意大利有家公司叫ROJ，这家企业专注于针对工业领域的电子技术，产品典型如基于ARM Cortex-M/A、FPGA的工业板和模块。这家公司有个特色，是“基于客户软件、硬件需求来提供个性化解决方案”。其典型客户如Mares——这是个生产潜水装备的企业，包括潜水表。Mares的特色也在满足不同客户的产品定制化需求。而“定制化”就意味着产品生产周期必须短，制造响应速度必须快，而且可能某一款产品的需求量还不大。实际上越来越多的制造商开始转向这种量不大，但品种多样的生产模式，这也是工业4.0的重要特点。

这在传统的生产模式中是不可想象的，直到数字工厂、智能制造开始出现：不同小订单之间的不同需求，生产设备可以很方便地通过数字操控的方式实现转变和协调——当然还有IT/OT融合、TSN的出现、各类统一与融合标准在工业领域的出现，都是实现这种操作的必要条件。不过这些不是本文要探讨的核心。

ROJ在智能制造时，所选方案的其中一个关键是Valor Material Management材料管理系统——这是来自西门子数字工业软件的一部分。ROJ首席执行官Franco Oliaro曾表示：材料需要在正确的时间、正确的位置提供，而制造现场的停工往往是因为材料没有到位。数字化的材料管理系统能做的就是材料分发，在需要材料的时候确保其准备就绪。

这个例子实际只是数字化生产和工业4.0的基本应用。当生产设备本身变得越来越复杂，越来越智能，就会产生海量数据。当这些数据熔于一炉后做数据分析，不仅用以了解过去的生产状况，同时利用机器学习还能提高未来生产质量、降低制造成本，即是AI技术对工业4.0的推动了。

工业制造在标准、互联等领域始终是很特殊的，现在谈工业4.0与AI是否为时过早?AI在工业4.0时代是否真的在发挥作用，以及究竟发挥到何种程度?这是我们期望以由上至下的方式，从工业制造AI解决方案、AI芯片、EDA，以及实际应用几个层面，来窥见当下工业制造的AI技术现状。

AI智能制造解决方案能做什么?

“传感器数据速率正在持续增长。大部分客户现如今的工厂传感器数据采集速率还在1Hz，但越来越多的芯片制造商收集速率达到了10Hz、100Hz。晶圆厂的数据量级现在开始进入PB级别，而不再是MB或者TB。”BISTel首席执行官W.K. Choi表示，“客户需要更出色的分析来驱动产品质量提升;工程师则期望更快地进行根因分析，近实时地(in near real time)、准确地解决影响良率和工程生产的问题。”这能说明什么问题?BISTel是一家提供智能制造解决方案的韩国企业，解决方案离实际应用总是靠的更近。

以半导体制造为例，我们先来看一个例子：晶圆制造发生不良率高的问题时，常规手法是工程师们调查并讨论，这个过程一般需要很久。如W.K. Choi所说，实现数字生产的工厂，传感器数据采集速率现如今已经很高了。针对晶圆生产不良率高的问题，可观察的参数至少包括温度、振动、压力等各项指标。如果针对所有相关指标做监测，那么分析难度自然可以得到降低。在这个例子中，不少晶圆片靠近边缘位置出现问题，因此成为“bad”晶圆。

BISTel的HMP(Health Monitoring & Prediction)在数据追踪中，系统列出总共6个导致良率问题的最优关联度参数，其中前两个分别是蚀刻工序的最后一步，电流发生激增;以及氦气值明显降低(图1)。蚀刻流程的最后一步就是氦气分离，这一例的“根因”就是在分离过程中，托盘与晶圆边缘接触，产生小范围火花——所以电流出现了激增，与此同时托盘某些氦气口堵塞造成氦气值降低。

在晶圆制造良率问题的“根因分析”这一例中，至少能够表现持续增长的“数据速率”是怎么回事，以及将原本需要以天、周为单位计的根因分析时间缩短到分钟、小时级别内。而AI技术在此处的核心，即如何利用海量数据做分析，并得出结论。

“具备AI能力的智能应用，可让系统和流程实现自动化，让客户得以近实时地针对每天的生产问题，做出检测(detection)、分析(analyses)和预测(prediction)解决方案。”W.K. Choi说，“现在我们在生产流程中，融入了更多强有力的AI分析，能够从这些流程中学习。我们随后就会把这些新的智能，应用到知识库(knowledge base)中。”

这里的“知识库”即是AI在W.K. Choi所说“预测”中的大脑，其中包含所有“知识点”和解决方案，并通过学习不断完善。这里再来看一个例子，在某晶圆厂半导体制造CVD(化学气相沉积)流程中，追踪发现某一天(本例为4月18日)出现了异常高的报警数，很多晶圆质量都受到影响(图2)。报警内容为：“TDS”设备某节气阀发生位置偏移。如果这份数据拉长到为期半个月，那么很容易发现，在高报警事件发生的前两天，数据就已经显现出节气阀位置发生潜在漂移——而且早在10天以前，前序压力就因为节气阀位置偏移而出现不规则现象。

