發布日期：2022-07-14 點擊率：47
2017年7月，全球權威技術咨詢機構Gartner公司發布了《2017年度新興技術成熟度曲線》，并揭示未來10年人工智能(AI)將成為最具破壞能力的技術，主要是因為卓越的計算能力、漫無邊際的數據集、深度神經網絡領域的超乎尋常的進步，機器將逐漸具備人的思考能力(即機器學習)，人們基于數據可以解決超乎想象的問題。
中國科學院陸汝鈐院士則認為，機器學習掀起的熱潮也許大過其本身真正的貢獻，在理論和技術上并沒有太多的創新，只不過是由于硬件技術的革命，計算機速度大大提高了，使得人們有可能采用復雜度更高的算法，從而得到比過去更精細的結果。
機器學習在工業領域的前沿應用已經被很好地理解，“用海量數據進行訓練后將使機器運行變得更聰明的算法”，這是一種通用技術，可以應用于幾乎任何問題。
從“程序自動化”到“人工智能”究竟有多難
普遍認為，智能制造是以“機器智能”為推動力的，機器將越來越聰明，機器越來越會自我學習。“流水線、標準化、規模化、集裝箱、低成本”作為傳統工業時代的標志性產物，都將被重新定義。定制化將會越來越多，IOT(物聯網)、大數據對傳統制造業造成的沖擊影響極其深遠。
而機器智能、機器學習的來源正是數據。以前，機器插上了電以后就聽人的話;今后，機器不僅要通電，更要通數據。這一切創新的最終目的，是要實現“人機自然交互帶來的效率躍升”。那么，人機交互不夠“自然”，又會帶來怎樣的“效率損失”呢?
人工智能的構想最早在20世紀50年代就出現了，當年，麻省理工學院的計算機系教授以為“人工智能這個問題用一個夏天的時間就可以解決了?！倍鴮嶋H上，在此后20多年的時間里，學術領域、工業領域在用電腦模擬人腦上的努力幾乎毫無進展。
以現代信息技術的角度看，機器模擬人與人之間的自然溝通可以分為五個步驟：信息生成——編碼——通信渠道——解碼——信息接收。
第一步，信息生成：就是在大腦中想好要表達什么意思，傳遞怎樣一個信息;第二步，編碼：組織語言進行表達就是“編碼”，溝通中用的是漢語，或者英語、日語、意大利語、西班牙語等，都是對我想傳遞的信息進行編碼，各種語言的語法就相當于機器語言的算法;第三步，信道：人與人進行自然溝通，空氣就可以作為傳遞信息的通道，機器之間或者人與機器之間進行溝通，可以選擇光纜，也可以選擇無線信道;第四步，解碼：我能聽懂對方說過的話，就是將對方傳遞的信息進行成功“解碼”;第五步，信息接收：完全理解對方要表達的意思。
學術界和工業界曾經進入一個長達20多年的漫長誤區，認為人與機器進行溝通，類似于漢語與英語之間的翻譯，必須同時懂得漢語和英語兩種語言，然后才能進行“編碼解碼”?？墒牵祟愓Z言太過復雜，相關語法僅能覆蓋其中的很小一部分，正如莎士比亞戲劇、中國古典文學當中的很多經典名句并不符合語法規則，但并不妨礙它們成為經典。
直到20世紀90年代前后，“數字是最通用的語言”被廣泛認可(數字語言幾乎沒有語法障礙)，人工智能才開始獲得可靠的技術進步。此后，由于互聯網、瀏覽器以及搜索引擎的快速發展，運用海量數據的“機器學習”迅速崛起，計算機的“深度學習”開始模擬人腦的神經網絡進行分析學習。
數字、文字和自然語言一樣，都是信息的載體，而不是信息本身。使機器具備人工智能的直接目的，就是要使機器與人之間的溝通，能像人與人之間那樣溝通順暢。推動人工智能與制造業的結合，不斷提高人與機器之間進行溝通的順暢程度，這意味著越來越少的人，就能輕易操縱大量機器設備的高效運行，而這個過程中最重要的步驟就是要使機器自行學習、自行進化，不斷適應多樣化的制造需求。
