文|戴
编辑|彭小秋
虽然工业4.0被无数次提及，但关于AI在其中的作用却鲜有讨论。同样，对于工业互联网来说，智能制造中实施的真实场景改造有哪些是一样容易被忽略的？
香港中文大学终身教授、思谋科技董事长/创始人贾佳亚最近在智能制造核心AI技术的主题分享中给出了一些启发。
在他看来，4.0时代是一个以智能为核心的时代。这个时代开始不仅有网络，有电，还有计算。计算不再是一种非常奢侈的辅助设备，相反，它成为一种基本的能源。当电力被计算净化后，计算的可用性和资源的提升将变得巨大，技术特征是不断学习。
也就是说，要想完成工业4.0，必须重视无线通信在工业互联网中的作用，更要重视AI的作用。
无线通信在工业互联网中非常重要。
自2012年通用电气提出AIOT概念以来，通过新一代信息和通信技术实现实时数据收集、精确分析和智能反馈，将关键基础设施与新的应用模式连接起来，已经越来越普遍。所以，产业互联网的布局与通信密切相关。
过去，工业通信系统的特点是多领域集成，包括传感、通信、计算机和自动控制。对通信的要求也非常严格，如高实时性、确定性和可靠性，但部署环境复杂。
“工业互联网正开始成为未来智能制造发展的方向之一”，乔春明邮电大学教授、中国工程院院士张平说。
随着无线通信和工业互联网概念的发展，研究人员开始考虑利用无线通信来解决工业互联网面临的挑战。无线通信的优势在于:结构简化，数据采集和传输受设备影响较小，可以灵活采用工业数据，国内外发展路径也非常清晰。
虽然无线通信已经成为智能工厂的核心部分，但其使用比例目前较低，不到6%。因为柔性制造对于
对无线网络或5G的需求非常高。这是因为这是一个闭环系统，不仅需要解决从A到B的信息不确定性问题，还需要对这些不确定性问题进行决策，最终对系统的控制产生作用。因此，它要求高度的安全性和可靠性。
张平指出，“目前国内互联网已经从消费互联网进入产业互联网。一方面，它的发展对计算能力提出了新的要求；另一方面，也对密集和延时敏感性提出了新的挑战。在这种情况下，迫切需要考虑云、边、端计算能力资源的自治性或自洽性，以高效处理数据。然而，海量业务差异化的上云需求目前被广泛使用，并依赖于专家的人工解决方案，难以满足业务类型和规模增长的需求，如业务获取、业务分析和翻译、网络状态感知、政策发布等。因为未来需要整合边缘云、通信云和网络资源。”
同时，国内研究人员还在编程语言NPL中实现了对用户需求的准确感知，由高级语言转换为网络设置，逐跳采集上报网络专用传输两个节点的信息，从而实现对队列、缓存、延迟的准确感知，为网络自治提供准确可靠的数据支持。分析数据流量的历史和宽带的特点，挖掘网间特性空，实现宽带流量的自由化。
在工业互联网中，目前最棘手的问题是工厂内机器设备的运行会产生电磁干扰，尤其是传统的信道建模工厂车间，会影响电子设备的正常通信。因此，为了保证无线干扰传输的可靠性，电磁噪声的建模起着至关重要的作用。
为了解决通信干扰问题，张平提出，今后需要根据车间的业务特点定制合理的设备，接入功率控制策略，避免降低同频干扰，将设备空口的干扰影响降到最低。
面对这样的挑战，未来无线通信技术的发展有以下几个方向急需突破:
首先，过去的网络是以人类的信息为接收方构建的，而未来面向机器的网络是一个闭环的智能机器网络，具有独立的感知，所以两者有很大的区别。过去为人际交流设计的“TCP IP”可以概括为“三部曲”:发送请求——应答请求——建立链接。因此，这种模式不能应用于机器对机器的通信。因此，未来迫切需要改变以人为本的无线网络设计，以及发展面向闭环信息流的系统级信息论。
其次，构建集感知、传输、计算、使用于一体的网络架构，以及灵活适应的可信交互协议，满足工业互联网持续可靠的通信需求。现在5G技术已经把人与人之间的交流延伸到了机器与机器之间的交流，同时也增加了一个维度。在这种情况下，未来的研究人员可以使用许多方法、算法和计算能力来提高他们的性能。但是需要很长的准备期才能实现。
除了无线通信，AI也极其重要。
虽然在工业4.0时代，智能制造意味着制造业进入了新的发展阶段。人类需要创造一个智能制造大脑，让它能够思考。智能化也更像是取代了人类生产的“手臂”，通过智能控制生产来提高效率。
