文｜戴昊彤
編輯｜彭孝秋
儘管工業4。0被提起過無數次，但對於 AI 在裡面起到的作用一直討論不多。同樣對於工業網際網路，落實到智慧製造中的真實場景改造有哪些一樣容易忽略？
作為香港中文大學終身教授兼思謀科技董事長/創始人的賈佳亞，近日在《智慧製造中的核心AI技術》主題分享中給出了一些啟發。
在他看來，4。0時代是以智慧為核心的一個時代，這個時代開始不僅僅具備網路、電力，還有計算。計算不再是一種非常奢侈的輔助裝置，相反地，計算變成一種基礎能源。當電力被計算提純以後，計算的可利用性和資源強化性將變得非常巨大，技術特點就是永不間斷的學習。
也就是說，要想完成工業4。0，必須要重視工業網際網路中的無線通訊作用，更要重視AI作用。
無線通訊在工業網際網路中至關重要
自2012年通用電氣提出了AIOT（人工智慧物聯網）概念後，透過新一代的資訊通訊技術，將關鍵基礎設施與新型應用模式建立起連線工業全要素，實現資料的實時採集和精確分析和智慧反饋就越來越普遍。因此，工業網際網路的佈局與通訊息息相關。
在過去，工業通訊系統的特徵表現為多領域融合，包括感測、通訊、計算機和自動控制等。對於通訊的要求也非常嚴格，比如要求高實時性、確定性和可靠性，但部署的環境又很複雜。
“工業網際網路，開始成為未來智慧製造發展的方向之一
”，北京郵電大學教授、IEEE Fellow、中國工程院院士張平表示。
隨著無線通訊的發展以及工業網際網路概念的提出，科研人員開始考慮用無線通訊來解決工業網際網路面臨的挑戰。無線通訊優勢表現在：其結構精簡、資料採集和傳輸受裝置影響比較小，可靈活採用工業資料，國內外發展路徑也非常清晰。
儘管無線通訊成為智慧工廠的核心部分，但目前其投入使用的比例較低，不到6%。因為柔性製造對於
對無線網路，或者5G的需求非常高。這是由於這是一個閉環系統，不僅要解決資訊從A地到B地不確定性的問題，而是要對這些不確定性問題產生決策，最後對系統的控制產生效應，因此，這就要求具備高安全性、高可靠性。
張平指出，“目前，國內網際網路已經由消費網際網路進入產業網際網路，一方面，
其發展對算力提出了新要求
，另一方面，也對
密集型，時延敏感性提出了新的挑戰
，在這樣的情況下，急需考慮雲、邊、端的算力資源的自治或者自洽，以高效處理資料。而面向海量業務差異化的上雲需求，當前被廣泛使用且依賴專家的人工式解決方案，難以滿足業務種類、規模增長的需求，比如業務獲取、業務分析轉譯、網路狀態感知、策略下發等。因為未來需要實現邊緣雲、通訊雲與網路資源的協同一體。”
同時，國內科研人員也在程式語言NPL上實現對使用者需求的精確感知，從高階語言轉換為網路設定，還有對網路專發2節點逐跳進行資訊的採集和報告，實現佇列、快取、延時等精確感知，為網路自治提供準確可靠的資料支撐。 對資料流量歷史及寬頻的特徵進行分析，挖掘網路空間特徵，以實現寬頻流量自由化。
在
工業網際網路中，目前出現最為棘手的問題在於：工廠裡機器裝置的執行會產生電磁干擾
，尤其是傳統的通道建模工廠車間，會影響電子器件的正常通訊。因此，為了保證無線干擾傳輸可靠性，電磁噪聲的建模起到至關重要的作用。
為了解決干擾通訊的問題，張平提出，
未來需要根據車間業務特點來定製合理的裝置，接入功率控制策略，避免減少同頻干擾，儘可能減少裝置空口乾擾的影響。
面臨這樣的挑戰，未來無線通訊技術的發展有以下急需突破的方向：
首先，在過去，網路是以人為資訊作為接收主體構建的網路，而未來面向機器的網路是自主感知的閉環智慧機器網路，因此這兩者存在很大差異。過去，面向人與人之間通訊來設計的“TCP IP” 可歸納“為三部曲”：發一個請求——回答請求——建立鏈路。因此，這種模式無法適用於機器與機器之間的通訊。因此，未來迫切需要變革面向人的無線網路的設計，以及研究出面向閉環資訊流的、系統級的資訊理論。
其次是搭建感知、傳輸、計算及使用一體化的網路架構，以及可靈活適配的可信互動協議，以滿足工業網際網路持續可信的通訊需求。如今，5G技術已經把人與人之間的通訊擴充套件到機器與機器之間的通訊，同時也增加了一個維度。在這種情況下，未來科研人員可使用很多方法、演算法以及算力，來提升其效能。但這需要一個長期準備階段才能實現。
除了無線通訊，AI也無比重要
雖說在工業4。0時代，智慧製造意味著製造業進入一個新的發展階段，人類需要創造一個智慧製造的大腦，讓它能思考。智慧化也更像是代替人類生產的“手臂”，透過智慧化控制生產來提高更多效率。