那么实际在发生高报警数之前，通过预测性维护(Predictive Maintenance)就能率先预知问题，“在错误发生之前就预测到错误”，以避免故障停机时间，因此得以提升效率并节省成本。更多的“预测”行为还包括预测设备的剩余可用寿命(RUL)，以及各种执行基于条件的的预测性分析。

这里“基于条件”的预测性分析可认为是智能制造的核心产物。就好像日常的汽车保养，仍是基于时间或里程的：如每隔一个固定时间或固定行驶里程前往4S店做保养;但如果能够针对汽车发动机转速、温度、振动等各种参数做关联分析和预测，则在综合所有参数与AI分析过后，系统得出现在是否需要维护或下一次维护时间应该是在什么时候，这才是节约保养成本、提高生产效率的最佳方案。

现在我们知道，AI在智能制造中的应用，至少可有检测、分析和预测三步骤。不过这依然不是AI的全部。在BISTel的定义中，AI能够实现的终极目标远不止此。“AI应用，可嵌入已习得的知识，并实现自动化操作;应用AI获取的知识库，具备自主控制、自主治愈的能力。”

这句话强调的是AI学习的“自适应”能力，全过程包括完全自主地发现问题、学习问题，并采取行动。工厂内部的这个过程无需或少有人工干预。W.K. Choi说：“这是我们理想中的智能生产。”即便这一步尚未达成。

当工业MCU/SoC开始增加AI单元

从上述解决方案的实例来看，AI如何部署似乎还不够明朗。我们尝试往下看解决方案底层的硬件支持。不难想见，上层AI应用需求自然能够带动下层AI芯片或专核的兴盛，比如工业现场生产用机械臂或电机内部的MCU/SoC——毕竟我们反复在说AI这一技术热点是贯彻在整个垂直行业的。

常规能够想到的AI专核通常是具备高度并行计算能力+片上存储+低精度计算的ASIC核心，尤其如果是特别针对某个具体的工业应用场景。不过行业内颇具代表性的瑞萨电子DRP(Dynamic Reconfigurable Processor)技术，或称e-AI(嵌入式AI，DRP是e-AI技术的一部分)在思路上还略有不同。这里还是先举个例子。

在图3故障预判解决方案中，工业制造现场电机运行时，可通过加速度传感器来采集电机运行振动情况，这些采集的数据上传到云服务器，经由云服务器的学习软件做深度学习(基于谷歌TensorFlow神经网络架构);再由解释器将高级语言AI模型翻译成MCU可识别的机器语言，AI控制软件将AI模型下载到本地e-AI单元，实现故障预判。

这套系统监测的是电机运行情况，并可预测其剩余使用寿命，属于相当典型的AI预测性维护使用场景。在这一例中，由于硬件的具象化，我们得以更清晰地理解预测性维护的流程是什么样。瑞萨电子中国工业自动化事业部高级总监徐征告诉我们，除了预测性维护，e-AI还能用于异常检测，提高质量，自动化检验。

“我们已经在一些工业生产现场取得验证性测试结果，比如瑞萨电子那珂工厂，GE医疗(日本)日野工厂。那珂工厂的验证测试结果表明，以下三点在智慧工厂中是完全可行的：

- 使用AI识别异常结果。通过为复杂波形设置阈值，消除难点。

- 显著减少错误信息，从每月每台机器大约50条错误信息降低为零，消除工程师负担。

- 准确检测异常结果。通过使用高分辨率数据，将异常结果检测率提高6倍以上。”

在我们的理解中，DRP在专用和通用，或者在性能和可编程性之间是个相对折中的方案。从结构上来看，这种动态可重构处理器包含可编程数据通道硬件(PE处理单元阵列)和状态转换控制器(完全可编程有限状态机)，是十分典型的软件定义芯片(图4)，可针对工业嵌入式设备的AI推理(inference)做加速。

“算法的种类和大小可由同一个DRP硬件进行时间复用处理。其灵活性非常适用于AI产业的DNN(深度神经网络)的快速演化。”徐征表示，“DRP可对硬件资源和应用场景做动态调整，做并发处理，帮助在后台做很多场景的匹配和预处理。”例如对可动态加速图像处理算法，达到相比通用CPU快10倍的速度。

类似DRP这类AI硬件的出现，及在兼顾弹性基础上对性能的追逐，实际都是智能制造开始全面步入AI的第一步。

在瑞萨电子的设想里，“首先会提供附加AI单元的解决方案以拓展市场，从而使e-AI实用性得到市场广泛理解，再推进工业终端设备e-AI预安装解决方案普及。”徐征说。这段话大概是瑞萨电子推广工业AI芯片的策略，但或许还能表明，智能制造和数字工厂的AI仍处在新生期，所以前期提供的是“附加AI单元”解决方案。

