20多年技术经验
钣金智能装备生产厂家

  在一些制造业工厂产线上，以AI视觉检测缺陷慢慢的开始代替人力，改变了传统只可以通过人的眼睛及经验来检测缺陷的方式。

  AI视觉通过设备可实现24小时无间断检测，不会产生人眼的视觉疲劳，因而在检测效率和质量上，都有质的提升。

  IDC多个方面数据显示，到2025年，国内工业AI质检的市场规模达到62亿元。但同时，当前我国从事产线质量及效率的有关人员超过200万，每年劳动力成本高达1400亿元。

  换句话说，工业AI质检市场有着高达千亿元的市场空间，而这部份恰好是”被忽略“的中小企业的质检需求。

  “中小企业作为经济的毛细血管，他们的智能化转型很重要，但却存在供需失衡的现象。”

  微亿智造&智云天工CEO张志琦表示，许多制造业企业，尤其是中小企业，受限于自身的规模、资金等因素，加上此前AI质检落地成本高、柔性差等问题，其质检需求迟迟得不到满足。

  因此，必须要改变工业AI质检原来的落地路径，从技术和产品两端来解决AI质检对于中小企业落地难、成本高的问题，才能进一步打开质检市场，甚至推动中小企业智能化转型。

  作为品控的最后一道关口，质检的重要性不言而喻：产品合格就可以出货，不合格就回炉重铸，质检的质量关系到产品的良率以及品牌形象。

  过去，产品质检主要是依靠人力，需要质检员具备敏锐的视力以及丰富的经验，才能检测出缺陷的类型。

  这种模式的缺点在于，一个经验比较丰富的质检员本身人力成本并不低，而且质检员的经验很难复制，加上人本身有生理疲劳，长时间工作对人体的损耗极大。对于中小企业来说，养一支经验比较丰富的质检团队，无异于大大增添了人力成本。

  因此很多中小企业直接选择缩减质检团队，在业务侧选择“只换不修”的经营策略，节约的人力成本甚至能 cover 直接换新品的成本。不过，这虽然短期能有效节省本金，但降低了产品良率；从长远来看，对品牌伤害太大，属于饮鸩止渴的行为。

  “实际上质检是可以被数字化的。”张志琦认为，质检是人工智能落地工业的最佳场景之一。

  人工智能能够最终靠数据来进行大量的训练，将以前“质检老师傅”的经验沉淀为模型，然后让机器设备去做大量的缺陷检验测试。一方面，这直接节约了人力成本；另一方面，机器设备能24小时无间断工作，来提升检测效率。

  “传统的AI质检方案，需要大量的数据做模型训练，也需要大量的算法工程师前往产线与客户沟通，将经验沉淀下来，接着进行算法模型的调优，才能实现用户需求。”

  类似的质检方案，单是前期的产线改造，成本就要几十万元，后续运维也要大量的人力物力。其主要客户只能是像华为、比亚迪、富士康等大厂，对于更多的中小企业而言，基本难以承受。

  张志琦表示，中小企业生产柔性很强、现金流很弱，多品种、少批量、季节性等特点十分鲜明；而部署一套方案，从需求到布置成功，就需要几个月。在这几个月时间里，市场需求可能已发生变化，等产线改造完毕，可能工厂都已接近倒闭。

  除此之外，对于中小企业而言，一套质检方案可能只会用到几次，更换频率很快，部署传统的AI质检方案并不划算。

  “传统的AI质检部署流程，以产品表面外观缺陷为例：设备导入周期平均 6 个月，单产品模型训练周期 2 个月，每个项目平均要有 5 位工程师驻场实施，整套成本高达 40~100 万元；更不用提部分柔性制造业频繁的换线需求。”

  张志琦认为，传统的AI质检方案由于成本、部署柔性的问题，导致国内大量的中小企业买不起、用不上，但中小企业的质检需求非常强烈。一边是高昂的落地成本，一边是大量中小企业的质检需求得不到满足，这对供需矛盾严重掣肘着中小企业的智能化转型。

  因此，在张志琦看来，要改变AI质检落地路径，从而解决成本高、柔性差的难题。

  此前的AI质检方案落地，需要大量算法工程师驻守一线，搭建算法模型、训练调优，然后应用到产线上，基本上只能定制开发，没办法实现复用，并且存在换线慢、维护成本高等问题。

  这不单带来了高昂的定制成本，对于中小企业生产的“少批量”产品，样本数据或许都不够用于质检模型的开发。

  此外，在模型的训练效果方面，由于前端设备集采到的数据，要经过工程师的“翻译”才能被使用，并不能完全如实反映真实数据，不但会造成部份数据失真，影响到模型优化、质检效果，还会造成数据浪费。

  “我们以前做AI质检项目，更多是为满足项目空间要求，依靠程序员、算法专家翻译，通过模型将经验转化为生产力。”

