智能制造：无线通信和AI这两大技术有多重要？

尽管工业 4.0 被提起过无数次，但对于 AI 在里面起到的作用一直讨论不多。同样对于工业互联网，落实到智能制造中的真实场景改造有哪些一样容易忽略？

作为香港中文大学终身教授兼思谋科技董事长 / 创始人的贾佳亚，近日在《智能制造中的核心 AI 技术》主题分享中给出了一些启发。

在他看来，4.0 时代是以智能为核心的一个时代，这个时代开始不仅仅具备网络、电力，还有计算。计算不再是一种非常奢侈的辅助设备，相反地，计算变成一种基础能源。当电力被计算提纯以后，计算的可利用性和资源强化性将变得非常巨大，技术特点就是永不间断的学习。

也就是说，要想完成工业 4.0，必须要重视工业互联网中的无线通信作用，更要重视 AI 作用。

工业4.0与中国制造2025

工业4.0就是“互联网+制造”，是由德国推出的一个概念。在美国叫“工业互联网”，我国叫“中国制造2025”。这三者本质内容是一致的，都指向一个核心，就是智能制造。

“工业4.0”项目主要分为两大主题，一是“智能工厂”，重点研究智能化生产系统及过程，以及网络化分布式生产设施的实现；二是“智能生产”，主要涉及整个企业的生产物流管理、人机互动以及3D技术在工业生产过程中的应用等。

该计划将特别注重吸引中小企业参与，力图使中小企业成为新一代智能化生产技术的使用者和受益者，同时也成为先进工业生产技术的创造者和供应者。

制造业需要智能制造

多样化、定制化的需求，对传统大规模生产方式造成了冲击。制造企业只有具备实现“大规模定制化”的能力，即在多品种小批量生产中实现与大批量生产相媲美的高生产率，才能在工业 4.0 的转型变革浪潮中脱颖而出。

智能制造是企业“大规模定制化”的技术支撑，也是全球制造突破现有生产力增长瓶颈的重要方向。物联网、大数据、人工智能等科技，正成为缔造未来制造业的关键技术，让现代化的工厂能够像人一样思考，变得更加“聪明”。

智能工厂概念

“工业 4.0”从嵌入式系统向信息物理系统（CPS）进化，形成智能工厂。智能工厂作为未来第四次工业革命的代表，不断向实现物体、数据以及服务等无缝连接的互联网（物联网、数据网和服务互联网）的方向发展。

智能设备

在未来的智能工厂，每个生产环节清晰可见、高度透明，整个车间有序且高效地运转。“工业4.0”中，自动化设备在原有的控制功能基础上，附加一定新功能，就可以实现产品生命周期管理、安全性、可追踪性与节能性等智能化要求。

这些为生产设备添加的新功能是指通过为生产线配置众多传感器，让设备具有感知能力，将所感知的信息通过无线网络传送到云计算数据中心，通过大数据分析决策进一步使得自动化设备具有自律管理的智能功能，从而实现设备智能化。

无线通信在工业互联网中至关重要

自 2012 年通用电气提出了 AIOT（人工智能物联网）概念后，通过新一代的信息通信技术，将关键基础设施与新型应用模式建立起连接工业全要素，实现数据的实时采集和精确分析和智能反馈就越来越普遍。因此，工业互联网的布局与通信息息相关。

在过去，工业通信系统的特征表现为多领域融合，包括传感、通信、计算机和自动控制等。对于通信的要求也非常严格，比如要求高实时性、确定性和可靠性，但部署的环境又很复杂。

" 工业互联网，开始成为未来智能制造发展的方向之一"，北京邮电大学教授、IEEE Fellow、中国工程院院士张平表示。

随着无线通信的发展以及工业互联网概念的提出，科研人员开始考虑用无线通信来解决工业互联网面临的挑战。无线通信优势表现在：其结构精简、数据采集和传输受设备影响比较小，可灵活采用工业数据，国内外发展路径也非常清晰。

