在一些制造業(yè)工廠產(chǎn)線上，以AI視覺檢測缺陷已經(jīng)開始代替人力，改變了傳統(tǒng)只能通過人的眼睛及經(jīng)驗來檢測缺陷的方式。
AI視覺通過設(shè)備可實現(xiàn)24小時無間斷檢測，不會產(chǎn)生人眼的視覺疲勞，因而在檢測效率和質(zhì)量上，都有質(zhì)的提升。
IDC數(shù)據(jù)顯示，到2025年，國內(nèi)工業(yè)AI質(zhì)檢的市場規(guī)模達到62億元。但同時，當(dāng)前我國從事產(chǎn)線質(zhì)量及效率的相關(guān)人員超過200萬，每年勞動力成本高達1400億元。
換句話說，工業(yè)AI質(zhì)檢市場有著高達千億元的市場空間，而這部份恰好是”被忽略“的中小企業(yè)的質(zhì)檢需求。
“中小企業(yè)作為經(jīng)濟的毛細血管，他們的智能化轉(zhuǎn)型非常重要，但卻存在供需失衡的現(xiàn)象。”
微億智造&智云天工CEO張志琦表示，許多制造業(yè)企業(yè)，尤其是中小企業(yè)，受限于自身的規(guī)模、資金等因素，加上此前AI質(zhì)檢落地成本高、柔性差等問題，其質(zhì)檢需求遲遲得不到滿足。
因此，必須要改變工業(yè)AI質(zhì)檢原來的落地路徑，從技術(shù)和產(chǎn)品兩端來解決AI質(zhì)檢對于中小企業(yè)落地難、成本高的問題，才能進一步打開質(zhì)檢市場，甚至推動中小企業(yè)智能化轉(zhuǎn)型。
AI質(zhì)檢難落地中小企業(yè)：柔性差、成本高
作為品控的最后一道關(guān)口，質(zhì)檢的重要性不言而喻：產(chǎn)品合格就可以出貨，不合格就回爐重鑄，質(zhì)檢的質(zhì)量關(guān)系到產(chǎn)品的良率以及品牌形象。
過去，產(chǎn)品質(zhì)檢主要依靠人力，需要質(zhì)檢員具備敏銳的視力以及豐富的經(jīng)驗，才能檢測出缺陷的類型。
這種模式的缺點在于，一個經(jīng)驗豐富的質(zhì)檢員本身人力成本并不低，而且質(zhì)檢員的經(jīng)驗很難復(fù)制，加上人本身有生理疲勞，長時間工作對人體的損耗極大。對于中小企業(yè)來說，養(yǎng)一支經(jīng)驗豐富的質(zhì)檢團隊，無異于大大增添了人力成本。
因此很多中小企業(yè)直接選擇縮減質(zhì)檢團隊，在業(yè)務(wù)側(cè)選擇“只換不修”的經(jīng)營策略，節(jié)約的人力成本甚至能 cover 直接換新品的成本。不過，這雖然短期能有效節(jié)約成本，但降低了產(chǎn)品良率；從長遠來看，對品牌傷害太大，屬于飲鴆止渴的行為。
“實際上質(zhì)檢是可以被數(shù)字化的。”張志琦認為，質(zhì)檢是人工智能落地工業(yè)的最佳場景之一。
人工智能可以通過數(shù)據(jù)進行大量的訓(xùn)練，將以前“質(zhì)檢老師傅”的經(jīng)驗沉淀為模型，然后讓機器設(shè)備去做大量的缺陷檢測。一方面，這直接節(jié)約了人力成本；另一方面，機器設(shè)備可以24小時無間斷工作，從而提高檢測效率。
但是傳統(tǒng)的AI質(zhì)檢解決方案，在張志琦看來，存在兩大問題。
-
前期AI的導(dǎo)入成本太高，后續(xù)運維的成本也不低
“傳統(tǒng)的AI質(zhì)檢方案，需要大量的數(shù)據(jù)做模型訓(xùn)練，也需要大量的算法工程師前往產(chǎn)線與客戶溝通，將經(jīng)驗沉淀下來，然后進行算法模型的調(diào)優(yōu)，才能滿足客戶需求。”
類似的質(zhì)檢方案，單是前期的產(chǎn)線改造，成本就要幾十萬元，后續(xù)運維也要大量的人力物力。其主要客戶只能是像華為、比亞迪、富士康等大廠，對于更多的中小企業(yè)而言，基本難以承受。
-
重資產(chǎn)模式部署，柔性較差
張志琦表示，中小企業(yè)生產(chǎn)柔性很強、現(xiàn)金流很弱，多品種、少批量、季節(jié)性等特點十分鮮明；而部署一套方案，從需求到布置成功，就需要幾個月。在這幾個月時間里，市場需求可能已經(jīng)發(fā)生變化，等產(chǎn)線改造完畢，可能工廠都已接近倒閉。