  这种方法增添了中间环节，带来人力成本增加，和模型效果的损耗。如果能直接将一线工人的经验直接传递给模型，让模型自主训练，就能减少中间环节的各项成本。

  张志琦认为，人工智能落地的“本”是人的经验和数据，因此要“让现场生产人员深度参与到AI模型的生产的全部过程，让他们‘作为人的经验’被沉淀下来”；而工业AI的本是现场的人的生产经验和海量的生产数据，要“以生产现场为中心，围绕生产现场数据流的采集、定标、传输和迭代，沉浸到制造场景里。”

  这相当于重构了工业AI“从数据采集，到模型训练，再到落地部署”的整个业务流程，改变原来AI质检的落地路径。

  对于一些数码产品的质检，前端采集到数据之后，对于常见的缺陷类型，设备会直接匹配算法库，对比标记；如果算法库里没有对应的缺陷，系统会主动标记，然后由一线工人进行标注，当系统再次检测到类似缺陷之后，就可以直接标注缺陷。

  整个过程中，没有专业化部署的环节，相关的算法模型直接沉淀在设备中，模型导入生产现场的过程迅速且轻量，实现经验可复制；系统也会基于现场生产的实时数据来进行优化学习。同时，一线工人从费神费力的质检工作中解脱出来，做类似于标注师的工作，也能减轻工作负担。

  这种轻部署、低成本、柔性强的模式，更适合规模不大但又有质检需求的大量中小企业。

  张志琦认为，这种变化，反映出国内制造业企业智能化转型趋势：从少数高端制造业拓展至更广阔的中低端制造业。

  作为前SAP中国区副总裁，张志琦是最早接触德国工业化4.0的人之一，曾试着将德国工业化4.0引入到国内。

  在此过程中，张志琦发现，由于工业化4.0标准化程度太高，只有少数高端制造业、大厂，如富士康、比亚迪等大厂才愿意做投入。并且投入之后，短期内看不到业务结果，ROI周期太长，中小企业完全做不到。

  2017年10月，张志琦加入百度，任百度云副总经理，负责整个百度的AI商业化。在此期间，百度开始寻找AI在工业的落地场景，最终以AI质检为切入点，并推出了“百度天工物联网平台”。

  2020年7月，张志琦从百度离职，加入钉钉，负责钉钉商业化。不久，张志琦选择自主创业，并成立了智云天工，一家做企业数智化转型的公司。

  微亿智造成立于2018年，以工业AI质检为核心，利用AI+机器视觉，做工厂的智能化改造。

  张志琦认为，工业制造智能化转型，只聚焦大企业、高端制造业，而忽略中小企业，这种思路并不正确。中小企业在经济结构中起着基础性作用，中小企业智能化转型成功，整个产业才能得到升级。

  从商业角度看，中小企业的智能化转型需求很大，即便客单价低，但市场规模也非常大。其中，AI质检作为产品走向市场的“最后一公里”，如果能做到将AI质检让更多中小企业“买得起、用得上”，某些特定的程度上也推动着制造业的智能化转型。

  因此，智云天工与微亿智造选择合并，并且推出了“工”“灵”两个系列的产品。

  工小匠定义为“AI数字质检员”，旨在替代传统人力质检，可实现柔性部署；工小智则是“AI产线管理员“，旨在实现生产的全部过程的可视化管理；而工小汇是“AIoT数字工厂管理员”，用于整个工厂的智能化管理。

  以工小匠为例，其具备快速切线的能力，对企业已经部署的不一样的光源、镜头、机械臂均可实现兼容，以应对不同的检测需求。在软件功能上，也具备在不一样的产品的检测模型中进行一键切换。

  “灵”系列包括灵眸OCT缺陷检测仪、灵镜PMD高反表面检测仪、灵阵OMX复眼阵列模组，适用于3C、半导体、精密光学等行业，以及光学镜片、晶圆等高反光材质。

  张志琦表示，两个系列都是模块化设计，可实现即插即用；硬件产品能兼容中小企业已有的信息系统，而工小智、工小汇这类 SaaS软件，也能接入企业已有的硬件设备，并与信息化系统实现横向拉通。

  “工系列是软硬结合的解决方案，灵系列则是缺陷检验测试的硬件产品，两者相互配合，并且都具备柔性化部署能力，成本上远低于定制化AI质检方案，适应中小企业‘多品类、小批量’的质检需求。”

  张志琦认为，AI质检的柔性化部署已经是不可逆转的趋势。以前提制造业转型，只有少数大企业愿意去做尝试，中小企业有需求没资金，制造业转型更像是一个方向，一句口号。

  但伴随着人工智能落地、各种技术的突破和产品迭代，AI质检的落地成本进一步下探，慢慢的变多的中小企业能够买得起、用得上。