AI制造在美尚未普及，《中国制造2025》何时能用上？

人工智能(AI)不只能实现无人驾驶车辆、数字语音助理或者是帮你推荐电影，它是即将席卷众多产业的浪潮；根据麦肯锡全球研究所(McKinsey Global Institute)最近针对全球3,000家“具AI意识”企业进行的一项调查结果显示，其中只有20%的企业正将AI相关技术应用于部分核心业务，但大多数的企业仍预期在未来三年增加AI相关投资。

其他单位的调查亦反映类似结果。例如印度技术服务供应商Inforsys赞助、一项针对7个国家共1,600位商业与IT领域领导厂商所做的调查显示，受访者中只有25%表示他们所属的企业已经全面布署并采用AI技术，而有76%的受访者认为AI对其业务成功十分关键；已经部分或全面布署AI技术的企业，预期到2020年AI技术能为他们带来39%的营收成长，以及降低37%的成本；那些企业平均已经采用AI技术约两年，并预期在接下来三年会更成熟应用。

上述报告呼应了产业分析师与其他观察者的看法，结论是AI制造技术在未来新兴工厂的应用已经接近临界点；一致性的看法是，从智能协作机器人到虚拟助理等各种AI应用，将会颠覆工厂运作的模式，并需要重新思考工厂设计、制造足迹以及供应链模式。因此根据麦肯锡的调查，目前大多数AI技术投资是来自Amazon、百度与Google等科技巨擘内部研发部门的情况并不令人意外。

麦肯锡调查也发现，大多数企业对AI技术的外部投资着眼于机器学习──这是实现包括语音识别、机器人等应用的关键AI技术；而那些投资主要是流向美国公司(66%受访者)，其次是中国公司(17%)受访者，目前美国与中国都已经建立了AI技术生态系统。此外Infosys的调查发现，美国业者最有可能在明年度增加AI技术投资，中国厂商的高层则最倾向于认为AI是商业策略的成功基础。

虽然中国获得AI投资的预估金额规模远远落后于美国，但中国企业对AI技术的投资与布署成长快速；麦肯锡的研究指出，其调查发现美国与中国正引领AI投资与创新，同时也在AI技术的采用上领先全球。

一项Infosys赞助的调查显示，AI技术的采用横跨多种产业，而制造业的采用率约在50%左右（来源：Infosys）

美国与中国都把AI技术视为制造业发展策略的核心──去年美国奥巴马(Obama)总统政府公布了AI研发策略；至于中国则是将AI列为“十三五”规划的关键项目之一，该技术看来也是其为了摆脱低劳动力成本、提升制造业附加价值之《中国制造2025》行动战略的成功要素。

不过，为了赶上《中国制造2025》紧凑的时间表，中国可能会需要发动更多收购案，像是中国家电大厂美的(Midea)在2016年对德国工业自动化设备大厂Kuka Robotics的收购。虽然Infosys的调查显示，中国在AI成熟度的分数上领先其他国家，因为“需要处理的旧有系统与商业程序较少，使其对AI技术的采用与整合较容易完成”，但这并不代表中国很快就会赶上美国，后者除了外部AI投资金额超过四倍，还有种种优势。

如麦肯锡的调查显示，内部AI研发投资金额最高的科技业者都是在美国，而正在进行内部AI技术研发的大型工业制造商，如ABB、Bosch、GE、IBM、Siemens与Tesla等，大多数总部都是在美国或是欧洲，并非中国。此外麦肯锡报告也指出，美国拥有两个主要AI研发中枢──硅谷与纽约，中国的AI研发根据地则只有北京。

在电子产业领域，许多芯片业者正在开发或已经发表了锁定AI应用的GPU或处理器，这些大多是美国公司；美国也正藉由再度强调聚焦工业4.0先进制造，企图重新夺回在制造业领域的领导地位。而在麦肯锡的调查报告中，先进制造是将首先采用AI技术的前四个领域之一，其他三个领域则为金融服务、零售业以及医疗照护。

