編者注：用機器人制造機器人一直是科幻電影中的場景，現在，這個夢想已經接近實現了！在華為松山湖南方工廠，已經實現了用Atlas制造Atlas！這是人工智能和制造結合的一小步，卻是中國智能制造的一大步！老張今天給你詳細說道說道這個技術。

近兩年來，隨著AI算力和能效的不斷提升，人工智能應用如火如荼展開，不過大部分人工智能應用還主要集中在消費、安防領域，在其他領域如制造領域還應用的比較少，人工智能和制造如何結合？這是人工智能公司和制造領域廠商們都在思考和探索的問題，近日，筆者作為疫情后第一批到華為松山湖南方工廠生產線的媒體參觀了華為松山湖智能制造生產流水線，觀摩了華為Atlas AI服務器的生產過程。

據介紹，在人工智能領域深度耕耘的華為已經率先將人工智能技術應用到自己的制造產線中，智能計算產品的生產線實現用Atlas制造Atlas，讓AI貫穿制造的每個環節，在完成標簽缺陷檢測、螺釘缺失等實現“秒級檢測”，將質檢準確率由之前的傳統機器視覺質檢的90%提升至99.9%。

華為在智能制造方面的經驗對于中國制造升級非常有價值，在了解華為是如何實現智能制造之前，讓我們先來看看AI在制造領域落地面臨的挑戰。

AI在行業落地的挑戰

人工智能的本質是將人的經驗數字化、可復制化，而在制造業領域確實存在大量人工重復勞動，亟需通過AI來解放人力、提高準確率，但現狀卻比較尷尬。

埃森哲在對歐洲、北美和亞洲地區六大行業的500家制造企業的調查后發現，只有16%的企業擁有完整的人工智能愿景，僅有5%的企業正投資應用人工智能技術改造其生產制造，全面應用人工智能解決方案的企業僅占2%。這說明人工智能在制造領域落地是個世界性的難題。

究其原因，主要是因為人工智能應用從算法到落地中間環節頗多，按照華為昇騰計算業務總裁許映童的說法，AI從算法落地需要經過8個環節--分別是模型獲取，數據準備，訓練、準確度驗證、應用開發、NPU性能調優、業務流程監控和適配開發等,由于挑戰巨大，他稱這8個環節是8大鴻溝。

實際上在每個環節都有很多挑戰，例如在模型獲取環節，現在就有900多個模型，而且模型也在不斷迭代升級，哪個模型最好？僅僅選擇就是個頭疼的問題。在數據準備環節，現狀是很難獲得高質量的數據，而沒有足夠的數據就無法訓練足夠精度的模型，在訓練環節，一個模型的訓練成本非常高，一個模型的訓練動輒幾十萬美金幾百萬人民幣，可能超過了一個初創企業整個人工的費用。模型訓練好之后，如何和現有的應用結合也有很大挑戰。

這些挑戰阻礙了AI在應用端的落地,所以產業里迫切需要可以簡單易用迅速適配的AI工具。 針對行業應用痛點，8月10日，華為在深圳舉行的昇騰AI新品全球發布會（HAI 2020）上，華為發布了業界領先的昇騰AI全棧軟件平臺，包含異構計算架構CANN 3.0、全流程開發工具鏈MindStudio和昇騰應用使能MindX，覆蓋基礎軟件到應用使能。 這個全棧平臺把AI領域的頂尖開發者、應用開發者和一般開發者都囊括進來，讓所有開發者都能迅速使用、快速部署，許映童說華為的核心目標就是做到：第一，極簡易用，讓AI計算無處不在。第二，極致性能，讓AI計算觸手可及。

我們在華為在松山湖參觀的智能制造產線就是華為昇騰AI軟件和制造結合的實際案例，華為要用自己的案例向業界展示制造是如何通過AI變成智造的。 據華為工業自動化視覺實驗室主任吳佳蕓介紹，華為松山湖南方工廠已有80余條產線應用了AI技術，主要是通過Atlas 800 推理服務器完成智能化工位優化。Atlas 800 推理服務器最大可支持8個Atlas 300I AI推理卡，提供640路高清視頻的處理能力，廣泛應用于中心側AI推理場景。

那Atlas 800 推理服務器具體是如何和制造環節結合的呢?實際上，它應用了華為的mxManufacture SDK，這也是華為瞄準制造業推出的SDK。 制造業SDK讓智造輕松實現

在人工智能落地應用中，如果一個客戶從零開始開發行業應用，則學習成本和時間成本都很高，例如客戶需要理解視頻編解碼知識、圖片編解碼知識、各類圖片轉換、推理流程的串接以及云邊協同部署等，開發工作量比較大，調試難度高，技術棧深，這樣直接導致了行業應用程序開發周期長，例如一個中等復雜度APP開發就需要10人月，其中主要時間花在了業務串流和接口調試上。 另一方面，實際上在具體應用的各行業業務流程相似度高，其實存在大量可復用的業務模塊，如數據獲取、業務串流、結果輸出、智能分析等基礎模塊和流程。雖然市場已經有一些產品，但都是結合各自的硬件平臺，對上層軟件和應用做了深度定制，缺乏開放性，這樣導致各大廠家都在重復造輪子。

