未来机器人在工厂中的应用|AI生成图片

智能制造作为人工智能的关键应用领域，近十年来备受期望。然而，在制造业的生产流程变得更加复杂，技术安全要求更高的情况下，人工智能很难单独实现全方位的生产整合。通常情况下，这需要多种技术的综合运用和系统创新能力，覆盖整个生产制造过程，包括设计、生产、管理和服务等各个环节。只有通过系统性的技术升级，制造过程才能实现智能化，实现自我感知、自我学习和自我执行。

近年来，人工智能取得了显著的进展。从2016年出现的AlphaGo到2022年底引发互联网轰动的ChatGPT，人们逐渐认识到，人工智能已经渗透到各行各业和我们的日常生活中，产生了深远的影响。

制造领域也不例外。自《中国制造2025》等相关政策文件出台后，企业对数字技术的应用认知有了显著提升，我国智能制造行业保持了快速的发展势头。以机器视觉和深度学习为代表的技术在产业中的应用不断深化，特别是在工业质检和高端制造等领域，受到越来越多的青睐。

然而，要进一步推动基于深度学习的机器视觉系统在工业制造领域的实际应用，以及打造卓越的工业智能系统，仍然面临着多项挑战。

智能制造领域：AI技术期望实现哪些重大突破

与金融和企业软件等行业相比，工业制造业在实施数据驱动的人工智能解决方案方面面临更多挑战和复杂性。这些挑战源于多方面原因，需要认真考虑和克服。

首先，工业制造领域的数据稀缺性是一个显著问题。由于产品形态多变且生产场景复杂，获取足够丰富的数据以训练有效的算法模型变得极具挑战性。此外，算法模型的训练成本相对较高，增加了实施数据驱动AI解决方案的经济压力。

其次，大多数工业系统的控制速率在毫秒级别，这要求AI计算必须在边缘设备上执行，以确保实时性和响应性。然而，在这一环境下，还必须充分考虑安全和隐私问题，增加了技术实施的复杂性。

此外，工业制造流程本身的复杂性也是一个挑战。它涵盖了多个领域，需要跨学科的协同合作，以使技术的实施变得更加复杂和综合。

鉴于这些挑战，我们认为在工业制造中应用人工智能时，有一些系统性的研发方向值得特别关注和持续创新。这些方向包括计算成像、小数据智能、AutoML、边缘智能以及适应性模型加速技术和智能机器人等。接下来，我们将分别详细介绍这些方向，以便更好地理解它们在工业制造领域的潜在应用和发展前景。

计算成像

精准成像在感知和视觉计算领域扮演着与人类眼睛相媲美的角色，它被认为是决定算法应用范围的关键因素之一。计算成像是一项综合了光学硬件、图像传感器以及算法软件的先进成像技术，旨在克服传统成像技术在信息获取方面的限制。在复杂多变的工业制造领域，计算成像技术具有显著的优势，能够在信息获取能力、成像功能以及核心性能指标方面实现重大突破。

目前，我们已经深入研究和应用了与计算成像相关的光度立体视觉和多光谱成像等领域。举例而言，我们开发了高速2.5D工业成像系统，其核心成像算法包括经典的朗伯光度立体视觉算法。该系统通过多角度光源下的2D图像捕捉，能够准确估算物体的几何形状，有效提取物体表面的形状信息。随后，通过图像增强的后处理算法，我们能够进一步提升结果的信息质量和提取效率。经过在具有挑战性的工业环境中的充分验证，该系统展现出了出色的性能，能够稳定地捕捉深度或宽度不小于0.5mm的缺陷。

小数据智能

在精准成像的基础上，机器需要具备"认知"世界的能力，理解各种事物。虽然大数据和大模型的应用在人工智能领域取得了显著进展，但在传统行业如工业制造中，直接应用这些技术依然面临着困难。其中一个主要原因在于，许多传统企业难以收集足够的特定数据来支持人工智能模型的训练，并且不同场景中样本的分布不均衡。

未来，制造业中人工智能的发展趋势之一将是小数据智能，这意味着我们可以通过少量样本数据来发现规律和模式，从而提高工业数据的效率和准确性，适应多样化的制造场景，就像人类可以通过少量示例快速学习一样。

目前，小数据智能受到广泛关注，涌现出了各种处理方法，包括小样本学习、迁移学习、自监督学习以及数据合成等。我们已经研发了一系列方法，如环境感知遮罩（Context-aware Prior Mask）和环境感知原型学习（Context-aware Prototype Learning），这些方法都能够有效提升模型对于全新类别极少量样本的学习和识别能力。

