工業AI質檢創業者，進入窄門

在搜索平台上輸入“召回”兩個字，可以發現一天之內的消息裡，大到豪華汽車，小到手機、牙刷，每天都有大量品牌發出公告，提醒消費者對相關產品發起退貨。

一次次缺陷產品召回的背後，不僅會對品牌聲譽造成影響，也讓其一定程度上失去了消費者的信任。這背後，除了產品原始的設計問題，品控也得背鍋。

因為隨著人們消費水平的提高，工廠的出貨壓力也隨之增加。而品控環節基本都是依賴人工檢測，高強度工作之下，質檢員可能因為視覺疲勞、精神不集中等出現更多錯檢、漏檢情況。

如何在保證檢測效率的情況下，提高產品良率呢？AI或許是把利劍。

01

工業需要國產“慧眼”

製造業苦人工質檢久矣。

一直以來，傳統的人工檢查方法除了效率低，更突出的問題在於人口紅利不再導致的“用工難”問題。據統計，目前每天流水線上進行人工檢測的工人數量超350萬人，但因工資低、工作枯燥，願意從事人工質檢的工人愈來愈少。

因此，製造業在質檢上花費成本甚至能佔人力成本的40%。在降本增效的需求下，質檢行業也一直在尋找更高性價比的方式。

從上圖可以看到，在深度學習階段，智能化賦能質檢後，可以解決更多場景更復雜的質檢工作，也就徹底實現“機器換人”。

當下，越來越多企業利用AI加快智能化轉型，一方面是需求所致，另一方面則是技術推動。在此前的《RPA賽道大熱，正在量產你未來的機器人同事》文章中，我們也提到過，現在工業機器人同樣也在面臨智能挑戰，從一開始承擔類似工廠流水線的活，到現在需要理解老闆的意思，效率更高、出錯更少，所以讓RPA+AI的結合擁有了更大的想像力。RPA和AI就相當於人的“手”和“大腦”，從體力和腦力上來解放人工。（RPA意為機器人流程自動化）

同樣在質檢上，隨著RPA和AI技術的逐漸成熟，AI質檢的聲量也越來越高。但是，AI質檢這項關乎生產良率的“命門”，卻長期掌握在國外廠商手中，尋求替代品，就成為了國內創業者的當務之急。

可以說中國工業，尤其是高端自動化行業中，普遍存在這樣的“通病”：外資廠商牢牢掌握先發優勢，技術方面積累更深，人才儲備豐富，往往價格也普遍更高，但是服務卻不見得好。

就以修建地鐵不可或缺的盾構機為例。2000年左右的時候，中國沒有盾構機，只能靠進口，不僅購買價格高達到7億一台，且維修工作都由國外的維修工人飛到國內進行，一人一天3000美金，相當於國內普通工人一年的工資。面對這樣的高昂成本，又本著技術掌握在自己手裡才是真道理，中國便下決心自己研發，從對盾構機一無所知，到研發出第一台自己的盾構機，中國花了6年的時間。到目前為止，中國的國產盾構機已經佔據了90%的國內市場，並拿下了全球市場的2/3，順帶著把國外盾構機產品的價格也打下來了。

所以，正是中國智造的崛起，讓國產AI檢測企業正在積極佈局。各路雲廠商、AI創企、傳統機器視覺企業以及工業互聯網平台企業等等，也都加入了工業AI質檢賽道。IDC數據顯示，中國國AI工業質檢市場在高速增長下，預計到2024年的規模將達到4億美元。

02

選擇窄門的理由

創業的旅途有兩種，擇大門走險路，過窄門而寬途。

在當下動輒在百億的風口面前，工業AI質檢似乎是一條頗為狹窄的賽道，卻是通往智能製造的康莊大道。無論是美國工業互聯網、德國的工業4.0，還是中國的智能製造2025、日本的超智能社會5.0藍圖，當前全世界都在向智能製造邁進。

但任何一個想讓工廠智能化轉型升級的企業，都無法迴避的一點是：智能製造是一個產業鏈場，且極其復雜、龐大的體系，所以根本不存在通用的AI。而工業AI質檢卻是一個門檻相對較低、成果較為明顯的切入口。

