TCL研究院俞大海：我从智能制造实践中总结出的几点经验丨CCF
雷锋网 AI 掘金志按：7 月 12 日-7 月 14 日，2019 第四届全球人工智能与机器人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办。
在大会第三天的〖智能商业专场〗，阿里巴巴集团副总裁、CEO助理肖利华，京东零售首席科学家兼技术副总裁胡鲁辉，美国德州农工大学数据挖掘实验室主任胡侠，苏宁零售技术研究院院长王俊杰，TCL研究院 （香港）研究所总经理俞大海，扩博智能CTO柯严先后登台发表精彩演讲，分享了各自对智能商业的理解与实践。
其中TCL研究院 （香港）研究所总经理俞大海以《AIxIoT-TCL人工智能技术在智能制造的应用》为主题，分享了TCL在智能制造领域的实践与经验。
俞大海介绍，制造行业的数据极其不平衡，正样本多，负样本少。用传统机器学习的做法训练模型效果非常差。TCL的做法是用生成对抗网络去模拟真实的生产环境，产生更多的负样本，然后通过强化学习去训练模型。
他指出，现在行业的通行做法是在已有的业务流程上去应用人工智能，效果比较有限。因为现有的业务流程是为人服务的，未来我们也可以尝试去设计一套为机器学习服务的业务流程。
俞大海还提到，很多工厂不便把数据上传到公有云，但在私有云上做人工智能的应用成本又太高。这个问题可以用边缘计算来解决，先在边缘端处理数据，只将特征信息上传至云端，甚至直接在边缘端实现某些功能。
以下是俞大海的全部演讲内容，雷锋网做了不改变原意的整理与编辑：
非常高兴能来这里分享我关于智能制造的经验。今天我分享的主题是“人工智能技术在智能制造的应用实践”。为什么要强调“应用实践”呢？因为智能制造是一个非常大的话题，可以专门开一个这样规模的论坛来讨论。智能制造并不是一个新概念，想必在座各位都很熟悉。无论中国的智能制造2015还是欧洲的工业4.0，内涵都非常接近。所以我今天不给大家科普，而是聚焦我们在一些应用上的实践。
智能制造并不是一件容易的事。尤其是人工智能在制造行业的应用，并不像它在安防、零售这些行业那样立竿见影。因为制造领域的流程从数字化和信息化的角度来说非常复杂。
人工智能可以在制造领域起到怎样的作用呢？过去很多年我们一直在做这方面的研究，做了大量尝试，尤其是TCL，在过去十年里下了很大功夫。我来自TCL研究院，我们聚焦的是人工智能可以为生产、检测等环节带来哪些改变。今天我想跟大家分享我们的一些实践和对于未来趋势的思考。
提到TCL，大家首先想到的是电视，但其实我们不光做电视。TCL有两大事业群：第一个是智能终端和新兴业务版块，包括刚刚说到的电视，目前我们已经超过LG做到了全球第二，仅次于三星；此外我们还有手机和家电，比如黑莓、阿尔卡特等品牌都是TCL旗下的。第二个是半导体显示及材料版块，我们在这个领域探索得非常深入，位居先进制造行业的一线阵营。半导体显示跟传统的组装、OEM行业不一样，它属于精密制造，对自动化、信息化程度的要求非常高。这给我们发展智能制造奠定了非常好的基础。
简单介绍下我们研究院的技术布局，主要有三个方向：一是人工智能及大数据；二是半导体显示技术和材料，后者包括材料的研发和制造；三是智能制造和工业互联网。TCL在全球拥有香港、欧洲、美国、西安、武汉和深圳6大研发中心，有很多的科学家和算法工程师共同为TCL的新材料研发、智能制造和工业互联网服务。
下图是我们一些具体的研究方向，基本涵盖了所有人工智能相关的技术，无论是图像识别、机器学习、数据分析建模，还是NLP、ASR等。其中部分是为智能终端服务的，包括电视、手机、智能家居等。
下图展示了我们智能制造的物联网平台。我们有自己的工业云、大数据云、IoT云，以及人工智能平台。后者在TCL的工业物联网中可以提供机器学习、计算机视觉、NLP、BI等能力，服务于我们的智能工厂、供应链、市场前端甚至研发。这里面的每一个板块都有很多内容可讲，这里不展开叙述。
