製造業巨頭重磅押注人工智慧，富士康是「瘋」了嗎？

作者：物女王（彭昭）

物聯網智庫 原創

轉載請註明來源和出處

------【導讀】------

富士康宣布在AI領域投資3.4億美元，這可是目前製造型企業在人工智慧領域宣稱的最大單筆投資。難道富士康發現了人工智慧位於製造業應用場景的「新大陸」嗎？

|物女心經專欄|寫的第064篇文章。

前段時間，我曾經提到一個觀點，「人工智慧只是智能製造舞台上的小配角」，話音剛落，就出現一個「反例」——富士康重磅押注人工智慧。富士康宣布在AI領域投資3.4億美元，這可是目前製造型企業在人工智慧領域宣稱的最大單筆投資。

這一舉動有些顛覆我的三觀，不禁興奮自問：難道富士康發現了人工智慧位於製造業應用場景的「新大陸」嗎？

3.4億VS. 275萬，一切「炒作」最終要靠盈利「救場」

富士康總裁郭台銘強調：「在未來5年內，集團將投資100億新台幣（約合3.4億美元），用於招聘AI應用的相關人才，並在所有生產基地部署人工智慧應用。我們的目標是成為一家全球創新型的人工智慧平台，而不僅只是一家製造公司。」

據聞，新成立的「鴻海工業互聯網AI應用研究院」將協助集團開發「工業互聯網+機器人」的AI創新，工業機器人成為與AI「親密接觸」的重要結合部位。

提起工業機器人，富士康的「百萬機器人計劃」曾經震驚世界，但從客觀數據上顯示，2015年至2017年，富士康工業機器人產量分別為0.78萬個、0.43萬個以及0.39萬個，2017年的產量較2015年下降50%。與此同時，機器人的產能利用率也逐年下滑，2015年至2017年分別為0.61%、0.37%和0.35%。

有了AI加持，富士康的機器人計劃能否藉此契機重振雄風還未可知，不過與富士康投身AI的「狂熱」感性形成強烈對比的，則是日本製造企業一貫的「摳門」理性。

三菱電機近日宣布，已經使用其名為Maisart的AI品牌開發了智能控制技術，使得諸如工業機器人之類的設備能夠迅速掌控，並靈活地適應不斷變化環境中的目標對象。例如，適應非剛性物體形狀的變化。

日立HITACHI、發那科Fanuc和AI創業公司Preferred Networks正在組建合資企業，開發集成人工智慧和邊緣計算技術的製造系統。三家公司表示，智能邊緣系統總投資為275萬美元，該合資企業將於4月2日在Fanuc總部山梨縣成立。

富士康一家企業獨擔3.4億美元和三家日企總共投入275萬美元，1比0.8%的數字的對比已經沒有意義，更值得關心的是應用場景，各家到底使用人工智慧在解決什麼問題。因為無論投入多寡、運營優劣，檢驗一項事業是否成功的指標中，始終避不開盈利能力這一關卡，而盈利的關鍵在於能否找到直擊製造業痛點的應用場景。

所謂製造業的人工智慧，本質是基於大數據的機器學習

從富士康和三菱電機等重點發力的領域來看，他們都瞄準了工業機器人。關於具體應用場景，日企描述得非常透徹，他們將人工智慧用來提升工業機器人的工作效率。

一、提升工業機器人效率是攻堅重點

在這類標準場景中，工業機器人生產的產品批量較大，有大量的重複性工作，需要高頻次的軌跡優化，比如機床加工、零件安裝等應用。

該技術方案能夠通過對目標物體（如：不同的螺栓和螺母）的識別，幫助機器人優化和調整其動作軌跡，來提高生產線的產能和效率。基於深度學習的反覆估算，該項技術可以減少工業機器人的學習時間，並且只需3.5ms即可掌握狀態的變化。

如果有機器人發生故障，它也能讓相鄰的機器人自動承擔其生產線上的任務，以避免或減少設備停產損失和銜接成本。值得一提的是，該技術並非用於處理集中數據，而是網路邊緣的任務，以讓生產線上的設備能夠處理大量現場應用數據，例如：機械手的動作、姿態等。

日企使用的AI技術最初被應用於自動駕駛領域，相比為汽車根據遇到的複雜路況規划行駛路線，優化工業機器人的運行軌跡顯然簡單不少。

除了與工業機器人相關的應用之外，已被證明有效的AI部署場景還包括質檢與品控環節的機器視覺和大型設備的預測性維護。

二、機器視覺既是機遇也是挑戰

機器視覺在工業的應用已經非常成熟，在高速運轉的生產線中，利用機器代替人眼來做測量和判斷，被廣泛地用於工況監視、成品檢驗和質量控制等領域，檢測速度可達每分鐘4,000至14,000個零件。機器視覺還可與工業機器人的應用相呼應，用於引導工業機器人完成操作，高速拾取、送達和放置輸送線上位置不確定的物體。

