机器视觉则凭借快速、精确和客观等优势，在现代工业中得到越来越广泛的应用。举例来说，在生产线上，自动检测系统每分钟能对成百上千个元件进行检测。如果配备了适当分辨率的相机和光学器件，机器还能检验到人眼无法看到的细节特征。另外，由于消除了人与被检验元件之间的直接接触，机器视觉减少了元件磨损的成本，也能让工人免受危险环境的威胁。

但机器视觉仍然面临着适应不同工业生产环境的挑战，因为很少有企业会专门为了某一种类型的产品而部署自动化检测系统。在不同的环境下，相机的镜头方向、与元件的相对位置、元件表面的强反射光都会影响检测精度。所以视觉算法本身必须有很强的适应力。

3、智能协作机器人

传统的机器人由于运动路径是固定的，每一个动作都需要工程师编程、调试和手工配置来适应具体的生产环境。当机器人要应对不断变化的场景时，手工调整就无用武之地了。深度学习已经带来了一场变革，赋予机器人“柔性”学习能力。随着时间的推移，机器人可以从数据中学习，在不同的任务之间自主切换，新任务的导入也可以在数分钟之内完成。最终这些机器人不但可以互通互联，还可以安全地与人类一起工作，甚至观察工人演示生产流程，自动学会新技能。

目前高端工业机器人主要还是由国外公司主导，瑞士的ABB、德国的库卡、日本的发那科和安川电机并称四大家族，他们占据着国内机器人市场50%以上的份额。四大家族也在积极地推动智能协作。例如库卡机器人就具备相互沟通的能力，可以根据生产线上的工序来合作分配各自执行的生产任务。类似地，ABB也推出了双臂机器人YuMi（缩写自You and Me)，针对3C产品生产线上的焊接和装配场景。它可以与工人一起安全地肩并肩工作，一旦处于运动状态的手臂可能触碰到工人，它就会自动放慢速度或者停止运动。

Source: ABB

除了直接销售协作机器人，很多公司也在尝试新的租赁方式，让使用机器人像雇佣工人一样按时计费。传统的机器人不具备安全性，需要与工人隔离，不但无法满足即插即用的场景还造成了额外的部署成本。机器人即服务（RaaS，Robot as a Service）这种新兴的商业模式，降低了初期的付费门槛，也更强调了硬件产品以外软件和服务的部分。可以反复重新编程以完成新的任务，帮助企业应对小批量多订单的生产挑战。

制造业挑战重重，现在制约人工智能应用落地的三大关键因素是可靠性，交付周期和易用性。

1、工业设备对可靠性的要求极高。即便机器预测设备故障的准确率很高，但在某些行业里不能达到百分之百依旧难以被客户接受。就像之前纽约客的封面文章，制造企业希望的状态是无人值守的全自动化生产模式。没有人在生产环境里，也无需开灯（Dark Factory）。那就要求一切的生产技术，都要在没有人工监督和辅助的情况下，可以不间断地重复性工作。比如保证在两周连续运转都不产生错误，甚至将来可以自我配置和自我修复。

2、制造业并不是一个行业，汽车零件，电子产品，食物和药品，每一个垂直领域的生产流程和工艺都千差万别，每个领域的理解成本都非常高。如果产品底层的通用性和柔性不够强，那就很难满足企业对上层应用提出的定制化需求。产品交付的周期变长，进而降低了系统投资给工厂带来的经济回报。

3、此外给制造业提供的产品一定要具备易用性，因为行业本身的技术能力有限，必须要降低使用系统的操作门槛。比如重新编程已有的机器人需要高学历的专家，那就导致了维护成本的上升。如果工业产品也可以做出苹果iOS的产品体验，那么只要是会用电脑的人，之前用Word和Excel进行流程设计和工作安排，现在就能够学会如何让机器人运转起来。

当然任何的应用都离不开实实在在的业务场景，人工智能必须建立在一系列商业应用的基础上，控制好系统成本，并且为工厂量化系统改造所带来的投资回报。比如一个协作机器人的售价为20万，由于机器可以24小时不间断地工作，相当于替换了三位工人。假设工人的月薪是5000元的话，那么工厂用机器换人的投资回报周期仅为一年。这样的系统一定可以打动大部分制造企业。

数字世界和物理世界的终极融合

众所周知，在1965年，摩尔定律提出每18-24个月晶体管的数量就会翻倍。53年间，它改变的不只是晶体管的数量，而是由它带动了所有事情的进步。从半导体、PLC到智能手机、传感器的出现，包括现在训练神经网络所需要的算力，都是得益于摩尔定律。再通过线上线下的连接性，现在人与人、机器与机器之间的联系和互动已经非常普及。摩尔定律促使了人和机器的共同进化，IT技术把物理世界和数字世界彻底融合在一起了。这一波新技术正在对生产体系和生产模式产生巨大的影响，给经济注入新的能量。我们的生活方式最终也会因此而发生巨大的转变。

作者：张予彤