为什么AI在工业领域的落地这么难？

这两年，以深度学习和图像识别为主的AI技术加速在各领域的落地：人脸识别、安防、新零售、无人驾驶、智能工厂等。

对于创业来说，有一个非常核心的因素就是要在正确的时间窗口踏进去。人脸识别的时间窗口在2012年——2014年，目前已经有了几个比较大的公司，比如旷视、商汤等，后进者很难有机会。

正如阿丘科技创始人黄耀在公开场合的演讲中所说：“图像创业公司在互联网上找一些技术类的创业点，很容易落入BAT的一个子集，很难创建交集；另一方面在于人才，没有百度、腾讯、阿里那么多厉害的工程师，计算能力也不如他们，所以，我没法说服自己在这个方向上深入创业。”

“互联网经过十几年的发展，金字塔顶尖的BAT公司聚集了大量的优秀人才，如果你再去做这个事的话，没有特别多的优势，还不如去找一些新的领域，看得更远一点的，站在未来的视角，看看这个世界会发生什么变化。然后投身进去，坚持五年、十年甚至更长。”他所指的领域便是工业领域。

这两年，选择在工业领域落地的AI企业也有很多，特别是机器视觉企业，但目前大部分企业还不足以对制造业提供颠覆性的独有的B2B服务，互相之间又在同质化竞争中求生存、求估值增长，AI在工业领域的落地同样艰难，甚至比消费领域更艰难。

重拳打在棉花上

两年快过去了，声称要用AI帮助制造业企业转型升级的吴恩达又忙于AI在农业以及其他领域的落地。关于与富士康合作的进展似乎没了下文，不知道是因为富士康要求保密还是别的原因，如果是前者，倒还说得过去。

但是有一点需要提出，到现在为止，Landing.AI提到的工业领域的合作客户还是只有富士康一家，仅从落地的速度上来看并不能让吃瓜群众满意。

2017年12月，吴恩达宣布创立Landing.AI，其官方目标是帮助制造业公司用算法来降低成本、提升质量管理水平、消除供应链瓶颈等，第一个大客户就是富士康，Landing.AI正在帮富士康构建一个系统，来检测镜头组件上的斑点、划痕等瑕疵。

有观点称非常看好吴恩达创业，但不乏有悲观的声音：“吴恩达拿着人工智能的榔头顶着万众瞩目的光环，看到钉子就抡起来锤下去，滞留却未见深潜入木，未带来使用AI变革所从事行业的喜讯。用互联网用语说是试错，但对于吴恩达这种AI领域的万众瞩目的头部人物，显得有些缺少深思熟虑。”

如果说吴恩达作为AI领域“教父”级的存在，尚且受到质疑可能因为公众带有对于技术大牛的某种偏见，这种偏见来源于技术与市场之间的鸿沟。

“号称有技术的比真有技术的多，真有技术的比拿得出产品的多，产品能持续盈利的就更少了。”这意味着，即使再先进的AI技术，如果最终不能落地并形成可以持续盈利的商业化模式，所能带来的价值就不能持续。

吴恩达用“Landing.AI”来命名他的公司，大概也有这个意味：AI要落地。当然，他此前也表示目前Landing AI的重点聚焦在于制造业高管沟通，还不太考虑盈利问题。

在知乎上，有名为咸菜坛子的网友指出，AI大规模应用于制造业，虽然很多公司都在推广，但是前景却是未知。

首先，AI前期投入高，回报未知，很可能造成虎头蛇尾的局面；其次，很多生产过程能接受的误差是很小的，AI没有很好的鲁棒性；另外，有一些问题，不单单是数据可以解决的，或者其它方案比AI更直观，更有效。

目前AI在工业领域的落地，有一种“重拳打在棉花上”的感觉：不轻不重，不痛不痒。

毫无疑问，制造业需要人工智能，然而人工智能算法在制造业上并不一定马上展现出较大效益，工业数据量大，但相互关系比较紧密，存在确定性比较大的逻辑关系，从本质上属于小数据。

“工厂里多放一些温度、压力、流量、浓度测量点，让传感器、控制器稳定一些，采用简单方法就能提升很大效益，在此基础上才能用到时间快、精度高的算法。”多数人仍然相信，目前AI能够带来的不是“雪中送炭”的效果，而仅仅是“锦上添花”而已。

玩法不一样

AI企业能够在工业领域活下来不是说人工智能的算法有多牛，需要业务、产品化渠道，并不是技术好就能做好的事情。事实上，AI在工业领域的玩法与消费领域不一样。

梅卡曼德CEO邵天兰认为，消费领域价格承受力更低，而且应用环境的可控性差，因此对产品的价格和适应性要求更高；工业领域对可靠性要求高得多，而且客户需求更加个性化，因此对产品稳定性和调试效率有更高要求。

