智东西（公众号：zhidxcom）
文| 李水青
随着新冠肺炎疫情的蔓延和控制，大部分工业企业已经在2月10日左右复工复产，但用工荒、工业链残缺不全等问题依然严峻。疫情给占国民经济比重最大的工业带来了哪些挑战？工业智能是不是会发生作用？新基建的工业互联网是否会按下工业互联网快进键?
智东西3月11日消息，今天，一场“数字化转型线上策略会”在线上召开，探讨这些问题。会议邀请了清华大学大数据系统软件国家工程实验室总工程师王晨、明略科学院主任兼信息检索实验室负责人于政、腾讯优图实验室工业AI项目负责人黄亮、格创东智OT业务总监&智能装备事业部总经理王贇、天泽智云解决方案副总裁史喆进行圆桌探讨。
当智东西问到“新基建”对工业智能行业有什么中长期的影响时，清华大学大数据系统软件国家工程实验室总工程师王晨表示，中央为企业指明了方向，企业下一步是要增设备、建厂房，还是进行数字化、智能化改造？企业会更加明白往哪个方向做。
企业如何应对？王晨表示，对于企业来说，是否“借东风”需要从自身需求出发，不盲目大规模投入，新基建可能对大企业和中小企业、民企和国企的作用不一样。对于中小企业，发力营销和供应链可能比生产研发更好切入，同时可以尝试工业互联网，但建议从点开始尝试。
会议探讨了众多议题，摘录如下：
Q1：疫情后我国工业生产面临哪些主要挑战?
格创东智OT业务总监王贇认为，疫情“黑天鹅”降临很突然，短期内对复工造成影响大。在人员方面，涉及人员安全防疫、园区人员聚集、外部造访人员难控制等痛点。在生产和设备方面，用工荒严重，尤其是半导体等高精制造行业作业质量受影响，外国专家难以及时对设备进行检测维修等。在资金方面，重资产低利润企业面临资金不足的问题。除此之外，线上协同流程规范、环境支持、产业协同、平台协同等方面都面临挑战。
Q2：人工智能在工业抗疫和复工中起到了哪些作用？
腾讯优图实验室工业AI项目负责人黄亮针对做过的项目分享了经验和解决方案的思考：
“第一个是国内非常大的面板企业。这是联合腾讯云一起打造的腾讯工业AI的标杆项目，为液晶面板做缺陷检测……这个工具对企业产生的效益非常好，与人的准确率相当，达到70%覆盖率，替代七成的质检工人。从近期我们获得的数据看，因为搭建了我们这套缺陷检测系统，客户的质检工人减少了100多人，大家可以折算一下这块的人力成本下降了多少关键是不光是省钱的问题，像疫情期间，他是强制停工，你愿意花钱都找不到人干活，这就是AI带来的最直观的好处。”
“其实除了这些场景，我们还碰到很多其他的需求，例如分析家里管道燃气的拍照图片，去检查是否存在安全风险；还有分析产线工人的工作视频，找出不规范的动作，提升整体操作标准性。”
当谈到经验，黄亮认为，业务和技术一样重要。第一，在数据质量这块，以缺陷检测为例就有100多种缺陷，面临比如缺陷怎么采集、模糊缺陷如何判定、多种缺陷如何定性等，都是需要通过流程设计去解决的细节问题。第二，缺陷检测的业务指标有讲究，比如同样是面板，不同的厂商要求都不一样，与其业务需求相关。我们也逐渐找到规律，比如一般模型的指标不会比人高。第三，在项目管理上，需要磨合工厂侧和供应商侧的差异，做了很多培训，普及AI知识，了解客户背后的需求，减少项目阻力，从而提高交互的速度。黄亮认为，工业检测工程需要注意人工和自动化的结合，定制化和通用性的结合，以及私有化和公有化的结合。
明略科学院主任兼信息检索实验室负责人于政从数据智能方面，针对知识图谱技术进行了解读：
“企业面临的另一个问题是，要对许多非结构化的信息、专家经验进行管理应用。这就需要利用知识图谱技术，处理多元异构的数据，通过自然语言处理、信息处理挖掘等方式，加工成知识库，从而形成问答与检索等服务。”
在疫情中，工业制造领域也有很多环节被拆分出来，实现远程办公、外部专家远程诊断。比如，在疫情中，地铁这一场景需要保持空调正常，保证通风，人工检测具有较大的感染风险和用工压力。“在明略科技的上海地铁智能维保项目中，通过智能维保系统，机器能够实时检测哪些通风设备有问题，及时维修响应，减少执勤人员的工作。”
Q3：人工智能工业应用是否会因此倒逼加速发展？
天泽智云解决方案副总裁史喆表示，用工荒、协同困难、大规模集中办公难等问题，表明我国很多生产厂商不是很完善，以后会更注重个人健康、保护。未来，一些环节会减少人工，替代繁复的工作；协同优化会加强，基于整厂、上下游进行优化，基于对上下游产能的完全认知进行调配，AI能协助实现全局最优解，同时AI对数据要求也很高。以前企业考虑的大多都是短期替代几个人，当下很多智造厂商会考虑未来的竞争力。
“最后指出在工业应用当中，人工智能在这一次疫情之后，大家更多会考虑到我在实际使用时候的成本，以及我在算力上面应该怎么样添加，以及我在解决方案应用导入的实时性一个风险有多高，最后是平台化易于维护的程度。”史喆补充说。
Q4：疫情给未来工业智能化带来哪些启示？
清华大学大数据系统软件国家工程实验室总工程师王晨表示，现在AI主要做的还是很局部的事情，未来在知识生成上和决策上是重点。依靠的手段包括数据统计和可视化、数据挖掘等，其中不仅涉及人工智能，还有运筹学等，因此讲智能化需要把眼界稍微打开一点。
“就人工智能一个点，一般需要通过模型推导出知识，而工业上有三个要求：1、可解释性，不能是一个黑盒子。2、知识具有确定性，如果不是确定，就要给一个能确定的办法。3、因果性，看到这个现象，一定是某个原因造成的。这导致在工业上落地的人工智能和其它领域不一样，难就难在这几个性质上。”
主要问题在哪？王晨坦言，没数据，这是一个成本问题。对企业来说，投入数字化成本很高，拿回来数据有没有用却不知道，这点很困难。“工业数据实际很少，比如做设备故障检测，主要看历史中有用的故障数据，但相比于历史总数据，故障数据是非常少的。”
“当然技术上也很难，刚才提到工业场景的差异化是非常有挑战的，不同的问题完全不一样，哪怕同一种设备，不同型号里面的技术路线也会不一样，设备的使用工况不一样。很多时候场景的差异导致我们做问题的形式化定义都很有挑战。”
那么工业智能领域，哪些环节有机会？王晨认为，除了缺陷检测，做的最好的是运维服务。其中做得最好的是PHM（故障预测与健康管理），但在过程管理、开工管理等方面也很有机会，这部分更接近经营管理内容，相对开展会容易一些。另外，比如用户的需求预测，门槛也相对低。除此之外，智能设备、知识数据也是王晨看好的方向。
在智能运维服务领域也存在问题，主要是没有深入工业的生产和研发。王晨说：“在生产方面，如何在会有扰动的情况下保证质量快速交付……在生产上最重要的是控制，包括过程控制、运动控制等；缺位的是研发，研发是一个减少迭代的问题，不断地设计试错以修正设计，是高度知识密集型，知识学习很难无中生有，没有数据是一大难点。
