芯耀
1942
作者：李寧遠(yuǎn)物聯(lián)網(wǎng)智庫(kù) 原創(chuàng)
作為一個(gè)關(guān)注機(jī)器人應(yīng)用的創(chuàng)作者，如果問(wèn)我人形機(jī)器人會(huì)在哪個(gè)領(lǐng)域先落地，我的選擇是工業(yè)領(lǐng)域。對(duì)于更具想象空間的具身智能機(jī)器人，我仍然認(rèn)為它會(huì)在工業(yè)領(lǐng)域先鋪開應(yīng)用。
原因在于，工業(yè)場(chǎng)景以生產(chǎn)力為第一要?jiǎng)?wù)，是眾多先進(jìn)技術(shù)落地的第一選擇，同時(shí)工業(yè)領(lǐng)域的場(chǎng)景相對(duì)封閉，為以機(jī)器人為代表的各類智能AI終端，以及終端與工業(yè)專網(wǎng)的結(jié)合提供了天然的試驗(yàn)場(chǎng)。
當(dāng)前被提及很多的一個(gè)概念是工業(yè)4.0，它旨在將智能數(shù)字化技術(shù)集成到整個(gè)工業(yè)流程中，建立智能工廠以提高生產(chǎn)力、效率和靈活性，同時(shí)在制造和供應(yīng)鏈運(yùn)營(yíng)中實(shí)現(xiàn)更智能的決策和定制。
過(guò)去的制造業(yè)注重固定流程下準(zhǔn)確和及時(shí)的生產(chǎn)，強(qiáng)調(diào)降低成本，減少浪費(fèi)。此后得益于工業(yè)物聯(lián)網(wǎng)、云計(jì)算和自動(dòng)化等技術(shù)的應(yīng)用，透過(guò)信息互聯(lián)、數(shù)據(jù)計(jì)算與自動(dòng)控制，工業(yè)制造開始具備快速反應(yīng)和初步智能決策的特征。
而現(xiàn)在，AI大模型和端側(cè)智能的應(yīng)用開始將中國(guó)制造業(yè)引入更智能的階段，AI技術(shù)和終端逐漸融入產(chǎn)線和設(shè)備，工廠無(wú)人化和智能化更進(jìn)一步，有望誕生出真正的無(wú)人工廠和超級(jí)工廠。
AI技術(shù)的出現(xiàn)開始重塑工業(yè)生產(chǎn)與智能制造生態(tài)，而AI技術(shù)向端側(cè)下沉，更進(jìn)一步開始催生新的工業(yè)業(yè)務(wù)形態(tài)與產(chǎn)業(yè)協(xié)作模式，從質(zhì)量控制到預(yù)測(cè)性維護(hù)，從機(jī)器人協(xié)作到數(shù)字孿生等等結(jié)合AI技術(shù)的工業(yè)場(chǎng)景應(yīng)用已經(jīng)成為工業(yè)制造向智能制造邁進(jìn)的關(guān)鍵。
未來(lái)，以功能安全、超低功耗、高性能處理及強(qiáng)實(shí)時(shí)性為技術(shù)支點(diǎn)的基礎(chǔ)硬件，將深入綁定AI 能力。端側(cè)的快速響應(yīng)與決策能力，正在改變工業(yè)制造的價(jià)值鏈條，推動(dòng)工業(yè)生態(tài)向智能互聯(lián)、協(xié)同創(chuàng)新方向深度演進(jìn)，進(jìn)一步提升制造業(yè)整體競(jìng)爭(zhēng)力與附加值。
端側(cè)AI解放高效工業(yè)生產(chǎn)力
