无线通信和AI会是智能制造两大关键吗？｜焦点分析

文｜戴昊彤

编辑｜彭孝秋

尽管工业4.0被提起过无数次，但对于 AI 在里面起到的作用一直讨论不多。同样对于工业互联网，落实到智能制造中的真实场景改造有哪些一样容易忽略？

作为香港中文大学终身教授兼思谋科技董事长/创始人的贾佳亚，近日在《智能制造中的核心AI技术》主题分享中给出了一些启发。

在他看来，4.0时代是以智能为核心的一个时代，这个时代开始不仅仅具备网络、电力，还有计算。计算不再是一种非常奢侈的辅助设备，相反地，计算变成一种基础能源。当电力被计算提纯以后，计算的可利用性和资源强化性将变得非常巨大，技术特点就是永不间断的学习。

也就是说，要想完成工业4.0，必须要重视工业互联网中的无线通信作用，更要重视AI作用。

自2012年通用电气提出了AIOT（人工智能物联网）概念后，通过新一代的信息通信技术，将关键基础设施与新型应用模式建立起连接工业全要素，实现数据的实时采集和精确分析和智能反馈就越来越普遍。因此，工业互联网的布局与通信息息相关。

在过去，工业通信系统的特征表现为多领域融合，包括传感、通信、计算机和自动控制等。对于通信的要求也非常严格，比如要求高实时性、确定性和可靠性，但部署的环境又很复杂。

“工业互联网，开始成为未来智能制造发展的方向之一”，北京邮电大学教授、IEEE Fellow、中国工程院院士张平表示。

随着无线通信的发展以及工业互联网概念的提出，科研人员开始考虑用无线通信来解决工业互联网面临的挑战。无线通信优势表现在：其结构精简、数据采集和传输受设备影响比较小，可灵活采用工业数据，国内外发展路径也非常清晰。

尽管无线通信成为智能工厂的核心部分，但目前其投入使用的比例较低，不到6%。因为柔性制造对于

对无线网络，或者5G的需求非常高。这是由于这是一个闭环系统，不仅要解决信息从A地到B地不确定性的问题，而是要对这些不确定性问题产生决策，最后对系统的控制产生效应，因此，这就要求具备高安全性、高可靠性。

张平指出，“目前，国内互联网已经由消费互联网进入产业互联网，一方面，其发展对算力提出了新要求，另一方面，也对密集型，时延敏感性提出了新的挑战，在这样的情况下，急需考虑云、边、端的算力资源的自治或者自洽，以高效处理数据。而面向海量业务差异化的上云需求，当前被广泛使用且依赖专家的人工式解决方案，难以满足业务种类、规模增长的需求，比如业务获取、业务分析转译、网络状态感知、策略下发等。因为未来需要实现边缘云、通信云与网络资源的协同一体。”

同时，国内科研人员也在编程语言NPL上实现对用户需求的精确感知，从高级语言转换为网络设置，还有对网络专发2节点逐跳进行信息的采集和报告，实现队列、缓存、延时等精确感知，为网络自治提供准确可靠的数据支撑。 对数据流量历史及宽带的特征进行分析，挖掘网络空间特征，以实现宽带流量自由化。

在工业互联网中，目前出现最为棘手的问题在于：工厂里机器设备的运行会产生电磁干扰，尤其是传统的信道建模工厂车间，会影响电子器件的正常通信。因此，为了保证无线干扰传输可靠性，电磁噪声的建模起到至关重要的作用。

为了解决干扰通信的问题，张平提出，未来需要根据车间业务特点来定制合理的设备，接入功率控制策略，避免减少同频干扰，尽可能减少设备空口干扰的影响。

面临这样的挑战，未来无线通信技术的发展有以下急需突破的方向：

首先，在过去，网络是以人为信息作为接收主体构建的网络，而未来面向机器的网络是自主感知的闭环智能机器网络，因此这两者存在很大差异。过去，面向人与人之间通信来设计的“TCP IP” 可归纳“为三部曲”：发一个请求——回答请求——建立链路。因此，这种模式无法适用于机器与机器之间的通信。因此，未来迫切需要变革面向人的无线网络的设计，以及研究出面向闭环信息流的、系统级的信息理论。

其次是搭建感知、传输、计算及使用一体化的网络架构，以及可灵活适配的可信交互协议，以满足工业互联网持续可信的通信需求。如今，5G技术已经把人与人之间的通信扩展到机器与机器之间的通信，同时也增加了一个维度。在这种情况下，未来科研人员可使用很多方法、算法以及算力，来提升其性能。但这需要一个长期准备阶段才能实现。

虽说在工业4.0时代，智能制造意味着制造业进入一个新的发展阶段，人类需要创造一个智能制造的大脑，让它能思考。智能化也更像是代替人类生产的“手臂”，通过智能化控制生产来提高更多效率。

