「新基建」下大火的工业智能，问题依旧很多

「新基建」火了。

连同 5G、人工智能、物联网等信息数字化基础设施，都成为国家新的发展方向，不仅在这些新领域内的从业者们明确了目标，传统行业对数字化转型的需求也蓄势待发。

当然，新基建也包括工业方面，诸如工业互联网、工业智能等行业升级的说法逐渐被人们重视起来。在从业者蠢蠢欲动之下，整个行业的升级可能很快就要到来。

但如此大的行业变革不是说说就可以完成的。根据《2018 年中国制造业痛点分析报告》数据显示，制造业企业的数字化设备联网率仅为 39%，MES（面向制造企业车间执行层的生产信息化管理系统）普及率只有 18.1%。最基本的「联网」都没达到，更别说更高级的智能化。

俗话说，饭要一口一口吃，大潮之下的工业互联网还存在着许多问题。从最近来看，2020 开年爆发的疫情之下，就暴露出不少。

复工大潮下的行业升级

「当前的疫情引发了太多平时看似平常，但是实则不太合理或者是需要解决的痛点。」工业互联网企业格创东智 OT 业务总监&智能装备事业部总经理王贇表示。

虽疫情还未完全结束，但复工大潮已经基本到来，疫情期间或复工时的问题也随之显露。总结来看，问题可以简单归为两大原因：智能缺失与协同不足。

首先是受到最大影响的，工业领域的从业人员的「上班之路」。

这也是工业领域面对疫情遇到最大的问题——人。工业、制造业等本就属于劳动力密集型行业，疫情又发生的比较突然，企业首要面临的问题就是人员安全。有制造业企业就表示，仅员工打卡环节就遇到了困难，因为进出门都要进行体温检测，上下班过程中极易造成拥堵。

园区或工厂内的人员聚集也时常存在。为了避免这种情况，许多企业都提出分时上下班、分批吃饭，缩短会议时间等措施，但是不是有一些更灵活、更智能化的方式可以解决这类问题？

疫情期间，员工吃饭都成了大问题｜视觉中国

在一些从业者看来，这些场景完全可以用技术手段来提升效率，最主要的是转向线上，和数据可视化。利用手机打卡已经不是新鲜事，也有企业在考虑通过员工注册的复工信息将其分类，提前进行预判，一次来解决安全问题。而比如会议室的使用情况、工厂内人员的位置、生产情况等等，都可以将其公开透明地展现在所有人面前。

从这个角度看，最近比较火的 RPA，可能会是大势所趋。

其次，在生产方面，王贇告诉极客公园（ID：geekpark），除了疫情导致用工荒的现象存在，对于半导体、液态面板等重资产、高价值、连续制造的行业，由于存在特殊性，这类行业一旦停产损失将非常大。「这类行业属于 365 天全年无休的状态，外部疫情的变化以及一些人员的管制，对于员工的身心都是一种压力和负担。」比如，很多产品的品质检测会使用到大量的人力，这些检测的结果会受到人员的经验、身体状况、疲劳、心情等等因素的影响。疫情的变化，是不是对员工检测的输出品质有影响？如果有更好的工具，或者场景化的应用来协助解决，也许是一个很好的突破点。

此外，对于外部管控、原材料物流、现金流等方面，实际上都有一些问题亟待解决。一方面，使用提升生产力的工具一定能在某种程度上避免疫情下不必要的接触；另一方面，如今很多人都在提及的产业协同、平台协同，在疫情之下被证明还处于很初级的阶段。

工业相机对电路板进行检测｜视觉中国

以物流为例，道路车辆的管控导致工厂生产产品及原材料物流的受限，如果企业使用系统化的大数据应用，人工智能的判别来协助解决这方面的问题，在供应链的解决方案里面，可以尽早做出判断，寻找到更快更佳的替代方案，不至于到时变得被动。

「疫情让我们发现原来很多习以为常的工作方式，在特殊情况下就不会灵活运转了。」一位资深业内人士向极客公园表示。在中国许多生产场所里生产管理流程都不如欧美国家完善，在整个产业当中还有学习的空间。

工业智能化三部曲

产业协同推进过程略显缓慢，而在另一边，工业智能化方向上有一个概念倒是很火热——自动化。

当我们提到自动化时，一般指的是「机器换人」，不止是大型的机械臂，在工业检测、设备故障检测等方面也正在由技术主导代替人工。而技术方面，机器学习、深度学习、计算机视觉、物联网等都在特定的工业场景中存在相对应的解决方案。

