什么阻碍了人工智能在制造业的应用？

Posted 2020-12-16 wujianming-110117

什么阻碍了人工智能在制造业的应用？

What’s holding back adoption of AI in manufacturing?

虽然人工智能在制造业有许多吸引人的使用案例，但这种改变游戏规则的技术仍处于被采用之旅的开始。             

作为工业4.0的缩影，复杂的连接工业机械，再加上进一步优化制造过程的愿望，使得工业制造成为采用人工智能的首选。ABI Research的数据显示，在未来五年内，人工智能工业机器的总安装基数以64.8%的复合年增长率增长，到2024年将达到1540万台。             

然而，今天的安装基数仍然相对较小。虽然人工智能技术正在革新许多其行业，并使世界各地的企业能够从数据中获取价值，但工业制造业尚未完全接受这种改变游戏规则的技术。在这一领域有哪些独特因素阻碍了人工智能的采用？

预测性维护             

人工智能在工业制造的所有不同阶段都有潜在的应用。可以用于产品开发的生成性设计，或用于库存管理的生产预测。人工智能还可用于生产线上的机器视觉应用，执行缺陷检查或生产优化等任务，并可用于机械的预测性维护系统。今天，这些应用程序中的一些正在进入工厂，而另一些仍在等待突破。             

Xilinx的工业、视觉、医疗和科学主管Chetan Khona说：“鉴于计划外停机时间历来是制造业世界浪漫画廊 world’s rogue’s gallery的主要对手，预测性维护显然是过去几年利用人工智能的关键应用。”。             

“已经看到，随着人对新方法的认识和获取，人工智能方法的复杂性和范围不断扩大。”             

例如，复杂的数字孪生digital-twin系统可以实现各种基于假设人工智能的分析，包括预测故障。（数字孪生digital-twin模型是大型现实世界系统的复杂数字模型，通常依赖于广泛的传感器网络从真实世界收集信息并将其输入模型）。

避开云端             

在其商业领域（包括金融业）迅速加速了人工智能的应用，一个关键因素是在云端获得随时可用的计算能力。不幸的是，工厂不能选择使用云。Khona指出，与大多数现实技术问题的实际解决方案一样，人工智能也受到物理的不便以及人的感知和恐惧的影响。             

“物理决定了本地应用程序的部署，因为大多数工业系统的控制速率是10毫秒或以下——通常低于1毫秒。”。“即使网络以光速运行——理论上最好的情况——也不可能在所需的时间范围内回到云端，从而影响人工智能算法的基础操作。”             

Xilinx还继续听说，其客户的客户有安全和隐私方面的顾虑。             

科纳说：“（制造商）不希望数据，至少不是所有的数据都是最原始的形式，离开工厂。担忧是有合法性的，因为现实情况是，即使今天有最好的嵌入式和全系统网络安全，网络威胁也在不断演变。考虑到工厂资产的预期生命周期，随着时间的推移，安全性会越来越弱，因为威胁越来越大。”             

实际上，这意味着制造环境中的AI计算必须在edge设备中执行。Khona说，在不同系统级别的边缘设备中实现人工智能面临着各种挑战。             

在工业层次结构的最底层，在工业驱动和电机控制系统等嵌入式系统中，由于此类系统数量庞大，人工智能对效率和可靠性的影响最大。

“然而，嵌入式系统的开发需要时间——从开发到生产通常需要4到6年的时间——所以还没有看到什么会在市场上出现，尽管人对此很感兴趣，”Khona说。“此外，只有在不影响电源、生命周期、操作性能和价格的前提下，人工智能才在嵌入式系统中受到欢迎。”             

在系统级，AI可以管理所有不同的机器部件并协调同步。在这个级别上组合来自系统范围的物理、操作和人力资产的数据时，安全性和延迟都是一个巨大的挑战。             

同时也着重分析了Khona算法在工厂开发中的不足。             

说：“输入人工智能算法的机器数据通常是时间序列数据，而似乎世界上最流行的人工智能工作大多是图像数据，而图像数据并不被视为时间序列。”。“由于监控摄像机的数量和图像数据的密度，图像数据在当今人工智能中占了绝大多数，而机器数据在几年后将接近与之匹配。继续发展基于RNNs（递归神经网络）和LSTM（长短期记忆）的模型，将需要使人工智能在工业应用中更加普及。”             

同时，一些应用可以使用基于卷积神经网络（CNNs）的通用模型进行处理。这是通过绘制时间序列数据并在该图像上应用模型来实现的，这正是Xilinx与其SPYN-AI电机控制套件所采用的方法。

库卡机器人在航空航天工业中的应用             

复杂现实             

大量的用例，都处于不同的成熟度，使得人工智能在制造业中的应用变得极其复杂。             

“有些人工智能使用案例更加成熟，例如预测性维护和机器视觉，因为在预测性维护中，可以依赖基于规则的人工智能，或者在机器视觉的情况下受益于其领域的进步。ABI Research首席分析师苏连杰（Lian Jye Su）说：“其更高级的用例仍然需要大量的试验和大量的研发。             

