{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
当前位置: 首页> 技术应用> 正文 
收藏
点赞
投稿
制造业中人工智能软件的三种方法
来源: 作者:
  2021-11-19   

本刊特约记者/文

  虽然人工智能已经改变了亚马逊、百度和谷歌等消费互联网公司的业务方式,但当涉及到制造业、农业和医疗保健等非技术领域时,它却显得力不从心。

  知名人工智能专家吴恩达(Andrew Ng)认为:“其中一个原因是,为大量用户开发的‘一刀切’的人工智能系统对其他行业并不适用。”

   在《哈佛商业评论》最近发表的一篇文章中,曾在2014~2017年担任百度驻加州首席科学家的吴恩达说:“制造业等行业将需要找到适应其不同使用情况的定制解决方案。”

   在文章中,吴恩达问道:“为什么人工智能没有在消费类互联网公司之外广泛使用?”他列举了三个主要原因:

l  首先,消费互联网公司拥有庞大的用户数量,因此他们的工程师有数百万个数据点,他们的人工智能可以从中学习,但在其他行业,数据的规模要小得多。

  吴恩达举例说明:“你能建立一个人工智能系统,在只看到50个例子后学会检测一个有缺陷的汽车部件吗?当只有50个数据点时,为5000万个数据点建立的技术是行不通的。”

l  其次,定制化的高成本有利于雇用许多工程师为大项目建立和维护人工智能系统的消费互联网公司,但对于其他行业来说,每个项目可能都需要定制人工智能系统。例如,每个制造不同类型产品的工厂可能需要一个定制的检测系统。

“单个项目的经济效益可能不支持雇用一个大型的、专门的人工智能团队来构建和维护它。”他说:“这个问题由于人工智能人才的持续短缺而变得更加严重,这进一步推高了这些成本。”

l  第三个挑战是概念验证和生产之间的差距。

  即使一个人工智能系统在实验室里工作,公司也需要巨大的资源来将其部署在现实世界的生产中。一个人工智能团队可能会庆祝一个成功的“概念验证”,但却发现他们还需要一到两年的时间才能让系统准备好用于工厂车间。

  为了解决这些挑战,吴恩达建议采用以数据为中心的方法来开发人工智能,重点是获得正确的数据来提供给软件。

“例如”,吴恩达说:“大多数工厂的工人在定义和识别什么算作缺陷方面都很熟练。如果我们期望每个工厂要求其工人发明新的人工智能软件,以此来获得该工厂所需的定制解决方案,那么进展将会很缓慢。但我们反而要建立和提供工具,使这些领域的专家有能力对数据进行工程设计—通过允许他们通过向人工智能提供数据来表达他们关于制造业的知识—他们的成功几率会高很多。”

 为制造业提供特定人工智能软件解决方案的一家公司—亚洲人工智能软件供应商SenseTime。根据该公司最近在香港公开上市的招股说明书,该公司2020年的收入为34亿元,2021年上半年为16亿元。

  SenseTime引用了市场研究公司Frost & Sullivan的数据,预计中国的人工智能软件市场将以41.5%的年复合增长率从2020年的295亿元增长到2025年的1671亿元,使其成为全球主要市场中增长最快的。

  SenseTime在2021年上半年的研发投资总额为17.7亿元,甚至超过了该时期的收入。

   SenseTime表示,它也是中国最大的计算机视觉软件供应商。在2015~2021年期间,该公司在CVPR、ICCV和ECCV这三大计算机视觉会议上发表的论文数量最多。该公司的人工智能软件的主要市场之一是制造业,包括质量控制,这是制造业的一个关键领域。

   大多数质量控制检查仍由人工进行,但通过使用SenseFoundry-Enterprise解决方案,制造公司可以更准确地识别缺陷,并提高工作效率和准确性。

   由于不同行业的质量控制措施差别很大,SenseTime利用有限的样本,为每种类型的缺陷开发了特定场景的AI模型。

 “与质量控制的关键步骤相结合,SenseFoundry-Enterprise通过及时发现缺陷,帮助制造商避免中断和防止损失,提高整体生产效率,”该公司在其招股说明书中说。

 使用这种方法的客户之一是汽车制造商中国一汽集团,该公司已将SenseTime解决方案整合到其现有生产线上,以高度的稳定性进行全天候运作。

 例如,在一汽的金属冲压工艺中,质量控制检查员很难发现不同金属零件中可能存在的小缺陷。传统的检查过程既费时又缺乏一致性。

 “SenseFoundry-Enterprise使我们的客户能够在6~12秒内自动检测超过34种缺陷,检测率超过99%,”SenseTime说:“实时检测进一步帮助客户立即发现装配线上的缺陷或故障,防止生产过程的潜在中断和产品的缺陷。”

 SenseTime的另一个制造业解决方案被称为“模型工厂”,它解决了人工智能模型为特定工业应用场景量身定做的需求。

 用传统方法制作高性能的人工智能模型,成本高且耗时长,因为它需要大量的注释训练数据、漫长的训练过程和复杂的特定场景程序。

 “我们的模型工厂的主要目标是以高效的方式生产具有卓越性能的特定场景模型,以满足广泛的工业场景所产生的大量‘长期'需求。”SenseTime说。

 关于人工智能软件应用的另一个观点来自EDA供应商Synopsys的CEO Aart de Geus。在8月的Hot Chips会议上的主题演讲中,de Geus说每个垂直市场,包括工业、消费、汽车、网络、移动/5G、物联网/边缘、HPC/云等都在投资人工智能,以变得“更聪明一点,更有效率”。

“但随之而来的是一整套系统需求和要求,都必须被整合,”他说,并补充说这被称为 “sysMoore时代”。

“当你看sysMoore时,它从根本上代表了系统的复杂性,与按比例的复杂性相反,我们确实已经很好地掌握了这一点。”

同时,de Geus认为摩尔定律并没有死,该行业正在继续设计和制造更小的设备。

“这个片上系统的时代绝对会继续活得很好。我们现在正在开启‘芯片系统'时代,”他说。

关于自主设计是否可能的问题,de Geus说答案是 "是"。

 他说:“在这个时候,我们的每个产品都有机器学习。”

 在EDA领域,de Geus说已经发表了一些关于使用人工智能进行布局的技术论文。其中一篇发表在2021年6月的《自然》杂志上,作者是一群谷歌的工程师。

作者解释了几十年来芯片布局是如何脱离自动化的,仍然需要物理设计工程师花费数月的紧张努力才能产生可制造的布局。

 谷歌开发了一种用于芯片布局的深度强化学习方法,该方法在不到六个小时的时间内自动生成了在所有关键指标上都优于或可与人类产生的芯片布局相媲美,包括功耗、性能和芯片面积。

 作者在论文中写道:“我们的方法利用过去的经验,在解决新的问题实例时变得更好、更快,使芯片设计可以由比任何人类设计师更有经验的人工代理进行。”这种新方法被用来设计谷歌的下一代人工智能加速器。

 另外,三星电子是首批使用人工智能软件创建芯片的电子公司之一。依靠Synopsys的EDA工具,这家韩国公司设计了其Exynos处理器,用于该公司的可穿戴设备、智能手机和汽车信息娱乐系统。

De Geus认为,人工智能将在未来20年内对人类产生“巨大的影响。我认为,伟大的工程师往往也是伟大的艺术家,我们可以想象不可能的事情,我们可以在道路上铺上橡胶。”他总结说。

 

 

 


分享到:
  点赞
  收藏
  打印
评论(0
已输入0
最新文章