*本文共計5242字，閱讀需13分鐘

前言

我自己是做算法出身，喜歡思考問題的本質。比如，AI對于我們整個工業(yè)視覺的本質到底是什么。今天我把這個不僅是我的思考，也是阿丘科技整個公司的思考分享給大家，供大家參考。但這也是一個比較初級的思考，要在以后的實踐中深化。

今天我講的內容包含三個主題，第一個是講AI對于工業(yè)視覺到底意味著什么；第二個是我們從整個技術發(fā)展周期的角度，看一看工業(yè)AI視覺發(fā)展的一個大的路線圖；第三個，也是必不可少的，要談一談我們對未來的一個趨勢和觀點的一些理解。

01

AI重構工業(yè)視覺

Part.1

算法

首先我們來看第一個主題，AI對于工業(yè)視覺算法到底有什么價值？

傳統(tǒng)算法，我用兩個關鍵詞來定義它，就是定量分析和特征工程。特征工程就是算不同的特征。后面做判斷的時候，一堆的if···else···是傳統(tǒng)算法的一個特點。那AI這塊的話大家已經很了解了，基于樣本來做學習。我認為這是很本質的一個東西。

從功能角度出發(fā)，工業(yè)視覺算法可分為圖像處理、定位、檢測、測量、識別；從算法實現(xiàn)技術角度就是分類、識別、測量三大類。本質上，工業(yè)視覺算法將會或正在被AI全部重構，當然如果涉及到測量技術，即定量分析技術，傳統(tǒng)算法依然不可或缺。

AI重構工業(yè)視覺算法的價值體現(xiàn)在以下 3 個方面：

a.

升維

AI通過升維來解決我們的一些復雜的分類和識別問題。包括復雜的背景、低對比度、柔性電子、一些強干擾。這些東西原來傳統(tǒng)方法是沒問題的，但是用AI的話，我覺得能更加好。這個點大家是能夠肉眼可見的。后面第二點和第三點可能未必肉眼可見，但實際上是更關鍵的。

b.

簡化、通用化

AI的一大優(yōu)勢是可以對算法問題做極度的抽象，抽象之后較為復雜的工業(yè)視覺問題就會變得比較簡單，還有一個就是通用化。很多工業(yè)視覺里面比較復雜的算法問題，后面實際上用兩到三個比較通用的算法模塊去訓練數(shù)據(jù)，結果就出來了，并且這個指標還非常優(yōu)秀。

c.

降本

大家聽到這個東西好像有點反直覺，覺得AI對算力有要求，怎么還能降本？

我們舉一個所有做傳統(tǒng)算法的人都能夠理解的一個例子。比如幾何形狀匹配，這個屬于是整個機器視覺里面，傳統(tǒng)算法繞不過的這樣的一個算法，它需要設置非常多的參數(shù)。如果要用好，工程師需要理解幾何匹配算法的基本原理、參數(shù)的物理含義，這需要較為專業(yè)的圖像處理背景知識，門檻要求高。如果你理解不到位，可能定位的結果不是你想要的，或者達不到一個非常精準的效果。要做到這一點的話，是需要有圖像處理算法背景的。所以說我原來做傳統(tǒng)圖像，就是我在原來東家的時候，我們帶著底下的應用工程師都是碩士，這個成本是非常高的。

而我們用 AI 來做，比如說我們只是訓練三、五個樣本，甚至是一個樣本，后面整個定位的精度跟效率都能夠達到，甚至超過傳統(tǒng)算法的精度。當然，整個魯棒性肯定也比傳統(tǒng)算法要好。那這樣使用的成本就可以降到非常低。

Part.2

解決方案

這個解決方案的范疇是什么？可以說是視覺系統(tǒng)范疇，也可以說是視覺檢測設備范疇。叫解決方案，就是基于算法疊加的一個完整方案。我們內部的觀點是，AI不僅僅是一個技術模塊，它是一種新的認知框架，本質上是基于數(shù)據(jù)和標準驅動的。首先我們要有這么一個認知框架，再往下看我們的視覺解決方案，核心包括哪些部分？對這些部分意味著是什么？

