當前，各大產業最熱門的話題無疑是“新質生產力”，發展“新質生產力”對產業智能化升級帶動明顯，尤其是作為國民經濟主導的工業，產業重點已經從工業自動化轉變為工業智能化。

AI（人工智能）作為一項顛覆性技術，是工業智能化升級的核心驅動力。如何快速完成AI和工業制造場景的融合，成為企業決勝未來的關鍵。根據Frost&Sullivan的統計數據，2023年全球工業自動化市場規模達到4807.3億美元，預計2025年將達到5436.6億美元。從自動化到智能化，工業智能有著巨大的存量市場和未來空間。

數據來源：Frost&Sullivan，電子發燒友網制圖

面向這一藍海市場，作為行業領先的物聯網整體解決方案供應商，移遠通信推出工業智能品牌寶維塔 (ProvectaAI)旗下核心產品——AI算法平臺「匠心」，并于近日舉辦了「匠心」平臺主題直播，介紹了這款行業領先的一站式AI開發工具。

移遠通信副總經理蘭世桂在直播中表示：“移遠通信是當前行業內為數不多的具備邊緣計算軟硬件開發能力和AI算法自研能力的企業，「匠心」平臺打造的AI模型可以一鍵下放到指定的邊緣計算終端，促進AI技術在各行各業的廣泛應用。同時，寶維塔成功將AI推理從傳統的X86架構拓展到ARM架構。ARM架構具有天然的高集成度優勢，相較于傳統X86架構，ARM架構配合「匠心」平臺最多可以節省50%的硬件成本。”

工業智能培育“新質生產力”

在AI技術的加持下，工業智能已經成為現代工業革命里最核心的內容，幫助各類型工業制造場景提升生產效率、優化品控檢測、降低生產成本、快速響應市場需求。工業智能主要有視覺智能、數據智能和交互智能三大賽道，均有豐富的應用場景。

以工業視覺為例，傳統機器視覺只能夠提供基本的檢測和識別功能，引入AI技術之后，特別是卷積神經網絡 (CNN) 等深度學習技術，智能化的機器視覺能夠基于海量數據進行學習和推理，可以執行特征識別、細微傷痕檢測、材料檢驗等日益復雜的視覺任務。

因而，通過增強視覺智能、數據智能和交互智能能力，工業智能可以借助精準控制、智能分析、自動化生產、質量追溯等手段，進一步提升智能制造水平，快速培育工業市場的“新質生產力”。

從工業自動化到工業智能化，是“AI+”落地的典范，AI算法模型在其中扮演著關鍵角色。和云端AI大模型不同，工業智能所需要的是更加具象化的“小模型”。AI大模型在模型容量和參數量方面受到的限制很小，具有更強的普適性，但也就意味著在特定場景下需要深度優化和“瘦身”。AI小模型可以基于有限的數據量，針對特定場景打造出規模更小、成本更優、性價比更高、實用性更強的模型。這些AI小模型反應靈敏，對于算力和內存的需求更小，可以進行本地化部署。

然而，AI小模型雖然看起來靈活輕便，但在實際開發、部署和管理過程中卻也需要面臨很多方面的挑戰。AI小模型的開發和部署流程主要包括數據分析、數據標注，模型選擇，訓練框架選擇和模型訓練，模型轉換，以及模型部署。由于數據、容量和硬件性能各方面的限制，上述每一個環節都會遇到相應的挑戰。

具體來看，在數據分析、數據標注環節，開發人員需要根據數據特點、檢測類型進行數據標注。高質量的數據獲取和標注是非常重要的，但完成這項工作并非易事。主要原因在于，需要智能化升級的企業往往對模型框架、部署方式認知不足，對模型需要怎樣的數據只有模糊的概念，標注人員對于數據的理解也不統一，從而導致數據質量難以達標，最終影響模型的性能和泛化性。

在模型選擇環節，開發人員需要根據精度和算力需求，結合終端實際情況，選擇合適的算法模型。由于小模型通常具有簡單的結構和較少的參數，因此每一個小模型都有優勢的應用場景，開發人員需要很大的精力去選擇和構建模型，尤其是在高度可解釋性場景里，一旦選錯，“真假”人工智能往往只有一步之遙。同時，考慮到生產任務時常變更，模型泛化能力也很重要。

在訓練框架選擇和模型訓練環節，開發人員需要通過訓練得到和特定場景適配的網絡及參數。這一環節是AI小模型開發的最后一步，接下來就是部署。很多時候，開發人員會被困在這一環節，由于數據、模型類型和訓練框架等方面的問題，會遇到訓練的模型難以收斂，卻又找不到具體的問題。

在模型轉換環節，開發人員需要通過模型轉換，得到和推理框架匹配的網絡和參數。這個過程也包括很有必要的模型優化，在保證性能的前提下，實現模型的高效壓縮和優化。然而，模型轉換將會考驗開發人員多方面的能力，包括行業認知、應用經驗、硬件性能評估、數據微調、模型微調等。否則，模型很難達到最初預設的部署效果。

完成上述工作，最后將進入模型部署環節，為終端移植對應的推理框架，再將模型導入到推理引擎。并不是模型開發和優化完成就宣告成功了，模型部署的挑戰同樣很大。比如，開發人員需要深刻理解推理引擎和推理算子，AI小模型更加注重算力利用率；需要充分適配硬件性能，完成算法模型和引擎之間的中間件開發。

