文|钱皓

在搜索平台上输入“召回”两个字，可以发现一天之内的消息里，大到豪华汽车，小到手机、牙刷，每天都有大量品牌发出公告，提醒消费者对相关产品发起退货。

一次次缺陷产品召回的背后，不仅会对品牌声誉造成影响，也让其一定程度上失去了消费者的信任。这背后，除了产品原始的设计问题，品控也得背锅。

因为随着人们消费水平的提高，工厂的出货压力也随之增加。而品控环节基本都是依赖人工检测，高强度工作之下，质检员可能因为视觉疲劳、精神不集中等出现更多错检、漏检情况。

如何在保证检测效率的情况下，提高产品良率呢？AI或许是把利剑。

工业需要国产“慧眼”

制造业苦人工质检久矣。

一直以来，传统的人工检查方法除了效率低，更突出的问题在于人口红利不再导致的“用工难”问题。据统计，目前每天流水线上进行人工检测的工人数量超350万人，但因工资低、工作枯燥，愿意从事人工质检的工人愈来愈少。

因此，制造业在质检上花费成本甚至能占人力成本的40%。在降本增效的需求下，质检行业也一直在寻找更高性价比的方式。

从上图可以看到，在深度学习阶段，智能化赋能质检后，可以解决更多场景更复杂的质检工作，也就彻底实现“机器换人”。

当下，越来越多企业利用AI加快智能化转型，一方面是需求所致，另一方面则是技术推动。在此前的《RPA赛道大热，正在量产你未来的机器人同事》文章中，我们也提到过，现在工业机器人同样也在面临智能挑战，从一开始承担类似工厂流水线的活，到现在需要理解老板的意思，效率更高、出错更少，所以让RPA+AI的结合拥有了更大的想象力。RPA和AI就相当于人的“手”和“大脑”，从体力和脑力上来解放人工。（RPA意为机器人流程自动化）

同样在质检上，随着RPA和AI技术的逐渐成熟，AI质检的声量也越来越高。但是，AI质检这项关乎生产良率的“命门”，却长期掌握在国外厂商手中，寻求替代品，就成为了国内创业者的当务之急。

可以说中国工业，尤其是高端自动化行业中，普遍存在这样的“通病”：外资厂商牢牢掌握先发优势，技术方面积累更深，人才储备丰富，往往价格也普遍更高，但是服务却不见得好。

就以修建地铁不可或缺的盾构机为例。2000年左右的时候，中国没有盾构机，只能靠进口，不仅购买价格高达到7亿一台，且维修工作都由国外的维修工人飞到国内进行，一人一天3000美金，相当于国内普通工人一年的工资。面对这样的高昂成本，又本着技术掌握在自己手里才是真道理，中国便下决心自己研发，从对盾构机一无所知，到研发出第一台自己的盾构机，中国花了6年的时间。到目前为止，中国的国产盾构机已经占据了90%的国内市场，并拿下了全球市场的2/3，顺带着把国外盾构机产品的价格也打下来了。

所以，正是中国智造的崛起，让国产AI检测企业正在积极布局。各路云厂商、AI创企、传统机器视觉企业以及工业互联网平台企业等等，也都加入了工业AI质检赛道。IDC数据显示，中国国AI工业质检市场在高速增长下，预计到2024年的规模将达到4亿美元。

选择窄门的理由

创业的旅途有两种，择大门走险路，过窄门而宽途。

在当下动辄在百亿的风口面前，工业AI质检似乎是一条颇为狭窄的赛道，却是通往智能制造的康庄大道。无论是美国工业互联网、德国的工业4.0，还是中国的智能制造2025、日本的超智能社会5.0蓝图，当前全世界都在向智能制造迈进。

但任何一个想让工厂智能化转型升级的企业，都无法回避的一点是：智能制造是一个产业链场，且极其复杂、庞大的体系，所以根本不存在通用的AI。而工业AI质检却是一个门槛相对较低、成果较为明显的切入口。