我抽取了里面三個核心部分：

成像模組

成像模組就是整個機器視覺里面成像的所有器件跟方案，它背后的基本原理是什么？是基于傳統(tǒng)算法，而傳統(tǒng)算法基于定量分析。所以說我們基于傳統(tǒng)算法來做的成像方案，它的底層要求是“定量、高對比度”。

這個會導致什么樣的后果？比如說我們要檢測一個表面很多不同類型的缺陷。為了要達到高對比度的定量，可能我需要打若干場光?？赡苊繄龉鈱獌煞N缺陷，后面才能把這些缺陷完整的呈現(xiàn)出來，成像的效率非常低。

而我們進入AI時代以后，我們對成像的要求變了，只要是目視可見即可。當前基于傳統(tǒng)算法構建的成像方案，本質上還只是一個“光電轉換器”。只是把一個關鍵信號轉換成圖像，距離我們所說的眼睛差的太遠了。當然，我們也不可能一步躍成眼睛，那至少階段性的目標我們是不是可以達到攝影水準。這個做到了有什么好處呢？一方面是能夠提高我們整個成像的空間效率，更重要的是它簡化了、通用化了、成本低了。這是很重要的一個根本變化。

算法模組

客觀來說，當前落地的各種項目，成本還是比較高的。根源在于大部分只是把AI作為一個算法模塊，把它疊加到原來的體系里面，就比較低效。后續(xù)算法方案一定要以AI為中心，打通和優(yōu)化整個計算流和數(shù)據(jù)流，這個才是最優(yōu)的方式，能夠提高訓練推理效率、降低部署維護成本。

自動化模組

在傳統(tǒng)算法時代，由于成像有很多約束，自動化能發(fā)揮的作用非常受限。AI其實是打破了算法的束縛，本質上也打破了我們成像的束縛?？梢宰詣踊瘞臀覀兣膱D，各種“凹姿勢”“擺造型”。只要能將缺陷拍清楚就可以，并不需要那么明亮的成像。如果這么來做的話，極大地降低了自動化復雜度，提高了自動化通用性。并且能夠比較簡單高效地解決產品異形、多型號小批量等成像難題。

從大的維度來看，工業(yè)視覺解決方案會按兩個方向演進：

輕量級場景：更強調一體化，極致的簡單易用，可能需要線上訓練。

復雜場景：更強調通用化解決方案，包括：通用成像模組、通用大模型、通用自動化模組，降低全鏈路綜合成本。

02

工業(yè)AI視覺進化論

任何技術導入都有它的一個生命周期，每個階段有不同的特點。基于落地多個項目的思考，我們將AI工業(yè)視覺發(fā)展路徑劃分為三個階段：早期市場時期（2019）、保齡球道時期（2024）、龍卷風時期（2029）。

2019年是AI工業(yè)視覺元年，意味著有相關的AI項目落地，即早期市場。阿丘也是在這一年開始逐步項目落地，我們的第一個落地項目是3C行業(yè)的模組外觀檢測。

自 2021年開始，AI逐步在各細分市場成為標配，該趨勢將延續(xù)到2024年，即所謂的保齡球道時期。阿丘從2021年開始在結構件、模組、包裝等眾多細分市場批量落地。

預計在 2029年， AI 將在全域市場普及，即龍卷風時期。

這是一個大概的判斷，時間周期有可能會早或晚，僅供大家參考。

2019

早期市場時期：技術創(chuàng)新

我們首先來看一下早期市場有什么特點？

核心還屬于是技術創(chuàng)新的一個時期。換句話說，AI這個東西在工業(yè)視覺里面到底能不能用，比較專業(yè)的說法就叫技術創(chuàng)新導向。

