TCL研究院俞大海：我從智能製造實踐中總結出的幾點經驗丨CCF-GAIR 2019

雷鋒網 AI 掘金志按：7 月 12 日-7 月 14 日，2019 第四屆全球人工智慧與機器人峰會（CCF-GAIR 2019）於深圳正式召開。峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智慧與機器人研究院協辦。

在大會第三天的〖智能商業專場〗，阿里巴巴集團副總裁、CEO助理肖利華，京東零售首席科學家兼技術副總裁胡魯輝，美國德州農工大學數據挖掘實驗室主任胡俠，蘇寧零售技術研究院院長王俊傑，TCL研究院 （香港）研究所總經理俞大海，擴博智能CTO柯嚴先後登台發表精彩演講，分享了各自對智能商業的理解與實踐。

其中TCL研究院 （香港）研究所總經理俞大海以《AIxIoT-TCL人工智慧技術在智能製造的應用》為主題，分享了TCL在智能製造領域的實踐與經驗。

俞大海介紹，製造行業的數據極其不平衡，正樣本多，負樣本少。用傳統機器學習的做法訓練模型效果非常差。TCL的做法是用生成對抗網路去模擬真實的生產環境，產生更多的負樣本，然後通過強化學習去訓練模型。

他指出，現在行業的通行做法是在已有的業務流程上去應用人工智慧，效果比較有限。因為現有的業務流程是為人服務的，未來我們也可以嘗試去設計一套為機器學習服務的業務流程。

俞大海還提到，很多工廠不便把數據上傳到公有雲，但在私有雲上做人工智慧的應用成本又太高。這個問題可以用邊緣計算來解決，先在邊緣端處理數據，只將特徵信息上傳至雲端，甚至直接在邊緣端實現某些功能。

以下是俞大海的全部演講內容，雷鋒網做了不改變原意的整理與編輯：

非常高興能來這裡分享我關於智能製造的經驗。今天我分享的主題是「人工智慧技術在智能製造的應用實踐」。為什麼要強調「應用實踐」呢？因為智能製造是一個非常大的話題，可以專門開一個這樣規模的論壇來討論。智能製造並不是一個新概念，想必在座各位都很熟悉。無論中國的智能製造2015還是歐洲的工業4.0，內涵都非常接近。所以我今天不給大家科普，而是聚焦我們在一些應用上的實踐。

智能製造並不是一件容易的事。尤其是人工智慧在製造行業的應用，並不像它在安防、零售這些行業那樣立竿見影。因為製造領域的流程從數字化和信息化的角度來說非常複雜。

人工智慧可以在製造領域起到怎樣的作用呢？過去很多年我們一直在做這方面的研究，做了大量嘗試，尤其是TCL，在過去十年里下了很大功夫。我來自TCL研究院，我們聚焦的是人工智慧可以為生產、檢測等環節帶來哪些改變。今天我想跟大家分享我們的一些實踐和對於未來趨勢的思考。

提到TCL，大家首先想到的是電視，但其實我們不光做電視。TCL有兩大事業群：第一個是智能終端和新興業務版塊，包括剛剛說到的電視，目前我們已經超過LG做到了全球第二，僅次於三星；此外我們還有手機和家電，比如黑莓、阿爾卡特等品牌都是TCL旗下的。第二個是半導體顯示及材料版塊，我們在這個領域探索得非常深入，位居先進位造行業的一線陣營。半導體顯示跟傳統的組裝、OEM行業不一樣，它屬於精密製造，對自動化、信息化程度的要求非常高。這給我們發展智能製造奠定了非常好的基礎。

簡單介紹下我們研究院的技術布局，主要有三個方向：一是人工智慧及大數據；二是半導體顯示技術和材料，後者包括材料的研發和製造；三是智能製造和工業互聯網。TCL在全球擁有香港、歐洲、美國、西安、武漢和深圳6大研發中心，有很多的科學家和演算法工程師共同為TCL的新材料研發、智能製造和工業互聯網服務。

下圖是我們一些具體的研究方向，基本涵蓋了所有人工智慧相關的技術，無論是圖像識別、機器學習、數據分析建模，還是NLP、ASR等。其中部分是為智能終端服務的，包括電視、手機、智能家居等。

下圖展示了我們智能製造的物聯網平台。我們有自己的工業雲、大數據云、IoT雲，以及人工智慧平台。後者在TCL的工業物聯網中可以提供機器學習、計算機視覺、NLP、BI等能力，服務於我們的智能工廠、供應鏈、市場前端甚至研發。這裡面的每一個板塊都有很多內容可講，這裡不展開敘述。