機器編程語言一直非常復雜、不易掌握，只有少數工程師能學會，這也是機器人在制造業中推廣應用的重要因素。目前，中國制造業每萬人當中的機器人使用數量大概是50臺左右，而日本、韓國的這一數據都超過300。工業機器人是一個復雜的系統工程，不是買來就能用的，需要進行編程，將機器本體與控制軟件、應用軟件、周邊設備結合起來，組成一條完整的產業鏈。在中國推行工業機器人技術，最大的瓶頸不是誰會買，而是誰會用。
如果人工智能在制造業中的實際應用真正成熟起來，人機溝通達到可以接受的順暢程度，工業機器人的效率和潛力將獲得充分發揮，這絕對是智能制造的一個巨大成就，將使“機器換人”真正成為這個時代的趨勢潮流。
機器學習的“體系化實現”
長期以來，國內普遍期待“互聯網+”各種前沿技術能使中國制造業轉型升級獲得更強勁的“新動能”，而人工智能則被稱為“互聯網的下一幕”。目前看來，這似乎并未有效提升制造業的投資回報率，也沒有類似內燃機、蒸汽機那樣的革命性技術出現。
互聯網技術主要經歷了三個發展階段——PC互聯網、移動互聯網和人工智能，整個過程中出現過各種前沿概念和資產泡沫。幾年前“物聯網”在中國特別火，但至今也沒有出現一個特別大的“物聯網”市場，可穿戴設備和VR(虛擬現實)也是如此。所以，當政策面期待“互聯網+人工智能”能夠催生一場新的工業革命時，只有極少數制造業巨頭能從中找到“具有可操作性的著力點”。
當前最先進的IC，內部結構就像是一個層層疊疊的千層蛋糕，做出每一層所花時間的平均，就稱為“生產周期”。早年在180納米的時代(約15年前)，一顆IC內部只有25層，但是生產一層得花上兩天。當前最先進的10納米手機芯片，內部已高達80層。如果一層還是兩天，就代表一個產品要160天，將近半年才做得出來。無疑，沒有人能等這么久?，F在臺積電10納米的生產周期約1.1到1.2天。
生產周期已是產業勝負關鍵。格羅方德(globalfoundries)是從AMD分離出來的世界三大集成電路制造商之一，其生產周期約比臺積電長上30%。這不但代表同樣一個廠，臺積電可以多創造三成營收，客戶產品上市的時間也可以快上將近一個月(華為海思、紫光展訊都是臺積電的長期客戶)。而一個月時間，在變化快速的智能手機市場，往往就能決定一款產品的生死。
韓國三星的研發能力與臺積電不相上下，但是制造管理不如臺積電。最先進的7納米智能手機IC，內部結構高達100層。只有臺積電能夠以成熟技術生產出7納米IC，即快工能出細活。為何臺積電的制造能力能夠遙遙領先對手?臺積電先進制造環境已采用“獨特的專家系統和先進演算法，類神經網絡自我學習的模式”。
在工廠管理部分，10納米生產線收集的數據量，是過去40納米的10倍。臺積電以大數據與機器學習的方式，善用這些數據。以一個月產30萬片的晶圓廠為例，廠內3000生產機臺，每天會產生800萬的派工命令，臺積電的工廠管理系統可以在一分鐘之內計算出最佳的生產排列組合。成果就是，準時交貨率99.5%，產品生產周期1到1.2天。
集成電路是典型的“納米級”制造工藝，1納米=十億分之一米，中國目前已實現量產的最先進工藝制程是28納米。隨著電晶體的尺度小到逼近物理極限，制程要控制的厚度變異量，甚至比一個原子還要小。10納米時代與28納米相比，控制參數多上20倍。因此，每臺生產機臺裝了上千個感測器。
臺積電更發展出精密的調機系統，大數據分析過去累積的很多調機記錄，再根據當下的機臺狀況，即時回饋一個最佳的調機參數組合，例如溫度、氣體流量、電流等。而且，不同廠區之間還要確保產品品質的高度一致性。因此隨時監控不同廠區的機臺參數，找出生產狀況最佳者，然后做到標準化。
