制造业巨头重磅押注AI，富士康是“疯”了吗？
发布时间：2021-07-06 17:31:13 所属栏目：大数据 来源：互联网
导读：前段时间，我曾经提到一个观点，人工智能只是智能制造舞台上的小配角，话音刚落，就出现一个反例富士康重磅押注人工智能。富士康宣布在AI领域投资3.4亿美元，这可是目前制造型企业在人工智能领域宣称的最大单笔投资。 这一举动有些颠覆我的三观，不禁兴奋自
|
前段时间，我曾经提到一个观点，“人工智能只是智能制造舞台上的小配角”，话音刚落，就出现一个“反例”——富士康重磅押注人工智能。富士康宣布在AI领域投资3.4亿美元，这可是目前制造型企业在人工智能领域宣称的最大单笔投资。
这一举动有些颠覆我的三观，不禁兴奋自问：难道富士康发现了人工智能位于制造业应用场景的“新大陆”吗？
3.4亿VS. 275万，一切“炒作”最终要靠盈利“救场”
富士康总裁郭台铭强调：“在未来5年内，集团将投资100亿新台币（约合3.4亿美元），用于招聘AI应用的相关人才，并在所有生产基地部署人工智能应用。我们的目标是成为一家全球创新型的人工智能平台，而不仅只是一家制造公司。”
据闻，新成立的“鸿海工业互联网AI应用研究院”将协助集团开发“工业互联网+机器人”的AI创新，工业机器人成为与AI“亲密接触”的重要结合部位。
提起工业机器人，富士康的“百万机器人计划”曾经震惊世界，但从客观数据上显示，2015年至2017年，富士康工业机器人产量分别为0.78万个、0.43万个以及0.39万个，2017年的产量较2015年下降50%。与此同时，机器人的产能利用率也逐年下滑，2015年至2017年分别为0.61%、0.37%和0.35%。
有了AI加持，富士康的机器人计划能否借此契机重振雄风还未可知，不过与富士康投身AI的“狂热”感性形成强烈对比的，则是日本制造企业一贯的“抠门”理性。
三菱电机近日宣布，已经使用其名为Maisart的AI品牌开发了智能控制技术，使得诸如工业机器人之类的设备能够迅速掌控，并灵活地适应不断变化环境中的目标对象。例如，适应非刚性物体形状的变化。
日立HITACHI、发那科Fanuc和AI创业公司Preferred Networks正在组建合资企业，开发集成人工智能和边缘计算技术的制造系统。三家公司表示，智能边缘系统总投资为275万美元，该合资企业将于4月2日在Fanuc总部山梨县成立。
富士康一家企业独担3.4亿美元和三家日企总共投入275万美元，1比0.8%的数字的对比已经没有意义，更值得关心的是应用场景，各家到底使用人工智能在解决什么问题。因为无论投入多寡、运营优劣，检验一项事业是否成功的指标中，始终避不开盈利能力这一关卡，而盈利的关键在于能否找到直击制造业痛点的应用场景。
所谓制造业的人工智能，本质是基于大数据的机器学习
从富士康和三菱电机等重点发力的领域来看，他们都瞄准了工业机器人。关于具体应用场景，日企描述得非常透彻，他们将人工智能用来提升工业机器人的工作效率。
一、提升工业机器人效率是攻坚重点
在这类标准场景中，工业机器人生产的产品批量较大，有大量的重复性工作，需要高频次的轨迹优化，比如机床加工、零件安装等应用。
该技术方案能够通过对目标物体（如：不同的螺栓和螺母）的识别，帮助机器人优化和调整其动作轨迹，来提高生产线的产能和效率。基于深度学习的反复估算，该项技术可以减少工业机器人的学习时间，并且只需3.5ms即可掌握状态的变化。
如果有机器人发生故障，它也能让相邻的机器人自动承担其生产线上的任务，以避免或减少设备停产损失和衔接成本。值得一提的是，该技术并非用于处理集中数据，而是网络边缘的任务，以让生产线上的设备能够处理大量现场应用数据，例如：机械手的动作、姿态等。
日企使用的AI技术最初被应用于自动驾驶领域，相比为汽车根据遇到的复杂路况规划行驶路线，优化工业机器人的运行轨迹显然简单不少。
除了与工业机器人相关的应用之外，已被证明有效的AI部署场景还包括质检与品控环节的机器视觉和大型设备的预测性维护。
二、机器视觉既是机遇也是挑战
