深度神经网络(DNN)正逐渐蔓延至工厂。
对于一些早期采用者而言,神经网络可说是嵌入于计算机视觉相机之眼背后的新智能。最终,这些网络将蜿蜒渗透至机器手臂、传感器网络网关和控制器,从而改变工业自动化。不过,这样的变化并不会很快就发生。
IBM Watson首席技术官Rob High说:“从可能进展至数十年的先进时代和下一代机器学习算法来看,我们仍然处于早期阶段,但我认为将在未来几年看到巨大的进步。”
神经网络将出现在工厂环境下越来越多的Linux多核心x86网关与控制器中。High说,新兴的5G蜂窝网络有一天将会让神经网络可以随时存取远程资料。
汽车和飞机制造商以及医疗保健供应商都在尽早采取措施,特别是智能相机。佳能(Cannon)在其工业相机中嵌入了英伟达(Nvidia) Jetson嵌入式开发板,启动了深度学习。工业相机供应商康耐视(Cognex Corp.)正在加速生产其产品种类。中国新创公司地平线机器人(Horizon Robotics)则已经出货嵌入其深度学习推论加速器的安全监控摄影机,。
Nvidia自动机器部门总经理Deepu Talla说:“所有的早期采用者都在为视觉感知部署深度学习,而其他人也开始注意到他们了。如今实现感知设计并不难,研究人员也已经解决了这个问题。”
然而,“现在最大的问题在于使用人工智能(AI)与人类进行互动,以及实现更精密的驱动任务——这些都是需要长期研究的问题。在无人机和机器人导航等领域,我们已经进一步发展到原型阶段了。”
Talla将机器人技术称为“计算机和AI的交集”,但深度学习的许多工业用途可能并不那么令人向往——而且会更快来临。
机器人零组件供应商Harmonic Drive LLC首席执行官Doug Olsen说,工厂机器人尚未开始使用AI。“由于工厂中的嵌入式机器可用于预测故障、收集日常使用数据,以确定系统何时需要预防性维护。这就是AI得以先确立地位之处。因此,短期内还不要过度寄望于智能机器手臂。”
几家大型芯片制造商也同意这个看法。三年前,瑞萨电子(Renesas Electronics)开始进行实验,让微控制器(MCU)在终端节点支持AI,并用于在其半导体晶圆厂中检测故障,以及预测生产系统是否需要维护。
今年10月,这家日本芯片巨擘推出了第一款具有动态可重配置处理器区块的MCU,可用于实时图像处理。该公司的目标在于跟上可支持2020年实时认和2022年增量学习的控制器脚步。
竞争对手意法半导体(STMicroelectronics;ST)的STM32芯片采用了类似的方法。今年2月,该公司宣布了一项深度学习SoC以及正在开发中的加速器,部份目的是在工厂中进行故障检测。
智能机器人终将到来。例如,新创公司covariant.ai正致力于透过强化学习来实现这一目标。美国加州大学伯克利分校(UC Berkeley)Pieter Abbeel说:“为机器人配备观看的能力以及根据眼见情况采取行动,将是未来几年深度学习将会带来的最大差异之一。”Abbeel曾经在UC Berkeley成立了covariant.ai,并管理着一座机器人实验室。
UC Berkeley教授Pieter Abbeel成立了新创公司covariant.ai,协助工厂用深度学习来训练机器人完成多项任务
Abbeel展示了机器人学习如何使用神经网络技术执行模拟,但这项技术目前也还处于早期阶段。他说:“事实上,我们成立covariant.ai的部份原因在于看好目前的工业AI领域还不是那么拥挤。”
寻找数据和专家
Abbeel说,在迈向智能工厂的发展道路上,深度学习必须克服三大障碍。“它必须融合正确的批注数据、知道如何进行处理的专业知识以及为运算(资源)支付资金。”
打算进行征才的业界公司将会面临“AI人才短缺”的问题。Abbeel说:“柏克莱大学每年约有30名毕业生取得这个领域的博士学位(Ph.D.)。但许多人最终都会停留在进行研究,例如Google Deep Mind,因此不会有太多人才进入业界。”
但业界需要专家收集、标记与建立模型,以训练数据集——传统上数据科学任务往往不会是工业厂商的内部优先事项。然而,GE软件研究副总裁Colin Parris说,随着计算机模型越来越多地应用于各方面,这种情况正慢慢发生改变。
Parris说:“业界长期以来一直使用模型和仿真来确保安全和成本,但现在他们必须保持‘活动中的’现场模式(持续更新)。例如,航空公司的整个机队都必须模拟从中东飞行至斯堪第那维亚半岛时,穿越热与冷的不同地区对飞行的影响。”
这些模型——所谓的数字双胞胎(digital twins),正成为预测行为变化的工具,这项工作“要求更快地收集更多资料,并用于不同方面。”Parris表示 ,“问题在于每家业者都想销售一套建模工具,使得业界最终将遇到数据互操作性的问题。”
