如何走通企业数智化落地的“最后一公里”，让无人工厂不再纸上谈兵？ 第1页

科学技术是第一生产力，技术革新推动制造业升级

1913年4月1日，世界上第一条流水装配线在福特汽车工厂诞生。借助高效的流水线，汽车价格从800美元降到300美元。自此以后，汽车不再是富人的专利，它走进了千家万户。

后来，以日本丰田提出“精益生产”理念为代表，产品质量在这一时期得到了大幅改善，消费端产品形态也更加丰富多元，马路上奔驰的不再是千篇一律的黑色汽车，更多款式、更多型号的汽车纷纷涌现。

为应对去年特殊情况，世界各国的劳动人民们各显神通，他们在家庭小作坊制作口罩，在整洁的工间里缝制口罩，还有的企业紧急改造原有生产线，全自动生产口罩。

从刚才的两个例子可以看到，运用标准化流程和更高效的工业设备，我们能够极大地提高生产效率，降低产品的生产成本。这和题中的数智化落地又有什么关系呢，不妨先回顾历史，再了解下相关政策。

当前我们正在步入工业革命 4.0 阶段，以5G、人工智能、大数据、云计算、物联网、区块链等为代表的数智技术逐渐走向成熟，引领制造业再次升级，人与机器之间的交互从体力上的协同升级为脑力（决策）上的协同，从而迈向智能化生产阶段。技术革新不仅带来生产效率的提升，还将进一步提高供需之间的适配性，满足需求侧个性化和求新求变的消费趋势，为用户带来更好的消费体验。

为了实现智能制造，需要

1. 整合数智技术完成信息从采集、传输、存储、分析到反馈的闭环流程；
2. 数智技术与制造技术的双向融合。

数智技术是推动智能时代信息产业发展的技术集合，包括更低成本的信息采集设备，高带宽低延时的5G传输技术、万物互联的IoT技术、大容量存储和高性能计算的云服务，以及对海量信息高效分析的人工智能技术等，它们与制造技术融合应用推动制造业数字化转型进程，引领制造业完成“智”升级的战略目标。

走完智能制造信息闭环主要经历三大阶段——数字化、网络化和智能化：

1. 利用信息采集技术，包括 MEMS 传感器、智能摄像头、智能终端等感知设备实现物理世界数字化过程；
2. 结合5G、物联网等通信传输技术完成不同节点间低成本的高效连接和交互，加速数据的流通和共享；
3. 基于云边计算和人工智能技术，进行低成本存储、处理海量数据资源，并通过智能化分析形成一系列决策指令，以指导价值链各环节的企业活动。

其中，每一阶段的完成程度决定下一阶段技术的应用价值，换句话说，数字化和网络化是企业实现智能化的必要前提。

智能制造是在数据驱动下完成“获取信息、抽象知识、形成认知到解决问题”的过程。数据是获取知识的基本要素，洞察关键数据的内在关系是形成决策的前提，这就要求企业在数智技术应用中要融合对制造技术的认知，深刻了解生产工艺特点、掌握制造流程变化，才能进行高质、高效的数据采集和积累，在此基础上才能真正走完上述信息闭环。

在新旧动能交替之际，主要国家都将制造业升级作为战略重心和博弈焦点，智能制造成为主要抓手，从国家到企业纷纷谋篇布局，相继出台政策方针、实施规划，希望通过数智技术创新和应用提升制造业竞争水平，强化国家综合国力，抢占未来经济和科技发展制高点。

光说背景与概念会有些抽象，接下来结合具体的案例为朋友们进行展示。

AI全生态+云边端全流程助力智能制造，以京东方为例

我的研究方向正是边缘智能，希望在云边端协作的前提下，部署计算机视觉算法帮助人们完成任务。制造业中有很多相关场景，比如：瑕疵检测、异物检测、精密加工、产能预测、园区管理等。

就以我现在面对着的这块屏幕为例，世界上有四分之一的屏幕来自京东方。为了生产优质屏幕，缺陷检测是很重要的环节。此前的传统检测方式是通过电学或光学设备对产品进行测试比对来判断是否与初始设计相符，但这只能对缺陷进行定位，要获知缺陷严重程度、引发原因以及是否可修复，则仍需人工干预。

因为需要人的参与，那么人工检测流程也会有人带来的不足：

• 人力成本高，培训一名熟练的检测工程师需要数月时间；
• 人很容易疲劳，即便精通全部工艺流程的工程师，每天面对上万张的复杂图像，检测准确率也会大打折扣，要不怎么类似的鉴黄师岗位总是干不长久呢；
• 人类的眼睛是有局限性的，工艺飞速发展，缺陷类型越来越多，许多已经很难用肉眼发现，一旦关键缺陷未被检出，就会造成整体不良率的上升。