“但是，智能制造是一个非常复杂庞大的工程，包括产品设计、生产管理、生产服务以及对客户交互等环节。智能制造的目的则是要实现所有全链条环节都由机器完成，达到自主决策、自主执行及自主适应。”贾佳亚说道。

为了达到这一目的，在智能制造领域中，实现跨行业的工业AI落地，是目前科研界面临的一大难题。

比如在手机质量检测任务中，实现机器自主检测。假设一款手机大概有400个供应商，所有供应商有5个制程，每个制程有25条产线。在生产手机过程中，科研人员要去做所有零件管控和质量评审，则需要做出近3万种（400×75）算法，才能保证手机摆脱人为因素的干扰，自动判别质量，实现高管控率。如果把范围放缩小至全球排名前5的手机品牌，每个品牌每年约推出6款不同型号，第一年科研人员需要写出90万种算法，但目前没有一个团队可以完成如此繁重的任务。

因此，只有当系统能够自动实现算法组合和部署，人类只需要少量定制化算法，才有可能实现AI的跨领域规模产业化，这是一个巨大的命题。而如何能实现自动的算法组合和部署，则是一个系统工程。

智能制造有三个核心原则，首先，智能制造一定要具备普适性，不管是应用在汽车、飞机等行业，还是半导体、晶圆和3C产业等，都要具备该特质；第二，制造的核心原则是以计算为先，不依赖于电力和其他的基础能源；除此，实现智能制造，还需要满足两大条件，分别是AI系统设计的自动化以及AI系统部署的自动化。只有当这些条件得到满足之后，将会迎来新一代的智能产业变革。

未来 10 年是新一轮工业制造革命的关键时间窗口，也是全球各国将高精尖制造业全面升级成为智能制造的核心阶段，目前智能制造依然面临着场景需求复杂、设备连接力不足、跨行业跨领域能力薄弱、数据分析能力不足等挑战，而唯有用 AI破局，才能激活制造业的增长潜力。

机器视觉被称为“工业之眼”，是实现智能制造必不可少的一环。目前，机器视觉被广泛应用在消费电子3C制造中。

与其他行业相比，消费电子行业具备“多、变、快、全”这四大明显特征。换而言之，就是产品种类多、生命周期短、更新迭代快、品控严格。同时，生产制造需要不断适应形态及工艺的变化，快速切换生产线。高标准、高要求的品质管控也导致消费电子行业对成本非常敏感。因此，在品控与成本之间做好平衡，提升利润空间成为制造环节中的一大挑战。

进一步来看，在成本方面，人力成本攀升、工人流动性强、工人状态会影响良率性等问题，已成为该行业主要痛点。为了解决这些问题，机器视觉的应用优势得到体现。

在国内，运用机器视觉技术投入智能制造的公司多数属于消费电子领域。

针对机器视觉的特点，闻泰科技副总裁、自动化研究院院长郭洪涛表示，首先，机器视觉具备柔性化优势，机器视觉基本上相当于一个标准品，用一个相机再加上镜头及光源，就能实现拍照功能，再通过图像处理方式去完成检测，并可适用于不同产品，柔性化程度较强。

其次是无接触；最后一点是实现信息化，用图像处理方式再通过算法把数据检测和识别出来，同时将相应信息写入系统，为迭代算法及优化工艺等打下良好基础，因此，机器视觉在消费电子领域应用得越来越广泛。

在手机生产制造中，机器视觉应用得最多的环节包括尺寸测量、贴物料、精确识别等。以贴物料为例，手机由不同零部件组合而成，但不同批次生产的不同构件存在一定公差，机器视觉可通过测量及优化的算法找到零部件之间的最优匹配。

不过，值得一提的是，所有技术都具备一定局限性，且技术落地还需要与相应场景特点相结合。机器视觉在消费电子制造的应用过程中，也存在各种挑战。

举个例子，外观检测是机器视觉应用领域的一大难题，但一旦突破就会变得非常有价值。其难点在于污点、缺陷及形态随机出现在不同位置，对于设备来说很难进行直接的量化定义。因此，需要基于AI算法做一些数据收集及分析，但依然会受到其他外界因素不同程度的干扰。

从机器视觉在智能制造落地应用的趋势来看，其发展空间会越来越广。郭洪涛指出，由于具备算法的支撑，机器视觉能够不断迭代成长。再加上它具有无接触的特点，令它在各种应用场景都能得到发挥及应用。

在未来的发展路径上，机器视觉可与光学设计进行紧密结合，通过更优化的光学设计来实现更好的成相。在具备成像的基础上再加入算法，有利于提高生产效率。其次，通过AI的加持，传统算法能解决智能制造中90%的问题。最后，再将2D与3D进行互补便有望解决以往无法攻破的难题。

由此可见，机器视觉未来的应用前景广阔，也成为智能工厂重要的组成部分。