中国新创公司地平线机器人(Horizon Robotics)推出嵌入其Sunrise深度学习加速器的智能相机(来源:Horizon Robotics)
例如,深度学习导致了诸如TensorFlow、Caffe和Chainer等软件架构的迅速崛起,每一种架构都有各自的优点和缺点。开发人员认为有必要融合各种架构,以支持更精密的AI抽象化,而这正是研究人员才刚开始研究的领域。
其他人则指出,神经网络具有不确定性。这导致了两个问题:结果十分有用但却无法解释,而且它们通常表现良好但却总是无法达到完美的准确度。Abbeel说:“即使研究论文(结果)的成功率可能在80%到99%之间,你还是需要注意失败时可能导致高成本的情况。”
就像算法一样,硬件仍在不断地发展中。Abbeel表示,“深度学习中的计算需要改变如何为矩阵乘法等特性布局晶体管的方式。”他同时很早就投资了将近50家AI加速器新创公司之一的Graphcore。 “(深度学习的需求)无法搭配今天的CPU和GPU——这些CPU/GPU都还不错,并但不是最佳的。”
从喷射涡轮到圣诞礼物
机器学习开始对工业应用带来影响,从为喷射涡轮机喷漆到包装圣诞礼物。
Parris说,GE采用配备计算机视觉的机器人,将发光涂料用于喷射引擎涡轮机并检查它们是否有裂缝。他说:“这让人们摆脱了令人沮丧的环境,并让我们更能掌握信息。”
Nvidia的芯片支持日本武藏精密工业(Musashi Seimitsu Industry)的自动光学检测组件。他们还安装了小松制作所株式会社(Komatsu Ltd.)的安全摄影机,可防止挖土机在施工区碰撞工人。
美国John Deere公司使用Nvidia Jetson开发工具包来帮助拖拉机区分作物和杂草,以免肥料浪费在杂草上。这些开发工具包还可为Agrobot制造的自动收割系统提供动力。
还有几家新创公司正在开发一些较棘手的任务,帮助机器人自动导航仓储或甚至是城市。在Lowe's和BevMo等零售店中,智能零售机器人Fellow Robots支持巡航商店货架间走道以及盘点库存的系统。Robby Technologies率先在旧金山地区提供送货到府的服务,而Aerialtronics制造的商用无人机则支持计算机视觉,用于执法、搜寻以及救援和施工。
被誉为扫地机器人Roomba之父的Rethink Robotics共同创办人、主席兼首席执行官Rodney Brooks表示,由阿里巴巴(Alibaba)和亚马逊(Amazon)等公司经营的大型仓储物流服务业务将成为智能机器人的重要推动力。Brooks在去年的一场活动中指出,“亚马逊机器人(Amazon Robotics)部门在美国波士顿雇用了700名员工,但机器人无法执行分拣和包装(pick-and-pack)任务,因此每年到了圣诞节期间都得再增加人手。”
新创公司Robby Technologies开发的机器人已经过现场测试,开始在旧金山地区进行家庭配送服务(来源:Robby Technologies)
他说:“这些仓储物流中心特别需要分拣和包装服务,因为每一个包裹都是独一无二的。预计这将会以前所未见的方式推动机器手臂发展,并且反过来以我们无法预测的方式影响工厂自动化。”然而,他也补充道,“巨大的需求将使许多人与机器人直接接触。”
三星电子(Samsung Electronics)旗下子公司Samsung Austin Semiconductor制造副总裁Jonathan Taylor表示,三星在其170亿美元的晶圆代工厂中打造了一支资料科学家团队。他并未透露这些科学家是否使用深度学习技术,但该设施确实已宣布与AT&T达成一项测试5G网络的协议。
未来,该晶圆厂可望使用5G网络为园区中较偏远的位置,连接振动传感器与公用事业系统,例如水泵。它还可以使用无线网络连接4K摄影机以确保安全性,而在紧急情况下则可采用神经网络实现的人脸辨识应用程序,确认3,000名员工的所在位置。
Taylor说,其厂房设施中已经存在“许多有线连接了,因此我们希望连接以往无法连接到的区域。”
随着工厂变得越来越密切互连,为AI提供了广大的基础。根据市场观察公司ON World进行的一项2017年调查显示,三分之一的工业物联网(Industrial IoT;IIoT)网络如今已连接超过一千个节点了。这是在2014年调查中有线连接的2倍,但最新调查中只有12%的工厂在单一站点中部署了许多无线节点。
现正持续扩展中的网络正透过深度学习网络而铺路,预计在未来,深度学习网络将逐渐蔓延开来,为与其连接的每个系统带来更高度的智能化。
编译:Susan Hong, EET Taiwan
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”
![](https://www.eet-china.com/images/2.0/interested-icon.png)