同時，我們也不能忽視AI人才短缺的問題，這會進一步增加AI小模型開發和部署的難度和成本。正是由于重重挑戰的存在，一站式AI開發工具成為工業智能的剛需和新寵。一站式AI開發工具能夠提供覆蓋模型開發到部署的全流程服務，簡化AI方案的開發流程，并做到提質增效，讓每一個企業都擁有構建專屬AI的能力。這也是移遠通信推出「匠心」平臺的初衷和意義。

「匠心」平臺讓工業智能一蹴而就

「匠心」是寶維塔精心打造的行業AI平臺，可為企業提供一站式、低成本、低門檻的AI模型訓練與部署服務，推動AI技術便捷高效落地。移遠通信產品經理王柯指出：“對于企業而言，了解AI、熟悉AI部署是一項非常艱巨繁瑣的任務，如果有一站式AI開發工具的幫忙，便能夠顯著降低企業應用AI的門檻，讓工業智能應用更快落地。相關工具的打造會涉及很多AI模型開發和部署方面的‘know how’，這些‘know how’都是在多年項目實戰中積累起來的。親自經歷過，才能打造出更好的產品。這正是寶維塔的優勢所在。”

如下圖所示，這是一個端到端的全鏈路架構，將「匠心」平臺、設備端的AI推理引擎SDK和物聯網連接融為一體。「匠心」平臺提供數據上傳、數據標注、模型訓練、模型測試、模型發布和一鍵部署等全流程功能。有了這個平臺，企業遇到的AI小模型相關問題都會迎刃而解。

「匠心」平臺端到端全鏈路架構，圖源：移遠通信

移遠通信為「匠心」平臺提供完善的教學材料和強大的技術支持團隊，進一步降低了企業的AI準入門檻。為了提升企業部署工業智能的自由度，「匠心」平臺提供靈活的服務模式，無論企業有無自己的開發團隊，都能使用該平臺，企業既可以直接在寶維塔「匠心」平臺開發訓練模型，也可以選擇私有化部署。同時，「匠心」平臺能夠兼容目前市面上主流的硬件平臺，包括常規的X86 CPU架構、英偉達顯卡，以及高通、紫光展銳、瑞芯微RK等公司的ARM架構平臺。寶維塔還提供硬件狀態監測和數據存儲策略，保障AI模型平穩地運行。

移遠通信研發經理俞喆俊分享了「匠心」平臺的具體操作以及相關應用優勢。比如，在AI模型開發最開始的數據標注環節，如下圖所示，「匠心」平臺支持模型預標注，鼠標點擊自動畫輪廓；支持數據智能處理，物料自動融合；支持使用自動標注模塊進行預標注；支持多人同時標注。

「匠心」平臺數據標注功能，圖源：移遠通信

再比如，企業借助「匠心」平臺可進行高效模型訓練。該平臺支持訓練量化提高精度，下圖展示了Int8量化感知訓練；支持增量訓練減少訓練時間；支持訓練過程和訓練結果指標的查看分析；支持自定義傳統算子。

「匠心」平臺Int8量化感知訓練，圖源：移遠通信

正如俞喆俊所言，有了「匠心」平臺，企業在引入AI技術時，關注點不再是模型和部署，而是功能的選擇。「匠心」平臺的功能覆蓋圖像檢測、圖像分割、圖像分類和OCR識別。其中，亞像素分割（支持 3~5 pixel）是「匠心」平臺的一大特色，工業場景存在低分辨率場景，缺陷收集難度較大，基于亞像素分割算法，可以快速訓練部署達到一定精度。因此，在試紙檢測、軸瓦分割模型、鋁絲驗證、極柱防爆閥驗證等項目中，「匠心」平臺的應用可以大幅提升檢測和驗證的準確率。

「匠心」平臺亞像素分割算法優勢，圖源：移遠通信

根據俞喆俊的演示，「匠心」平臺在基于正樣本的缺陷檢測、未知背景過殺問題等具體應用，以及模型推理、模型泛化和模型部署等方面，都表現出了優于競品的性能。比如，在模型推理方面，「匠心」平臺的一大特色是提供加速推理的功能，能夠實現2倍以上的推理加速效率。

總結而言，移遠寶維塔「匠心」平臺是一個基于端到端全鏈路架構的一站式AI開發和部署平臺，提供靈活的服務模式，擁有亞像素分割、加速推理、多模型管理、系統監測平臺等特征優勢。除了3C電子外觀缺陷檢測、汽車電子零部件外觀缺陷檢測、半導體/泛半導體表面缺陷檢測、木板材封邊及外觀缺陷、玻璃表面檢測等工業智能類應用，「匠心」還適用于自動零售商品AI識別等消費類應用場景，以及農副產品分選與循環經濟垃圾分揀等其他AI應用。

寫在最后

從自動化到智能化，AI技術已經成為工業革命的核心驅動技術。面向廣泛的工業制造場景，云端AI大模型從數據量、成本、體量等方面來看，與大部分工業智能場景都不契合，AI小模型成為行業剛需。

不過，企業部署AI小模型面臨著一系列挑戰，亟需寶維塔「匠心」平臺這樣的一站式AI工具幫助他們應對挑戰，高效完成工業AI應用的開發和部署。憑借端到端的全鏈路架構，以及亞像素分割、推理加速等特色優勢，寶維塔「匠心」平臺成為工業智能化升級的理想工具，將在數千億美元級別的自動化市場里，迎來一片巨大的市場藍海。

（文章來源：電子發燒友網）