隨著邊緣計(jì)算與AI模型不斷發(fā)展成熟，2025年計(jì)算需求從智能計(jì)算基礎(chǔ)設(shè)施向終端設(shè)備擴(kuò)展的趨勢(shì)會(huì)愈發(fā)明顯。工業(yè)制造已經(jīng)開始在很多流程和應(yīng)用里開始應(yīng)用端側(cè)AI技術(shù)。一是因?yàn)槎藗?cè)或邊緣AI能與具體應(yīng)用或業(yè)務(wù)緊密結(jié)合，能大幅提升工業(yè)流程決策效率；二是端側(cè)或邊緣設(shè)備的AI功能減少了對(duì)帶寬的依賴，智能模型可以在越來(lái)越多的端側(cè)設(shè)備上運(yùn)行，實(shí)時(shí)采集和智能分析能力進(jìn)一步提升。
工業(yè)端側(cè)模型
在國(guó)內(nèi)，已有多家科技巨頭和企業(yè)發(fā)布了自己的工業(yè)大模型產(chǎn)品，如智工·工業(yè)大模型、華為盤古大模型、卡奧斯COSMO-GPT等等。然從云端AI過(guò)渡到端側(cè)AI，需要考量成本、實(shí)時(shí)性和安全性等更多因素。
人工智能模型到了端側(cè)，精簡(jiǎn)高效的小模型（SLM）成為主角，小模型專為邊端硬件終端設(shè)計(jì)，如工業(yè)電腦、服務(wù)器、機(jī)器人等，能在性能和資源效率之間取得微妙的平衡，分擔(dān)處理工作負(fù)載進(jìn)一步降低基礎(chǔ)設(shè)施和運(yùn)營(yíng)成本。微軟不久前通過(guò)與拜耳、羅克韋爾自動(dòng)化、西門子等公司合作就推出了適用于工業(yè)領(lǐng)域的全新AI小模型。
小模型結(jié)合終端硬件能進(jìn)行定制化訓(xùn)練，例如，在設(shè)備維護(hù)和預(yù)測(cè)方面小模型在硬件上能夠訓(xùn)練設(shè)備故障的模型，分析出潛在故障點(diǎn)，并結(jié)合先進(jìn)的傳感器和硬件設(shè)備，實(shí)現(xiàn)更智能高效的自主決策。
“基礎(chǔ)工業(yè)大模型+細(xì)分應(yīng)用小模型”的模式可以進(jìn)一步發(fā)揮出工業(yè)端側(cè)人工智能潛力。
預(yù)測(cè)性維護(hù)與故障檢測(cè)
上面已經(jīng)提到了小模型在預(yù)測(cè)性維護(hù)與故障檢測(cè)上的應(yīng)用，其實(shí)在沒(méi)有引入端側(cè)小模型預(yù)測(cè)前，不少工業(yè)場(chǎng)景通過(guò)部署在設(shè)備端的智能傳感器和邊緣計(jì)算設(shè)備，也能實(shí)時(shí)收集機(jī)器運(yùn)行數(shù)據(jù)并進(jìn)行數(shù)據(jù)分析。
這些智能傳感器和邊緣計(jì)算設(shè)備通過(guò)在主控芯片或主處理芯片上內(nèi)置TinyML對(duì)數(shù)據(jù)進(jìn)行分析，從而預(yù)測(cè)設(shè)備可能出現(xiàn)的故障和性能下降。這種應(yīng)用是工業(yè)領(lǐng)域比較典型的邊緣AI應(yīng)用，不需要高主頻高算力資源，通過(guò)硬件集成TinyML 等精簡(jiǎn)AI內(nèi)核完成智能功能，在語(yǔ)音識(shí)別和傳感器數(shù)據(jù)分析等領(lǐng)域已經(jīng)較為成熟。端側(cè)AI技術(shù)的進(jìn)步，本地算力集成專用AI內(nèi)核，終端內(nèi)的智能功能會(huì)更加豐富。
工業(yè)機(jī)器視覺(jué)