下面這張圖展示了我們的AI服務。最底層是我們團隊在過去五六年里積累的各種能力，可以整合成一套高性能計算解決方案進行統一輸出，也可以輸出給第三方平台。這套高性能計算解決方案可以移植和轉化到不同的應用場景當中。我們知道人工智慧是由非常複雜的演算法組成的，要把它運用到具體的場景中就必須進行移植和轉發。我們的這套方案可以完美應用到應用層的各個產品中，包括手機、電視等等；這是我們獨有的優勢。

工業物聯網做為TCL的一個產品，不僅服務於自身，也可以輸出給上下游的合作夥伴。我們提供的除了雲端解決方案，還有邊緣端的解決方案，不同的演算法和技術都可以根據客戶的需求，形成個性化的解決方案。

接下來分享一些具體案例。我們在這方面有很多案例，比如跟中國最好的電池企業和整機生產代工企業合作，去提升他們的製造能力。但我覺得半導體顯示行業是TCL探索非常深的一個領域，而且非常具有代表性，由於時間關係，就只以我們自己的工廠舉例。

首先回顧一下TCL在半導體顯示領域的投入。2009年我們投建了第一家半導體顯示工廠，迄今剛好十年。目前TCL一共有8家半導體顯示工廠，3家在深圳，2家在武漢，還有2家在建，一家剛剛立項。半導體顯示通俗來說就是顯示屏，我們的產品線覆蓋了大大小小各種電子設備的顯示屏，也包括柔性屏。已經投產的5家工廠，T1、T2、T3都是智能製造2025的示範單位。

我們在建這些工廠的時候就想得非常遠，怎麼把智能製造做到最優。2016年開始，我們對所有工廠陸續進行了自動化和數據的改造，目前改造工作已經全部完成。2017年至今，我們成功搭建了物聯網平台，依託這個平台，所有工廠都能夠收集、管理和分析我們想要的數據，真正做到了可視化。去年開始，我們在人工智慧領域也進行了很多時間，逐步收穫了成效；預計明年我們將把人工智慧技術應用到所有工廠。

在智能製造領域，我們關注三個核心部分：

一是IoT平台。如果你的工廠足夠自動化，信息化程度很高，精益化管理也沒有任何問題。你想讓它真正走向智能化，就必須發展IoT平台。因為你的數據是多維度和多模態的，如果沒有IoT平台採集數據，讓它和機器相關聯，後面的智能化是無法實現的。這對工廠提出了很大挑戰。

二是大數據平台。大量數據湧進來，可能有些有用，有些沒用，怎麼對數據進行清洗和管理，把數據轉化成服務，這一點非常重要。

最後才是人工智慧的平台。用數據結合生產流程去提供智能化的服務，幫助提高效率和降低成本。為什麼要智能化？

所有製造企業面臨的最根本問題，一是降低成本，二是提高效率，三是產能和良率達到最優的平衡狀態。之前精益製造要解決的是這些問題，現在的智能化也是。

其中的挑戰非常大。智能製造流程複雜，通過精益製造和自動化我們已經把產能和良率提得很高了，但任有進步的空間。智能化的過程中，我們要做的依託各個設備產生的數據對每一個環節進行優化，以數據為驅動，實現高效的管理和精準的判斷。

總而言之，製造業需要解決三個問題：降低成本、提高效率、提高良率。具體怎麼做呢？下面用兩個案例為大家解答。

下面這張圖展示了我們工廠的一條生產線，它大概包含了20道工序，每天會產生70萬張圖像。我們希望通過這些圖像，在保證產品的情況下提高良率。怎麼做呢？

過去我們人工總結了100多種缺陷，派10個人三班倒（也就是30個人）來檢查這些圖象，如果發現問題就進行修補。剛建廠的時候這種方法還是很有效的，使得我們在同行中的良率非常高。但隨著產能和良率的提升，我們意識到不能再這樣做了，一是成本非常高，二是人工的方法已經很難再提升了。

我們是怎麼做的呢？用深度學習技術去分析機器產生的大量圖像，這個過程並不複雜，很快就把這個問題給解決了。

過去的人工流程用了5年時間總結經驗才達到比較完美的效果，現在我們用人工智慧技術一年就把它替換掉了，而且效率還更高。

不需要再人工總結問題和標註，而是讓機器從上百萬的圖片中自動學習，就可以找到自動找到這些缺陷，而且還能發現新的問題。我們原來需要10個人，需要只要一個就行了，他只要保證機器不出大的問題就可以了。

由此甚至還產生了一些邊際效應。通過長期的數據積累和自學習，我們在某些環節提前就能發現問題，不必等到良率出問題了再去解決。我們甚至可以提前一到兩個小時預警，把問題扼殺在萌芽期。因此我們的檢測效率提升了20%，同時節省了大量人力成本。