尽管无线通信成为智能工厂的核心部分，但目前其投入使用的比例较低，不到 6%。因为柔性制造对于

对无线网络，或者 5G 的需求非常高。这是由于这是一个闭环系统，不仅要解决信息从 A 地到 B 地不确定性的问题，而是要对这些不确定性问题产生决策，最后对系统的控制产生效应，因此，这就要求具备高安全性、高可靠性。

张平指出，" 目前，国内互联网已经由消费互联网进入产业互联网，一方面，其发展对算力提出了新要求，另一方面，也对密集型，时延敏感性提出了新的挑战，在这样的情况下，急需考虑云、边、端的算力资源的自治或者自洽，以高效处理数据。而面向海量业务差异化的上云需求，当前被广泛使用且依赖专家的人工式解决方案，难以满足业务种类、规模增长的需求，比如业务获取、业务分析转译、网络状态感知、策略下发等。因为未来需要实现边缘云、通信云与网络资源的协同一体。"

同时，国内科研人员也在编程语言 NPL 上实现对用户需求的精确感知，从高级语言转换为网络设置，还有对网络专发 2 节点逐跳进行信息的采集和报告，实现队列、缓存、延时等精确感知，为网络自治提供准确可靠的数据支撑。 对数据流量历史及宽带的特征进行分析，挖掘网络空间特征，以实现宽带流量自由化。

在工业互联网中，目前出现最为棘手的问题在于：工厂里机器设备的运行会产生电磁干扰，尤其是传统的信道建模工厂车间，会影响电子器件的正常通信。因此，为了保证无线干扰传输可靠性，电磁噪声的建模起到至关重要的作用。

为了解决干扰通信的问题，张平提出，未来需要根据车间业务特点来定制合理的设备，接入功率控制策略，避免减少同频干扰，尽可能减少设备空口干扰的影响。

面临这样的挑战，未来无线通信技术的发展有以下急需突破的方向：

首先，在过去，网络是以人为信息作为接收主体构建的网络，而未来面向机器的网络是自主感知的闭环智能机器网络，因此这两者存在很大差异。过去，面向人与人之间通信来设计的 "TCP IP" 可归纳 " 为三部曲 "：发一个请求——回答请求——建立链路。因此，这种模式无法适用于机器与机器之间的通信。因此，未来迫切需要变革面向人的无线网络的设计，以及研究出面向闭环信息流的、系统级的信息理论。

其次是搭建感知、传输、计算及使用一体化的网络架构，以及可灵活适配的可信交互协议，以满足工业互联网持续可信的通信需求。如今，5G 技术已经把人与人之间的通信扩展到机器与机器之间的通信，同时也增加了一个维度。在这种情况下，未来科研人员可使用很多方法、算法以及算力，来提升其性能。但这需要一个长期准备阶段才能实现。

除了无线通信，AI 也无比重要

虽说在工业 4.0 时代，智能制造意味着制造业进入一个新的发展阶段，人类需要创造一个智能制造的大脑，让它能思考。智能化也更像是代替人类生产的 " 手臂 "，通过智能化控制生产来提高更多效率。

" 但是，智能制造是一个非常复杂庞大的工程，包括产品设计、生产管理、生产服务以及对客户交互等环节。智能制造的目的则是要实现所有全链条环节都由机器完成，达到自主决策、自主执行及自主适应。" 贾佳亚说道。

为了达到这一目的，在智能制造领域中，实现跨行业的工业 AI 落地，是目前科研界面临的一大难题。

比如在手机质量检测任务中，实现机器自主检测。假设一款手机大概有 400 个供应商，所有供应商有 5 个制程，每个制程有 25 条产线。在生产手机过程中，科研人员要去做所有零件管控和质量评审，则需要做出近 3 万种（400×75）算法，才能保证手机摆脱人为因素的干扰，自动判别质量，实现高管控率。如果把范围放缩小至全球排名前 5 的手机品牌，每个品牌每年约推出 6 款不同型号，第一年科研人员需要写出 90 万种算法，但目前没有一个团队可以完成如此繁重的任务。

