回想十年之前，提到人工智能(Artificial Intelligence，簡稱AI)，你能想到怎樣一幅畫面呢?

或許是《星球大戰(zhàn)》中的宇航技工機(jī)器人R2D2，或許是《黑客帝國》里控制整個(gè)現(xiàn)實(shí)世界的計(jì)算機(jī)系統(tǒng)“矩陣”，又或許是鋼鐵俠的全能管家“賈維斯”?

實(shí)際上，那時(shí)我們對人工智能的概念大多停留在科幻階段。然而近十年，人工智能真正進(jìn)入了“黃金時(shí)代”。不僅在科研界發(fā)展出越發(fā)成熟的算法、并于工業(yè)界領(lǐng)域逐漸擴(kuò)展應(yīng)用，甚至還經(jīng)?！俺鋈Α保瑧{實(shí)力闖入大眾視野。例如讓圍棋大師柯潔大哭的AlphaGo，破解蛋白質(zhì)折疊難題的AlphaFold，憑高水準(zhǔn)繪畫“混進(jìn)”央美畢業(yè)展AI微軟小冰……

盡管發(fā)展神速，但不得不承認(rèn)，現(xiàn)在的人工智能與我們的幻想仍有不小的差距，屬于“弱人工智能”。

每個(gè)人工智能算法只能解決一個(gè)小問題，而且大多數(shù)集中在視覺(計(jì)算機(jī)視覺)、聽覺(語音識別)、語言(自然語言處理)和決策(強(qiáng)化學(xué)習(xí))等方面，并沒有媲美人類的感知、推理和決策能力，因此還不能全方位地代替人類的工作。

為什么人工智能技術(shù)已經(jīng)進(jìn)入“黃金時(shí)代”，我們卻說它不能完全替代人類?這就必須提到它的核心技術(shù)——人工神經(jīng)網(wǎng)絡(luò)了。

專業(yè)版

一個(gè)簡化版的神經(jīng)網(wǎng)絡(luò)由許多計(jì)算單元和權(quán)重組成，輸入數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)的計(jì)算變?yōu)檩敵鰯?shù)據(jù)(前向傳播)，神經(jīng)網(wǎng)絡(luò)通過評判輸出數(shù)據(jù)與理想輸出的差異，迭代更新自身權(quán)重(反向傳播)，最終學(xué)習(xí)到接近完美的輸入-輸出映射，因此遇到新的輸入時(shí)，能相當(dāng)準(zhǔn)確地預(yù)測輸出。

人話版

神經(jīng)網(wǎng)絡(luò)實(shí)際上就是一個(gè)巨型、高維的回歸模型f(x)，通過學(xué)習(xí)大量輸入(x)-輸出(y)數(shù)據(jù)，就能夠擬合出f(x)=y的函數(shù)關(guān)系。這之后，當(dāng)新的x出現(xiàn)時(shí)，它就能準(zhǔn)確預(yù)測出對應(yīng)的y。

而目前AI各種炫酷的應(yīng)用領(lǐng)域，大多數(shù)都是對不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不同“玩法”。

比如圖像識別時(shí)，我們通常使用卷積神經(jīng)網(wǎng)絡(luò)，將圖像作為輸入、標(biāo)簽作為輸出，這樣就能預(yù)測出這張圖片“是什么”。

用于決策時(shí)，我們則要求神經(jīng)網(wǎng)絡(luò)預(yù)判每個(gè)動作的優(yōu)劣，趨利避害。

用于圖像生成時(shí)，我們訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)互相博弈，讓生成網(wǎng)絡(luò)生成不易被偵測到的、與原圖有區(qū)別的的新圖片，而讓探測網(wǎng)絡(luò)盡可能挑出生成的圖片，二者在訓(xùn)練中不斷競爭，從而讓生成網(wǎng)絡(luò)有能力生成風(fēng)格不同卻與原圖神似的圖像，比如更換濾鏡、畫風(fēng)等……

這樣，雖然神經(jīng)網(wǎng)絡(luò)無法像人一樣“思考”，但也能給出高效且準(zhǔn)確的輸出。

在博世汽車電子事業(yè)部，我們也積極嘗試，運(yùn)用各種AI技術(shù)助力研發(fā)和生產(chǎn)，例如將圖像分類算法用于表面貼裝部門產(chǎn)線的焊接質(zhì)量檢測。

在經(jīng)過多次預(yù)處理、調(diào)試和模型選擇的嘗試后，工程師們向AI模型輸入大量優(yōu)良件和失效件的圖像和標(biāo)簽，AI就能通過對比來識別出失效件圖像獨(dú)有的特點(diǎn)，進(jìn)而具備了探測失效件的能力。經(jīng)過訓(xùn)練的模型經(jīng)過部署和上線，就能夠自動識別不良器件。

AI的引入改變了以往AOI (Automated Optical Inspection, 自動光學(xué)檢查) 誤報(bào)率高、需要再次人工甄別的缺點(diǎn)，極大地提升了故障檢測率和預(yù)測效率。

此外，我們也在AI視覺、知識圖譜、強(qiáng)化學(xué)習(xí)等各個(gè)方面不斷深入研究，探索新的AI應(yīng)用場景，為組織數(shù)字化轉(zhuǎn)型提供新的解決方案。

目前，AI在互聯(lián)網(wǎng)中應(yīng)用已經(jīng)非常廣泛，然而在工業(yè)領(lǐng)域的應(yīng)用仍較為受限。但隨著工業(yè)4.0的不斷推進(jìn)，智能物聯(lián)網(wǎng)的持續(xù)發(fā)展，相信在不久的將來，AI也將繼續(xù)在工業(yè)領(lǐng)域發(fā)光發(fā)熱，大幅提升工業(yè)自動化程度及生產(chǎn)效率，成為工業(yè)自動化和智能化轉(zhuǎn)型的核心推動力。