一方面，AI质检可以直观告诉工厂能节省多少成本，降低多少误检漏检率；另一方面AI的高精特性，对于品控管理有着更强的适应性。我们来看些具体的例子：

比如全车车灯质检，有两道关必须把好。一是检测车灯有无装错，由于现代汽车制造普遍采用混线生产机制，同一条流水线上，要流过不同车型的车灯，且这些灯外观差别不大，极有可能装错，出现张冠李戴；二是检测车灯有无毛病，能不能点亮。示宽灯、转向灯、刹车灯、倒车灯等等，检查点多达22处。而百度云AI质检员1秒就能测完，准确率高达99.9%。

同样在手机摄像头组件的质检工作中，需要检测的目标零件也多于10个。而基于腾讯云技术的工业质检仪，可以把效率提升为人工的20倍，一年就替工厂节省人力成本数千万元。此外，还有华为云、阿里云、商汤科技、远舢智能、鼎纳等云厂商、机器视觉或AI创企们，开始将AI质检规模化深入工厂，甚至还有移动、联通的身影。

但对大多数玩家来说，野心始于AI质检，却不止于AI质检。

当下的工业AI市场，存量颇丰。例如工业AI质检离不开的机器视觉，也受到了资本的追捧。2022年上半年，工业3D视觉领域已有10余起规模性的投融资事件。据统计，2021年3D视觉引导类出货量同比增长超100%，预计未来五年内，也将以复合增长率超40%的速度增长。

近期工业3D视觉领域主要投融资事件

所以从AI质检切入这个占据国民经济40%的工业领域，也是为了更大的工业AI市场大蛋糕。当前也有许多玩家们正由点及面，利用已有的落地成果改善算法，从单点突破到探索全方面赋能智能制造的平台级方案，加速智能革命。比如与华为云合作的远舢智能，就是从视觉监测技术切入，实现了质量分析、风险预警、源头追溯等完整的质检闭环，然后进一步打造面向整个工业制造智能化的AI-PaaS，帮助产业转型。

工业AI需要Know-How闭环

过去十五年，中国制造业市场增长了差不多三十倍，而中国也连续12年成为世界上最大的制造业国家，全球市场占比接近30%。在如此极具成长空间的行业，哪怕有一点改变都令人无比振奋。

而工业AI能提高劳动生产率的本质之一，在于利用机器学习技术实现数据分析与再挖掘，从而求得一些产业效率的最优解，但对于产业链的理解却离不开神秘的Know-How。

所谓Know-How，是指工匠时代那些师傅对徒弟，言传身教的“行业秘诀”。所以创业者的AI能力想从复杂细节中进入已有的产业实体中，到底如何进入，答案都掌握在Know-How手中，也可以是被称作行业专家的人。

如果仅有AI，没有Know-How是寸步难行。原因在于AI算法工程师，研究的是深度学习的训练部署等相关内容；而产业专家虽对产业周期了如指掌，却很难了解AI相关的内容。

难以理解的双方最终导致的，在AI与落地之间，砌了一座无形的墙。

Know-How的复杂性，也让工业领域很难出现快刀斩乱麻的智能化进程，只能徐徐图之。所以，AI质检市场也没有大量入局者想象得那么简单。在行业落地中普遍面临以下痛点：

异常样本分布少，实际生产过程中，正常样本量远大于异常样本量，需耗费大量人力进行筛选；

产线间复制难，由于产线工况变化快、产品型号迭代周期快，一个产线的质检模型无法直接复用到其它产线；

碎片化场景需求多，制造企业需要不断提升良品率，各种产品的质量检测复杂多样，均需开发对应的质检模型；

人工智能人才不足，工业领域AI的发展处于早期阶段，人才短缺且培养周期长。

并且背后还涉及光学、自动化、电器等多学科交叉融合......这些都是制约AI质检市场规模化的拦路虎。有这样一个说法，人脸识别所需的AI能力对应的是一个8岁孩子的智力，那么智能制造需要AI智力水平就接近一个成年人。所以，AI质检发展数年，渗透率依然仅有5%。

这些新冒头的AI企业，动作快、势头猛，不同的知识背景和认知层次，从不同的角度和立场出发，也许他们能带来不一样的智能化变革思路。

八仙过海，各显神通，智能制造的新历史，终将大放异彩。