机器视觉在工业的应用已经非常成熟，在高速运转的生产线中，利用机器代替人眼来做测量和判断，被广泛地用于工况监视、成品检验和质量控制等领域，检测速度可达每分钟4,000至14,000个零件。机器视觉还可与工业机器人的应用相呼应，用于引导工业机器人完成操作，高速拾取、送达和放置输送线上位置不确定的物体。
目前机器视觉产品的2/3市场被电子制造、汽车制造和市政交通行业所占据，其余市场包括食品、包装机械、印刷等行业需求，并且这些行业对机器视觉产品的需求仍然在大幅增长，预计2020年中国机器视觉行业规模可达70亿元。
人工智能应用之前，工业相机已经达到相当高的水准。比如OMRON最新推出的HAWK MV-4000是一款采用双核FPGA的机器视觉产品，定位于PC based方案与普通工业相机之间的细分市场。这款相机使用FPGA实时触发响应，可将处理能力提高4倍，帧速率提高6倍。
三、预测性维护的本质是经验复用
人工智能在预测性维护场景的应用，只是解锁了前人没法运用的“笨办法”，并不是什么新姿势。以前的故障诊断中，一些致命的故障发生的情况非常罕见，也许几百台机器才有可能重复发生同一种故障，好不容易分析出一种故障模式，到了机器报废也没有再次发生，故障模式提炼出来也派不上用场。因此为了进行故障诊断，对于机器运行状态的持续监控投入太大，经济上并不值得。
人工智能解锁的“新方法”其实是同时监控成千上万台设备的操作数据，由于IT成本的下降让采集和存储大量历史数据进行分析的“笨办法”在经济上变得可行，这样当一台设备出现故障时，成千上万台设备中有很大概率复现过类似情况，同类故障的经验可被高度复用，及时解决故障问题，因此创造了新的价值。
万变不离其宗，人工智能在制造业的应用场景大多与以上描述的工业机器人、机器视觉、预测性维护类似或者相关。而对于工业控制中的绝大多数应用场景，都是“准确信息+简单推理”高速反馈模式，并没有给人工智能留下太大的施展空间。
可以看出，当我们在工业领域谈论人工智能时，主要是指狭义人工智能ANI（Artificial Narrow Intelligence），用来解决某些非常具体的特定问题。ANI与在消费领域或者科幻片中描述的人工智能有很大区别，为了避免前两次由于对人工智能的过度期待、超前承诺导致的AI寒冬，将工业领域中使用的ANI定义为“基于大数据的机器学习”更为理性和恰切。
制造业是未来数字经济“主战场”，人工智能并非“主帅”
当我们使用“基于大数据的机器学习”来描述可被工业应用的ANI人工智能技术时，更容易看清它的局限和优势，更利于完成人工智能在工业领域真正落地的全面支撑。
首先，ANI只适合那些需要高频次重复性操作的工况，虽然有不少手段可帮助降低控制设计和数据收集的成本，但大量现场数据的前期积累仍是不可或缺。以预测性维护为例，如果只监测数台设备的运行状态和数据，没有达到一定规模的设备数量基础，很难将小概率的故障事件及时识别并实现经验复用。
其次，工业现场的操作经验需要可以被提炼为算法或者规则，帮助ANI进行模式识别，理解规则并检查规则是否得到了正确的应用，做到同一组数据和同一个模型，不同的人通过训练ANI得到的结果都一样。同时如果这些持续训练仅使用机器进行，所需的学习时间也是一个问题。基于人工示范的操作动作开始试验，可以显着减少这一学习时间。
最后，具备了数据和算法，不同部门的工程师们是否具备ANI部署之后的持续优化和迭代能力也是值得考虑的因素。根据美国NSF智能维护系统中心主任李杰教授的观点：无论是离散型制造还是流程型制造，单点突破很难做到价值提升，一定是整体系统导入才能实现。只有建立一套协同体系，明确智能化在部件级、设备级、系统级和社区级等不同层级中的任务边界及相互的接口，才能充分发挥工业智能的效用。
马化腾曾经说：“传统行业与互联网衔接绝对是数字经济的基础，尤其制造业是未来数字经济的主战场。”在这个主战场中，ANI存在不可逾越的现实障碍，因此较难以一己之力担起“主帅”的重任。脚踏实地从理性出发，实现从洞察到决策再到执行的完整闭环，才能不断迭代、持续提升“基于大数据的机器学习”在各种工业应用场景中所创造的价值。
 （编辑：文章分享网_茂名站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