从宏观到微观世界的数字复刻

而从MCU/SoC的高度继续再往下层或供应链上层走，是EDA厂商。主流EDA厂商目前最特别的存在应该就是Mentor了：这家公司在被西门子并购以后，划归西门子的“数字工厂(Digital Factory)”业务旗下，且愈发看重“工业软件领域”的竞争力，而不只是以前那个，帮助系统与IC设计企业进行高级印刷电路板和芯片设计的EDA厂商。

西门子当年收购Mentor的业务逻辑一直被人多番揣测。Mentor中国区总经理凌琳在接受采访时表示：“我们绝大部分客户，都同时使用机械和电子工具来设计、制造产品。为了让机电一体化产品的设计、工程和制造更高效，一个集成性的软件平台就很重要。”西门子Mechatronics就是连接了机械和电子领域的解决方案。

西门子给予Mentor的投入，另外包括针对更多EDA相关企业的进一步收购，如Sarakol、Infolytica、Austemper等，显然是对上述策略的进一步补全。好比Infolytica在低频电磁模拟，包括电动马达、发电机和电磁设备设计支持方面的能力。所以凌琳说“电子设计、机械设计领域的协同”，“提供了整个闭环的系统设计。”其中的业务逻辑也变得一目了然。这是Mentor受西门子影响之时，践行“工业化之路”的代表。

用时下比较流行的话来说即数字复刻版(或称数字孪生，digital twin)。这个词更像是个营销词汇，EDA的仿真、验证原本就属于典型的“数字复刻版”，是在芯片制造之前的数字复刻，只不过它是对微观世界的复刻。西门子收购Mentor以后的复刻，则既包含宏观世界的机械设计，也包含电子设计。在这套“闭环系统“中打造的数字复刻版，包含了整个生产环境或价值链：产品本身、产品的制造和性能，以及产品制造流程的完整复刻。在生产或制造前期，就对数字世界的产品、机器和设施设备进行仿真与优化，确保后续真实世界的制造生产。

西门子2018财年数字工厂业务营收129.32亿欧元，同比增长11%;西门子PLM技术软件(现已更名为西门子数字工业软件)一年营收约在42亿美元左右。无论是西门子的“数字工厂”，还是西门子数字工业软件公司，都能表征工业4.0带来的经济效益，似乎比单纯的EDA业务更有协同优势。不过也正因如此，Mentor的EDA厂商角色定位，令其在工业4.0+AI方面更具发言权。

在机器学习IP方面，Mentor提供Catapult HLS AI/ML设计套装，帮助芯片架构师和设计师理解如何利用机器学习算法，以及构建起低功耗的硬件加速器。它能够展示如何将数字工具或DNN框架开发的算法，转为可综合(synthesizable)C/C++/SystemC代码，并最终综合为RTL芯片硬件设计语言。中间环节展示哪部分算法在处理器上执行更高效，以及若执行于IC专用硬件单元则能效比会是如何。

这类方案是对AI应用大门的进一步拓宽，或许HLS高层次综合不仅代表了Mentor的策略，它更像是AI在各领域实现普及的趋势，包括工业制造。当然在此过程中，少不了应用层做验证，包括协同建模(co-modeling)、Virtual-ICE、SW debug、性能监测应用等各种应用验证技术。

除此之外，机器学习本身也在反哺EDA工具，比如在芯片测试期间，Tessent Yield Insight能够告诉客户和工厂，影响产量的错误究竟是出现在芯片设计环节还是制造环节;还有利用机器学习提升芯片良率的Calibre Machine Learning OPC(机器学习邻近效应修正)和Calibre LFD with Machine Learning;甚至利用半导体制造数据，来反馈设计优化流程方案，“比如说，同时采用X光和AOI(自动光学检测)的时候，我们可以判断哪些层级X光可以略过，因为X光是个慢速机器，经常会成为制造瓶颈。”

现在的智慧工厂有多智能?

AI的最有趣之处大概就在于，整个技术供应链上的诸多环节，既通过出售AI技术来赚钱，同时自己也是AI技术的使用者。Mentor这样的EDA厂商大概就是最好的例证。在探讨了智能制造解决方案提供商、AI芯片制造商以及EDA厂商这三个层级之后，我们大致上已经将AI现阶段在智慧工厂的价值勾勒出来了，即便从芯片制造商层级就不难发现，AI技术在工业制造中仍在发展初期。

除了文首提及ROJ在数字工厂方面借由西门子方案的实现，如今在世界范围内逐步发展智能制造乃至AI技术的先进工厂大约也不在少数。