疫情前，丰融出差去了趟重庆，跟一个客户谈工业大脑的方案。但项目还没来得及落地，疫情已经到来。

丰融是阿里云工业大脑首席解决方案架构师。春节期间，客户跟他电话沟通时，表示非常后悔，如果能早三个月接触，项目在春节前落地，如今就可以用工业大脑托管控制系统，无需再为招工发愁了。

疫情前期，可谓一工难求，甚至加钱员工都不愿意上工。这也在悄然改变产业方对于工业智能的看法。

在新基建七大领域中，有三个（大数据中心、人工智能、工业互联网）直接与智能制造相关，政策的引导与扶持，也为工业智能的落地与传统企业的智能化转型带来良好的契机。

自2017年以来，科研大牛、AI公司相继涌入工业领域。前不久，原腾讯杰出科学家、优图实验室 X-Lab 负责人贾佳亚离职创业，智能制造便是新公司发力的重要领域。

再往前翻，前阿里云机器智能首席科学家闵万里去年亦离职创业，成立北高峰资本，制造业也是三大聚焦方向之一。

然而，当每一位创业者、变革者拿起AI的工具，叩响工业之门时，扑面而来的是前所未有的挑战，不仅有工业机理、领域知识的屏障，还有数据匮乏、模型泛化的挑战，更有传统企业的认知问题与信任缺乏。

面对“AI工业落地之深坑”，无论技术提供方，还是产业方，该如何走出？

透过阿里云工业大脑、库柏特科技、阿丘科技、杉数科技等在工业领域的实战，看他们如何从“深坑”中趟出一条工业智能之路。

01 企业几乎必遇的“深坑”

在清华大学人工智能实验室还未毕业时，黄耀就创办了阿丘科技，如今已在工业视觉赛道摸爬滚打了3年多。

创业以来，他一直聚焦解决工业检测问题，跑了不下100个工厂，看到了行业的无数坑，自身也踩过许多坑。

AI在工业检测领域的落地，如同技术成熟度曲线所演绎的那样，整个过程中会存在一个低谷，黄耀称之为“AI工业落地之深坑”。

他坦言，刚开始接触AI时，客户的工程师往往比较兴奋，愿意去尝试，用AI尝试解决之前不可解的工业视觉难题，小样本测试的结果通常非常好，比如传统方法的识别准确率只有50%，而AI很短时间内就可以做到超过80%。

这给了他们期望，推动公司投入更多资源进行AI项目导入。可是当进行大量样本测试时，尽管增加一定的数据可以让模型准确度进一步提升，比如达到90%，但瓶颈随之出现。

盲目增加数据，带来效果不一，有的缺陷项检测效果可能变好，有的准确率反而会下降。此时往往进入一个震荡期，工程师陷入其中而不得其解。

黄耀称，这种情况在AI落地工业检测过程中遇到的概率高达90%以上，几乎是必遇的坑。

这一精度对工业而言，显然远远不够，AI难以达到上线要求。一些人开始失望，深度学习似乎远没有达到预期，许多AI项目逐渐搁置或边缘化。

这就是AI工业视觉落地之深坑。工业领域经常会出现一种情况，两张差不多的“缺陷”照片，一张能够被AI检测出来，另一张却没有，甚至不明显的被检测出来，明显的却被漏掉了。

此时，工程师需要的不是盲目增加数据，而是理性分析，找出问题的根源，优化直至模型达标上线。

正如库柏特创始人李淼所言，AI很大程度取决于数据和场景。

工业AI问题的解决不能只局限问题本身，更应该基于工业应用的一般流程，从全流程中去优化关键问题，这也是运营的关键。

在AI落地的流程中，每一个环节都值得推敲。李淼称，场景选择非常重要，不能太大，否则数据千奇百怪，也需要与大量行业专家沟通，合理定义问题的边界。

数据获取直接影响模型的效果，往往需要算法工程师到现场搜集，成本很高，并且对标注人员要求较高，需要懂得行业知识。

除了数据环节，后期的部署运维也需要耗费企业很多时间，进行实际样本测试，算法人员驻场观察，优化模型等。

从整个流程来看，中间的模型训练环节，反而不是AI公司的主要障碍，两端则耗费大量的时间成本与人力成本。

除了技术之坑、业务之坑，AI在工业落地中还面临领域知识之坑、公司定位之坑、商业模式之坑等等。

趟过一个个坑，这些公司完成了工业AI落地的从0到1，并实现一定规模的落地。透过他们的落地之路，更有助于我们思考，如何走出AI工业落地之深坑。

02 砍掉98%业务，不做什么更重要

波士顿动力机器人近乎花哨的表演，几乎每隔一段都会上演。但业内人都清楚，它离实际场景太远，并且难以商用。因为工业场景对机器人的精度要求极高，低于99.9%甚至无法商用，远非实验室可以达到。

在库柏特创始人李淼看来，机器人面临的挑战可分为3类：一是做不了，任务挑战太大，智能性不够；二是做不好，柔性不够，适应性差；还有一类是不想做，细分市场规模较小，盈利空间有限。