臺積電何以能在生產周期、流程效率上大大贏過研發能力與其不相上下的韓國三星和格羅方德?無疑，機器學習帶來“管理精度的躍升”功不可沒。而數據則成為人工智能的主要能源，如果離開了數據，任何組織的創新基本上都是空殼。
工業“微笑曲線”開始發生逆轉
“互聯網+人工智能”得以達到今天這個熱度，主要是因為硬件的進步，使得計算越來越快;數據的積累，使得基礎資源越來越大;同時，算法的不斷優化，使得解決問題越來越準。更重要是，風投資金和資本市場的持續高度關注，加速了人工智能技術“商業化變現”的進程。而事實上，這一切并不是更高的技術革命，只是主流工業技術的擴散，并不會立刻帶來一個全新的工業時代，只是在產業和技術創新的過程中發揮點綴作用。
可以預期，未來機器智能強大的自我學習、自我進化能力，將足以撼動傳統制造業的價值鏈結構，而突破口就是飽受詬病的“微笑曲線”。施振榮在1992年首次采用“微笑曲線”來描述制造業價值鏈——在制造業的利潤結構中，“研發設計+市場營銷”拿走利潤的最大部分，而“制造環節”是微笑曲線最底部、利潤最微薄的那一部分?！肮缮瘛卑头铺貏t進一步表示“對制造環節無休止的固定資產投資感到十分厭倦”，紐約基金經理普遍認為“帶工廠的股票不要買”。
“微笑曲線”最廣為人知的負面案例就是富士康組裝iPhone手機，要忍受超低的利潤率。蘋果iPhone包含上百個零部件，其中約90%在美國以外生產，內存來自韓國和日本，顯示屏、電路板來自韓國和中國臺灣，芯片組來自歐洲，稀有金屬來自非洲和亞洲，但所有這些零部件最終都在中國由富士康完成組裝。這個擁有百萬熟練工人、制造力強大的代工巨頭，給蘋果產品代工的利潤率只有不到2%。
蘋果公司只做研發設計和市場品牌，制造環節都外包出去了，最后利潤結構中的最大部分被蘋果拿走，富士康處于價值鏈的最底層。這就如同微笑嘴型的一條曲線，兩端朝上。在產業鏈中，附加值更多體現在兩端：設計、銷售，處于中間環節的制造附加值最低。
為何蘋果產品的利潤分配會是這樣一種結構?以往經驗，往往是離最終消費者越近，獲取的利潤就越高。在產業分工上，離最終消費者越近，難度也越大。主要原因有二：
一是從經濟學角度來講，制造商與消費者之間的信息往往非常不對稱，你說你是很好的公司，你賣的產品很好，服務也很好，但是大家發現所有廠家都可以這么說，最終消費者怎樣在不同的廠家之間做一個區分，在不同的品牌之間做一個區分，這是決定游戲勝負的關鍵所在。二是現今產能嚴重過剩的現實，制造高質量的產品只是最低層次的要求，甚至只是一種低端的勤勞，如何將產品設計與市場需求進行無縫對接，才真正考驗企業競爭力。
要想扭轉制造商在“微笑曲線”中的不利地位，唯一可行的著力點在于提升人和機器的效率。研發設計、市場營銷都很需要創意，這當中有很大不確定性。而制造環節最需要的，是效率和精度，這恰恰是人工智能最有發揮空間的部分。
2011年，富士康高層已公布“百萬機器人”計劃，在具體推進的過程中當然會有各種曲折，比如機器人不如人工靈活、機器人不具有人的創新力等。但是，富士康從未停止將人工智能和工業物聯網導入車間生產線的努力。最近幾年，富士康直接勞動力數量是持續減少的，2016年僅在富士康昆山工廠就裁掉6萬員工。
富士康通過持續、大量投資機器人和人工智能技術來提升制造效率，毫無疑問，效率即利潤。具體而言，富士康除了維持在機器人技術上的重點投入，更關注“優化人機互動帶來的效率躍升”，這也是富士康多次尋求對AI公司的投資的原因，而機器學習是促成人機高效溝通的核心技術。
人工智能的工業應用邏輯
現今，人工智能技術能使語音識別的準確率達到97%，谷歌(Google)和百度的無人駕駛汽車不斷接近實際應用的水平。創新工場CEO李開復甚至預言：“每個領域人工智能都有可能對傳統公司產生顛覆，每產生一個有價值的機器人，一個人、一個群體就會失業，這對社會影響非常大。人工智能影響最深的，是制造業。百度CEO李彥宏認為“所有制造業都將屬于人工智能產業?！?/font>