除此之外，對于中小企業(yè)而言，一套質(zhì)檢方案可能只會用到幾次，更換頻率很快，部署傳統(tǒng)的AI質(zhì)檢方案并不劃算。
“傳統(tǒng)的AI質(zhì)檢部署流程，以產(chǎn)品表面外觀缺陷為例：設(shè)備導(dǎo)入周期平均 6 個月，單產(chǎn)品模型訓(xùn)練周期 2 個月，每個項目平均要有 5 位工程師駐場實施，整套成本高達 40~100 萬元；更不用提部分柔性制造業(yè)頻繁的換線需求。”
張志琦認為，傳統(tǒng)的AI質(zhì)檢方案由于成本、部署柔性的問題，導(dǎo)致國內(nèi)大量的中小企業(yè)買不起、用不上，但中小企業(yè)的質(zhì)檢需求非常強烈。一邊是高昂的落地成本，一邊是大量中小企業(yè)的質(zhì)檢需求得不到滿足，這對供需矛盾嚴重掣肘著中小企業(yè)的智能化轉(zhuǎn)型。
因此，在張志琦看來，要改變AI質(zhì)檢落地路徑，從而解決成本高、柔性差的難題。
新解法：AI質(zhì)檢回歸本源，輕部署、低成本
此前的AI質(zhì)檢方案落地，需要大量算法工程師駐守一線，搭建算法模型、訓(xùn)練調(diào)優(yōu)，然后應(yīng)用到產(chǎn)線上，基本上只能定制開發(fā)，無法實現(xiàn)復(fù)用，并且存在換線慢、維護成本高等問題。
這不單帶來了高昂的定制成本，對于中小企業(yè)生產(chǎn)的“少批量”產(chǎn)品，樣本數(shù)據(jù)或許都不夠用于質(zhì)檢模型的開發(fā)。
此外，在模型的訓(xùn)練效果方面，由于前端設(shè)備集采到的數(shù)據(jù)，要經(jīng)過工程師的“翻譯”才能被使用，并不能完全如實反映真實數(shù)據(jù)，不但會造成部份數(shù)據(jù)失真，影響到模型優(yōu)化、質(zhì)檢效果，還會造成數(shù)據(jù)浪費。
“我們以前做AI質(zhì)檢項目，更多是為了滿足項目空間要求，依靠程序員、算法專家翻譯，通過模型將經(jīng)驗轉(zhuǎn)化為生產(chǎn)力。”
這種方法增添了中間環(huán)節(jié)，帶來人力成本增加，和模型效果的損耗。如果能直接將一線工人的經(jīng)驗直接傳遞給模型，讓模型自主訓(xùn)練，就能減少中間環(huán)節(jié)的各項成本。
張志琦認為，人工智能落地的“本”是人的經(jīng)驗和數(shù)據(jù)，因此要“讓現(xiàn)場生產(chǎn)人員深度參與到AI模型的生產(chǎn)過程，讓他們‘作為人的經(jīng)驗’被沉淀下來”；而工業(yè)AI的本是現(xiàn)場的人的生產(chǎn)經(jīng)驗和海量的生產(chǎn)數(shù)據(jù)，要“以生產(chǎn)現(xiàn)場為中心，圍繞生產(chǎn)現(xiàn)場數(shù)據(jù)流的采集、定標、傳輸和迭代，沉浸到制造場景里。”
這相當(dāng)于重構(gòu)了工業(yè)AI“從數(shù)據(jù)采集，到模型訓(xùn)練，再到落地部署”的整個業(yè)務(wù)流程，改變原來AI質(zhì)檢的落地路徑。
舉個例子：
對于一些數(shù)碼產(chǎn)品的質(zhì)檢，前端采集到數(shù)據(jù)之后，對于常見的缺陷類型，設(shè)備會直接匹配算法庫，對比標記；如果算法庫里沒有對應(yīng)的缺陷，系統(tǒng)會主動標記，然后由一線工人進行標注，當(dāng)系統(tǒng)再次檢測到類似缺陷之后，就可以直接標注缺陷。
整個過程中，沒有專業(yè)化部署的環(huán)節(jié)，相關(guān)的算法模型直接沉淀在設(shè)備中，模型導(dǎo)入生產(chǎn)現(xiàn)場的過程迅速且輕量，實現(xiàn)經(jīng)驗可復(fù)制；系統(tǒng)也會基于現(xiàn)場生產(chǎn)的實時數(shù)據(jù)進行優(yōu)化學(xué)習(xí)。同時，一線工人從費神費力的質(zhì)檢工作中解脫出來，做類似于標注師的工作，也能減輕工作負擔(dān)。
這種輕部署、低成本、柔性強的模式，更適合規(guī)模不大但又有質(zhì)檢需求的大量中小企業(yè)。
AI質(zhì)檢向下：從大廠拓展至中小企業(yè)
AI質(zhì)檢正在由定制化向輕量化部署轉(zhuǎn)變，從大廠的專屬變得更加‘親民’
