資源中心

英特爾中國區物聯網事業部首席技術官兼首席工程師張宇博士稱目前邊緣AI主要改善了工業應用中的三個方面，工業AI與其他產業AI的區別在于高實時性，實現工業AI需要有3個前提條件，最后分析了部分企業采用工業AI的案例。

　　1 邊緣AI給工業帶來的改變

　　現在AI技術在工業領域得到了越來越多的推廣，表現在3方面。①可預測維護、產品缺陷檢測，開始利用AI的技術對數據來進行處理。這種處理所帶來的一個最直接的效果就是整個工業系統變得越來越智能，因為傳統上，很多工業系統是在固定編程的情況下，按照事先編寫好的程序完成固定的操作。新的AI可對于一些新變化或新的情況做動態的調整。②減少人為失誤。還有一些傳統的工業領域，很多操作或判斷還是通過人工來進行的，但是在某些場景中人會疲勞。③可工作在危險和惡劣環境。在這些工業環境中，人員不一定能夠進入，在這些場景下也缺少一些更加智能化、準確的方式來幫助生產廠家提高產品質量。

隨著AI技術的引入，在以上方面，整個生產過程變得越來越智能，可以幫助這些廠家通過AI的方式去及時發現產品中的缺陷，讓廠家得到及時的調整。例如做電子設備生產的廠家可以通過機器視覺，檢測當前生產的電路板中是否有一些錯誤安裝的器件。再例如英特爾在2018年和重慶當地的一家工廠，利用AI圖像處理技術，現場檢測在鑄件生產過程中的零件質量，發現一些形變或者是斷針、斷孔等異常，一旦發現會及時調整，以降低生產的次品率，從而提高生產效率。

　　2 工業AI與其他產業AI的區別

　　工業AI首先強調邊緣計算，即越來越多的數據在邊緣來處理。因為工業生產和其他類型的行業是有差異的，在工業生產過程中，往往對實時性的要求會更高，例如相比零售業，工業生產需要在秒級、亞秒級甚至更快地得到處理結果；而零售業允許更大的處理延時。所以工業生產的實時性要求更強，這就需要越來越多的計算在邊緣做。因為如果把所有處理放在云端，不可避免地會有數據傳輸的延時，一去一回再加上云端的處理，這種延時往往會超過工業生產所允許的延時要求。

　　3 實現工業AI的必要條件

　　AI是否真正落地，要依賴3個因素。

　　1）有足夠多的數據。這一輪AI興起于2012年，有一名叫Alex的學生設計了一個叫AlexNet的網絡，在ImageNet上可以做圖像分類，它的準確度遠遠超過以往。從那之后，這一輪的AI就興起了。這一輪AI興起是離不開數據的，像ImageNet這個數據庫里有超過1 400萬張經過標注的圖片，如果沒有這種數據的訓練，你是無法得到一個效果較好的AI網絡的。

　　在工業生產中也是如此，如果要解決一個實際問題，首先一定要有足夠量的數據，尤其是要做缺陷檢測的時候，最好有缺陷出現時的數據。在英特爾和很多合作伙伴合作的項目中這是一個難點，因為工業生產過程中，異常出現的頻率并不是那么高，但是你怎樣能采集到足夠的帶有缺陷的訓練樣本去訓練這個模型？這是一個難點。

　　另外一些工業的最終用戶還缺乏采集高質量數據的能力，這也希望其他的合作伙伴，包括英特爾這樣的合作伙伴和他們一起努力來采集高質量的數據。

　　2）足夠高的算力。因為現在的AI網絡相對比較復雜。你若要用CNN處理一張圖片，所需要的算力動輒是上億次浮點運算。這些都對AI芯片提出了很高的要求。這一點對工業來說尤為突出，因為工業生產中很多的AI處理是在邊緣側進行的，不完全是在數據中心的，如果在數據中心，用很多芯片去堆，用很多高性能的加速卡去實現加速，可以投入很大的功耗去支撐這些硬件平臺。但是在前端/邊緣側，例如工業機器人，這個設備上能提供的功耗相對是比較有限的。在有限的功耗下，自然而然所能提供的案例會受到一定的限制，如何在受限的情況下處理和實現AI的操作，實際上是AI在工業領域的一個很大的技術挑戰。

