高工機器人CEO圈群招募中，歡迎感興趣的朋友們加微信號:13632944360入群；添加微信時請備注單位-姓名-職務，通過審核后我們將邀請進群。

前段時間，在各大咖頻繁發聲下，“996”相關話題一時間成為輿論的焦點，伴隨著各種社會情緒，觀點莫衷一是。拋開主觀上的評判，有一個問題卻是許多人都想問的，那就是在保持效益增長的前提下，人們的工作時間有可能縮短嗎？

對于這個問題，百度李彥宏曾經提出了他的展望：人工智能堪比工業革命，很多行業都將發生翻天覆地的變化，甚至有可能讓人們一周只工作4天。

準確地說，人工智能是第四次工業革命的重要技術，它所帶來的變革將超乎我們的想象。正如德國工業4.0之父、德國國家科學工程院前院長孔翰寧所言：人工智能是工業4.0成敗的關鍵。

巨頭的修羅場

在過去一年中，人工智能已成為全球科技巨頭核心戰略之一，為了爭奪AI時代制高點，巨頭們紛紛推出或在研發AI芯片，谷歌人工智能芯片TPU已經升級到第三代，亞馬遜推出一款機器學習芯片Inferen，華為也推出Ascend系列AI芯片。

巨頭爭奪，比拼的是AI技術實力和應用落地能力，而國內具有用戶規模、數據和應用場景的先天優勢，讓中國科技企業異軍突起，能夠與美國亞馬遜和谷歌等巨頭同臺較量。目前已經興起了包括BAT、華為、今日頭條、海康威視、小米、富士康(工業富聯)、大疆和海爾等AI巨頭。

作為國內三大互聯網巨頭，百度是率先向人工智能轉型的企業，自2010年開始積極探索發展人工智能技術，圍繞百度大腦，AI應用開始在多個領域開花結果，并以百度云為平臺把AI能力分享給社會，從農業到工業，從家庭到汽車，以及翻譯、圖像識別和信息流等產品和服務。

今年，李彥宏又介紹了百度人工智能技術在工業制造領域的應用。他表示，現在很多3C產品在組裝的過程當中都需要人的肉眼去檢驗這些零件的質量，而其中很多零件都非常小，比如iPhone組裝插電的器件就很小，要人的肉眼去看是不是質量過關，是一個很費勁的任務。一般來說，熟練的工人干兩個小時就得下來休息。而百度用計算機視覺的方式做了一個軟硬一體的機器，一臺設備相當于十個熟練工人能夠做的事情，而且它的質量還比人工要更高。

2019年年初，世界經濟論壇宣布鴻海旗下富士康工業富聯的深圳關燈工廠成為全球十六家制造業“燈塔工廠”之一。對于富士康來說，這是一場開始于內部的制造業轉型。

事實上，早在2018年7月，富士康就在硅谷成立了一家新公司——工業人工智能系統（IndustrialAISystem），開發用于實現工廠生產自動化的人工智能技術。

2019年3月29日，伴隨著“智涌錢塘”2019 AI Cloud生態大會的舉辦，海康威視拉開了AI Cloud全面落地的序幕，AI Cloud是海康威視在2017年針對人工智能時代的物聯網產業提出的概念，于2018年正式推出。

海康威視副總裁畢會娟博士稱，可以預見，2019年將是海康威視 AI Cloud全面落地的一年，一方面，物信融合數據平臺逐步走向成熟，將會應用到更多行業場合；另一方面，各地業務中心也已準備了本地化的數據治理工程實施團隊，為用戶提供服務。

華為董事長任正非認為，當人工智能出現升華以后，現在西方國家不能解決的社會福利、工會、罷工等問題，以后都能通過機器人來解決，真正能實現人工智能的生產方式，大規模的工業就會轉向西方發展；完全不能實現人工智能的生產方式，可能就往東南亞這些人工成本低的國家發展；中國正面臨著“夾心餅”中間這一層，中國往何處去，現在是一個極大挑戰，不是人口紅利就能解決中國未來的發展問題。

毋庸置疑的是，當生產往高端發展之后，人工已經不能完全解決生產的問題，生產方式會發生巨大的變化，而中國能否抓住人工智能的機遇實現制造業轉型升級將決定未來我們在世界制造中的地位。

從可見到不可見

如果說，自動化是解決可見世界的問題，那么人工智能就是探索不可見的世界。它的挑戰就在于如何去定義不可見的關系性，比如造成機器停機的原因是什么。

正如富士康工業互聯網副董事長李杰所說：“工業互聯網數據有很多來源，有歷史的數據、傳感器數據、專家數據以及共性數據，在很多數據中可以找到因果關系，可見的數據和不可見的關系是不一樣的，如何用不可見的關系產生效益，這個就是關系的價值，如何從可見的數據中找到不可見的關系，產生提質增效、降本減成、創新的價值，這個是工業互聯網的最大本質。”

