當我們在討論「機器換人」，到底怎麼實現？
「新基建」火了。
連同 5G、人工智能、物聯網等信息數字化基礎設施，都成為國家新的發展方向，不僅在這些新領域內的從業者們明確了目標，傳統行業對數字化轉型的需求也蓄勢待發。
當然，新基建也包括工業方面，諸如工業互聯網、工業智能等行業升級的說法逐漸被人們重視起來。。在從業者蠢蠢欲動之下，整個行業的升級可能很快就要到來。
但如此大的行業變革不是說說就可以完成的。根據《2018 年中國製造業痛點分析報告》數據顯示，製造業企業的數字化設備聯網率僅為 39%，MES（面向製造企業車間執行層的生產信息化管理系統）普及率只有 18.1%。最基本的「聯網」都沒達到，更別說更高級的智能化。
俗話說，飯要一口一口吃，大潮之下的工業互聯網還存在著許多問題。從最近來看，2020 開年爆發的疫情之下，就暴露出不少。
復工大潮下的行業升級
「當前的疫情引發了太多平時看似平常，但是實則不太合理或者是需要解決的痛點。」工業互聯網企業格創東智 OT 業務總監&智能裝備事業部總經理王贇表示。
雖疫情還未完全結束，但復工大潮已經基本到來，疫情期間或復工時的問題也隨之顯露。總結來看，問題可以簡單歸為兩大原因：智能缺失與協同不足。
首先是受到最大影響的，工業領域的從業人員的「上班之路」。
這也是工業領域面對疫情遇到最大的問題——人。工業、製造業等本就屬於勞動力密集型行業，疫情又發生的比較突然，企業首要面臨的問題就是人員安全。有製造業企業就表示，僅員工打卡環節就遇到了困難，因為進出門都要進行體溫檢測，上下班過程中極易造成擁堵。
園區或工廠內的人員聚集也時常存在。為了避免這種情況，許多企業都提出分時上下班、分批吃飯，縮短會議時間等措施，但是不是有一些更靈活、更智能化的方式可以解決這類問題？
疫情期間，員工吃飯都成了大問題 | 視覺中國
在一些從業者看來，這些場景完全可以用技術手段來提升效率，最主要的是轉向線上，和數據可視化。利用手機打卡已經不是新鮮事，也有企業在考慮通過員工註冊的復工信息將其分類，提前進行預判，一次來解決安全問題。而比如會議室的使用情況、工廠內人員的位置、生產情況等等，都可以將其公開透明地展現在所有人面前。
從這個角度看，最近比較火的 RPA，可能會是大勢所趨。
其次，在生產方面，王贇告訴極客公園（ID：geekpark），除了疫情導致用工荒的現象存在，對於半導體、液態面板等重資產、高價值、連續製造的行業，由於存在特殊性，這類行業一旦停產損失將非常大。「這類行業屬於 365 天全年無休的狀態，外部疫情的變化以及一些人員的管制，對於員工的身心都是一種壓力和負擔。」比如，很多產品的品質檢測會使用到大量的人力，這些檢測的結果會受到人員的經驗、身體狀況、疲勞、心情等等因素的影響。疫情的變化，是不是對員工檢測的輸出品質有影響？如果有更好的工具，或者場景化的應用來協助解決，也許是一個很好的突破點。
此外，對於外部管控、原材料物流、現金流等方面，實際上都有一些問題亟待解決。一方面，使用提升生產力的工具一定能在某種程度上避免疫情下不必要的接觸；另一方面，如今很多人都在提及的產業協同、平臺協同，在疫情之下被證明還處於很初級的階段。
工業相機對電路板進行檢測 | 視覺中國
以物流為例，道路車輛的管控導致工廠生產產品及原材料物流的受限，如果企業使用系統化的大數據應用，人工智能的判別來協助解決這方面的問題，在供應鏈的解決方案裡面，可以儘早做出判斷，尋找到更快更佳的替代方案，不至於到時變得被動。
「疫情讓我們發現原來很多習以為常的工作方式，在特殊情況下就不會靈活運轉了。」一位資深業內人士向極客公園表示。在中國許多生產場所裡生產管理流程都不如歐美國家完善，在整個產業當中還有學習的空間。
工業智能化三部曲
產業協同推進過程略顯緩慢，而在另一邊，工業智能化方向上有一個概念倒是很火熱——自動化。
當我們提到自動化時，一般指的是「機器換人」，不止是大型的機械臂，在工業檢測、設備故障檢測等方面也正在由技術主導代替人工。而技術方面，機器學習、深度學習、計算機視覺、物聯網等都在特定的工業場景中存在相對應的解決方案。
騰訊優圖實驗室工業 AI 項目負責人黃亮分享過一個利用計算機視覺解決液晶面板缺電檢測的工業 AI 案例。