“但是，智慧製造是一個非常複雜龐大的工程，包括產品設計、生產管理、生產服務以及對客戶互動等環節。智慧製造的目的則是要實現所有全鏈條環節都由機器完成，達到自主決策、自主執行及自主適應。”賈佳亞說道。
為了達到這一目的，在智慧製造領域中，實現跨行業的工業AI落地，是目前科研介面臨的一大難題。
比如在手機質量檢測任務中，實現機器自主檢測。假設一款手機大概有400個供應商，所有供應商有5個製程，每個製程有25條產線。在生產手機過程中，科研人員要去做所有零件管控和質量評審，則需要做出近3萬種（400×75）演算法，才能保證手機擺脫人為因素的干擾，自動判別質量，實現高管控率。
如果把範圍放縮小至全球排名前5的手機品牌，每個品牌每年約推出6款不同型號，第一年科研人員需要寫出90萬種演算法，但目前沒有一個團隊可以完成如此繁重的任務。
因此，只有當系統能夠自動實現演算法組合和部署，人類只需要少量定製化演算法，才有可能實現AI的跨領域規模產業化，這是一個巨大的命題。
而如何能實現自動的演算法組合和部署，則是一個系統工程。
智慧製造有三個核心原則，首先，智慧製造一定要具備普適性，不管是應用在汽車、飛機等行業，還是半導體、晶圓和3C產業等，都要具備該特質；第二，製造的核心原則是以計算為先，不依賴於電力和其他的基礎能源；除此，實現智慧製造，還需要滿足兩大條件，
分別是AI系統設計的自動化以及AI系統部署的自動化
。只有當這些條件得到滿足之後，將會迎來新一代的智慧產業變革。
未來 10 年是新一輪工業製造革命的關鍵時間視窗，也是全球各國將高精尖製造業全面升級成為智慧製造的核心階段，目前智慧製造依然面臨著場景需求複雜、裝置連線力不足、跨行業跨領域能力薄弱、資料分析能力不足等挑戰，而唯有用 AI破局，才能啟用製造業的增長潛力。
AI的關鍵在於機器視覺
機器視覺被稱為“工業之眼”，是實現智慧製造必不可少的一環。目前，機器視覺被廣泛應用在消費電子3C製造中。
與其他行業相比，消費電子行業具備“多、變、快、全”這四大明顯特徵。換而言之，就是
產品種類多、生命週期短、更新迭代快、品控嚴格
。同時，生產製造需要不斷適應形態及工藝的變化，快速切換生產線。高標準、高要求的品質管控也導致消費電子行業對成本非常敏感。因此，在品控與成本之間做好平衡，提升利潤空間成為製造環節中的一大挑戰。
進一步來看，在成本方面，人力成本攀升、工人流動性強、工人狀態會影響良率性等問題，已成為該行業主要痛點。為了解決這些問題，機器視覺的應用優勢得到體現。
在國內，運用機器視覺技術投入智慧製造的公司多數屬於消費電子領域。
針對機器視覺的特點，聞泰科技副總裁、自動化研究院院長郭洪濤表示，首先，
機器視覺具備柔性化優勢
，機器視覺基本上相當於一個標準品，用一個相機再加上鏡頭及光源，就能實現拍照功能，再透過影象處理方式去完成檢測，並可適用於不同產品，柔性化程度較強。
其次是無接觸；最後一點是實現資訊化
，用影象處理方式再透過演算法把資料檢測和識別出來，同時將相應資訊寫入系統，為迭代演算法及最佳化工藝等打下良好基礎，因此，機器視覺在消費電子領域應用得越來越廣泛。
在手機生產製造中，機器視覺應用得最多的環節包括尺寸測量、貼物料、精確識別等。以貼物料為例，手機由不同零部件組合而成，但不同批次生產的不同構件存在一定公差，機器視覺可透過測量及最佳化的演算法找到零部件之間的最優匹配。
不過，值得一提的是，所有技術都具備一定侷限性，且技術落地還需要與相應場景特點相結合。機器視覺在消費電子製造的應用過程中，也存在各種挑戰。
舉個例子，外觀檢測是機器視覺應用領域的一大難題，但一旦突破就會變得非常有價值。其難點在於汙點、缺陷及形態隨機出現在不同位置，對於裝置來說很難進行直接的量化定義。因此，需要基於AI演算法做一些資料收集及分析，但依然會受到其他外界因素不同程度的干擾。
從機器視覺在智慧製造落地應用的趨勢來看，其發展空間會越來越廣。郭洪濤指出，由於具備演算法的支撐，機器視覺能夠不斷迭代成長。再加上它具有無接觸的特點，令它在各種應用場景都能得到發揮及應用。
在未來的發展路徑上，機器視覺可與光學設計進行緊密結合，透過更最佳化的光學設計來實現更好的成相。在具備成像的基礎上再加入演算法，有利於提高生產效率。其次，透過AI的加持，傳統演算法能解決智慧製造中90%的問題。最後，再將2D與3D進行互補便有望解決以往無法攻破的難題。
由此可見，機器視覺未來的應用前景廣闊，也成為智慧工廠重要的組成部分。