AutoML

自动化处理和优化能力是AI应用领域的一项关键挑战。传统的AI模型开发通常是一项智力密集型工作，需要具备丰富的专业知识和大量时间来构建合适的模型。而自动机器学习（AutoML）是一种自动化过程，旨在简化AI模型开发中耗时的重复性任务。通过AutoML，算法模型的开发流程变得更加简单，只需少量的代码就能生成模型，从而提高工作效率。

在复杂多变的制造业环境中，需要不断更新和优化AI模型，AutoML可以实现更快速的自动模型训练，使那些不具备AI算法背景的人员也能轻松使用机器学习来解决问题，提高生产效率。AutoML有望实现广泛的人工智能应用，并帮助制造业解决人才短缺的问题。

边缘智能与适应性模型加速技术

考虑到工业领域对隐私保护、实时性和可靠性的需求，边缘计算必须具备强大的计算和智能能力，以提供最佳的终端设备解决方案。

边缘智能涉及到更强大的计算、存储、数据传输和边缘网络等技术，而AI软件领域的一个重要发展方向是适应性模型加速技术，即在不降低模型精度的前提下，提高模型的运行速度，从而更好地满足工业需求。

目前，我们已经在多个方面进行了提速的研究，包括神经网络搜索、知识蒸馏和网络量化等。对于知识蒸馏，我们提出了基于温度的蒸馏方法和基于知识图的蒸馏方法；在神经网络搜索方面，我们设计了全新的搜索空间，并与知识蒸馏技术相结合，以在保持模型精度的同时压缩模型大小；在网络训练完成后的量化方面，我们为工业场景设计了特定的校准方法和微调技术。

未来机器人在工厂中辅助搬运货物|AI生成图片

智能机器人

智能机器人是一种综合了机械、电子、控制等多种先进技术的综合体，在实现智能制造方面扮演着核心角色。如果将机器视觉比喻为"眼睛"，那么智能机器人可以看作机器视觉的"手"，只有两者相结合，才能深刻地改变工业制造。

智能机器人在智能制造领域具有广泛的应用前景。结合深度学习等技术，它们能够具备准确的感知和决策能力，更好地理解和适应复杂的环境。通过自然语言交互和多模态感知技术，智能机器人可以与人类协同工作。例如，在生产线上，机器人可以听取指令，使用摄像头和传感器感知周围环境，然后根据指令进行精确的操作，包括检测、识别、抓取、对齐和等任务。

智能制造需要什么样的技术？

然而，单纯依赖人工智能（AI）技术的进步来赋能制造业是否足够？根据我们的经验，随着进一步深入工业制造领域，我们会发现制造业分支众多，工艺流程复杂，对专业知识的需求非常高。AI算法只是解决方案的一部分，材料、方法、环境等因素都可能成为关键因素，而这些问题对于纯粹的软件型人工智能企业来说都是巨大的挑战。

举例来说，让我们考虑一种广泛应用于智能工业质检的视觉模型。除了模型性能之外，能够在资源受限的平台上最大化算法的效能和性能也非常关键。有时候，视觉检测的前提条件——有效成像，同样至关重要。

我们曾经为一家全球领先的光学制造公司设计了一种镜片隐形二维码识别设备，这在产品质量追溯的过程中扮演着重要角色。这个设备需要在各种曲面类型的玻璃镜片上准确识别直径仅为0.125毫米的隐形二维码。这不是一个简单的视觉识别算法可以轻松解决的问题，其中的技术挑战困扰着这家光学公司的几乎所有供应商以及许多工业视觉公司。

我们最终找到的解决方案不仅涉及视觉算法，最为关键的一环是研发一种特殊的膜材料。因为在识别镜片上的隐形二维码时，镜片的材料必须能将光源分解为比125μm还小的光束，以使二维码可见。然而，膜的厚度和折射率等因素会影响光的传播，甚至在某些角度下会导致光在膜中全反射，从而导致二维码无法被检测。

因此，我们花费了大量时间和精力研究膜材料的工作原理，购买各种原材料进行验证，最终选择了一种多面体微钻石结构的光源反射膜。这种膜材料能够兼容不同曲率和折射率的镜头，将光束从不同方向平行射出，以稳定成像并进行识别。

通过以上案例，我们希望引发思考，究竟什么是智能制造？简而言之，它意味着让制造业具备思考的能力，需要利用人工智能和信息通信技术（ICT），并覆盖整个生产制造流程，包括设计、生产、管理和服务。通过系统化的技术升级，制造过程最终能够实现智能化，实现自感知、自学习和自执行。