腾讯优图实验室工业 AI 项目负责人黄亮分享过一个利用计算机视觉解决液晶面板缺电检测的工业 AI 案例。

缺电检测是工业智能一个比较常见的业务场景，腾讯优图服务的客户是国内非常大的面板生产企业。黄亮表示，腾讯优图联合腾讯云团队投入许多人力和资源支持这个项目，前期很多模型都是靠算法专家通过手工方式去训练模型。但是从交付的形态来说，这算是比较轻量级的交付，没有提供摄像头等硬件设备，也没有对客户生产系统进行调整。腾讯优图就是利用视觉 AI 算法做了缺陷检测产品替代缺陷质检这样的环节。

结果是，该产品对企业产生的效益非常好。黄亮举例，该模型可以保证在跟人的准确率相当的情况下达到 70% 以上的覆盖率，能够替代七成以上的质检工人。从近期的现场数据来看，搭建这套缺陷检测系统，客户的质检工人已经减少了 100 多人。

不过摆在面前的现实情况是，工业智能化企业短时间内也没办法覆盖到所有需求，能下定决心花钱引进技术的企业也并不多，这两点总结下来就是，工业智能落地没有人们想象中的容易。

黄亮也提到，工业场景与其他场景相比特殊的一点是，工业场景的定制化比较严重，不同的垂直领域有不同的业务特点。「很难去找到一个大而全的通用的解决方案。如何在保障方案的通用性同时又能够灵活适配不同的业务场景，是非常有挑战的事情，我们也是在朝着这个方向努力。」黄亮表示。另外，由于企业对数据保密性比较看重，大多数工业项目都以私有化部署为主，对设备、人员都存在限制，因此业务上云是将来不可避免的趋势。

工业智能落地并不容易｜视觉中国

清华大学大数据系统软件国家工程实验室总工程师、工业互联网产业联盟副秘书长王晨向极客公园表示，工业智能化应用早就出现，但从现在来看并没有按照预想发展路径走。「在和许多企业家聊的时候，他们会觉得企业的痛点不在智能化上，可能还没跳出框看到有一种更简便、更智能的方法带来改变，我觉得很多企业都没有想明白。」

另一方面，中小企业并不是工业智能化的天使用户，大企业才是。业内人士向极客公园表示，像上面提到的工业 AI 项目，在跟某企业做一些用神经网络、用机器视觉和 AI 的部分去代替人工检测，这一块一下子能够上线，准确如果用人工智能马上替代 100 多位工人，其成本是可以计算出来的。这种体量的项目一般在一年半以内能够收回投资，对于企业来说是非常愿意接受的。但实际上，这条产业链上的环节都不足以完成这个目标，或者说企业无法算清楚。

根据艾瑞在 2019 年发布的《中国制造业企业智能化路径研究报告》，全国规模以上（年主营业务收入 2000 万元）工业企业当中有 84.2% 属于小型企业，规模以下尚有 200 余万家小微企业。由于自有资金不足、信息化基础薄弱、缺乏相关人才等多方面因素影响，大部分小微企业只能围观大企业开展智能化改造，自己却很难融入智能化制造的浪潮。

在王晨看来，现在的「机器换人」概念已经发生了变化。原来的机器换人不是靠数字化或智能化手段实现的，而是自动化，一些机械化的重复性劳动交给机器人，效率会更高。而今天讲的机器换人，可能是要换下有经验、有知识的人。

王晨告诉极客公园，在工业生产过程中，机器在三个步骤上可逐渐替代人工：学习-知识-决策。诸如产品缺陷检测等在工业上比较成熟的应用叫模式识别，人工智能通过学习后可以生成一个模型，随后产生知识，达成决策。

在这样一个链条之下，人工智能在今天只做了一些局部的事情，这也是工业智能为什么落地困难的原因。我们需要看到痛点做出决策，这是机器暂时做不到的事情。

现在的「机器换人」是换掉有经验的人｜视觉中国

那么问题出在哪里？从业者们给出了答案，没有数据。在收集数据的过程中，成本是一个很大的问题。「数字化改造都是需要钱的，安装传感器、加装数采的盒子、数据通讯……都需要钱，大量投入数字化的东西拿出来的数据有没有用？不知道，所以现在中国的制造业企业这么困难的情况下做这样大量的投资很多时候是难的。」王晨说到。

另外，在工业领域，人们不需要设备正常的数据，而是需要异常的数据，后者在历史数据中只占非常少的比例，一台设备在它的使用周期里只坏过几次，在不同设备不同技术不同场景下，差异化让工业智能受到很大挑战。

毫无疑问，在全世界范围内，中国对新技术新场景的开放程度都首屈一指，因而在制造业、工业等急需自动化的行业，对技术的接受度和呼声也越来越高，「新基建」更是添了一把火。不过在火热之下，考虑到行业内的现实因素，在一些环节当中依然存在着不少细节问题。如何抓住机会，实现智能化改造，想必是从业者最关心的话题，但落实到每个企业之中，也是他们应该同时考虑的。