<mark id="oztn4"></mark>
0
AI質檢正在打通產品落地的“最后一公里”。
在一些制造業工廠產線上，以AI視覺檢測缺陷已經開始代替人力，改變了傳統只能通過人的眼睛及經驗來檢測缺陷的方式。
AI視覺通過設備可實現24小時無間斷檢測，不會產生人眼的視覺疲勞，因而在檢測效率和質量上，都有質的提升。
IDC數據顯示，到2025年，國內工業AI質檢的市場規模達到62億元。但同時，當前我國從事產線質量及效率的相關人員超過200萬，每年勞動力成本高達1400億元。
換句話說，工業AI質檢市場有著高達千億元的市場空間，而這部份恰好是”被忽略“的中小企業的質檢需求。
“中小企業作為經濟的毛細血管，他們的智能化轉型非常重要，但卻存在供需失衡的現象。”
微億智造&智云天工CEO張志琦表示，許多制造業企業，尤其是中小企業，受限于自身的規模、資金等因素，加上此前AI質檢落地成本高、柔性差等問題，其質檢需求遲遲得不到滿足。
因此，必須要改變工業AI質檢原來的落地路徑，從技術和產品兩端來解決AI質檢對于中小企業落地難、成本高的問題，才能進一步打開質檢市場，甚至推動中小企業智能化轉型。
作為品控的最后一道關口，質檢的重要性不言而喻：產品合格就可以出貨，不合格就回爐重鑄，質檢的質量關系到產品的良率以及品牌形象。
過去，產品質檢主要依靠人力，需要質檢員具備敏銳的視力以及豐富的經驗，才能檢測出缺陷的類型。
這種模式的缺點在于，一個經驗豐富的質檢員本身人力成本并不低，而且質檢員的經驗很難復制，加上人本身有生理疲勞，長時間工作對人體的損耗極大。對于中小企業來說，養一支經驗豐富的質檢團隊，無異于大大增添了人力成本。
因此很多中小企業直接選擇縮減質檢團隊，在業務側選擇“只換不修”的經營策略，節約的人力成本甚至能 cover 直接換新品的成本。不過，這雖然短期能有效節約成本，但降低了產品良率；從長遠來看，對品牌傷害太大，屬于飲鴆止渴的行為。
“實際上質檢是可以被數字化的。”張志琦認為，質檢是人工智能落地工業的最佳場景之一。
人工智能可以通過數據進行大量的訓練，將以前“質檢老師傅”的經驗沉淀為模型，然后讓機器設備去做大量的缺陷檢測。一方面，這直接節約了人力成本；另一方面，機器設備可以24小時無間斷工作，從而提高檢測效率。
但是傳統的AI質檢解決方案，在張志琦看來，存在兩大問題。
前期AI的導入成本太高，后續運維的成本也不低
“傳統的AI質檢方案，需要大量的數據做模型訓練，也需要大量的算法工程師前往產線與客戶溝通，將經驗沉淀下來，然后進行算法模型的調優，才能滿足客戶需求。”
類似的質檢方案，單是前期的產線改造，成本就要幾十萬元，后續運維也要大量的人力物力。其主要客戶只能是像華為、比亞迪、富士康等大廠，對于更多的中小企業而言，基本難以承受。
重資產模式部署，柔性較差
張志琦表示，中小企業生產柔性很強、現金流很弱，多品種、少批量、季節性等特點十分鮮明；而部署一套方案，從需求到布置成功，就需要幾個月。在這幾個月時間里，市場需求可能已經發生變化，等產線改造完畢，可能工廠都已接近倒閉。
除此之外，對于中小企業而言，一套質檢方案可能只會用到幾次，更換頻率很快，部署傳統的AI質檢方案并不劃算。
“傳統的AI質檢部署流程，以產品表面外觀缺陷為例：設備導入周期平均 6 個月，單產品模型訓練周期 2 個月，每個項目平均要有 5 位工程師駐場實施，整套成本高達 40~100 萬元；更不用提部分柔性制造業頻繁的換線需求。”
張志琦認為，傳統的AI質檢方案由于成本、部署柔性的問題，導致國內大量的中小企業買不起、用不上，但中小企業的質檢需求非常強烈。一邊是高昂的落地成本，一邊是大量中小企業的質檢需求得不到滿足，這對供需矛盾嚴重掣肘著中小企業的智能化轉型。
因此，在張志琦看來，要改變AI質檢落地路徑，從而解決成本高、柔性差的難題。
此前的AI質檢方案落地，需要大量算法工程師駐守一線，搭建算法模型、訓練調優，然后應用到產線上，基本上只能定制開發，無法實現復用，并且存在換線慢、維護成本高等問題。
這不單帶來了高昂的定制成本，對于中小企業生產的“少批量”產品，樣本數據或許都不夠用于質檢模型的開發。
此外，在模型的訓練效果方面，由于前端設備集采到的數據，要經過工程師的“翻譯”才能被使用，并不能完全如實反映真實數據，不但會造成部份數據失真，影響到模型優化、質檢效果，還會造成數據浪費。
“我們以前做AI質檢項目，更多是為了滿足項目空間要求，依靠程序員、算法專家翻譯，通過模型將經驗轉化為生產力。”