那么工業(yè)AI算法跟我們自然場景（比如人臉識別、自動駕駛）的技術到底有什么差別？一是小樣本，大家知道缺陷是由非受控因素產生的，獲取成本很高，所以需要小樣本；二是高精度，包括尺寸小、對比度低、過檢率和漏檢率指標嚴格，特別是關鍵缺陷要達到零漏殺；三是低算力，本質上是由于工業(yè)產品對成本有約束。

正是基于這些洞察，我們構建了自主底層算法框架、上層算法工具，即大家耳熟能詳?shù)墓I(yè) AI 視覺軟件平臺AIDI。

在推AIDI的過程中，有兩個比較有意思的點，在這里與大家分享下：

設備廠商甚至集成商大部分都有自研基礎AI算法的沖動，基本都無疾而終。甚至這個公司可能只有五六個人，他也安排一個人來自研。核心原因就兩個：一是有很多開源的框架；二是確實把這些數(shù)據(jù)拉到框架里充分跑一跑能看到不錯的指標。但是真正上線時會受三個約束，即小樣本、高精度、低算力。所以很多人可能做到后面無法突破這三個約束，慢慢地就悄無聲息了。

通過和客戶的交流和我個人的思考，我認為其實它是一個經濟學問題，不是一個技術問題。我們在傳統(tǒng)算法時代，用OpenCV去做項目也能做一部分，但是大部分的系統(tǒng)和設備，還是一定要用專業(yè)的平臺軟件來做。在AI這個時代我認為也是一樣的。能不能自研AI算法呢？我認為是比自研傳統(tǒng)算法更難的。主要是三個方面：第一個方面，自然場景跟工業(yè)場景的問題特性有非常大的差別；第二個方面是AI算法的參數(shù)維度更多；第三個，要達到低算力，需要對算法做高性能優(yōu)化，優(yōu)化復雜度是非常高的。如果一個公司真的要自研AI算法，投入的強度要很高，要有很多工程師，所以我覺得最終它實際上是一個經濟學問題。

總的來說，如果大家投入資源的強度足夠，我認為也能夠做一個至少能用的東西，但如果要做到更好，就看你有沒有天花板足夠高的團隊。

有些人問我，做傳統(tǒng)算法的視覺廠商來做AI算法是更容易還是更難？針對這個問題我還真是進行了深度的思考，這也是我想給大家分享的第二個點。其實我認為是更難，可能比一個完全初創(chuàng)的公司還更難。為什么？本質上AI算法和傳統(tǒng)算法的架構和迭代范式完全不同，研發(fā)理念也是天壤之別。要從傳統(tǒng)算法的方式切換到AI，我不是說沒有可能，只是概率較小。

阿丘落地的第一個項目是3C模組外觀檢測，這個項目是有一定復雜度的。其中涉及注塑件、金屬件等多種材料組合，產品異形，缺陷種類多達70余種、形態(tài)多變。檢測要求漏檢率低于0.1%，過檢率3%左右，以傳統(tǒng)算法視角看來該項目基本無解。我們從方案到樣機上線花了超過6個月的時間，在項目進行過程中，我們發(fā)現(xiàn) POC指標和上線指標之間存在巨大鴻溝。為什么會有這個鴻溝？我認為主要有四個方面：

第一個就是對AI的認知。它到底能解決什么問題？不能解決什么問題？所謂AI是不論復雜度的，只要學習過的，再復雜也可以解決，沒學習過的再簡單也無法解決。

第二個是對需求邊界的認知，AI本身無法分辨正確與錯誤，這意味著你給它錯誤的樣本，它也會學習。從這個角度，他對標準是有很嚴格的要求的。

第三個是對數(shù)據(jù)的管理。核心主要是兩個點，如何把握標注的標準以及如何篩選對迭代模型有信息量的數(shù)據(jù)。標注標準太嚴苛，成本太高；不夠嚴苛，標準對AI來說又不明確。