目前機器視覺產品的2/3市場被電子製造、汽車製造和市政交通行業所佔據，其餘市場包括食品、包裝機械、印刷等行業需求，並且這些行業對機器視覺產品的需求仍然在大幅增長，預計2020年中國機器視覺行業規模可達70億元。

人工智慧應用之前，工業相機已經達到相當高的水準。比如OMRON最新推出的HAWK MV-4000是一款採用雙核FPGA的機器視覺產品，定位於PC based方案與普通工業相機之間的細分市場。這款相機使用FPGA實時觸發響應，可將處理能力提高4倍，幀速率提高6倍。

三、預測性維護的本質是經驗復用

人工智慧在預測性維護場景的應用，只是解鎖了前人沒法運用的「笨辦法」，並不是什麼新姿勢。以前的故障診斷中，一些致命的故障發生的情況非常罕見，也許幾百台機器才有可能重複發生同一種故障，好不容易分析出一種故障模式，到了機器報廢也沒有再次發生，故障模式提煉出來也派不上用場。因此為了進行故障診斷，對於機器運行狀態的持續監控投入太大，經濟上並不值得。

人工智慧解鎖的「新方法」其實是同時監控成千上萬台設備的操作數據，由於IT成本的下降讓採集和存儲大量歷史數據進行分析的「笨辦法」在經濟上變得可行，這樣當一台設備出現故障時，成千上萬台設備中有很大概率復現過類似情況，同類故障的經驗可被高度復用，及時解決故障問題，因此創造了新的價值。

萬變不離其宗，人工智慧在製造業的應用場景大多與以上描述的工業機器人、機器視覺、預測性維護類似或者相關。而對於工業控制中的絕大多數應用場景，都是「準確信息+簡單推理」高速反饋模式，並沒有給人工智慧留下太大的施展空間。

可以看出，當我們在工業領域談論人工智慧時，主要是指狹義人工智慧ANI（Artificial Narrow Intelligence），用來解決某些非常具體的特定問題。ANI與在消費領域或者科幻片中描述的人工智慧有很大區別，為了避免前兩次由於對人工智慧的過度期待、超前承諾導致的AI寒冬，將工業領域中使用的ANI定義為「基於大數據的機器學習」更為理性和恰切。

製造業是未來數字經濟「主戰場」，人工智慧並非「主帥」

當我們使用「基於大數據的機器學習」來描述可被工業應用的ANI人工智慧技術時，更容易看清它的局限和優勢，更利於完成人工智慧在工業領域真正落地的全面支撐。

首先，ANI只適合那些需要高頻次重複性操作的工況，雖然有不少手段可幫助降低控制設計和數據收集的成本，但大量現場數據的前期積累仍是不可或缺。以預測性維護為例，如果只監測數台設備的運行狀態和數據，沒有達到一定規模的設備數量基礎，很難將小概率的故障事件及時識別並實現經驗復用。

其次，工業現場的操作經驗需要可以被提煉為演算法或者規則，幫助ANI進行模式識別，理解規則並檢查規則是否得到了正確的應用，做到同一組數據和同一個模型，不同的人通過訓練ANI得到的結果都一樣。同時如果這些持續訓練僅使用機器進行，所需的學習時間也是一個問題。基於人工示範的操作動作開始試驗，可以顯著減少這一學習時間。

最後，具備了數據和演算法，不同部門的工程師們是否具備ANI部署之後的持續優化和迭代能力也是值得考慮的因素。根據美國NSF智能維護系統中心主任李傑教授的觀點：無論是離散型製造還是流程型製造，單點突破很難做到價值提升，一定是整體系統導入才能實現。只有建立一套協同體系，明確智能化在部件級、設備級、系統級和社區級等不同層級中的任務邊界及相互的介面，才能充分發揮工業智能的效用。

馬化騰曾經說：「傳統行業與互聯網銜接絕對是數字經濟的基礎，尤其製造業是未來數字經濟的主戰場。」在這個主戰場中，ANI存在不可逾越的現實障礙，因此較難以一己之力擔起「主帥」的重任。腳踏實地從理性出發，實現從洞察到決策再到執行的完整閉環，才能不斷迭代、持續提升「基於大數據的機器學習」在各種工業應用場景中所創造的價值。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！