這種方法增添了中間環節，帶來人力成本增加，和模型效果的損耗。如果能直接將一線工人的經驗直接傳遞給模型，讓模型自主訓練，就能減少中間環節的各項成本。
張志琦認為，人工智能落地的“本”是人的經驗和數據，因此要“讓現場生產人員深度參與到AI模型的生產過程，讓他們‘作為人的經驗’被沉淀下來”；而工業AI的本是現場的人的生產經驗和海量的生產數據，要“以生產現場為中心，圍繞生產現場數據流的采集、定標、傳輸和迭代，沉浸到制造場景里。”
這相當于重構了工業AI“從數據采集，到模型訓練，再到落地部署”的整個業務流程，改變原來AI質檢的落地路徑。
舉個例子：
對于一些數碼產品的質檢，前端采集到數據之后，對于常見的缺陷類型，設備會直接匹配算法庫，對比標記；如果算法庫里沒有對應的缺陷，系統會主動標記，然后由一線工人進行標注，當系統再次檢測到類似缺陷之后，就可以直接標注缺陷。
整個過程中，沒有專業化部署的環節，相關的算法模型直接沉淀在設備中，模型導入生產現場的過程迅速且輕量，實現經驗可復制；系統也會基于現場生產的實時數據進行優化學習。同時，一線工人從費神費力的質檢工作中解脫出來，做類似于標注師的工作，也能減輕工作負擔。
這種輕部署、低成本、柔性強的模式，更適合規模不大但又有質檢需求的大量中小企業。
AI質檢正在由定制化向輕量化部署轉變，從大廠的專屬變得更加‘親民’
張志琦認為，這種變化，反映出國內制造業企業智能化轉型趨勢：從少數高端制造業拓展至更廣闊的中低端制造業。
作為前SAP中國區副總裁，張志琦是最早接觸德國工業化4.0的人之一，曾試著將德國工業化4.0引入到國內。
在此過程中，張志琦發現，由于工業化4.0標準化程度太高，只有少數高端制造業、大廠，如富士康、比亞迪等大廠才愿意做投入。并且投入之后，短期內看不到業務結果，ROI周期太長，中小企業完全做不到。
2017年10月，張志琦加入百度，任百度云副總經理，負責整個百度的AI商業化。在此期間，百度開始尋找人工智能在工業的落地場景，最終以AI質檢為切入點，并推出了“百度天工物聯網平臺”。
2020年7月，張志琦從百度離職，加入釘釘，負責釘釘商業化。不久，張志琦選擇自主創業，并成立了智云天工，一家做企業數智化轉型的公司。
2022年底，智云天工與微億智造完成合并，張志琦出任CEO。
微億智造成立于2018年，以工業AI質檢為核心，利用AI+機器視覺，做工廠的智能化改造。
張志琦認為，工業制造智能化轉型，只聚焦大企業、高端制造業，而忽略中小企業，這種思路并不正確。中小企業在經濟結構中起著基礎性作用，中小企業智能化轉型成功，整個產業才能得到升級。
從商業角度看，中小企業的智能化轉型需求很大，即便客單價低，但市場規模也非常大。其中，AI質檢作為產品走向市場的“最后一公里”，如果能做到將AI質檢讓更多中小企業“買得起、用得上”，一定程度上也推動著制造業的智能化轉型。
因此，智云天工與微億智造選擇合并，并且推出了“工”“靈”兩個系列的產品。
具體來看，“工”系列包括工小匠、工小智和工小匯。
工小匠定義為“AI數字質檢員”，旨在替代傳統人力質檢，可實現柔性部署；工小智則是“AI產線管理員“，旨在實現生產過程的可視化管理；而工小匯是“AIoT數字工廠管理員”，用于整個工廠的智能化管理。
以工小匠為例，其具備快速切線的能力，對企業已經部署的不同類型的光源、鏡頭、機械臂均可實現兼容，以應對不同的檢測需求。在軟件功能上，也具備在不同產品的檢測模型中進行一鍵切換。
“靈”系列包括靈眸OCT缺陷檢測儀、靈鏡PMD高反表面檢測儀、靈陣OMX復眼陣列模組，適用于3C、半導體、精密光學等行業，以及光學鏡片、晶圓等高反光材質。
張志琦表示，兩個系列都是模塊化設計，可實現即插即用；硬件產品可以兼容中小企業已有的信息系統，而工小智、工小匯這類 SaaS軟件，也能接入企業已有的硬件設備，并與信息化系統實現橫向拉通。
“工系列是軟硬結合的解決方案，靈系列則是缺陷檢測的硬件產品，兩者相互配合，并且都具備柔性化部署能力，成本上遠低于定制化AI質檢方案，適應中小企業‘多品類、小批量’的質檢需求。”
張志琦認為，AI質檢的柔性化部署已經是不可逆轉的趨勢。以前提制造業轉型，只有少數大企業愿意去做嘗試，中小企業有需求沒資金，制造業轉型更像是一個方向，一句口號。
但伴隨著人工智能落地、各種技術的突破和產品迭代，AI質檢的落地成本進一步下探，越來越多的中小企業能夠買得起、用得上。
“制造業智能化轉型正逐漸落地為實際。”雷峰網雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