在李杰看來，生產的產品可以比作蛋黃，而產品創造的價值是蛋白。“蛋黃是可見的，蛋白是不可見的。換句話說，富士康可將很多核心競爭力當作蛋黃，比如控制器、傳感器。把控制器加上工業大數據、工業人工智能的分析后，生產線將持續不間斷工作，并及時預測預防質量問題，做到’事前諸葛亮’，這就是蛋白。”

他提出“工業人工智能”，在為工業的應用發展和部署各種機器學習算法，必須帶來“穩定且持續”的效益。人工智能驅動（AI-driven）的自動化正處于起步階段，必須先定義其結構、方法和挑戰作為框架。

工業人工智能通過多維度學習，形成快速性、系統性及可傳承性等特性。在實際操作過程中，不同個體使用同樣工具可得到相同或相近的結果，系統將形成標準性解決方案，高度契合作業過程中即時響應、準確度極高、高等級安全等一系列要求。

李杰認為，中國制造業現階段面臨教育素質參差不齊、管理體質存在漏洞、沒有認清產業本質三大問題。目前，國內消費者對部分中國制造不信任，問題不僅在于假冒偽劣流行的病癥至今未能得以有效治療，還有國內廠商，包括管理者、一線工人對產品品質要求，及其所需的精細管理文化、精工制造文化、品質尊重文化普及，相對德國、日本等國家仍有較大差距。

為提質增效，美的集團人工智能戰略引入了機器視覺系統。美的集團視覺研究所長胡正博士說：“要實現工廠的質控，必須使用機器視覺系統。人工智能只需要采集各種各樣品類部件的數據，然后使用合適的人工智能模型，就能夠生成一系列通用的人工智能算法來做不同的項目，從而避免了一個項目一個項目去做，節約了大量的工時。”

在方法上，美的在邊緣計算、處理器、數據中心產品上部署AI相關產品，通過使用英特爾芯片的計算力，再借用分析工具來幫助更好的做人工智能培訓，再通過參考模型，實現智能化控制。

當前的國內AI創業及應用熱潮多是基于深度學習這一算法，往往需要大量數據進行訓練，且模型可解釋性不強，因此并不是所有領域和場景的最優AI算法。

清華大學AI研究院首任院長張鈸院士認為，現有的AI技術“小錯不犯，一犯就是大錯”。當前AI技術對訓練數據過分依賴，這導致算法在工業領域等樣本和標注不足的場景中極易出錯，其次模型可解釋性不強。

而成立于2018年7月的瑞萊智慧正在研發無監督學習算法、可解釋性算法，希望能夠解決行業中標注數據缺失問題，幫助人們借助算法解釋更好的進行決策；目前瑞萊智慧已經與工業多家企業展開合作，研發了工業領域的異常檢測、預測性維護等。

瑞萊智慧CEO田天說，“在工業應用領域，收集高質量訓練數據的過程往往成本高昂，且耗費時間，如果采用無監督或者半監督的學習方法，就能有效降低訓練數據需求，針對碎片化的工業視覺檢測場景具有更廣的應用前景”。在沒有訓練數據時，可以考慮采用異常檢測、或者變化檢測等方法，讓機器學會什么是正常的數據，進而在出現異常數據或者變化時能夠做出準確判斷。

“AI產業化落地，第一要找到行業的最大痛點；第二要讓AI技術實現價值，即選擇相對成熟的人工智能，實現產品化；第三，有了產品后，還是需要有一個創新的產業解決方案，實現產業層面的迭代升級；最后，基于自身積累的經驗，實現產品升級、賦能產業，提升我們行業的效率，提升整個行業的價值。”極智嘉CEO鄭勇說。

工業人工智能進入落地期

過去10年，AI 領域開發了大量優秀算法，為實際應用儲備了大量的工具；近年來，人工智能開始大規模應用于金融和互聯網等領域，起到了較好的示范效應。業內人士普遍認為2019 年將是人工智能在工業制造領域快速發展以及各種技術落地的一年。

如今國內中小創投公司林立，科技氛圍濃厚，讓李杰對中國制造業的未來充滿信心，“目前中國有太多的產業可以做蛋白，只要擁有足夠的核心競爭力，蛋白可以做得很大。”

綜合來看，目前人工智能在制造業領域主要有三個方向：視覺檢測、視覺分揀和故障預測。

田天表示，目前在“缺陷檢測”和“預測性維護”兩大方面客戶接受度和需求較高，主要是因為該領域為客戶痛點，能直接為客戶節省大量的費用。預測性維護也有利于避免重大事故，對于安全制造和安全生產至關重要。