美国工厂的AI技术采用现况

AI技术被应用于影像辨识、安全金融交易建模，以及包括石油与天然气设备、公用事业、消费者服务、金融服务还有药品供应等非制造业环境；至于在工厂，AI能处理冷暖空调(HVAC)管理与库存管理等任务。在科技领域以外，AI技术则仍大多数是实验性质，只有少数例外──特别是汽车领域──很少有工厂已经开始采用，已经实施的AI技术都是小范围应用，主要在例如库存管理、检验等领域。

文章最上方大图显示的制造业AI应用AI方案，是IBM的新型感知视觉检验系统(Cognitive Vision Inspection System)，是与欧洲工业自动化设备大厂ABB合作设计，以Watson IoT平台为基础；该技术利用Watson超级计算机的AI技术与透过ABB系统撷取的实时生产影像来发现产品缺陷，Watson IoT则可提供数据分析。

所谓的机器学习通常被理解为包括训练(training)──机器学习做新的事情，与推理(inference)──将学习与新信息相关联；在某些情况下，AI则意味着不只能根据学习建立模型的能力，还能根据新数据来改变该模型。

“真正的AI会接收数据、建立模型，然后根据数据来做决策并修改模型；”市场研究机构Tirias Research首席分析师Jim McGregor表示：“但除了以服务器为基础的解决方案，这种能力仍然有其限制，大多数制造业者都会采用某种形式的数据分析与自动化控制，那些并不能被视为AI而只能算AI的前身，它们要变成真正的AI系统，需要具备训练与监控能力，还要能根据所接收的信息来修改与重新训练。”

McGregor指出，在大多数美国的工厂中，质量控制与测试可能会用到一小部分AI，但并非整个系统；没有哪一种模型或是硬件系统是完善的。今日的大多数AI应用不是以云端为基础，就是混合在云端与终端节点执行的AI：“我们实际上才刚开始打造与优化能被训练的系统。”

锁定AI应用开发的新技术，包括Nvidia的Volta GPU架构；该公司智能机器产品管理部门主管Murali Gopalakrishna表示，这是第一款为AI量身打造的处理器架构，采用该平台的第一款芯片Tesla V100 GPU，能提供现有架构Pascal五倍的性能提升，使其在机器学习应用上更有效率，特别是深度学习。Nvidia的通用GPU在训练神经网络机器学习以支持云端AI应用方面非常受欢迎。

对于边缘设备的AI，Nvidia最近发表了TX2版本的Jetson系列GPU运算平台模块；目前有很多在边缘设备需要AI的使用案例，因为有大量数据需要实时处理并做出立即决策，而不是将所有数据都先送往云端。Gopalakrishna指出：“我们已经看到Jetson布署于机器人，让它们能感知、具备智能功能，并能影响周遭设备，但这类机器人还未公开发表。”

另外还有一个开始被应用于优化软件的概念，是衍生式设计(generative design)，也就是利用AI来支持零组件设计优化。

市场研究机构Lux Research研究员Dayton Horvath表示：“AI能支持像是有限元素分析(finite element analysis，FEA)等应用于建立仿真模型的运作，此外也能处理更困难的问题──例如有更大自由度或是不完整数据集的情况；”举例来说，拓朴优化(topology optimization)能藉由AI打造更轻量化，但拥有相同或更高强度的零件，并能建立更具效率的热交换器模型。

在工厂AI应用经常被提到的一种系统就是机器人，美国业者Universal Logic的AI机器人技术Neocortex，源自于由美国太空总署(NASA)赞助的太空站机器人Robonaut研发项目，该技术能让自动化系统处理变形物体(deformable objects)、高项目变动性(high item variability)与零件更换，而且不需要固定设施(参考本文上方大图)。

Universal Logic/Universal Robotics副总裁Hob Wubbena表示，Neocortex是该公司的Spatial Vision 3D软件平台之AI机器学习模块，该平台能与各种致动机器共同运作，不只是机器人；该平台能感知运用于搬运、抓取等任务的机器人周遭环境，让机器人能实时、高速地与环境互动与做出反应。赋予机器人的能力包括能恰当识别并回应混合各种形状与纹理的物体，例如瓶罐、袋子与箱子，可靠度可达99%。