再看另一個案例。剛才我們說的是用演算法檢查產品的缺陷，下面談談怎麼用數據和演算法去發現生產流程中的問題。以前這件事情完全依賴於專家，需要一個幹了十多年的老工人去判斷哪台機器出了問題。以前我們覺得這個事情AI做不了。後來才發現不是，因為人的經驗也是一個數據和知識積累的過程，只要把知識和信息數據化，讓演算法在流程和數據之間尋找相關性，就能夠做到。

下圖是傳統的深度學習或機器學習的做法。用機器學習的方法建模，對大量的數據做分類或回歸，從而找到問題，做一些簡單的分類預測。這種做法對數據的要求非常高，需要數據非常乾淨，還需要人去做標註，把人的知識轉化過來。

但我們不這樣做，我們用對抗生成網路，用歷史數據去生成一個環境，模擬數據產生的過程，讓數據更貼近真實情況。為什麼要做這個呢？因為生產製造行業的數據極其不平衡，正常的數據非常多，負樣本非常少，可能99%都是正樣本。如果單純用這些樣本分析，效果非常差。如果我模擬一個環境，就可以讓他在線下學習，就像下圍棋一樣，讓機器跟自己下3000萬盤棋。這樣就會產生更多貼近真實情況的負樣本，我們把它用於強化學習去訓練預測模型。這個預測模型可以根據你的任務去調整，最終得到想要的效果。

舉一個Pump壽命預測的例子。這個工作以前完全靠人的經驗，沒有幾年產線工作經驗的人做不了這個。人工檢測，稍微判斷失誤就會導致停機，停機一個小時，將給企業帶來非常大的損失。我們現在用機器學習做，一次停機都沒有。而且還是提前預測它的健康壽命，提前進行維護和維修，保證它絕不宕機。

前面介紹了TCL在工廠里應用人工智慧的兩個案例，下面再分享一些我們的經驗。

人工智慧在工廠里可以做到什麼？我覺得有三項：發生了什麼、為什麼發生、還會發生什麼；這是我們已經在實踐中證明過的。我們接下來要思考的是，如何更好地把人工智慧應用到這些環節。過程中有不少的挑戰，因為我們面臨著大量結構化和非結構化的數據，如何把數據和人工智慧有效結合起來，充分發揮其價值，是我們需要思考的命題。

此外，人工智慧能不能做決策，能不能做認知智能，怎麼去做，這是很多人關心的話題。從實踐來看，我們暫時還沒有做到，但這是不是值得研究的方向呢，會不會出來一些新的應用。

還有知識圖譜。我們調研大量製造業企業後發現，知識圖譜對智能決策和智能預測非常關鍵。沒有知識圖譜，說明你對自己的生產工藝流程並不了解。我們希望大家都能建立自己的知識圖譜，不是畫出來的文本，而是真正數字化的知識圖譜。

我們的實踐證明，深度學習非常好用。未來它能不能跟自動化學習或者強化學習結合起來呢？從我們的時間來看，這是有效果的。我認為這個方向值得深入研究。

數據方面，有標籤的數據實在太重要了。即使我們做了一些自動化學習的方案，也仍然很依賴有標籤的數據，有標籤的數據越多，對效果的提升就越快。

我們現在的做法是把人工智慧加到已有的生產流程中去，它可以起到一些作用，但不能發揮全部價值。於是我們開始思考，現有的生產流程是不是可以改進呢？改變生產的整個框架和流程，把人工智慧作為一個核心部件放進去。因為現有的流程一開始就是為人服務的，如果人工智慧有效，是不是可以專門為它去設計一個流程呢？我想不只是智能製造，在零售等其他領域這個問題也同樣值得思考。

另外，我覺得邊緣計算將是人工智慧的關鍵。很多企業——尤其是工廠，很難把數據上傳到公有雲，他們都有自己的私有雲。但是如果所有東西都在私有雲上做，成本太高了，這時候邊緣計算就可以發揮作用了。我們希望未來的人工智慧不需要把所有數據都上傳到雲端，而是在機器端就已經處理了，只上傳一些特徵信息，甚至某些功能直接在機器端就能實現。

最後插播一則小廣告。TCL跟香港大學合作成了一個人工智慧聯合研究中心，我們投入了很多資源，也獲得了香港政府和香港大學的大力支持。希望有志於人工智慧的朋友可以跟我們聯繫，尋找合作的機會。TCL開放了13個項目，包括智能終端、智能製造、半導體顯示材料等，我們將提供自己優勢，比如數據和應用場景，歡迎大家來合作。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！