“然而，智能制造是一个非常复杂和庞大的工程，包括产品设计、生产管理、生产服务和客户交互。智能制造的目的是实现全链条的所有环节都由机器完成，从而实现自主决策、自我执行、自我适应。”佳雅说。
为了实现这一目标，在智能制造领域，实现跨行业的工业AI落地是科研界面临的一大难题。
比如在手机质检的任务中，实现了机器的自动检测。假设一款手机有400家左右的供应商，全部有五道工序，每道工序有25条生产线。在生产手机的过程中，科研人员需要做近3万种算法来做各部分控制和质量评估，以保证手机能够摆脱人为因素的干扰，自动判断质量，达到高控制率。如果把范围缩小到全球前5大手机品牌，每个品牌每年都会推出6款左右不同的机型。第一年，研究人员需要编写90万个算法，但目前还没有团队能完成如此繁重的任务。
因此，只有当系统能够自动实现算法组合和部署，并且人类只需要少量的定制算法，才有可能实现AI的跨领域规模产业化，这是一个巨大的命题。如何实现算法的自动组合和部署是一个系统工程。
智能制造有三个核心原则。首先，智能制造必须是通用的，无论是应用在汽车、飞机等行业，还是半导体、晶圆、3C等行业。，所有这些都必须具有这个特征；其次，制造业的核心原则是计算优先，不依赖电力等基础能源；此外，实现智能制造还需要满足两个条件，即AI系统设计的自动化和AI系统部署的自动化。只有满足这些条件，才会迎来新一代的智能产业变革。
未来10年是新一轮工业制造革命的关键时间窗口，也是世界各国将高技术制造升级为智能制造的核心阶段。目前，智能制造仍面临场景需求复杂、设备连接能力不足、跨行业跨领域能力不强、数据分析能力不足等挑战。只有打破AI，才能激活制造业的增长潜力。
人工智能的关键在于机器视觉
视觉被称为“工业的眼睛”，是智能制造必不可少的一部分。目前，机器视觉广泛应用于3C消费电子产品的制造。
消费电子行业与其他行业相比，具有“多元、变化、快速、完整”四大明显特征。也就是说，产品种类多，生命周期短，更新迭代快，质量控制严格。同时，制造业需要不断适应形态和技术的变化，快速切换生产线。高标准高要求的质量控制也使得消费电子行业对成本非常敏感。因此，在质量控制和成本之间取得良好的平衡，提高利润空成为制造过程中的一大挑战。
进一步，在成本方面，人力成本上升、工人流动性强、工人身份影响盈利等问题成为行业的主要痛点。为了解决这些问题，机器视觉的应用优势得以体现。
在中国，大部分利用机器视觉技术投资智能制造的公司都属于消费电子领域。
针对机器视觉的特点，文泰科技副总裁、自动化研究院院长郭洪涛表示，首先，机器视觉具有柔性的优势，基本相当于一个标准产品。有了相机加上镜头和光源，就可以拍照，然后通过图像处理完成检查。它可以应用于不同的产品，具有很强的灵活性。
其次，不接触；最后一点是实现信息化，通过图像处理再通过算法对数据进行检测识别，将相应的信息写入系统，为迭代算法和流程优化打下良好的基础。因此，机器视觉在消费电子领域的应用越来越广泛。
在手机制造中，机器视觉的应用最为广泛，包括尺寸测量、材料粘贴、精确识别等等。以贴片材料为例，一部手机是由不同的零件组成的，但不同批次生产的不同零件有一定的公差。机器视觉可以通过测量和优化算法找到零件之间的最佳匹配。
但值得一提的是，所有的技术都有一定的局限性，技术落地需要结合相应的场景特点。在视觉在消费电子制造业的应用过程中，也面临着各种挑战。
比如外观检测，在机器视觉的应用领域是一个很大的难题，但是一旦突破，就会变得很有价值。难点在于污渍、缺陷、形状随机出现在不同的位置，很难直接量化设备的定义。所以需要做一些基于AI算法的数据收集和分析，但还是会不同程度的受到其他外界因素的干扰。
从机器视觉在智能制造中的应用趋势来看，其发展空会越来越广。郭洪涛指出，在算法的支持下，机器视觉可以迭代增长。此外，它还具有非接触的特点，因此可以用于各种应用场景。
在未来的发展道路上，机器视觉可以与光学设计紧密结合，通过更加优化的光学设计，实现更好的成像。在成像的基础上增加算法，有助于提高生产效率。其次，通过AI的加持，传统算法可以解决智能制造中90%的问题。最后，用3D技术补充2D将有望解决以前无法克服的问题。
可见机器视觉在未来有着广阔的应用前景，也成为智能工厂的重要组成部分。