工業(yè)領(lǐng)域通過(guò)視覺(jué)檢測(cè)進(jìn)行質(zhì)量管控也是很通用很經(jīng)典的應(yīng)用案例，端側(cè)AI技術(shù)的引入為工業(yè)機(jī)器視覺(jué)帶來(lái)不少改變。實(shí)時(shí)性的提高是顯而易見(jiàn)的，以往更多的是在收集真實(shí)數(shù)據(jù)后不斷在云端優(yōu)化視覺(jué)算法，云計(jì)算的弊端是無(wú)法滿足高效實(shí)時(shí)的需求，節(jié)拍不同步導(dǎo)致的延時(shí)難免影響生產(chǎn)效率。
同時(shí)，考慮到在工業(yè)現(xiàn)場(chǎng)中存在大量異構(gòu)的總線連接，設(shè)備之間的通信標(biāo)準(zhǔn)不統(tǒng)一，將計(jì)算資源部署在工業(yè)邊緣側(cè)和端側(cè)才更匹配場(chǎng)景需求。
在端側(cè)優(yōu)化AI算法，并匹配相應(yīng)的計(jì)算硬件方案，能夠更好地解決工業(yè)場(chǎng)景對(duì)視覺(jué)算力以及實(shí)時(shí)性的要求。同時(shí)基于獲取到的點(diǎn)云/圖像信息，端側(cè)能夠直接進(jìn)行一定計(jì)算量的AI功能實(shí)現(xiàn)，如進(jìn)行姿態(tài)識(shí)別、手勢(shì)識(shí)別、人臉識(shí)別等等，延展更多和視覺(jué)相關(guān)的功能。
端側(cè)的AI小模型與機(jī)器視覺(jué)結(jié)合推動(dòng)下的智能視覺(jué)檢測(cè)技術(shù)目前在工業(yè)領(lǐng)域已經(jīng)展現(xiàn)出強(qiáng)大的應(yīng)用潛力。以移遠(yuǎn)通信的“匠心”視覺(jué)檢測(cè)方案為例，AI算法模型直接將數(shù)據(jù)上傳、數(shù)據(jù)標(biāo)注、模型訓(xùn)練、模型測(cè)試、模型轉(zhuǎn)換等全流程功能集成，解決視覺(jué)原始數(shù)據(jù)質(zhì)量不齊、標(biāo)注繁瑣、訓(xùn)練優(yōu)化困難、兼容性差等應(yīng)用難題。結(jié)合端側(cè)計(jì)算的靈活性、高數(shù)據(jù)安全性以及實(shí)時(shí)性等優(yōu)勢(shì)，端側(cè)的智能視覺(jué)檢測(cè)既易于部署同時(shí)檢測(cè)高效準(zhǔn)確，兼顧高成本效益。
再例如廣和通的機(jī)器視覺(jué)與聽覺(jué)解決方案，可實(shí)現(xiàn)物體識(shí)別、分割、拼接與分類，畸變校正，追蹤與計(jì)數(shù)，以及人臉識(shí)別等功能。在圖像處理上，該解決方案集成先進(jìn)的 GPU/NPU 加速技術(shù)和高分辨率能力，支持復(fù)雜的圖像識(shí)別與編解碼、目標(biāo)檢測(cè)和實(shí)時(shí)數(shù)據(jù)分析。解決方案還支持ChatGPT、通義千問(wèn)、LIama、文心一言等大語(yǔ)言模型，提高信息處理效率。
在智能制造的背景下，端側(cè)AI技術(shù)帶來(lái)的更多本地化實(shí)時(shí)化的智能功能，并在端側(cè)小模型的配合下提升生產(chǎn)效率，優(yōu)化整個(gè)生產(chǎn)流程，在自動(dòng)化控制基礎(chǔ)上添加了更多智能化的控制，釋放出高效的工業(yè)生產(chǎn)力，推動(dòng)制造業(yè)的智能化升級(jí)。
工業(yè)端側(cè)AI的配套硬件支持