張志琦認為，這種變化，反映出國內(nèi)制造業(yè)企業(yè)智能化轉(zhuǎn)型趨勢：從少數(shù)高端制造業(yè)拓展至更廣闊的中低端制造業(yè)。
作為前SAP中國區(qū)副總裁，張志琦是最早接觸德國工業(yè)化4.0的人之一，曾試著將德國工業(yè)化4.0引入到國內(nèi)。
在此過程中，張志琦發(fā)現(xiàn)，由于工業(yè)化4.0標準化程度太高，只有少數(shù)高端制造業(yè)、大廠，如富士康、比亞迪等大廠才愿意做投入。并且投入之后，短期內(nèi)看不到業(yè)務(wù)結(jié)果，ROI周期太長，中小企業(yè)完全做不到。
2017年10月，張志琦加入百度，任百度云副總經(jīng)理，負責(zé)整個百度的AI商業(yè)化。在此期間，百度開始尋找人工智能在工業(yè)的落地場景，最終以AI質(zhì)檢為切入點，并推出了“百度天工物聯(lián)網(wǎng)平臺”。
2020年7月，張志琦從百度離職，加入釘釘，負責(zé)釘釘商業(yè)化。不久，張志琦選擇自主創(chuàng)業(yè)，并成立了智云天工，一家做企業(yè)數(shù)智化轉(zhuǎn)型的公司。
2022年底，智云天工與微億智造完成合并，張志琦出任CEO。
微億智造成立于2018年，以工業(yè)AI質(zhì)檢為核心，利用AI+機器視覺，做工廠的智能化改造。
張志琦認為，工業(yè)制造智能化轉(zhuǎn)型，只聚焦大企業(yè)、高端制造業(yè)，而忽略中小企業(yè)，這種思路并不正確。中小企業(yè)在經(jīng)濟結(jié)構(gòu)中起著基礎(chǔ)性作用，中小企業(yè)智能化轉(zhuǎn)型成功，整個產(chǎn)業(yè)才能得到升級。
從商業(yè)角度看，中小企業(yè)的智能化轉(zhuǎn)型需求很大，即便客單價低，但市場規(guī)模也非常大。其中，AI質(zhì)檢作為產(chǎn)品走向市場的“最后一公里”，如果能做到將AI質(zhì)檢讓更多中小企業(yè)“買得起、用得上”，一定程度上也推動著制造業(yè)的智能化轉(zhuǎn)型。
因此，智云天工與微億智造選擇合并，并且推出了“工”“靈”兩個系列的產(chǎn)品。
具體來看，“工”系列包括工小匠、工小智和工小匯。
工小匠定義為“AI數(shù)字質(zhì)檢員”，旨在替代傳統(tǒng)人力質(zhì)檢，可實現(xiàn)柔性部署；工小智則是“AI產(chǎn)線管理員“，旨在實現(xiàn)生產(chǎn)過程的可視化管理；而工小匯是“AIoT數(shù)字工廠管理員”，用于整個工廠的智能化管理。
以工小匠為例，其具備快速切線的能力，對企業(yè)已經(jīng)部署的不同類型的光源、鏡頭、機械臂均可實現(xiàn)兼容，以應(yīng)對不同的檢測需求。在軟件功能上，也具備在不同產(chǎn)品的檢測模型中進行一鍵切換。
“靈”系列包括靈眸OCT缺陷檢測儀、靈鏡PMD高反表面檢測儀、靈陣OMX復(fù)眼陣列模組，適用于3C、半導(dǎo)體、精密光學(xué)等行業(yè)，以及光學(xué)鏡片、晶圓等高反光材質(zhì)。
張志琦表示，兩個系列都是模塊化設(shè)計，可實現(xiàn)即插即用；硬件產(chǎn)品可以兼容中小企業(yè)已有的信息系統(tǒng)，而工小智、工小匯這類 SaaS軟件，也能接入企業(yè)已有的硬件設(shè)備，并與信息化系統(tǒng)實現(xiàn)橫向拉通。
“工系列是軟硬結(jié)合的解決方案，靈系列則是缺陷檢測的硬件產(chǎn)品，兩者相互配合，并且都具備柔性化部署能力，成本上遠低于定制化AI質(zhì)檢方案，適應(yīng)中小企業(yè)‘多品類、小批量’的質(zhì)檢需求。”
張志琦認為，AI質(zhì)檢的柔性化部署已經(jīng)是不可逆轉(zhuǎn)的趨勢。以前提制造業(yè)轉(zhuǎn)型，只有少數(shù)大企業(yè)愿意去做嘗試，中小企業(yè)有需求沒資金，制造業(yè)轉(zhuǎn)型更像是一個方向，一句口號。
但伴隨著人工智能落地、各種技術(shù)的突破和產(chǎn)品迭代，AI質(zhì)檢的落地成本進一步下探，越來越多的中小企業(yè)能夠買得起、用得上。
“制造業(yè)智能化轉(zhuǎn)型正逐漸落地為實際。”