下面这张图展示了我们的AI服务。最底层是我们团队在过去五六年里积累的各种能力，可以整合成一套高性能计算解决方案进行统一输出，也可以输出给第三方平台。这套高性能计算解决方案可以移植和转化到不同的应用场景当中。我们知道人工智能是由非常复杂的算法组成的，要把它运用到具体的场景中就必须进行移植和转发。我们的这套方案可以完美应用到应用层的各个产品中，包括手机、电视等等；这是我们独有的优势。
工业物联网做为TCL的一个产品，不仅服务于自身，也可以输出给上下游的合作伙伴。我们提供的除了云端解决方案，还有边缘端的解决方案，不同的算法和技术都可以根据客户的需求，形成个性化的解决方案。
接下来分享一些具体案例。我们在这方面有很多案例，比如跟中国最好的电池企业和整机生产代工企业合作，去提升他们的制造能力。但我觉得半导体显示行业是TCL探索非常深的一个领域，而且非常具有代表性，由于时间关系，就只以我们自己的工厂举例。
首先回顾一下TCL在半导体显示领域的投入。2009年我们投建了第一家半导体显示工厂，迄今刚好十年。目前TCL一共有8家半导体显示工厂，3家在深圳，2家在武汉，还有2家在建，一家刚刚立项。半导体显示通俗来说就是显示屏，我们的产品线覆盖了大大小小各种电子设备的显示屏，也包括柔性屏。已经投产的5家工厂，T1、T2、T3都是智能制造2025的示范单位。
我们在建这些工厂的时候就想得非常远，怎么把智能制造做到最优。2016年开始，我们对所有工厂陆续进行了自动化和数据的改造，目前改造工作已经全部完成。2017年至今，我们成功搭建了物联网平台，依托这个平台，所有工厂都能够收集、管理和分析我们想要的数据，真正做到了可视化。去年开始，我们在人工智能领域也进行了很多时间，逐步收获了成效；预计明年我们将把人工智能技术应用到所有工厂。
在智能制造领域，我们关注三个核心部分：
一是IoT平台。如果你的工厂足够自动化，信息化程度很高，精益化管理也没有任何问题。你想让它真正走向智能化，就必须发展IoT平台。因为你的数据是多维度和多模态的，如果没有IoT平台采集数据，让它和机器相关联，后面的智能化是无法实现的。这对工厂提出了很大挑战。
二是大数据平台。大量数据涌进来，可能有些有用，有些没用，怎么对数据进行清洗和管理，把数据转化成服务，这一点非常重要。
最后才是人工智能的平台。用数据结合生产流程去提供智能化的服务，帮助提高效率和降低成本。为什么要智能化？
所有制造企业面临的最根本问题，一是降低成本，二是提高效率，三是产能和良率达到最优的平衡状态。之前精益制造要解决的是这些问题，现在的智能化也是。
其中的挑战非常大。智能制造流程复杂，通过精益制造和自动化我们已经把产能和良率提得很高了，但任有进步的空间。智能化的过程中，我们要做的依托各个设备产生的数据对每一个环节进行优化，以数据为驱动，实现高效的管理和精准的判断。
总而言之，制造业需要解决三个问题：降低成本、提高效率、提高良率。具体怎么做呢？下面用两个案例为大家解答。
下面这张图展示了我们工厂的一条生产线，它大概包含了20道工序，每天会产生70万张图像。我们希望通过这些图像，在保证产品的情况下提高良率。怎么做呢？
过去我们人工总结了100多种缺陷，派10个人三班倒（也就是30个人）来检查这些图象，如果发现问题就进行修补。刚建厂的时候这种方法还是很有效的，使得我们在同行中的良率非常高。但随着产能和良率的提升，我们意识到不能再这样做了，一是成本非常高，二是人工的方法已经很难再提升了。
我们是怎么做的呢？用深度学习技术去分析机器产生的大量图像，这个过程并不复杂，很快就把这个问题给解决了。
过去的人工流程用了5年时间总结经验才达到比较完美的效果，现在我们用人工智能技术一年就把它替换掉了，而且效率还更高。
不需要再人工总结问题和标注，而是让机器从上百万的图片中自动学习，就可以找到自动找到这些缺陷，而且还能发现新的问题。我们原来需要10个人，需要只要一个就行了，他只要保证机器不出大的问题就可以了。
由此甚至还产生了一些边际效应。通过长期的数据积累和自学习，我们在某些环节提前就能发现问题，不必等到良率出问题了再去解决。我们甚至可以提前一到两个小时预警，把问题扼杀在萌芽期。因此我们的检测效率提升了20%，同时节省了大量人力成本。
