英特尔中国区物联网事业部首席技术官兼首席工程师张宇博士称目前边缘AI主要改善了工业应用中的三个方面，工业AI与其他产业AI的区别在于高实时性，实现工业AI需要有3个前提条件，后分析了部分企业采用工业AI的案例。

　　1 边缘AI给工业带来的改变

　　现在AI技术在工业领域得到了越来越多的推广，表现在3方面。①可预测维护、产品缺陷检测，开始利用AI的技术对数据来进行处理。这种处理所带来的一个直接的效果就是整个工业系统变得越来越智能，因为传统上，很多工业系统是在固定编程的情况下，按照事先编写好的程序完成固定的操作。新的AI可对于一些新变化或新的情况做动态的调整。②减少人为失误。还有一些传统的工业领域，很多操作或判断还是通过人工来进行的，但是在某些场景中人会疲劳。③可工作在危险和恶劣环境。在这些工业环境中，人员不一定能够进入，在这些场景下也缺少一些更加智能化、准确的方式来帮助生产厂家提高产品质量。

随着AI技术的引入，在以上方面，整个生产过程变得越来越智能，可以帮助这些厂家通过AI的方式去及时发现产品中的缺陷，让厂家得到及时的调整。例如做电子设备生产的厂家可以通过机器视觉，检测当前生产的电路板中是否有一些错误安装的器件。再例如英特尔在2018年和重庆当地的一家工厂，利用AI图像处理技术，现场检测在铸件生产过程中的零件质量，发现一些形变或者是断针、断孔等异常，一旦发现会及时调整，以降低生产的次品率，从而提高生产效率。

　　2 工业AI与其他产业AI的区别

　　工业AI首先强调边缘计算，即越来越多的数据在边缘来处理。因为工业生产和其他类型的行业是有差异的，在工业生产过程中，往往对实时性的要求会更高，例如相比零售业，工业生产需要在秒级、亚秒级甚至更快地得到处理结果；而零售业允许更大的处理延时。所以工业生产的实时性要求更强，这就需要越来越多的计算在边缘做。因为如果把所有处理放在云端，不可避免地会有数据传输的延时，一去一回再加上云端的处理，这种延时往往会超过工业生产所允许的延时要求。

　　3 实现工业AI的必要条件

　　AI是否真正落地，要依赖3个因素。

　　1）有足够多的数据。这一轮AI兴起于2012年，有一名叫Alex的学生设计了一个叫AlexNet的网络，在ImageNet上可以做图像分类，它的准确度远远超过以往。从那之后，这一轮的AI就兴起了。这一轮AI兴起是离不开数据的，像ImageNet这个数据库里有超过1 400万张经过标注的图片，如果没有这种数据的训练，你是无法得到一个效果较好的AI网络的。

　　在工业生产中也是如此，如果要解决一个实际问题，首先一定要有足够量的数据，尤其是要做缺陷检测的时候，好有缺陷出现时的数据。在英特尔和很多合作伙伴合作的项目中这是一个难点，因为工业生产过程中，异常出现的频率并不是那么高，但是你怎样能采集到足够的带有缺陷的训练样本去训练这个模型？这是一个难点。

　　另外一些工业的终用户还缺乏采集高质量数据的能力，这也希望其他的合作伙伴，包括英特尔这样的合作伙伴和他们一起努力来采集高质量的数据。

　　2）足够高的算力。因为现在的AI网络相对比较复杂。你若要用CNN处理一张图片，所需要的算力动辄是上亿次浮点运算。这些都对AI芯片提出了很高的要求。这一点对工业来说尤为突出，因为工业生产中很多的AI处理是在边缘侧进行的，不完全是在数据中心的，如果在数据中心，用很多芯片去堆，用很多高性能的加速卡去实现加速，可以投入很大的功耗去支撑这些硬件平台。但是在前端/边缘侧，例如工业机器人，这个设备上能提供的功耗相对是比较有限的。在有限的功耗下，自然而然所能提供的案例会受到一定的限制，如何在受限的情况下处理和实现AI的操作，实际上是AI在工业领域的一个很大的技术挑战。