人工智能與制造業的結合是一個長期的、系統的構造過程，底層系統如何搭建，商業回報如何實現，需要綜合考慮。比如你要制造一部智能手機、一架飛機或一輛汽車，那么你需要提前規劃功能，推動硬件和軟件設計同時完工，并安排生產和分銷流程，一切就緒后才能投入生產。制造復雜實體產品，往往要進行大量前期準備，并花費很長時間去落實，產品生命周期通常被定在12至24個月，甚至更長。
制造業最大的效率耗損一定是在過程的管控上，而機器學習的核心技術與制造商每天要面對的復雜問題相一致。近年以來，制造業公司十分看重人工智能在改進體系運作、強化網絡控制等方面的創新應用。以華為科技為例，2016年10月，華為諾亞方舟實驗室對外公布了全球網絡通信業首個基于機器學習的網絡大腦(Network Mind)，可以自動檢測、準確預測網絡流量的變化，智能地實現網絡流量的自動控制。
隨著5G、物聯網、SDN(一種新型網絡創新架構)、AR/VR等技術的出現，通信網絡中的數據量飛速增長、網絡復雜度也急劇提升，這將使通信網絡的控制與管理面臨巨大挑戰。華為科技在全球網絡中占有1/3的份額，部署了大量網絡設備，未來的設備會朝著體積更小、重量更輕、耗能更小、速度更快、成本更低的方向發展，而機器學習就是實現這一目標的載體。具體的技術路線是，利用深度學習的強大抽象表達能力以及強化學習的自我適配、自我進化能力，讓網絡具有基于數據自我學習、自我更新的特性，進而實現網絡控制管理的自動化和智能化。
汽車制造業也極力尋求運用人工智能強化規模管理、提升整體設備效率(OEE)的手段。有很多汽車OEM為了提升制造環節的流程效率，進行了對傳感器數據中數十個操作參數的集成(如油壓、油溫、油的黏度、空氣壓力等)，這些數據來自于12個月間每15秒對設備數據的收集。
很多制造商都有潛力將機器學習集成到自身的業務上，通過采用人工智能技術把工程師的經驗轉化為深度學習算法，以獲得可預測性的洞察并投入生產，從而使企業變得更有競爭力。比如，上海寶鋼和 Intel 合作，對鋼材進行質量檢驗。目前，工業品的質量監測多是通過有經驗的工人來完成。通過采用深度學習算法，可以把人工的檢測經驗轉化為算法，從而實現無人化檢測。對生產線上拍攝的照片，用機器學習的方法識別其中的劃痕、酸洗，來代替人工檢測。
機器算法已融入制造業各個環節——許多正在開發的算法都是迭代的，旨在不斷地學習，以尋求最優化的結果。這些算法以毫秒為單位進行迭代，使制造商能夠高效地尋求優化結果。算法與機器自我進化，推動制造環節重新成為“微笑曲線”的中心。這是中國制造業轉型升級的重大時代機遇。
過去，中國要推動產業和技術升級，總會面臨國際競爭對手在知識產權上的刁難，這種人為障礙在機器算法的創新應用上將很少發生。得益于開源軟件，構建先進AI系統所需的很多工具可以公開獲得。大量AI研究的開放性，以及關鍵技術和代碼的自由流動，大大減輕中國制造業智能化升級的摩擦阻力。
在機器學習的前沿應用上，有一個關鍵因素使中國制造業處于有利地位。這項關鍵技術的應用有賴于龐大數據集的可獲得性。終極的競爭優勢將不在于擁有最佳算法，而在于能夠獲得最佳數據以訓練AI系統。那么，中國龐大的市場加上一群從事廣泛數字活動的互聯網領軍者，將會提供大量的原材料來推動智能系統的興起。注意，機器學習在制造業創新中的潛能發揮，主要不是依靠人為的程序設計(這是工業3.0的思維)，而是用優質數據反復訓練出AI系統的流程效率。
(來源：中國工業評論)
