域能力薄弱、数据分析能力不足等挑战，而唯有用 AI 破局，才能激活制造业的增长潜力。
他提到，未来工业智慧化会成为改变全人类生产方式的新基建，会成为制造业必不可缺的关键性环节。工厂将来一定会由现在的自动化升级为智能化、自动化、数字化的“三化”，最终实现智慧工厂，重构生产方式。
未来，一个拥有了“智能身体”的工厂，可以自行知道原料和生产是否达标，产品的质量如何，自发调整机器的工作效率，迅速针对新产需求进行生产，预测未来产品生产的数量，还可以根据产品销售情况来及时调整生产安排。
然而另一方面，让 AI 大规模、跨行业在工业场景中落地，并不是简单的事情：工业制造生产的流程复杂、涉及的硬件种类繁多，要求 AI 算法对大量硬件进行适配；当制造生产场景新增或更替硬件时，会直接带来算法的重新设计；最终算法往往妥协于硬件能力，甚至主动放弃最佳算法的使用最终导致跨行业的工业 AI 落地的难度大幅增加。
“这个行业里真正能做到 AI算法的自动化和高效化的其实并不多且很难做。”贾佳亚介绍，仅以智能手机为例，一款手机按照 400 个供应商参与生产制造，每家供应商 5 种制程，每个制程 25 条产线来计算，想要 AI 全面覆盖生产链路，但一款手机就需要 30000 种算法。而如果放眼全球前5 名的手机厂商，每家每年按照推出 6 款不同产品计算，工业 AI 若想落地头部手机行业，仅第一年就需要 90 万种算法，这几乎是不可完成的任务。
因此，面对当前几大技术落地难题，贾佳亚教授认为，工业 AI 企业需要寻找新的方式进行“破局”。
以数据紧缺为例，可靠的 AI 模型离不开大量数据的训练，尤其在工业场景下，对 AI 的准确率要求极高，然而目前工业生产的有效数据非常稀缺，可供训练的样本极校通过传统的 AI 训练/检测方法，当训练样本不足的情况下，很难成功检测出非常见的产品缺陷。传统的 AI 训练往往通过给计算机提供大量图片，让计算机记住“细节”，但思谋科技通过自研的区域感知异常检测器（RADD），对目标区域各个细节进行捕捉，并与标准参考数据进行比对，记住图像的“规则”，从而能够进行原理推导，从而实现即使是非常见缺陷，也能准确进行判断识别。
此外，工业生产对验收要求极高，想要成品良率至少达到 99.9% 以上，每个零件的良率至少需达到 99.999%；因此当前能够满足工业生产场景需求的，往往是高度定制化算法和训练方式。然而，仅训练一个神经网络就有超过百万种不同方式，长期下的定制路线，显然无法满足技术落地的需求。因此，思谋科技结合学术界与产业界的最新成果，研发出了最合适工业场景的全栈式 AutoML 算法，可用于分割、检测、关键点等多种不同任务中；已在几十个工业场景、近百万工业数据中得到验证。传统调参下完成一个模型（算法开发+部署）需要10 人月，在 AutoML 下仅需 0. 3 人月。
此外，在被检产品形态多样化核心难题中，思谋科技通过对被检对象采取“零件化模型”处理，进行“拆分再整合”模式，高效率理解同品类物体的内在结构一致性，从而实现面对新形态的产品时也可快速交付；以及在缺陷类型难区分的核心难题中，思谋科技通过“前后背景对比学习”方案，使用类比学习，能让计算机更好理解哪些是目标异物。
因此，贾佳亚教授表示，只有当计算机系统可以突破工业落地中的几大难题，实现自动算法组合和部署，人类仅需参与少量定制化算法设计时，AI 的跨领域规模产业化才具备实现的可能。他表示，基于此前提，思谋科技也在致力于打造其工业级 AI 系统，构建以智慧为核心的新一代工业 AI 架构，涵盖了工业 AI 算法平台、工业 AI 训练平台、工业 AI 工具平台，以及超过30种全球领先的新型工业AI生产设备。
据介绍，已具备了智能制造跨行业快速落地能力的思谋科技，目前可赋能超过 1000 个细分领域，并成功与芯片、半导体、精密制造、汽车、航空、新能源等多个行业的头部企业实现合作，完成了多个新型工业 AI设备产品的落地，如镜片分拣、轴承检测、特种条码设计与识别、偏光弯膜、隐形二维码识别、模具检测、AVI 检测等。
相关文章