微软之前出过一个“How old Robot”的软件通过使用者上传的照片测试年龄，这在当时掀起一股热潮，这个软件火爆的原因并不是因为它的准确性，而是因为趣味性以及抓住了用户的一些微妙的心理。但在工业领域，产品的准确性却是一道必须要迈过的门槛。

正如高视科技董事长姜涌所说，消费领域的人工智能，只要有1%的人愿意玩，产品就值钱，但是工业级AI，只要有一点不准，人家就不敢用你的东西。“行业标准不一样，消费级的用户是个人，只要受众的10%接受，就已经是很大的市场了，工业的行业标准至少要达到90%的企业都能接受，达不到就没有用，这个区别很大。”

精锐视觉创始人孔庆杰也称人脸识别能达到90%的准确率就很好用了，而工业上即便达到98%都不行，至少也要达到99%，甚至“4个9”才行。对一个每天产能在几十万个产品的工厂来说，如果识别准确率达不到99%以上，就意味着有几百个瑕疵产品成为“漏网之鱼”。

创业前，姜涌曾任职于日本佳能，如今，选择在工业领域落地的姜涌提出，工业领域的AI玩法与消费领域的不同之处还在于：消费级的数据包括物流行业的数据是很容易获取的，这在中国基本上是不受管控的，但是工业级的数据却很难获取，需要找到愿意陪你一起玩的企业。

“我接触过用深度学习解决工件缺陷识别的问题，坑不是一般的大。”有业内人士表示，如果没有资源，那么数据就是不可获得的，但算法人才可以挖过来，相对比，数据尤其是某行业高质量数据的稀缺性比算法人才重要多了。

此外，对于工业领域来说，想要通过一个技术去驱动整个产品的发展是很难的。“工业AI落地一定要通过设备，它一定是个光学机构、电气、算法软件结合的系统化驱动的工程，并不是一个点或者一个技术就能打一片的事情。”姜涌说。

工业AI创新还需要什么？

相对于具有天然数据积累能力的科技公司，传统的制造业、物流、仓储等行业具备以下特征：

毛利润高但净利润极低，人员效率低开销大；数据标准化程度高但自动化、优化程度低；公司部门化程度高，交流成本高，但中心化数据库和项目管理系统的可用度极低；数据产生量极高，内在逻辑强，但软件系统开发能力极低，数据逻辑对非业内工程师不友好；部门业绩对单个人的依赖程度极高，但又只能通过流程化将公司对单个人的依赖度压到最低。

以上这些拧巴的点共同造成了上述行业对AI产品的强烈购买欲望，这些点其实每突破一个都足以产生一个销售额十亿级的企业。但需要AI技术人才对制造业产业链的深度了解，才能开始定义产品边界，找准自己的位置，逐步打磨产品形态。光靠软件是代替不了流水线上的几万工人，行业的底层逻辑也需要时间去深入了解。

有业内人士表示，智能制造涉及的技术难度关键并非单一来自人工智能算法或是芯片本身。如吴恩达所说，与富士康的合作会取代将来很多工人的存在，要实现这点，工业机器人的使用是避免不了的，而这部分不单单来自于人工智能算法本身，更多的是一个系统集成工程，要求光、机、电、化等多学科多领域的合作，甚至最后的装配工具及其装配技术本身都会成为关键环节。

涉及到的这些部分恰恰是吴恩达所不曾过多涉及到的，至少，其与智能驾驶的安全和精度等级已经不是一个概念与量级，何况还包括供应链考察与维护等，这部分蛋糕属于多年精细耕耘工业自动化领域的企业，其所能为之的工作不多；即便是一些检测设备，在特定的工作环境下，也不是深度学习就一定具有优势.

“工业机器视觉在很多地方需要融合机械、电气、自动化等各学科，不是光靠软件算法就能解决。机器视觉技术真正在工业检测中应用的时候，只依靠视觉算法是远远不够的，无法真正实现检测功能。”事实上，孔庆杰在本硕都是学的自动化，博士阶段才开始学计算机视觉。

“某个技术好，最后要形成好的整体方案，才能有效果。”邵天兰说，“中国有数以百计的视觉企业，我觉得真正拥有较强核心技术研发能力的并不多，最普遍的弱项是持续积累核心技术的能力，很多视觉企业，包括一些规模比较大的，干了十几年，真正积累的技术并不多，而这里的核心技术就包括器件、算法和方案能力。”

Landing.AI正在加速发展的步伐。先是从亚马逊挖来亚马逊Go背后的AI系统领导者GopiPrashanth担任工程副总裁。然后又宣布，美的集团全球AI负责人王冬岩加盟，负责客户对接及战略伙伴合作方面的工作。

对于2019，吴恩达表示，要把AI方案推向更多领域，技术模型也能在更小的数据中发挥作用。也许，手握大量AI技术的吴恩达可以成为那个让AI改变制造业的战略家，我们拭目以待！

本文来自信息化观察者网，转载请注明出处。