AI行业的发展

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。