　　3）需要多种模型。其实，在工业生产中所遇到的情况或要检测的目标种类是非常纷纭复杂的，具体而言，现在AI用得广的领域是对人、车、物等物品的识别。例如在智能交通领域，或者在刷脸支付领域用得比较广。在这些领域相对来说可以获得比较多的数据，而且处理的检测的特征相对比较集中。但是在工业领域，它的特征就会比较分散，例如在电子企业要检测的缺欠特征和在铸造企业要检测的缺陷特征是有很大的差异的。这就造成了不同的物体的检测要设计不同的模型，设计了模型之后还要用专门的数据进行训练。

　　以上3点，使得若在工业领域应用AI，要投入的努力比其他领域要更大一些。

　　4 企业采用AI技术的动力

　　一些企业没有AI技术，怎么样进入AI行业？另外，企业采用AI技术的投入产出比如何？

　　实际上，任何一个新技术的推广都要计算投入产出比。英特尔现在也在和合作伙伴一起去证明AI技术确实可以为用户带来效益。例如英特尔在2018年和阿里巴巴有很多合作。现在很多传统意义上的服务提供商，像阿里巴巴、腾讯在进入到工业领域，帮助一些工厂和企业应用AI技术进行生产线的改造。这些合作其实是可以降低这些企业使用AI的门槛的，因为许多传统企业并不具备IT技术、AI技术，但是如果借助产业链上的合作伙伴的力量，就可以帮助它们去克服所面临的难点。

　　例如英特尔和阿里合作的案例之一，是可以利用AI技术及时、准确地得到订单生产的状态。例如在产线上利用AI技术分析现在生产的产品是属于哪一个订单的，用户可以把这些信息和天猫平台上的订单信息匹配。这样就形成了从用户下单到产品生产整个过程的闭环监控，给终用户提供更好的体验。这样给这些生产厂家带来更多的用户。

　　而要实现这样的目标，是需要整个产业链的合作伙伴一起努力的，包括英特尔，包括像阿里、腾讯以及一些ISV（独立软件开发商），还有一些集成商，还有终用户共同做这样的事情。

　　另一个边缘来处理的案例，是英特尔2018年与重庆一家工厂合作的AI方案为例，英特尔和合作伙伴一起在边缘部署边缘计算节点，这些计算节点往往是一个异构的计算平台。在这个里会有一个通用处理器作为一个承载型平台，做数据保护、数据的导出、逻辑判断的底层计算平台。在这个计算平台之上，英特尔会针对AI的应用增加一些加速引擎。这些加速引擎会利用英特尔新的AI加速芯片，诸如英特尔2018年发布的MovidiusMyriad TM X的AI加速芯片，它的处理能力在1T左右，功耗大概是2~3 W的水平。经过这样的AI加速芯片，对深度学习所遇到的卷积神经网络（CNN）进行专门的加速，来实现对这种工业生产过程中图片的快速处理。底层平台会应用一些通用的英特尔处理器，例如酷睿处理器甚至是至强处理器，在上面附加AI加速芯片，像Movidius Myriad TM X这样的芯片。

　　在软件层面，英特尔提供了很多帮助开发者来利用英特尔AI芯片开发的开发包，OpenVINO就是这样的一个工具套件，利用这样的工具套件可以帮助开发者，让他们在基于开放的AI框架上编写AI网络模型，并快速地转换成可以在硬件平台上执行的软件，以实现快速部署、快速应用。目前英特尔能支持TensorFlow、Caffe、MxNET等开放AI框架，开发者可以在这些开放框架下设计、训练一些相应的AI网络。利用OpenVINO可以把这些网络快速转换成能够在英特尔所提供的硬件上去执行的代码。目前可利用的硬件平台包括传统的CPU平台以及英特尔CPU上集成显卡的资源，或者是利用英特尔的AI加速芯片Movidius Myriad TM X芯片，或者是FPGA这样更高性能的加速硬件，都可以利用OpenVINO来实现软件快速的部署和执行。

　　本文来源于科技期刊《电子产品世界》2019年第12期第6页