为此，京东方一开始选择增加人手，培训大量检测工程师来确保产品质量。比如某产线每天安排36个工程师，三班倒轮换来保证检测效率和准确率，但这无疑会带来巨大的成本支出，也难以确保精准且稳定的检测结果。

为解决这一日渐困扰产能和品质提升的难题，京东方尝试减少人的干预，自主研发了基于深度学习方法的自动化缺陷分类 (Automated Defect Classification, ADC)系统，与英特尔一起，利用边缘计算提升缺陷检测效率。

在新的AI缺陷检测系统中，历史积累的图像以及由自动光学检测(Automated Optical Inspection, AOI)等设备采集的图像，都会由边缘服务器预处理后汇入数据中心，并使用 ResNet、Faster-RCNN等图像检测和分类算法进行训练，输出的模型会被部署到边缘服务器中。

在实际生产过程中，AOI等设备采集的图像被输入边缘服务器后，服务器将选择合理的模型对其实施推理，并执行图像标注、不良分类、缺陷识别、趋势分析以及质量预警等任务，最终将结果输出到工程师的监控大屏上。

为有效提升AI缺陷检测系统的工作效能，硬件方面引入英特尔®至强®可扩展处理器作为其边缘服务器的核心计算引擎，集成了英特尔®高级矢量扩展512(英特尔® AVX-512)等技术，对深度学习推理任务中的密集计算提供特定硬件加速支持。引入了面向英特尔架构优化的特殊版本PyTorch框架，以及OpenVINO™工具套件，为检测提供软件调优支持，工具套件也针对OpenCV图像处理库的指令集进行了全方位优化。

这款基于云边协同的新AI缺陷检测系统效果如何呢？根据京东方智能工厂解决方案技术专家的说明，一线反馈表示该系统不仅在检测准确率上取得了高达96%的优异成绩，同时还使人工替代率达到了70%。

什么是无人工厂，这其实就是无人工厂在一处细节的反映。

我们为机器赋予眼和脑，教会它们如何工作，把生产线上的工程师从枯燥的重复劳动中解放出来，让他们有时间选择做自己喜欢的事情。因为这些手段，或许我们会少几位特定领域的工匠，但我们确确实实还获得了更高的效率。

如何落地，不再纸上谈兵

企业数智化其实分为两个层面，数字化和智能化。需要使用信息采集设备，高带宽低延时的传输技术、万物互联的IoT技术、大容量存储和高性能计算的云服务，以及对海量信息高效分析的人工智能技术等，它们与制造技术融合应用推动制造业数字化转型进程。

京东方对屏幕和精密器件使用AI进行缺陷检测的这个案例其实反映了上述的每一点。原有的人工方法效率太低，设计并部署自动化处理流程，而随着企业规模增大产品需求增多，传统自动化方法不足以应对新场景。为了满足总体管控需求，通过云边端架构进行管理；为了满足算法实时性需求，从硬件选型，框架改造，算法开发等各个方面进行优化；为了应对算法迭代更新需求，把算法训练和模型选择合理调度到云边端设备。

可以看到，现实工业生产场景中的数智需求可能并没有想象中那么高大上，不会飘在高高的云端，这些任务可能非常具体，需要我们从全流程出发进行设计，然后在每个环节进行逐一优化。而像英特尔这样具有成熟AI全生态链和丰富优化经验的企业，或许能够帮助企业更好的完成数智化转型。限于篇幅的原因，这次只介绍了京东方用英特尔的边缘计算平台实现缺陷检测智能算法的案例，但其实我还看到了非常多的合作案例，之后有时间再逐个介绍，敬请期待~

人工智能的第三次浪潮，已经给我们带来了太多的惊喜。计算模式在集中式计算和分布式计算之间不断摇摆，往复式发展前进。

不论是数据、算力、还是通信，我们的资源总是相对有限，通过云边端协同，压榨硬软件潜力，我们能使用落地场景的有限资源创造更大的价值。

科技的发展，将人们从重复繁杂的劳动中解放出来，朝着更美好更自由的生活而前行。

参考资料：

《数智技术驱动智能制造白皮书(数字化转型白皮书)》 上海市人工智能技术协会，商汤科技 2021

《制造业数字化转型路线图(征求意见稿）》 中国电子技术标准化研究院 2021

《京东方案例-强化工业互联网边缘计算能力 收获产能与品质双赢》 英特尔