減少云端依賴的的端側(cè)AI，其功能實(shí)現(xiàn)離不開端側(cè)基礎(chǔ)硬件的支持，感知、處理、連接、存儲(chǔ)、驅(qū)動(dòng)、專用AI加速器等等基礎(chǔ)硬件組件協(xié)同工作，確保了端側(cè)AI功能的高效執(zhí)行。例如，嵌入式處理器負(fù)責(zé)整體的系統(tǒng)控制和任務(wù)調(diào)度，AI加速器則專注于提供強(qiáng)大的計(jì)算能力，以加速?gòu)?fù)雜的模型推理。高效的存儲(chǔ)組件確保數(shù)據(jù)的快速讀寫，而傳輸組件則保證了數(shù)據(jù)在端側(cè)與云端或其他設(shè)備之間的順暢流通。
在傳感芯片端，AI功能和信號(hào)處理功能越來(lái)越多地被引入，以增強(qiáng)在數(shù)據(jù)收集后直接處理能力，分擔(dān)主控信號(hào)處理負(fù)載。目前應(yīng)用較多的端側(cè)AI傳感設(shè)備有視覺(jué)、麥克風(fēng)、溫度傳感器、運(yùn)動(dòng)傳感器、位置傳感器。這種端側(cè)傳感器架構(gòu)在AI內(nèi)核的助力下簡(jiǎn)化了傳感器數(shù)據(jù)處理流程，在本地經(jīng)過(guò)處理后只有最相關(guān)的數(shù)據(jù)被發(fā)送到邊緣的主處理器或云端以便進(jìn)一步分析。
作為工業(yè)控制中的?？?，眾多MCU、MPU廠商也開始推進(jìn)集成先進(jìn)AI內(nèi)核的控制/處理產(chǎn)品，如NXP集成AI內(nèi)核的MCX系列MCU家族，集成Neutron NPU的i.MX 9系列MPU；意法半導(dǎo)體知名的工控單片機(jī)STM32 MCU也開始集成NPU——ST Neural-ART accelerator；TI為人熟知的C2000系列也開始集成邊緣AI硬件加速器；ADI、英飛凌、瑞薩等MCU大廠也在AI＋MCU上有著相關(guān)推進(jìn)。
針對(duì)高效的計(jì)算硬件，專用AI ASIC、GPU、FPGA、NPU發(fā)揮著重要作用，這里主要聚焦在NPU。除了一些芯片原廠會(huì)自研NPU IP內(nèi)核，也有不少第三方的NPU IP產(chǎn)品，比如Arm的Ethos NPU、安謀科技周易NPU、芯原NPU、Synopsys ARC NPX6 NPU等。NPU成為端側(cè)AI芯片的標(biāo)配可以說(shuō)是大勢(shì)所趨。
端側(cè)AI的興起，對(duì)工業(yè)領(lǐng)域的難點(diǎn)——碎片化場(chǎng)景及多樣化需求提供了更多的解決思路，不論是細(xì)化到單個(gè)軟、硬件與AI功能的結(jié)合，還是從模組、PLC到工控平臺(tái)整機(jī)的智能優(yōu)化，都有著不同于以往的定制化實(shí)現(xiàn)路徑。
端側(cè)AI向工業(yè)應(yīng)用更深處探索
端側(cè)AI推進(jìn)工業(yè)制造向智能制造的轉(zhuǎn)變遠(yuǎn)不止目前這些可能性，端側(cè)AI帶來(lái)的實(shí)時(shí)同步、本地安全性以及靈活性在革新很多制造業(yè)場(chǎng)景的流程上有著很大想象空間，同時(shí)，不同細(xì)分應(yīng)用的工業(yè)端側(cè)小模型不斷發(fā)展，也是未來(lái)一股強(qiáng)大的助力。