对协作型机器人来说，“人在回路”(human-in-the-loop)的强化训练则是让机器人藉由机器学习变得更聪明的关键；PlusOne Robotics创办人暨执行长Erik Nieves表示：“强化学习将会为工厂生产线以及配送中心(distribution center)都带来冲击；以后每座大型工厂之下就是配送中心，就算是经营工厂的人都没想过这一点。随着工厂采用AI技术，这些都会陆续进展。”

AI与工业机器人设备的结合实例

最近产业界也有两桩专为工业(包括制造业)工艺用机器人开发AI技术的合作案，其一是能协助人类作业员改善质量控制、提升速度与良率、减少停工时间(down time)的“感知工业机械”(cognitive industrial machines)，这是结合了ABB Ability的云端到边缘设备跨产业数字解决方案，以及IBM的Watson物联网平台。

上述已经商业化的系统名为Cognitive Vision Inspection System，结合Watson超级计算机的AI以及透过ABB系统截取的生产线实时影像，能发现缺陷并将相关数据送往云端以制造业专用的Watson IoT平台进行分析；IBM Watson IoT部门副总裁Bret Greenstein表示，Watson是在云端执行，其子集(subset)则能在服务器上执行：“我们能在边缘设备、网关上执行，通常是采用Linux或嵌入式操作系统的x86系统；在这方面我们正在与Cisco等厂商合作。”

除了支持机器视觉检测，IBM利用Watson的感知能力与操作员在免手动的环境进行互动，或是提供扩增实境(augmented reality)工具协助诊断与维修设备。Greenstein表示：“我们正看到全球各地采用这类技术，包括美国以及其他市场；AI带来更具竞争力的优势，包括改善质量、安全性与生产力，还有实现更精密复杂产品的制造。”

同时Nvidia与日本业者发那科(Fanuc)也正在合作，为Fanuc的工业控制系统Field (Fanuc Intelligent Edge Link and Drive)添加AI功能，让自动化工厂中的机器人能更快速、更有效率地运作；这种技术将应用一系列的Nvidia绘图处理器(GPU)与深度学习软件，让AI能在云端、数据中心执行，甚至嵌入于边缘设备中。

Field系统与CNC设备、机器人、周边设备以及传感器链接，藉由分析来优化制造业生产；Nvidia的智能机器产品管理部门主管Murali GopalakrishnaFanuc表示，Fanuc最近示范了AI机器人的三种基础应用，包括抓取与放置物品、在边缘的预测性维护，以及检测率提升了七倍的自动化光学检测。

*Nvidia的Volta号称是第一个专为AI应用打造的GPU架构，也就是能支持机器学习的训练；Volta架构Tesla V100 GPU配备了640个张量处理器(Tensor)核心，能提供120Tflops的性能，相当于100颗深度学习CPU
（来源：Nvidia）*

GE (General Electric)也正在内部开发适合自家制造需求以及其他美国垂直整合制造商的技术；GE Global Research的机器人技术部门主管John Lizzi透露，除了软硬件平台，GE还投资了擅长自动移动机器人的Clearpath Robotics，还有以“蛇臂”(snake-arm)机器人闻名的OC Robotics。

针对某些应用案例，GE是从零开始打造机器人，例如能深入喷射机引擎进行检测的设备；此外该公司也同时自行打造与向外采购传感器。透过机器学习，AI在机器人领域变得非常重要，而该技术也成为在未来从三个方面提升机器人的关键，即感知、先进推理以及灵巧。Lizzi并指出，协作机器人也是一大趋势，GE的愿景是朝向移动、自给自足的系统发展，人类只需要在处理例外状况时出手干预，此外还有布署能与人类团队合作的智慧机器人。

编译：Judith Cheng

本文授权编译自EE Times，版权所有，谢绝转载

关注最前沿的电子设计资讯，请关注“电子工程专辑微信公众号”。