所以眾多有AI需求的制造客戶迫切需要一套完整成熟的開發工具包，以加快產品開發和推出，其核心訴求主要包含以下幾方面：

視頻分析：支持多種協議接入，支持多種視頻格式，畫框、字符疊加等OSD功能。圖片分析：超大圖片處理，大圖小目標。智能客服：語音識別，人機對話，語義理解。交付標準：業務流程打通樣例，主流模型支持能力，商用交付標準，多編程語言支持。網絡模型：最新模型支持，小樣本泛化能力。安全可信：模型加密，數據安全，傳輸安全。

針對這個需求，華為除了發布昇騰AI全棧軟件平臺外，還綜合AI領域基礎算法和行業經驗積累的行業首個mxManufacture SDK，它凝結了華為在制造業里的know how。

華為昇騰計算業務CTO周斌指出，華為制造業SDK就是要把AI在制造行業里面的應用門檻壓低，讓大量的開發者能夠充分享受AI帶來的紅利。“原來的萬級數據轉到現在的百級數據準備，因為我們的制造業SDK模型都是針對特性場景預先進行了預訓練，這樣我們只需要采集少量的現場數據進行優化訓練，就可以得到比較好的表現能力?！彼e例說，“我們的模型優化時長，由原來的數月降低到數周。代碼由原來的萬行降低到數百行，因為華為把這些苦活、累活都已經提前做好了。”

吳佳蕓認為AI要落地就要與行業知識相結合，如果在某些場景生搬硬套AI的理論框架就會被現實無情地打臉。

她認為要實現AI的規模化應用，首先是讓算法跟工業進行結合，以常見的視覺處理為例，傳統理論做法是先提取特征然后做定位識別但在現實中，你會發現圖像基本都是帶反光、褶皺，或者破損老舊還有模糊不清的，如何識別處理？還有需要在一個400毫米場景中去識別定位3.5毫米×3.5毫米的二維碼，如何讓算法魯棒性提升，去適應好場景？她認為這就需要把工業編碼的規則翻譯成視覺的特征，再結合紋理，這樣的算法與工業的知識經驗結合，才能夠解決實際問題。 另外，在AI的應用部署開發中有很多斷點，在工業應用不能生搬硬套，不可能以通知方式，做完上一步告訴如何做下一步，華為是通過工具鏈的開發做云邊協同，來減少開發的斷點。 另外，工業應用中還有一些特殊場景，例如一些工業檢測中還有反向檢測--在不該有的地方有沒有一些異物？還有偏位的檢測等等，還有一些場景，檢測組件的吸光特性特別不一樣，這樣相機就需要從3萬像素突然提升到30萬像素，華為利用AI技術解決了問題，就是通過暗光恢復，降低光源的成像亮度，通過AI算法把圖像增強到正?？蓹z測的成像質量。 華為的制造業SDK ，實際上就是華為在自己智能制造領域的摸索總結的經驗，現在這個SDK分享給產業，賦能產業向智造升級。

華為的mxManufacture SDK包含端到端流程、訓練+推理+工控機交互等，這對于AI能力不高的制造企業來說，簡單易用、性能極致。這是華為制造業SDK的總框架。

華為Atlas的行業使能SDK主要考慮從以下幾個方面解決客戶的痛點和難點： 1.提升開發效率，提供通用業務模塊，聚焦用戶核心組件，提供完整的業務流程，用戶快速修改適配，提供精簡、抽象的功能組件，降低遷移難度； 2.提升業務性能，提供高性能編程框架，提供優化后的芯片功能模塊，用戶無需深度優化； 3.降低學習成本，高度抽象的硬件能力，減少暴露底層API； 4.提升可擴展性，業務模塊化，支持靈活擴展，模塊功能精簡，業務間快速復用。 該SDK提供圖形化的編程界面，大大降低了程序開發門檻。它采用預訓練模型方式，利用業務數據進行調優，極大地減少了模型開發的時間。此外，它采用可信設計方式，具有很高的安全可靠性。這是該SDK的訓練推理框架。

這個mxManufacture SDK采用插件式開發，無需管理線程和進程通信，只需要關注插件開發與調試，邏輯簡單。此外mxManufacture SDK中提供的大量可配置插件可以極大減少開發量，以視頻分析業務為例，開發量可以減少90%之多。 “我們目前在華為的工廠已經實現了工位機、線體機、車間機這樣的規模化應用，覆蓋了80+產線，其中規模較大的包括有600+模型部署上線，而所有這些工作只投入了三個工程師開發完成！”吳佳蕓強調，“運維人員可以根據不同的應用功能場景，進行任務的編排，華為工廠智能制造規模應用的經驗積累也都會封裝到制造行業SDK里。”據悉，這個視覺+制造行業SDK將在2020年10月正式對外上線。

“SDK中提供的插件可以手動/自動配置并行度，達到應用的極致性能，以制造業中的機器檢視業務為例，檢視圖片經過分塊后并行處理的效率可以提升50%以上?！彼龔娬{指出。 數據顯示，我國人工智能產業近年呈現加速發展勢頭，產業規模不斷壯大，預計到2020年，人工智能核心產業規模超過1500億元，帶動相關產業規模超過1萬億元，隨著華為制造業SDK的發布，中國制造業領域開始向智造邁進，這是一次產業大升級，將為我們經濟生活帶來巨大改變，工業4.0真的不會遠了！