一方面，AI質檢可以直觀告訴工廠能節省多少成本，降低多少誤檢漏檢率；另一方面AI的高精特性，對於品控管理有著更強的適應性。我們來看些具體的例子：

比如全車車燈質檢，有兩道關必須把好。一是檢測車燈有無裝錯，由於現代汽車製造普遍採用混線生產機制，同一條流水線上，要流過不同車型的車燈，且這些燈外觀差別不大，極有可能裝錯，出現張冠李戴；二是檢測車燈有無毛病，能不能點亮。示寬燈、轉向燈、剎車燈、倒車燈等等，檢查點多達22處。而百度雲AI質檢員1秒就能測完，准確率高達99.9%。

同樣在手機攝像頭組件的質檢工作中，需要檢測的目標零件也多於10個。而基於騰訊雲技術的工業質檢儀，可以把效率提升為人工的20倍，一年就替工廠節省人力成本數千萬元。此外，還有華為雲、阿裡雲、商湯科技、遠舢智能、鼎納等雲廠商、機器視覺或AI創企們，開始將AI質檢規模化深入工廠，甚至還有移動、聯通的身影。

但對大多數玩家來說，野心始於AI質檢，卻不止於AI質檢。

當下的工業AI市場，存量頗豐。例如工業AI質檢離不開的機器視覺，也受到了資本的追捧。2022年上半年，工業3D視覺領域已有10餘起規模性的投融資事件。據統計，2021年3D視覺引導類出貨量同比增長超100%，預計未來五年內，也將以復合增長率超40%的速度增長。

近期工業3D視覺領域主要投融資事件

所以從AI質檢切入這個佔據國民經濟40%的工業領域，也是為了更大的工業AI市場大蛋糕。當前也有許多玩家們正由點及面，利用已有的落地成果改善算法，從單點突破到探索全方面賦能智能製造的平台級方案，加速智能革命。比如與華為雲合作的遠舢智能，就是從視覺監測技術切入，實現了質量分析、風險預警、源頭追溯等完整的質檢閉環，然後進一步打造面向整個工業製造智能化的AI-PaaS，幫助產業轉型。

03

工業AI需要Know-How閉環

過去十五年，中國製造業市場增長了差不多三十倍，而中國也連續12年成為世界上最大的製造業國家，全球市場佔比接近30%。在如此極具成長空間的行業，哪怕有一點改變都令人無比振奮。

而工業AI能提高勞動生產率的本質之一，在於利用機器學習技術實現數據分析與再挖掘，從而求得一些產業效率的最優解，但對於產業鏈的理解卻離不開神秘的Know-How。

所謂Know-How，是指工匠時代那些師傅對徒弟，言傳身教的“行業秘訣”。所以創業者的AI能力想從復雜細節中進入已有的產業實體中，到底如何進入，答案都掌握在Know-How手中，也可以是被稱作行業專家的人。

如果僅有AI，沒有Know-How是寸步難行。原因在於AI算法工程師，研究的是深度學習的訓練部署等相關內容；而產業專家雖對產業週期瞭如指掌，卻很難瞭解AI相關的內容。

難以理解的雙方最終導致的，在AI與落地之間，砌了一座無形的牆。

Know-How的復雜性，也讓工業領域很難出現快刀斬亂麻的智能化進程，只能徐徐圖之。所以，AI質檢市場也沒有大量入局者想像得那麼簡單。在行業落地中普遍面臨以下痛點：

異常樣本分佈少，實際生產過程中，正常樣本量遠大於異常樣本量，需耗費大量人力進行篩選；

產線間復制難，由於產線工況變化快、產品型號迭代週期快，一個產線的質檢模型無法直接復用到其它產線；

碎片化場景需求多，製造企業需要不斷提升良品率，各種產品的質量檢測復雜多樣，均需開發對應的質檢模型；

人工智能人才不足，工業領域AI的發展處於早期階段，人才短缺且培養週期長。

並且背後還涉及光學、自動化、電器等多學科交叉融合......這些都是制約AI質檢市場規模化的攔路虎。有這樣一個說法，人臉識別所需的AI能力對應的是一個8歲孩子的智力，那麼智能製造需要AI智力水平就接近一個成年人。所以，AI質檢發展數年，滲透率依然僅有5%。

這些新冒頭的AI企業，動作快、勢頭猛，不同的知識背景和認知層次，從不同的角度和立場出發，也許他們能帶來不一樣的智能化變革思路。

八仙過海，各顯神通，智能製造的新歷史，終將大放異彩。

本文經授權發布，不代表36氪立場。

如若轉載請註明出處。來源出處：36氪