最后一個是模型相關的問題。如何保證指標的穩(wěn)定性和在產線間進行復制。比如，不同的產品型號該如何做到兼容。

為了解決這些問題，我們基于項目經驗，提煉出了AI落地方法論，比較成熟的方法，就會成為AIDI產品功能的一個組成部分。

該階段客戶的特征：擁抱新技術、有痛點、有一定支付能力。我認為這三個特征缺一不可。這樣來看，早期我們項目落地在3C行業(yè)是有其必然性的，因為以Apple為主驅動的3C供應鏈是最早擁抱新技術的行業(yè)之一。并且在3C供應鏈中，自動化程度最低的就在質檢環(huán)節(jié)。前幾年疫情引起的人員受限等問題更加推動了檢測自動化。由于檢測問題的復雜性，傳統(tǒng)算法時代實現(xiàn)檢測自動化可能性非常小。當然也做了一些AOI，但實現(xiàn)的效果不太好，沒有一個真正的解決方案。可能你上了一臺設備，但還需要更多的人來維護這臺設備。AI提供了全新的強力的技術手段，和更多的可能性！

2024

保齡球道時期：產品創(chuàng)新

早期市場階段，我認為是找一些場景落地，后面到了保齡球道時期，一定是在細分市場。

這里面的一個焦點就是產品創(chuàng)新。從算法維度來看就是算法的標準化，包括工具鏈標準化。把前面說的那套落地方法論抽象成一套工具，集成到產品中，讓大家更方便地使用。從解決方案維度，核心點在于創(chuàng)新簡化。發(fā)掘AI特性，在提高檢測性能的同時，簡化成像、算法、自動化解決方案，縮短產品上市周期，降低產品生命周期綜合成本。

該階段客戶的特征：有痛點且關注性價比。我們認為這個階段還需要延續(xù)兩到三年的時間。

2029

龍卷風時期：行業(yè)價值鏈重構

下一個時期就是龍卷風時期，重點在于重構行業(yè)價值鏈。

該時期的前置條件是殺手級產品的出現(xiàn)，該殺手級產品把行業(yè)價值鏈卷一遍，在暴風過后，將會呈現(xiàn)新的價值鏈格局。比如，移動互聯(lián)網時代的殺手級產品就是iPhone。視覺行業(yè)的殺手級產品是康耐視的VisionPro，有了這個產品才定義了我們現(xiàn)在提到的很多術語。那AI時代的殺手級產品是什么？這個還是需要由市場來選擇。

龍卷風時期的重要特征：大量“偽AI公司出現(xiàn)”。特別是傳統(tǒng)視覺公司沒有涉及AI也紛紛披上AI的外衣，因為大家都感知到暴風即將來臨，想跟上風潮的同時又恐懼被暴風卷走。

03

演進趨勢觀點

談談我們對未來3-5年的演進趨勢的一些判斷。

? 第一個是算法方面，有三個趨勢：第一個是非監(jiān)督，這個主要針對輕量級場景；第二個是大模型，前面提到對于復雜場景，大模型是最佳機會；最后一個是輕量化，即低算力，低成本是工業(yè)視覺永恒的關鍵維度。

?第二個趨勢屬于解決方案。第一個核心還是簡化和通用化，前面提到的成像、算法自動化都是屬于簡化、通用化。還有一個是全鏈路的成本優(yōu)化。這是什么意思？一個行業(yè)要達到最大化普及，成本是很關鍵的一個因素。整個鏈條包括硬件、算力、開發(fā)成本、部署成本、維護成本，如何實現(xiàn)整體最低。

?第三個我認為是整個行業(yè)大的趨勢。未來五年左右，一定會出現(xiàn)殺手級產品。這個產品的出現(xiàn)靠能力，也要靠點運氣，最終它是由市場篩選出來。整個行業(yè)將會因為這個殺手級產品重新洗牌。這個殺手級產品的出現(xiàn)將影響什么？我分享一下我個人的觀點：第一個就是不了解AI的工程師可能將被淘汰。還有一個就是傳統(tǒng)的視覺公司從業(yè)者能不能在大的圖景里面創(chuàng)造價值，否則也會被淘汰。這個我們可以用時間來檢驗。