面对这些挑战，机器人公司一方面需要结合AI、传感器、工业软件等提升机器的智能性与适应性；另一方面，也需要结合技术成熟度与市场判断，选择合适的“主战场”。

创业近4年的李淼，趟过无数坑后，做的一个艰难决定便是做什么、不做什么，定位在哪里，选择什么商业模式。

库柏特定位于机器人操作系统，即给定一个真实任务，就可以从平台中找到对应的机器人系统，来解决这个问题。它跟机器人本体进行打通，针对系统集成商的需求，面向行业提供解决方案。

在最开始的AI落地中，ToB的创业公司往往会接触大量场景，打磨技术同时培养产品化能力。

2018年，库柏特广泛涉猎了3C电子、汽车零部件、食品、物流、医疗等众多领域，但绝大多数时间都用在了“脏活”（dirty work）和极端案例中。

“你费半天劲解决某个复杂技术难题后，可能只卖出去一套。一开始，对方说要一百套。”李淼曾谈道。

与集成商和设备商合作，还是直接面向终端客户提供服务，是一个艰难的商业选择。

李淼想要针对大的市场，实现机器人系统的产品化和规模化。但深耕在集成商与设备商之后，企业很难把握终端客户与市场的真实需求。

后来他决定转变，与渠道合作，直接与终端客户签订合同。既然决定铺渠道和规模化，他又砍掉98%不成熟的业务，将重心浓缩为一个平台（操作系统），两个领域（智能检测和柔性抓取）。

具体到一个场景，以香菇分拣为例，机器人系统的落地并不容易，数据就是尤为突出的一个挑战。

其业务逻辑为，送料系统运输香菇到检测环境，经由光源与相机，获取一张图像，传回智能控制器进行决策，除了判断优、良，还需要进行分类或剔除，分装到不同箱子中。

这一工作原来由人工完成，早期并无数据积淀，需要算法工程师现场采集一个个香菇数据，并进行标注。

但这一看似简单的活并不容易。香菇个体有近10个维度的差异，包括花色、菇腿、卷边、薄膜、残缺等，需要存储大量领域数据。

数据标注的专业性也相当高，非专业人士标注水平比不上分拣工人，一个工厂中往往标注水平最高的是厂长。经由他们标注的图像，能让算法识别率跃升一个新高。

此外，香菇特征很丰富，每个厂家的分类标准也不同，这对算法带来很大挑战；并且这样一个实时性高的场景，对于算法的稳定性、决策的实时性也有更高要求。

目前库柏特的香菇分拣准确率可达90~95%，结合这一场景的特性，已能够实现规模商用。

李淼称，一台机器可替换4~6人，一条产线一般配5台，可替换20~30人。这些工人一年最少也要100万工资，而他们的产线目前售价75万，6~10个月客户就可以收回成本。

一直以来，行业似乎更看好AI在自动化程度更高、数据更好的汽车、3C等领域落地。从库柏特的案例来看，劳动密集型的食品加工业，无论材料或配方，往往变动更小，未尝不是一个好的AI落地方向。

03 问题导向，将AI和传统视觉结合

对于投身于工业视觉的阿丘科技而言，清晰认知AI能做什么，不能做什么，以及将AI算法和传统算法相结合去解决具体问题，是实现AI工业落地的重要一步。

工业视觉主要有四个应用场景，一是测量，比如计算两点间的距离；二是识别，比如读取各种条码；三是定位、引导，识别位置，引导机械臂抓取或组装等；四是检测，典型的就是缺陷检测。

阿丘科技创始人黄耀解释，2D/3D测量更强调精度，核心在于光学和传感器，对硬件要求高，不是AI的主战场。

识别，算法复杂度不是很高，也不是工业AI的主战场。特殊场景复杂OCR识别（光学字符识别），需要用AI才能很好解决。

定位分2D定位与3D定位，工业领域大部分定位场景不需要AI来做。定位应用中，AI在一些种类较多的场景价值较大，比如物流领域，有成千上万种SKU，场景较为复杂，适合AI来做定位、分拣等。

至于检测，他认为这是AI的主战场，“AI在工业视觉的最大价值点，是解决复杂的缺陷检测，这属于行业难题，AI为它提供了新的可能性。”

而传统视觉检测存在一系列问题，比如难以解决复杂检测；存在过检误报过高，需要人工辅助复检；重光学、重算法，对集成商、设备公司要求高；并且后期算法补丁越来越大，维护难度大。

但黄耀坦言，国内能够做一定复杂度的缺陷检测的公司很少，很多做的属于轻量简单检测，比如判断有无等。

一个典型的证明是，在黄耀去过的上百家工厂中，2017年质检员约占10~20%，但到2019年质检员已占到超30%。随着自动化水平的提升，组装的工人在减少，但检测端，受限于技术等问题，仍需靠人力。

因为在复杂的缺陷检测中，每种产品可能存在数十种到数百种的缺陷类型，且每种缺陷存在多样的形态和变种，可能分布在产品的任何一个位置。此外缺陷的认知，还存在人员间的主观差异。这些都增加了问题的解决难度。