比如在工業(yè)設(shè)計(jì)領(lǐng)域，未來(lái)工業(yè)端側(cè)模型能通過(guò)優(yōu)化設(shè)計(jì)過(guò)程提高研發(fā)效率，結(jié)合智能眼鏡等智慧終端，能重新塑造工業(yè)設(shè)計(jì)的現(xiàn)有格局；個(gè)性化定制化的工業(yè)生產(chǎn)需求，在端側(cè)智能軟硬件高靈活性的配合下也不再需要大費(fèi)周章重新構(gòu)建產(chǎn)線，產(chǎn)線上的機(jī)器人在學(xué)習(xí)模型的幫助下讓產(chǎn)線能快速、準(zhǔn)確調(diào)整對(duì)應(yīng)生產(chǎn)要求，并且實(shí)時(shí)監(jiān)控生產(chǎn)線上的各個(gè)環(huán)節(jié)，通過(guò)學(xué)習(xí)快速識(shí)別生產(chǎn)過(guò)程中的異常狀況，有效降低生產(chǎn)停滯風(fēng)險(xiǎn)。
此外，結(jié)合工業(yè)智聯(lián)的通信技術(shù)，端到端的設(shè)備間無(wú)縫通信與數(shù)據(jù)共享能進(jìn)一步優(yōu)化生產(chǎn)流程，提升整體生產(chǎn)效率。在2024年年末的全國(guó)工業(yè)和信息化工作會(huì)議上，會(huì)議在部署2025年重點(diǎn)工作中提出，“推進(jìn)工業(yè)5G獨(dú)立專網(wǎng)建設(shè)”，將工業(yè)5G獨(dú)立專網(wǎng)建設(shè)作為新的一年重點(diǎn)部署的工作。意味著對(duì)大型工業(yè)企業(yè)自建5G專網(wǎng)的相關(guān)政策尤其是頻率政策呼之欲出，為5G+工業(yè)互聯(lián)帶來(lái)新的機(jī)遇。
端側(cè)AI正以其獨(dú)特的優(yōu)勢(shì)，逐步滲透到工業(yè)制造的每一個(gè)角落，向工業(yè)應(yīng)用更深處探索，推動(dòng)著整個(gè)工業(yè)向更智能化、高效化的方向發(fā)展。
當(dāng)然，智能化的藍(lán)圖需要慢慢打磨，許多端側(cè)AI面臨的挑戰(zhàn)也需要時(shí)間去攻克。在工業(yè)端側(cè)模型上，工業(yè)領(lǐng)域涵蓋業(yè)務(wù)廣泛，數(shù)據(jù)結(jié)構(gòu)多樣，數(shù)據(jù)質(zhì)量參差不齊，如何構(gòu)建起高質(zhì)量模型并充分捕捉到某領(lǐng)域特征理解場(chǎng)景還有不少難題。
端側(cè)/邊緣設(shè)備和應(yīng)用的多樣性對(duì)硬件設(shè)計(jì)要求也更高，不僅要適配當(dāng)前流行的模型和某一類特定應(yīng)用，還要支持下一代模型和快速變化的應(yīng)用需求。這需要軟硬件結(jié)合，構(gòu)建可適應(yīng)未來(lái)發(fā)展的全棧軟硬件，以避免針對(duì)某種特定模型或應(yīng)用開發(fā)的硬件局限性，這對(duì)于產(chǎn)品快速迭代的端側(cè)計(jì)算市場(chǎng)尤為重要。
寫在最后
在以生產(chǎn)力為第一要?jiǎng)?wù)，強(qiáng)調(diào)高效、穩(wěn)定、安全的工業(yè)領(lǐng)域，端側(cè)智能帶來(lái)的節(jié)拍協(xié)同、高度靈活、高效生產(chǎn)資料利用以及品控預(yù)測(cè)維護(hù)等能力已經(jīng)成為工業(yè)制造轉(zhuǎn)型的首要推動(dòng)力。2025年，端側(cè)AI又會(huì)在工業(yè)領(lǐng)域帶來(lái)哪些變化，我們拭目以待。