因此，只有当系统能够自动实现算法组合和部署，人类只需要少量定制化算法，才有可能实现 AI 的跨领域规模产业化，这是一个巨大的命题。而如何能实现自动的算法组合和部署，则是一个系统工程。

智能制造有三个核心原则，首先，智能制造一定要具备普适性，不管是应用在汽车、飞机等行业，还是半导体、晶圆和 3C 产业等，都要具备该特质；第二，制造的核心原则是以计算为先，不依赖于电力和其他的基础能源；除此，实现智能制造，还需要满足两大条件，分别是 AI 系统设计的自动化以及 AI 系统部署的自动化。只有当这些条件得到满足之后，将会迎来新一代的智能产业变革。

未来 10 年是新一轮工业制造革命的关键时间窗口，也是全球各国将高精尖制造业全面升级成为智能制造的核心阶段，目前智能制造依然面临着场景需求复杂、设备连接力不足、跨行业跨领域能力薄弱、数据分析能力不足等挑战，而唯有用 AI 破局，才能激活制造业的增长潜力。

AI 的关键在于机器视觉

机器视觉被称为 " 工业之眼 "，是实现智能制造必不可少的一环。目前，机器视觉被广泛应用在消费电子 3C 制造中。

与其他行业相比，消费电子行业具备 " 多、变、快、全 " 这四大明显特征。换而言之，就是产品种类多、生命周期短、更新迭代快、品控严格。同时，生产制造需要不断适应形态及工艺的变化，快速切换生产线。高标准、高要求的品质管控也导致消费电子行业对成本非常敏感。因此，在品控与成本之间做好平衡，提升利润空间成为制造环节中的一大挑战。

进一步来看，在成本方面，人力成本攀升、工人流动性强、工人状态会影响良率性等问题，已成为该行业主要痛点。为了解决这些问题，机器视觉的应用优势得到体现。

在国内，运用机器视觉技术投入智能制造的公司多数属于消费电子领域。

针对机器视觉的特点，闻泰科技副总裁、自动化研究院院长郭洪涛表示，首先，机器视觉具备柔性化优势，机器视觉基本上相当于一个标准品，用一个相机再加上镜头及光源，就能实现拍照功能，再通过图像处理方式去完成检测，并可适用于不同产品，柔性化程度较强。

其次是无接触；最后一点是实现信息化，用图像处理方式再通过算法把数据检测和识别出来，同时将相应信息写入系统，为迭代算法及优化工艺等打下良好基础，因此，机器视觉在消费电子领域应用得越来越广泛。

在手机生产制造中，机器视觉应用得最多的环节包括尺寸测量、贴物料、精确识别等。以贴物料为例，手机由不同零部件组合而成，但不同批次生产的不同构件存在一定公差，机器视觉可通过测量及优化的算法找到零部件之间的最优匹配。

不过，值得一提的是，所有技术都具备一定局限性，且技术落地还需要与相应场景特点相结合。机器视觉在消费电子制造的应用过程中，也存在各种挑战。

举个例子，外观检测是机器视觉应用领域的一大难题，但一旦突破就会变得非常有价值。其难点在于污点、缺陷及形态随机出现在不同位置，对于设备来说很难进行直接的量化定义。因此，需要基于 AI 算法做一些数据收集及分析，但依然会受到其他外界因素不同程度的干扰。

从机器视觉在智能制造落地应用的趋势来看，其发展空间会越来越广。郭洪涛指出，由于具备算法的支撑，机器视觉能够不断迭代成长。再加上它具有无接触的特点，令它在各种应用场景都能得到发挥及应用。

在未来的发展路径上，机器视觉可与光学设计进行紧密结合，通过更优化的光学设计来实现更好的成相。在具备成像的基础上再加入算法，有利于提高生产效率。其次，通过 AI 的加持，传统算法能解决智能制造中 90% 的问题。最后，再将 2D 与 3D 进行互补便有望解决以往无法攻破的难题。

由此可见，机器视觉未来的应用前景广阔，也成为智能工厂重要的组成部分。