工业 AI 质检创业者,进入窄门

创投圈
2022
06/30
19:46
分享
评论

在搜索平台上输入 " 召回 " 两个字,可以发现一天之内的消息里,大到豪华汽车,小到手机、牙刷,每天都有大量品牌发出公告,提醒消费者对相关产品发起退货。

一次次缺陷产品召回的背后,不仅会对品牌声誉造成影响,也让其一定程度上失去了消费者的信任。这背后,除了产品原始的设计问题,品控也得背锅。

因为随着人们消费水平的提高,工厂的出货压力也随之增加。而品控环节基本都是依赖人工检测,高强度工作之下,质检员可能因为视觉疲劳、精神不集中等出现更多错检、漏检情况。

如何在保证检测效率的情况下,提高产品良率呢?AI 或许是把利剑。

01 工业需要国产 " 慧眼 "

制造业苦人工质检久矣。

一直以来,传统的人工检查方法除了效率低,更突出的问题在于人口红利不再导致的 " 用工难 " 问题。据统计,目前每天流水线上进行人工检测的工人数量超 350 万人,但因工资低、工作枯燥,愿意从事人工质检的工人愈来愈少。

因此,制造业在质检上花费成本甚至能占人力成本的 40%。在降本增效的需求下,质检行业也一直在寻找更高性价比的方式。

从上图可以看到,在深度学习阶段,智能化赋能质检后,可以解决更多场景更复杂的质检工作,也就彻底实现 " 机器换人 "。

当下,越来越多企业利用 AI 加快智能化转型,一方面是需求所致,另一方面则是技术推动。在此前的《RPA 赛道大热,正在量产你未来的机器人同事》文章中,我们也提到过,现在工业机器人同样也在面临智能挑战,从一开始承担类似工厂流水线的活,到现在需要理解老板的意思,效率更高、出错更少,所以让 RPA+AI 的结合拥有了更大的想象力。RPA 和 AI 就相当于人的 " 手 " 和 " 大脑 ",从体力和脑力上来解放人工。(RPA 意为机器人流程自动化)

同样在质检上,随着 RPA 和 AI 技术的逐渐成熟,AI 质检的声量也越来越高。但是,AI 质检这项关乎生产良率的 " 命门 ",却长期掌握在国外厂商手中,寻求替代品,就成为了国内创业者的当务之急。

可以说中国工业,尤其是高端自动化行业中,普遍存在这样的 " 通病 ":外资厂商牢牢掌握先发优势,技术方面积累更深,人才储备丰富,往往价格也普遍更高,但是服务却不见得好。

就以修建地铁不可或缺的盾构机为例。2000 年左右的时候,中国没有盾构机,只能靠进口,不仅购买价格高达到 7 亿一台,且维修工作都由国外的维修工人飞到国内进行,一人一天 3000 美金,相当于国内普通工人一年的工资。面对这样的高昂成本,又本着技术掌握在自己手里才是真道理,中国便下决心自己研发,从对盾构机一无所知,到研发出第一台自己的盾构机,中国花了 6 年的时间。到目前为止,中国的国产盾构机已经占据了 90% 的国内市场,并拿下了全球市场的 2/3,顺带着把国外盾构机产品的价格也打下来了。

所以,正是中国智造的崛起,让国产 AI 检测企业正在积极布局。各路云厂商、AI 创企、传统机器视觉企业以及工业互联网平台企业等等,也都加入了工业 AI 质检赛道。IDC 数据显示,中国国 AI 工业质检市场在高速增长下,预计到 2024 年的规模将达到 4 亿美元。

02 选择窄门的理由

创业的旅途有两种,择大门走险路,过窄门而宽途。

在当下动辄在百亿的风口面前,工业 AI 质检似乎是一条颇为狭窄的赛道,却是通往智能制造的康庄大道。无论是美国工业互联网、德国的工业 4.0,还是中国的智能制造 2025、日本的超智能社会 5.0 蓝图,当前全世界都在向智能制造迈进。

但任何一个想让工厂智能化转型升级的企业,都无法回避的一点是:智能制造是一个产业链场,且极其复杂、庞大的体系,所以根本不存在通用的 AI。而工业 AI 质检却是一个门槛相对较低、成果较为明显的切入口。

一方面,AI 质检可以直观告诉工厂能节省多少成本,降低多少误检漏检率;另一方面 AI 的高精特性,对于品控管理有着更强的适应性。我们来看些具体的例子:

