圖片來源@視覺中國

(資料圖片)

人工智能領域的從業者總在想方設法將技術引入產業，落地場景，但某些產業比如工業制造領域，卻不會那么快地接受外來的“野蠻人”。

工業制造涉及的學科知識眾多，包括但不限于通常所知的機械制造、軟件工程、運籌管理、化工材料等，想要“+人工智能”，得先啃一啃這些學科知識。另一方面，中國是世界上唯一擁有制造業全品類的國家，很多企業卻大而不強，與“隱性冠軍”仍有不小差距，甚至有些領域產能過剩，對智能化需求并不強烈。而一家制造企業往往會接入有數十甚至上百種的設備、輔助軟件和工控系統，數據缺乏標準、彼此業務系統難以互通，這與當前人工智能技術落地的基礎之一——數據流通相悖。

最近一段時間，大模型也在嘗試落地制造業，即利用指令微調形成工業領域的大模型，大模型進一步輔助制造企業實現智能轉型升級。可見的難題依然存在。

“大模型在制造需謹慎使用。”清湛智造CTO張淮近日與交流中指出，大模型是一個基于歸納、統計的語言模型，這放到文科領域可以應用。但在工業領域，不容許出錯，必須通過演繹的方式進行推導。

這其實已經在說明，由于制造業對于決策的解釋和魯棒性要求較高，特別是在關鍵決策和質量控制方面。大模型通常被認為是黑箱模型，難以解釋其決策過程和推理邏輯并且無法保證其安全可靠性，簡單的橫向推廣并不符合制造業的要求。

清湛智造（南京）科技有限公司于2020年注冊成立，三年多以來，清湛智造研發了柔性工業移動機器人、工業機器視覺缺陷檢測、工業機器人視覺伺服技術、AI智慧監造平臺、5G遙操機器人系統、MLOps智能運維平臺等面向工業場景的產品及端到端解決方案。

張淮說，清湛成立的初心就是“將人工智能落地，想要落地則需要行業+AI，而不是AI+行業。”他明白，智能制造前期投入非常大，這要求IT服務商必須調整優化到比較成熟的階段，才有可能落到客戶生產環境。

：相比于安防、金融，工業制造并不是AI視覺技術最優先落地的行業，過去幾年，在這個行業因AI的滲透，發生了哪些改變？

張淮：早幾年有個形象的比喻：網線里流不出牛奶，理解來講，就是從生產制造、物流運輸，再交付到人們手中，需要依靠實體經濟。在我看來，實體經濟早晚會體現出它真正的重要性。

在制造業落地AI，難點之一是各個環節非常瑣碎。這導致如今那么多生成提供AI或智能制造的國內外企業，能做得好的非常少。要么是純AI的業務成本占比非常少，如果不跟硬件、不跟產業結合根本做不出來。目前很多大公司在軟件開發方面做出了許多嘗試，但最終也沒有做成功，難度非常大。可以說，在軟件領域，可復用性非常高，能夠達到90%以上，但在工業制造領域，能夠做到30%，就可能是非常好的項目了。

造成這些瑣碎的原因有很多，比如企業預算有限，對產品質量或精度要求低；環節價值性不高，或者不能影響主要生產線環境，需要整體解決方案，很難存在單一解決方案；產品所處的流水線位置不同，或者進出料、流程、節拍的差異，只能重新設計方案。

：某國企在引入AI時，做的比較徹底的事情是先構建了云平臺，從而在云之上搭建起來AI系統。這是否普遍做法？

張淮：這件事情對于一家中小企業，或者解決方案服務商而言，仍然是有一些難度。這一方面看似大廠能做，有資源有平臺但其實人員不精，其核心目的是賣云資源。我們此前接了很多項目，包括很多大公司都在做，但都沒有做下去。AI公司需要的是全方位的技能，光懂軟件、算法還不夠，還要具備工業領域的控制、規劃、傳感器等技能。同時，很多企業客戶尤其是政府項目，生產狀況、運營狀況等相關數據，是不會放在這些大廠的云平臺上。

：制造行業的細分領域眾多，通過AI進行改造的空間，你們會重點關注哪些環節？

張淮：一是工業視覺，如瑕疵檢測，可通過算法模擬劃痕；二是工業AGV（Automated Guided Vehicle）自動引導車，具有自動控制功能運輸機械，廣泛應用于工業、物流等場景；三是視頻分析，人的行為跟蹤分析；四是云服務、MLOps、AI中臺。我們希望通過平臺，企業從設計、材料選擇、上下游供應鏈、交付、物流都可以解決，以符合制造業的個性化柔性化需求。

另外，全域自動化非常難。感覺是能夠人解決的問題，但實際上生產廠間現在人員招工非常難。生產車間的機械手和傳感器處理方式并不一樣，這些都是成本問題，協作起來也會非常麻煩。

：客戶一般會看重的品牌、研發能力、服務經驗，從最近一段時間的交流來看，客戶有沒有對你們產生過質疑？

張淮：說實在，現在的客戶資源多的我們都做不過來。但會有所為，有所不為。有些項目是技術上達不到，有些則是成本上cover不了，無法形成可復制性。

在中國，有這樣一個特點，所有的企業都會考慮先自己能不能做出來，而不是合作，或者買第三方解決方案。如果組建一支團隊，既會計算機，又懂控制系統，還會搞傳感器硬件的全能隊伍，根本沒有必要。

從客戶角度，很多時候不會講這套方案是誰做的，更多將其視為整套解決方案的一部分。跟大廠合作，大廠也會認為前期的投入做出的判斷和決定，小廠再去配合很大程度上是臟活累活。

：在工業領域有什么標準化方案可供參考嗎？

張淮：很多工廠給你的參數，使用的工具不見得是一樣的。比如在招投標時，針對激光雷達的精度是有標準的。但在具體應用時，檢測到的裂紋和異物侵入的環境和精度是不一樣的。這也導致人工智能領域發展這么長時間，還沒有像通信領域早已定型。

我們也在考慮跟院校、企業考慮做標準規劃的事情。數據的類型、領域、場景是非常多維的。需要企業實施的同時，專家做標準。

：最近一段時間，AI企業也在嘗試將大模型技術引入制造領域，可見的難題會有哪些？

張淮：大模型是一個基于歸納、統計的語言模型，是經過千百次測試歸納出的結論，結果具有不穩定性。

人工智能的第一代是演繹模型，通過推理，它的可解釋性強。在工業領域，不容許出錯，AI醫療只能作為輔助診斷，診斷錯誤是會死人的，自動駕駛也是絕對不容許出大錯，很多情況下需要通過演繹的方式進行推導。總而言之，大模型在工業制造領域需慎重使用。

：哪些因素促成人工智能的應用和商業化？最重要的，以及積累最薄弱的部分是在哪些方面？

張淮：工業制造領域，從上到下要有一定的耐心，國家也需要有這樣的耐心，需要有政策和資源的傾斜。產業上已經證明這一點，不存在金手指，目前連一個像樣的巨無霸都沒有。包括國內頭部的AI公司在內，50%以上的收入來自于智能軟件都很少。這是中國的問題，也是世界的問題。

：清湛智造成立之初主要看重哪些原因？

張淮：初心就是將人工智能落地，必須是行業+人工智能。因為很難，所以不至于馬上成為紅海，但確實非常苦。人工智能行業存在被集成的角色，要盡量往上游走。智能制造前期投入是非常大的，由于企業是不能停產的，需要調整優化模擬到比較成熟的階段，才有可能落地到客戶場景。

（文本首發 作者 | 楊麗）

關鍵詞：