　　3）需要多種模型。其實，在工業生產中所遇到的情況或要檢測的目標種類是非常紛紜復雜的，具體而言，現在AI用得最廣的領域是對人、車、物等物品的識別。例如在智能交通領域，或者在刷臉支付領域用得比較廣。在這些領域相對來說可以獲得比較多的數據，而且處理的檢測的特征相對比較集中。但是在工業領域，它的特征就會比較分散，例如在電子企業要檢測的缺欠特征和在鑄造企業要檢測的缺陷特征是有很大的差異的。這就造成了不同的物體的檢測要設計不同的模型，設計了模型之后還要用專門的數據進行訓練。

　　以上3點，使得若在工業領域應用AI，要投入的努力比其他領域要更大一些。

　　4 企業采用AI技術的動力

　　一些企業沒有AI技術，怎么樣進入AI行業？另外，企業采用AI技術的投入產出比如何？

　　實際上，任何一個新技術的推廣都要計算投入產出比。英特爾現在也在和合作伙伴一起去證明AI技術確實可以為用戶帶來效益。例如英特爾在2018年和阿里巴巴有很多合作?，F在很多傳統意義上的服務提供商，像阿里巴巴、騰訊在進入到工業領域，幫助一些工廠和企業應用AI技術進行生產線的改造。這些合作其實是可以降低這些企業使用AI的門檻的，因為許多傳統企業并不具備IT技術、AI技術，但是如果借助產業鏈上的合作伙伴的力量，就可以幫助它們去克服所面臨的難點。

　　例如英特爾和阿里合作的案例之一，是可以利用AI技術及時、準確地得到訂單生產的狀態。例如在產線上利用AI技術分析現在生產的產品是屬于哪一個訂單的，用戶可以把這些信息和天貓平臺上的訂單信息匹配。這樣就形成了從用戶下單到產品生產整個過程的閉環監控，給最終用戶提供更好的體驗。這樣給這些生產廠家帶來更多的用戶。

　　而要實現這樣的目標，是需要整個產業鏈的合作伙伴一起努力的，包括英特爾，包括像阿里、騰訊以及一些ISV（獨立軟件開發商），還有一些集成商，還有最終用戶共同做這樣的事情。

　　另一個邊緣來處理的案例，是英特爾2018年與重慶一家工廠合作的AI方案為例，英特爾和合作伙伴一起在邊緣部署邊緣計算節點，這些計算節點往往是一個異構的計算平臺。在這個里會有一個通用處理器作為一個承載型平臺，做數據保護、數據的導出、邏輯判斷的底層計算平臺。在這個計算平臺之上，英特爾會針對AI的應用增加一些加速引擎。這些加速引擎會利用英特爾最新的AI加速芯片，諸如英特爾2018年發布的MovidiusMyriad TM X的AI加速芯片，它的處理能力在1T左右，功耗大概是2~3 W的水平。經過這樣的AI加速芯片，對深度學習所遇到的卷積神經網絡（CNN）進行專門的加速，來實現對這種工業生產過程中圖片的快速處理。底層平臺會應用一些通用的英特爾處理器，例如酷睿處理器甚至是至強處理器，在上面附加AI加速芯片，像Movidius Myriad TM X這樣的芯片。

　　在軟件層面，英特爾提供了很多幫助開發者來利用英特爾AI芯片開發的開發包，OpenVINO就是這樣的一個工具套件，利用這樣的工具套件可以幫助開發者，讓他們在基于開放的AI框架上編寫AI網絡模型，并快速地轉換成可以在硬件平臺上執行的軟件，以實現快速部署、快速應用。目前英特爾能支持TensorFlow、Caffe、MxNET等開放AI框架，開發者可以在這些開放框架下設計、訓練一些相應的AI網絡。利用OpenVINO可以把這些網絡快速轉換成能夠在英特爾所提供的硬件上去執行的代碼。目前可利用的硬件平臺包括傳統的CPU平臺以及英特爾CPU上集成顯卡的資源，或者是利用英特爾的AI加速芯片Movidius Myriad TM X芯片，或者是FPGA這樣更高性能的加速硬件，都可以利用OpenVINO來實現軟件快速的部署和執行。

　　本文來源于科技期刊《電子產品世界》2019年第12期第6頁