近年來，越來越多的機器視覺落地應用，在技術與市場上的認可度不斷獲得提升，視覺企業成長速度加快。在工業應用領域，隨著生產的柔性和自動化程度的不斷提高和對質量更加嚴格的控制要求，企業迫切需要機器視覺來代替人工，實現定位、檢測、引導、識別等功能。

機器視覺技術是圖像獲取、分析、識別、檢測等技術的綜合，機器視覺行業經過數年的積累，不僅在規模上實現年均增速超20%，且在3D視覺、無序分揀等技術方面獲得了不同程度的突破。GGII預計2018年中國機器視覺市場規模54億元，同比增速超25%，高于其他細分領域增速。

人工智能技術的發展推動了機器視覺的快速應用，GGII認為，機器視覺是實現工業自動化和智能化的必要手段，隨著機器視覺的介入，自動化設備將朝著更智能、更快速的方向發展，同時，機器視覺在各行業的滲透率也將逐漸提升。

其中，將近80%的工業視覺系統主要用在檢測方面，包括用于提高生產效率、控制生產過程中的產品質量、采集產品數據等。

高視科技2015年完成了屏幕模組檢測設備研發，已向眾多國內一線屏幕廠商提供50多臺各型設備，可以檢測出38類上百種缺陷，且具備智能自學習能力；阿丘科技則推出了面向工業在線質量檢測的視覺軟件平臺AQ-Insight，主要用于產品表面缺陷檢測，可用于煙草行業，實現煙草異物剔除、缺陷檢測。

近年來，國內陸續出現了一些基于深度學習和人工智能技術解決機器人視覺分揀問題的企業，如埃爾森、梅卡曼德、庫柏特、阿丘科技、埃克里得等，通過計算機視覺識別出物體及其三維空間位置，指導機械臂進行正確的抓取。

埃爾森通過3D快速成像技術，對物體表面輪廓數據進行掃描，形成點云數據后進行智能分析處理，加以人工智能分析、機器人路徑自動規劃、自動防碰撞技術，計算出當前工件的實時坐標，并發送指令給機器人實現抓取定位的自動完成。

以高性能3D相機、視覺AI算法和軟件、機器人運動算法和軟件為核心產品的梅卡曼德可提供多種典型應用的參考設計和現場服務。其解決方案可使機器人廠家和集成商迅速提升人工智能能力，完成無序物體抓取、視覺引導拆垛、混合碼垛、精確定位裝配等應用。

基于人工智能和IOT技術，通過在工廠各個設備加裝傳感器，對設備運行狀態進行監測，并利用神經網絡建立設備故障的模型，則可以在故障發生前，對故障提前進行預測，在發生故障前，將可能發生故障的工件替換，從而保障設備的持續無故障運行。

據悉，國外AI故障預測平臺公司Uptake，已經估值超過20億美元。而國內智能裝備企業利元亨利用數字孿生技術讓企業管理者隨時隨地了解設備的實時運行情況和生產數據，同時預測設備未來的生產數據和可能出現的產線故障，提前制定計劃和對策。

目前“燈塔工廠”名單全球總計只有 16 家公司入選，“富士康是其中唯一利用 AI 做預測的企業，李杰指出，工業 AI 有五大關鍵要素：分析技術、大數據技術、云或網絡技術、行業領域知識、事實結果。而投入工業互聯網會失敗通常有四大因素：沒有場域、沒有使用工具／數據、公司內部斗爭、項目糾紛、最后才是沒有技術，其中有 4 成以上是沒有場域。

目前，AI故障預測成熟運用較少。大部分傳統制造企業的設備沒有足夠的數據收集傳感器，也沒有積累足夠的數據；很多工業設備對可靠性的要求極高，即便機器預測準確率很高，不能達到百分之百，依舊難以被接受；此外，投入產出比不高，很多AI預測功能應用后，如果成功能減少5%的成本，但如果不成功反而可能帶來成本的增加，所以不少企業寧愿不用。

有投資人表示，初創公司在人工智能領域還是有很多機會的，但他們需要往更細分的賽道里去專研，去挖掘，這樣才能避開一些大公司，發揮自己的長處，實現AI與具體產業相結合。

此外，擁有更加獨到數據的企業將更有機會，這里為什么強調獨到數據，是因為之前很多做算法的數據都是公開數據、各種扒的數據或者是直接買的數據，但是這類數據是沒有稀缺性。

鄭勇認為，雖然現在人工智能領域有大量的創業公司，但是不同公司最后在產品上的差異，其實就在于細節，細節決定了客戶的體驗，包括對行業的理解。想要獲得這些經驗，需要花很長的時間，跟客戶一起打磨，最后才能獲得。“當有了這樣經驗的時候，你跟你的競爭對手是可以差異化的，最后會帶來品牌溢價，帶來產品價值優勢。”

總體而言，AI在工業領域的應用才剛剛開始，還有不少潛在應用場景值得去探索和發掘。