再看另一个案例。刚才我们说的是用算法检查产品的缺陷，下面谈谈怎么用数据和算法去发现生产流程中的问题。以前这件事情完全依赖于专家，需要一个干了十多年的老工人去判断哪台机器出了问题。以前我们觉得这个事情AI做不了。后来才发现不是，因为人的经验也是一个数据和知识积累的过程，只要把知识和信息数据化，让算法在流程和数据之间寻找相关性，就能够做到。
下图是传统的深度学习或机器学习的做法。用机器学习的方法建模，对大量的数据做分类或回归，从而找到问题，做一些简单的分类预测。这种做法对数据的要求非常高，需要数据非常干净，还需要人去做标注，把人的知识转化过来。
但我们不这样做，我们用对抗生成网络，用历史数据去生成一个环境，模拟数据产生的过程，让数据更贴近真实情况。为什么要做这个呢？因为生产制造行业的数据极其不平衡，正常的数据非常多，负样本非常少，可能99%都是正样本。如果单纯用这些样本分析，效果非常差。如果我模拟一个环境，就可以让他在线下学习，就像下围棋一样，让机器跟自己下3000万盘棋。这样就会产生更多贴近真实情况的负样本，我们把它用于强化学习去训练预测模型。这个预测模型可以根据你的任务去调整，最终得到想要的效果。
举一个Pump寿命预测的例子。这个工作以前完全靠人的经验，没有几年产线工作经验的人做不了这个。人工检测，稍微判断失误就会导致停机，停机一个小时，将给企业带来非常大的损失。我们现在用机器学习做，一次停机都没有。而且还是提前预测它的健康寿命，提前进行维护和维修，保证它绝不宕机。
前面介绍了TCL在工厂里应用人工智能的两个案例，下面再分享一些我们的经验。
人工智能在工厂里可以做到什么？我觉得有三项：发生了什么、为什么发生、还会发生什么；这是我们已经在实践中证明过的。我们接下来要思考的是，如何更好地把人工智能应用到这些环节。过程中有不少的挑战，因为我们面临着大量结构化和非结构化的数据，如何把数据和人工智能有效结合起来，充分发挥其价值，是我们需要思考的命题。
此外，人工智能能不能做决策，能不能做认知智能，怎么去做，这是很多人关心的话题。从实践来看，我们暂时还没有做到，但这是不是值得研究的方向呢，会不会出来一些新的应用。
还有知识图谱。我们调研大量制造业企业后发现，知识图谱对智能决策和智能预测非常关键。没有知识图谱，说明你对自己的生产工艺流程并不了解。我们希望大家都能建立自己的知识图谱，不是画出来的文本，而是真正数字化的知识图谱。
我们的实践证明，深度学习非常好用。未来它能不能跟自动化学习或者强化学习结合起来呢？从我们的时间来看，这是有效果的。我认为这个方向值得深入研究。
数据方面，有标签的数据实在太重要了。即使我们做了一些自动化学习的方案，也仍然很依赖有标签的数据，有标签的数据越多，对效果的提升就越快。
我们现在的做法是把人工智能加到已有的生产流程中去，它可以起到一些作用，但不能发挥全部价值。于是我们开始思考，现有的生产流程是不是可以改进呢？改变生产的整个框架和流程，把人工智能作为一个核心部件放进去。因为现有的流程一开始就是为人服务的，如果人工智能有效，是不是可以专门为它去设计一个流程呢？我想不只是智能制造，在零售等其他领域这个问题也同样值得思考。
另外，我觉得边缘计算将是人工智能的关键。很多企业——尤其是工厂，很难把数据上传到公有云，他们都有自己的私有云。但是如果所有东西都在私有云上做，成本太高了，这时候边缘计算就可以发挥作用了。我们希望未来的人工智能不需要把所有数据都上传到云端，而是在机器端就已经处理了，只上传一些特征信息，甚至某些功能直接在机器端就能实现。
最后插播一则小广告。TCL跟香港大学合作成了一个人工智能联合研究中心，我们投入了很多资源，也获得了香港政府和香港大学的大力支持。希望有志于人工智能的朋友可以跟我们联系，寻找合作的机会。TCL开放了13个项目，包括智能终端、智能制造、半导体显示材料等，我们将提供自己优势，比如数据和应用场景，欢迎大家来合作。