比如全车车灯质检,有两道关必须把好。一是检测车灯有无装错,由于现代汽车制造普遍采用混线生产机制,同一条流水线上,要流过不同车型的车灯,且这些灯外观差别不大,极有可能装错,出现张冠李戴;二是检测车灯有无毛病,能不能点亮。示宽灯、转向灯、刹车灯、倒车灯等等,检查点多达 22 处。而百度云 AI 质检员 1 秒就能测完,准确率高达 99.9%。

同样在手机摄像头组件的质检工作中,需要检测的目标零件也多于 10 个。而基于腾讯云技术的工业质检仪,可以把效率提升为人工的 20 倍,一年就替工厂节省人力成本数千万元。此外,还有华为云、阿里云、商汤科技、远舢智能、鼎纳等云厂商、机器视觉或 AI 创企们,开始将 AI 质检规模化深入工厂,甚至还有移动、联通的身影。

但对大多数玩家来说,野心始于 AI 质检,却不止于 AI 质检。

当下的工业 AI 市场,存量颇丰。例如工业 AI 质检离不开的机器视觉,也受到了资本的追捧。2022 年上半年,工业 3D 视觉领域已有 10 余起规模性的投融资事件。据统计,2021 年 3D 视觉引导类出货量同比增长超 100%,预计未来五年内,也将以复合增长率超 40% 的速度增长。

近期工业 3D 视觉领域主要投融资事件

所以从 AI 质检切入这个占据国民经济 40% 的工业领域,也是为了更大的工业 AI 市场大蛋糕。当前也有许多玩家们正由点及面,利用已有的落地成果改善算法,从单点突破到探索全方面赋能智能制造的平台级方案,加速智能革命。比如与华为云合作的远舢智能,就是从视觉监测技术切入,实现了质量分析、风险预警、源头追溯等完整的质检闭环,然后进一步打造面向整个工业制造智能化的 AI-PaaS,帮助产业转型。

03 工业 AI 需要 Know-How 闭环

过去十五年,中国制造业市场增长了差不多三十倍,而中国也连续 12 年成为世界上最大的制造业国家,全球市场占比接近 30%。在如此极具成长空间的行业,哪怕有一点改变都令人无比振奋。

而工业 AI 能提高劳动生产率的本质之一,在于利用机器学习技术实现数据分析与再挖掘,从而求得一些产业效率的最优解,但对于产业链的理解却离不开神秘的 Know-How。

所谓 Know-How,是指工匠时代那些师傅对徒弟,言传身教的 " 行业秘诀 "。所以创业者的 AI 能力想从复杂细节中进入已有的产业实体中,到底如何进入,答案都掌握在 Know-How 手中,也可以是被称作行业专家的人。

如果仅有 AI,没有 Know-How 是寸步难行。原因在于 AI 算法工程师,研究的是深度学习的训练部署等相关内容;而产业专家虽对产业周期了如指掌,却很难了解 AI 相关的内容。

难以理解的双方最终导致的,在 AI 与落地之间,砌了一座无形的墙。

Know-How 的复杂性,也让工业领域很难出现快刀斩乱麻的智能化进程,只能徐徐图之。所以,AI 质检市场也没有大量入局者想象得那么简单。在行业落地中普遍面临以下痛点:

异常样本分布少,实际生产过程中,正常样本量远大于异常样本量,需耗费大量人力进行筛选;

产线间复制难,由于产线工况变化快、产品型号迭代周期快,一个产线的质检模型无法直接复用到其它产线;

碎片化场景需求多,制造企业需要不断提升良品率,各种产品的质量检测复杂多样,均需开发对应的质检模型;

人工智能人才不足,工业领域 AI 的发展处于早期阶段,人才短缺且培养周期长。

并且背后还涉及光学、自动化、电器等多学科交叉融合 ...... 这些都是制约 AI 质检市场规模化的拦路虎。有这样一个说法,人脸识别所需的 AI 能力对应的是一个 8 岁孩子的智力,那么智能制造需要 AI 智力水平就接近一个成年人。所以,AI 质检发展数年,渗透率依然仅有 5%。

这些新冒头的 AI 企业,动作快、势头猛,不同的知识背景和认知层次,从不同的角度和立场出发,也许他们能带来不一样的智能化变革思路。

八仙过海,各显神通,智能制造的新历史,终将大放异彩。

来源:媒体

THE END
广告、内容合作请点击这里 寻求合作
免责声明:本文系转载,版权归原作者所有;旨在传递信息,不代表砍柴网的观点和立场。

相关热点

相关推荐

1
3