缺電檢測是工業智能一個比較常見的業務場景，騰訊優圖服務的客戶是國內非常大的面板生產企業。黃亮表示，騰訊優圖聯合騰訊雲團隊投入許多人力和資源支持這個項目，前期很多模型都是靠算法專家通過手工方式去訓練模型。但是從交付的形態來說，這算是比較輕量級的交付，沒有提供攝像頭等硬件設備，也沒有對客戶生產系統進行調整。騰訊優圖就是利用視覺 AI 算法做了缺陷檢測產品替代缺陷質檢這樣的環節。
結果是，該產品對企業產生的效益非常好。黃亮舉例，該模型可以保證在跟人的準確率相當的情況下達到 70% 以上的覆蓋率，能夠替代七成以上的質檢工人。從近期的現場數據來看，搭建這套缺陷檢測系統，客戶的質檢工人已經減少了 100 多人。
不過擺在面前的現實情況是，工業智能化企業短時間內也沒辦法覆蓋到所有需求，能下定決心花錢引進技術的企業也並不多，這兩點總結下來就是，工業智能落地沒有人們想象中的容易。
黃亮也提到，工業場景與其他場景相比特殊的一點是，工業場景的定製化比較嚴重，不同的垂直領域有不同的業務特點。「很難去找到一個大而全的通用的解決方案。如何在保障方案的通用性同時又能夠靈活適配不同的業務場景，是非常有挑戰的事情，我們也是在朝著這個方向努力。」黃亮表示。另外，由於企業對數據保密性比較看重，大多數工業項目都以私有化部署為主，對設備、人員都存在限制，因此業務上雲是將來不可避免的趨勢。
工業智能落地並不容易 | 視覺中國
清華大學大數據系統軟件國家工程實驗室總工程師、工業互聯網產業聯盟副秘書長王晨向極客公園表示，工業智能化應用早就出現，但從現在來看並沒有按照預想發展路徑走。「在和許多企業家聊的時候，他們會覺得企業的痛點不在智能化上，可能還沒跳出框看到有一種更簡便、更智能的方法帶來改變，我覺得很多企業都沒有想明白。」
另一方面，中小企業並不是工業智能化的天使用戶，大企業才是。業內人士向極客公園表示，像上面提到的工業 AI 項目，在跟某企業做一些用神經網絡、用機器視覺和 AI 的部分去代替人工檢測，這一塊一下子能夠上線，準確如果用人工智能馬上替代 100 多位工人，其成本是可以計算出來的。這種體量的項目一般在一年半以內能夠收回投資，對於企業來說是非常願意接受的。但實際上，這條產業鏈上的環節都不足以完成這個目標，或者說企業無法算清楚。
根據艾瑞在 2019 年發佈的《中國製造業企業智能化路徑研究報告》，全國規模以上（年主營業務收入 2000 萬元）工業企業當中有 84.2% 屬於小型企業，規模以下尚有 200 餘萬家小微企業。由於自有資金不足、信息化基礎薄弱、缺乏相關人才等多方面因素影響，大部分小微企業只能圍觀大企業開展智能化改造，自己卻很難融入智能化製造的浪潮。
在王晨看來，現在的「機器換人」概念已經發生了變化。原來的機器換人不是靠數字化或智能化手段實現的，而是自動化，一些機械化的重複性勞動交給機器人，效率會更高。而今天講的機器換人，可能是要換下有經驗、有知識的人。
王晨告訴極客公園，在工業生產過程中，機器在三個步驟上可逐漸替代人工：學習-知識-決策。諸如產品缺陷檢測等在工業上比較成熟的應用叫模式識別，人工智能通過學習後可以生成一個模型，隨後產生知識，達成決策。
在這樣一個鏈條之下，人工智能在今天只做了一些局部的事情，這也是工業智能為什麼落地困難的原因。我們需要看到痛點做出決策，這是機器暫時做不到的事情。
現在的「機器換人」是換掉有經驗的人 | 視覺中國
那麼問題出在哪裡？從業者們給出了答案，沒有數據。在收集數據的過程中，成本是一個很大的問題。「數字化改造都是需要錢的，安裝傳感器、加裝數採的盒子、數據通訊……都需要錢，大量投入數字化的東西拿出來的數據有沒有用？不知道，所以現在中國的製造業企業這麼困難的情況下做這樣大量的投資很多時候是難的。」王晨說到。
另外，在工業領域，人們不需要設備正常的數據，而是需要異常的數據，後者在歷史數據中只佔非常少的比例，一臺設備在它的使用週期裡只壞過幾次，在不同設備不同技術不同場景下，差異化讓工業智能受到很大挑戰。
毫無疑問，在全世界範圍內，中國對新技術新場景的開放程度都首屈一指，因而在製造業、工業等急需自動化的行業，對技術的接受度和呼聲也越來越高，「新基建」更是添了一把火。不過在火熱之下，考慮到行業內的現實因素，在一些環節當中依然存在著不少細節問題。如何抓住機會，實現智能化改造，想必是從業者最關心的話題，但落實到每個企業之中，也是他們應該同時考慮的。
本文首發於極客公園，轉載請聯繫極客君微信 geekparker 或 [email protected]
閱讀更多 極客公園 的文章