在整个系统中，要实现解放人力和提高制造效率，需要跨学科的融合和系统创新，涉及到硬件设计、机械工程、自动化、电子技术、光学等多个学科领域。尽管AI技术的突破至关重要，但它仅是系统创新过程的一部分。只有构建完整的技术和产品体系，才能够为智能制造提供全面的服务。

系统性技术创新与产品架构优化

然而，仅仅依赖人工智能（AI）技术的进步是否足以支撑制造业的发展？根据我们的经验，随着进一步深入工业制造领域，我们会发现制造业具有多种细分领域、复杂的工艺流程以及对专业知识的高度需求。AI算法只是解决方案的一部分，材料、方法、环境等因素都可能成为关键因素，这些问题可能对纯软件型的人工智能企业构成不小的挑战。

在软件与数字化系统、智能传感器和智能一体化设备的产品体系方面，我们已经取得了重要进展。在工业视觉检测场景下，我们将进一步从精度、速度和稳定性三个方向进行讨论。

高精度方向

工业视觉检测不仅要求机器视觉系统提供定性描述，还需要满足严格的定量标准，这要求智能系统实现特定的高精度，其中包括以下两个方面：

1. 高精度测量：在工业场景中，对于产品的尺寸有着严格的要求，尤其是对于精密器件。稍有尺寸偏差就可能导致产品功能故障，从而导致生产中断。在智能检测中，需要实现对产品核心尺寸的精确测量，以提前警示可能存在的不良品。这包括2D和3D场景的器件尺寸测量、器件距离测量以及平整度测量等。

2. 高精度识别：除了高精度测量，工业企业还对识别精度提出了极高的要求，但面临着各种现实挑战。例如，AI模型通常需要大量样本来进行训练，但在工业制造领域，实际生产中的数据样本呈现出长尾分布，因此需要采用数据增强等技术来解决数据不足的问题。此外，需要应用正则化技巧以进一步防止模型的过拟合。另一个挑战是，需要区分缺陷图片和正常图片之间的微小差异，这可能需要采用细粒度分类等方法，同时研发新的损失函数和特征提取层来更好地识别不明显的缺陷。

速度方向

在工业视觉检测中，提高检测速度是关键。传统的视觉检测设备通过多次搬运产品到不同检测工位，使用不同角度的相机来检测产品的不同位置，导致检测速度较慢。要提高检测效率，需要采用多轴联动技术，使一套视觉系统能够在一次装夹中实现多面检测。此外，为了实现360º全方位无死角的视觉检测，需要使用高柔性的立体视觉系统，并结合高速、高精度的多轴联动运动控制系统，以快速获取立体工件的任何表面和位置的细节图像。

稳定性方向

稳定性是不可忽视的关键因素，工业互联网环境的稳定性是实现智能制造的前提。在这个方向还有很多值得提升的地方。

1. 扩展性强的分布式集群架构：工业现场的情况复杂多变，需要具备弹性能力，以在高流量的请求高峰期增加计算服务数量，同时具备自我修复能力。此外，需要支持增加节点扩展部署规模等操作，以在必要时扩展平台能力，提高系统稳定性。可扩展的分布式集群架构是满足这些需求的技术支持。

2. 设备设计、仿真、控制和测试等技术的稳定性增强：在工业检测设备中，需要精确控制多轴仪器的高频率启动、停止、加速和减速，以实现多轴运动姿态的自由调整和排序。对于高速运动下，需要独特的设计和分析方法来分析各轴关键零部件的位移和应变状态。为了确保检测设备和智能传感器在高强度工况下的

人工智能在工业制造领域的实际应用是一个不断探索的科学与工程过程。它不仅需要先进的软件算法，还要深入了解工业制造的各个流程，具备跨学科的知识，理解机制，并能够将这些知识转化为实际技术的能力。这种系统化的综合能力，实际上是决定智能制造企业核心竞争力和进入门槛的关键因素。

随着系统性的硬科技创新不断涌现，智能制造正处于不断提升和完善的过程中。这个领域值得每一个有志者持续深入研究和不断提高自己的技能，共同推动更加智能、高效、安全和可持续的生产方式的实现。

我们要感谢这个时代，因为它为我们带来了众多智能制造领域的机遇，以及需要我们投身其中去改变和突破的挑战。我们也非常高兴能够参与到这个激动人心的发展浪潮中，成为推动行业发展的新生力量。