机器学习、深度学习等人工智能技术在工业界的应用状况是怎样的?人力供需状况如何?

李开复:我在硅谷看到了什么? 在李开复的关于硅谷前沿科技的这篇文章里提到,深度学习的博士毕业生可以拿到200万美金以上的年薪,很是厉害啊。 ---- 本题已收录至知乎圆桌 » 对弈人工智能,更多关于李世石对战人工智能的解读欢迎关注讨论。
关注者
2,890
被浏览
138,201

27 个回答

收录于 编辑推荐 ·
国内的情况不了解,本人在东京从事人工智能的工作,日本这边人工智能技术应用于工业界的比较多,随便举几个例子吧:

(1)代替肉眼检查作业,实现製造检查智能化和无人化
例如工程岩体的分类,目前主要是通过有经验的工程师通过仔细鑑别来判断,效率比较低,并且因人有不同的判断偏差。通过採用人工智能,把工程师的经验转化为深度学习算法,判断的淮确率和人工判断相当。得到对应的权值后开发出APP,这样现场工程人员在使用tablet拍照后,就可以通过APP自动得到工程岩体分类的结果,高效且淮确率高。

还有汽车零部件厂商,目前检查生产出的零件磨损种类与等级情况时,多是有经验的人工。同样,通过採用深度学习算法,可以把人工的检测经验转化为算法,从而实现无人化检测。

(2)大幅改善工业机器人的作业性能,提升製造流程的自动化和无人化

例如bin picking机器人,工业上有许多需要分捡的作业,如上圖所示的零件分捡,採用人工的话,速度缓慢且成本高,而且还需要提供适宜的工作温度环境(夏天的空调,冬天的暖气等),如果採用工业机器人的话,可以大幅减低成本,提高速度。但是,一般需要分捡的零件是没有整齐摆放的,机器人虽然有camera看到零件,但却不知道如何把零件成功的捡起来。这种情况下,使用机器学习,先让工业随机的进行一次分捡动作,然后告诉它这次动作是成功分捡到零件还是抓空了,经过多次训练之后,机器人会知道按照怎样的顺序来分捡,会有更高的成功率,如下图。

(上面的图片显示,经过机器学习后,机器人知道了分捡时夹圆柱的哪个位置会有更高的捡起成功率)
(上面的图片表明通过机器学习后,机器人知道按照按照怎样的顺序分捡,成功率会更高,图中数字是分捡的先后次序)

(上面的图片显示,经过8个小时的学习后,机器人的分捡成功率可以达到90%,和熟练工人的水平相當)
(关于深度学习是如何判别抓取位置的,可以参考下面的回答:
人工智能深度学习的算法可以应用到工业的机械臂上吗? - Tomi 的回答

(3)工业机器人异常的提前检知,从而有效避免机器故障带来的损失和影响
这方面和IoT(Internet of Things)结合比较多。例如在製造流水线上,有大量的工业机器人。如果其中一个机器人出现了故障,当人感知到这个故障时,可能已经造成大量的不合格品,从而带来不小的损失。如果能在故障发生以前就检知的话,可以有效做出预防,减少损失。例如下图的工業机器人减速机和主轴,如果给它们配上sensor,并提前採取它们正常/不正常工作时的波形,电流等信息,用于训练机器学习系统,那么训练出来的模型就可以用来提前预警,实际的数据也表明人工智能会比人更早地预知到故障,从而降低损失。
(上图表明,经过机器学习后,模型通过观测到的波形,可以检知到人很难感知到的细微的变化,并在工业机器人彻底故障的之前的数星期,就提出有效预警)

(上图是利用机器学习来提前预警主轴的故障,一般人都是主轴出现问题后才知道)

(4)例如工业上的3D模型设计完成后,需要根据3D模型中参数,寻找可对应的现实中的零件,用于製造实际的产品。使用机器学习来完成这个任务的话,可以快速,高匹配率的找出符合3D模型参数的那些现实零件。

(上图是根据3D模型设计的参数,机器学习模型计算各个现实零件与这些参数的类似度,从而筛选出匹配的现实零件。没有使用机器学习时,筛选的匹配率大概是68%,也就是说,找出的现实零件中有1/3不能满足3D模型设计的参数,而使用机器学习后,匹配率达到了96%)

(5)PCB电路板的辅助设计
任何一块印製板,都存在著与其他结构件配合装配的问题,所以,印製板的外形和尺寸,必须以产品整机结构为依据,另外还需要考虑到生产工艺。层数方面,也需要根据电路性能要求,板尺寸和线路的密集程度而定。如果不是经验丰富的技术人员,很难设计出合适的多层板。通过机器学习,可以将技术人员的经验转化为模型,从而提升PCB设计的效率与成功率。


除了以上的例子,机器学习在日本还有各种各样的应用,如下图中利用机器学习来进行糖尿病的诊断等,准确率很高。

总结一下,国内的话,人工智能应用于互联网的情况比较多,日本这边的人工智能技术更多是用来服务于製造业的。许多日本製造业公司正在通过人工智能实现製造智能化、最大程度减少人力、提升製造品质。

工业领域的数字化程度越来越深,人工智能技术也得以在工业界不断地发展。但提到工业领域的人工智能,人们的第一反应是机器人。但除此之外的应用还有很多,这里就介绍比较主要的几类:

第一类是比较简单的应用:对于「数据的可视化分析」。让我们可以理解数据所反映的设备运行状态、能耗情况、生产力状况等等情况。

第二类则是让机器实现「自我诊断」。比如一条生产线突然发出故障报警,机器能够自己进行诊断,找到哪里产生了问题,原因是什么,同时还能够根据历史维护的记录或者维护标准,告诉我们如何解决故障,甚至让机器自己解决问题、自我恢复。

当然,我们都不太希望发生故障,所以我们通过人工智能技术可以实现第三类应用,「预测性维护」。要知道工业生产线或设备如果突然的宕机,那造成的损失是非常巨大的。所以我们通过人工智能技术让机器在出现问题之前就感知到或者分析出可能出现的问题。比如工厂中的数控机床在运行一段时间后刀具就需要更换,通过分析历史的运营数据,机器可以提前知道刀具会损坏的时间,从而提前准备好更换的配件,并安排在最近的一次维护时更换刀具。

第四,提前「采取措施,优化运营」,比如节能。在工业领域,对生产线进行节能优化,通过对历史运营数据、工厂排产情况,以及设备配置参数等等的分析,提前检测出能耗的异常,并提供降低能耗的措施。

此外,在许多泛工业,像能源,工业,交通等领域,人工智能技术都已经有了应用。总得来说,人工智能在工业界的应用范围和效果是绝对不输于在互联网上的应用。