以一个小小的连接器接口为例，涉及到的缺陷种类相当多，包括划伤、脏污、溢胶等复杂缺陷。

除了界定好问题，有针对性的获取缺陷数据，并不断优化AI模型外，还需要以具体问题为导向，综合深度学习和传统视觉，发挥各自的长处，来解决问题。

针对胶圈间隙大、圆点超二分之一等精度测量问题，阿丘科技采用传统视觉算法解决；针对套筒溢胶、套筒粘胶等难以察觉、且可能分布任意位置等问题，他们主要采用AI算法检测。

不仅如此，针对金手指刮伤/粘胶、端子粘胶包胶等其他问题，阿丘科技会动态调整算法，或以AI检测为主，传统算法为辅，或传统算法为主，AI检测为辅，来解决实际问题。

目前阿丘科技的工业AI视觉平台已落地多个行业，数十个应用场景。

04 对行业理解越多，越充满敬畏之心

阿里云探索工业大脑已三年有余。

其主要思路是，把生产全流程的数据打通汇聚，构建工业数据中台，进而通过算法挖掘出数据的价值。简单来说就是数据智能。

互联网起家的阿里云，天然具备AI、大数据、云计算的沃土，这也是其最初探索工业领域的三项核心技术。

然而随着工业领域探索的深入，互联网人的局限进一步暴露，不懂工业机理，不懂领域知识。一个项目，往往需要AI算法人才、行业专家、行业集成商/方案商等多股力量，才能将工业大脑落地。

这也是很多AI创企遇到的问题，以至于对行业理解越多，越充满敬畏之心。

阿里云的一个转变是，将专家知识库纳入核心技术版图，更加重视行业专家的力量，将传统机理与数理结合。

数据中台，是阿里云工业大脑的核心能力之一。在落地钢铁、水泥、化工等不同领域的过程中，他们也在深化对于工业数据中台的认知。

阿里云工业大脑首席解决方案架构师丰融称，数据中台最核心的部分是中间层，今天数据中台能不能做成，很大程度取决于中间层数据的治理是否合理，是否足够完善，能否支撑上面的业务体系。

目前工业领域的现状是，企业内部数据往往割裂成孤岛，直接使用容易变成数据烟囱，数据治理尤为重要。

只有中间层搭建好，这些跨领域的数据才能碰撞，发生化学反应。

以某水泥集团为例，它面临的一个主要问题是熟料生产能耗高。在水泥行业，能耗成本约占生产经营成本的60%，其中主要能耗来自电耗和煤耗。

阿里云通过工业大脑来托管水泥产线控制，通过模型来推荐相关指标参数，相比人工更稳定、合理性更高。目前工业大脑可将吨熟料煤耗降低0.64%，将熟料工序电耗降低1.23%。对于水泥企业而言，任何一个点的提升，一年都可以节省数百万成本。

丰融称，目前工业大脑已经托管了水泥产线90%以上的控制场景，客户反馈，工业大脑基本达到中级操作员水平。

疫情期间，招工难、人工紧缺之下，AI工业自动化可谓正当时。而随着复工复产，如何优化运营，进行智能供应链决策同样重要。

杉数科技联合创始人&CPO王曦称，企业在做供应链决策时，往往存在4个问题：

看不清，难以看懂市场需求的波动性；靠人工，一方面靠人工做各类生产/销售计划，另一方面针对现有软件给出的不合理结果，需要手动调整；效果差，订单满足率、生产成本、仓储成本等难以优化；难应变，需求端变化、产能端变化、接单插单、转产等运营问题，难以应变。

针对这些问题，杉数科技推出智能供应链决策平台，来辅助企业的生产计划、调度计划、销售计划等业务决策。其核心技术是依托运筹学和机器学习等搭建的杉数优化求解器（COPT）。

以某ICT行业巨头为例，原来单工厂、不透明的计划排产系统难以满足业务需求，面临工厂间协同生产效率低下的问题。

它有数十个工厂，超过10万个零部件半成品，需要做一个28天+10周的订单排程与需求预测计划，这中间存在上亿种可能性，千万级限制条件。

杉数为其打造一个最优生产计划，可详细到每一个零部件加工指令，同时包括原材料到货指令、建议采购计划与异常分析、预警等。

最终使客户的订单满足率提升20%，产能损失率降低30%，人工干预降低70%，带来生产端资源池的盘活，效率较大提升。

针对机器决策，王曦也谈道，智能决策的目的不是替代人工，而是一个决策辅助工具，它要把人们从那些容易出错，无法全局寻优的工作中解放出来。

针对预测、分类问题，人类的先验知识非常有价值，模型不一定准确，因为数据驱动的预测，本质只能解决历史数据规律的最大化挖掘，但历史数据不代表未来。

而决策建议，当我们给定约束，比如产能、订单、原材料、库存等，可以让机器去最优化一些目标。人可以找到一个合理解，但未必是最优解，这正是机器的价值。