苏说，领先的工业机器和机器人供应商事实上已经实施基于规则的人工智能已经有一段时间了。虽然这些系统生成和收集大量数据，但是专有的，并受严格的协议控制，以确保最高水平的准确性和精确性。这意味着，与金融和企业软件等行业相比，工业制造业在实施数据驱动的人工智能解决方案方面速度较慢。说：“工业制造业错过了数据驱动的人工智能的繁荣，而人工智能已经改变了许多其行业。”。             

制造企业面临的一个特别大的挑战是为人工智能的实施建立和训练内部数据科学团队。苏说：“相信任何高技能的人工智能人才都更有可能选择为主要的云人工智能供应商工作，而不是为制造商工作。”。“业界已经开始了一场人工智能人才大战，任何一家试图进入这场战争的厂商都只会处于输家的境地。”             

人工智能和数据科学人才的短缺正有效地塑造着这个行业，因为制造企业转而依赖于与云服务提供商的合作伙伴关系，以及越来越多的纯人工智能初创企业来开发人工智能能力（见侧栏）。系统集成商、芯片组和工业服务器制造商以及连接服务提供商完成了这幅图。             

美国对中国？

当工业采用人工智能时，工业机器人将从中受益。             

制造业是中美两国经济的关键。在这两个市场上，劳动力成本越来越高，利润率也在缩水。人工智能的工业机器人已经有足够的能力取代人类的工人，并且可以通过自动化帮助双方建立竞争优势。             

ABI Research的数据显示，这两个市场中支持人工智能的终端设备的安装基数处于一个相似的水平，但也许并不奇怪，在这两个世界上最强大的国家，人工智能进入工业部门的方式存在着显著的差异。             

在美国，将人工智能应用于制造业的企业生态系统正在迅速发展。“美国在人工智能投资策略上采取了多元化的策略，”苏说。“美国顶尖的人工智能初创企业来自各个行业，包括自动驾驶汽车、工业制造、机器人过程自动化、数据分析和网络安全。当然，大多数顶尖的工业人工智能公司都来自美国。”             

苏说，美国大型云服务提供商AWS和微软也与工业人工智能开发平台供应商、人工智能软件供应商和系统集成商建立了合作关系。这些合作伙伴关系将为生产用例开发解决方案，如运营效率。

Xilinx提供其Alveo加速卡，以支持数据收集、聚合、处理和建模，从而在安全、低延迟、本地设置的情况下进入AI指导决策。             

另一方面，中国选择将重点放在人工智能技术的某些战略领域。“这已经转化为创造了非常成功的机器视觉人工智能创业公司，这些公司拥有巨大的市场覆盖率和深厚的技术，包括SenseTime、Yitu technology和Megvii，但（中国）在推动制造业数字化转型方面进展缓慢。”。“中国很多工业和制造业初创企业仍然专注于互联互通层，而不是单纯的工业人工智能解决方案。”             

虽然中国的云服务提供商的远见卓识并不亚于美国（例如，阿里巴巴已经为工业制造业开发了一套基于人工智能的解决方案），但仅靠技术还不足以确保快速采用。             

苏说：“这些（中国）云人工智能公司往往没有合适的人脉关系，也没有进入市场的渠道，无法接触到大多数中小型制造商所在的许多省市制造商。”。             

同时，欧洲是公认的先进制造技术中心，包括许多著名的商业机器人公司，包括ABB、KUKA、Universal Robot和MiR。Su说，abiresearch一直在监控来自英国石油（BP）、大众汽车（Volkswagen）、空客（Airbus）、诺华（Novartis）和赛诺菲（Sanofi）等公司的创新制造人工智能用例。             

苏说：“欧洲的制造业比美国和中国小得多，但就工业制造业的人工智能采用率而言，可能介于美国和中国之间。”。“由于缺乏可扩展性，人工智能的采用率比美国慢。             

“与美国的单一市场结构不同，欧洲是由许多国家组成的，之间存在着不同的地缘政治、语言和文化差异，这给人工智能供应商带来了更大的本地化和分销挑战。”

U.S. Industrial AI Companies To Watch

Uptake (Chicago) uptake.com 
Provides asset performance management software, often used for predictive maintenance of industrial machinery. Recent customers include the mining sector and the U.S. military.

SparkCognition (Austin, Texas) sparkcognition.com 
Applies AI to defense, industry, and finance sectors. Asset protection and optimization software includes predictive maintenance. Raised US$100 million in its last round from companies including Boeing.

FogHorn (Sunnyvale, California) foghorn.io 
Develops edge-computing software for industrial IoT. Functions include monitoring and diagnostics, machine performance optimization, proactive maintenance, and operational intelligence use cases.

Falkonry (Sunnyvale) falkonry.com 
Its machine learning software predicts and explains behavior in manufacturing and process operations sectors, without the need for data scientists. Contracts include the U.S. Air Force.

C3 (Redwood City, California) c3.ai 
Offers enterprise software for predictive maintenance, inventory optimization, defect reduction, and other manufacturing use cases. Partners include 3M, Shell, and the U.S. Department of Defense and Air Force.

Sight Machine (San Francisco; Ann Arbor, Michigan) sightmachine.com 
Offers an analytics platform for manufacturing plants, powered by AI and digital-twin technology.