“目前，AI在工业领域已有多个应用场景，特别是在品质检测和数据分析两方面已有较为成熟的应用。”格创东智AI事业部总经理王贇在接受工业互联网世界记者采访时表示，格创东智在这两块有着深厚经验积累和完整的解决方案。

“传统面板行业品质检测是利用AOI设备将产品缺陷拍照后上传到NAS系统，再通过MES上传到人工判Code的界面，由看片员对图片进行缺陷识别和分类，再反馈给MES。”王贇表示，这是方式虽然准确率有保障，但需要投入大量人工资源。

对此，格创东智基于天枢AI助力TCL华星实现人工智能在产品缺陷判定中的应用（ADC项目），这是面板行业首个落地应用的人工智能自动缺陷分类系统。它可以帮助传统AOI设备进行产品缺陷的自动分类，实现检测方法的自主学习、检测模型的自主优化，通过大数据进行品质统计分析，反馈优化前段制程，提升产线良率，彻底取代传统机器视觉的人员复判作业。

据记者了解，ADC项目为TCL华星产线带来明显的效益改善，替代50%以上的人力，实现超千万每年的经济效益。其AI识别速度提升了5-10倍，准确率从人眼的85%提升到90%以上。

在数据分析方面，王贇表示，在半导体等连续制造里面，出现品质问题，可能是多种因素交织使然，无法通过简单品质监控手段来监控。而格创东智多因子数据分析建模工具能够实时挖掘出影响生产、产品异常的关键因子，降低生产损失，提升设备机理确定性。同时利用数据模型对于制程经验的沉淀和传承，极大提升分析问题锁定因子的效率。

虽然AI在工业领域正在逐步深入，但工业AI相较于通用AI应用，还有着很大差异。王贇认为主要表现在以下几个方面。

一是数据获取较难。目前，很多工业企业的数据基础比较薄弱，数据采集、数据孤岛等问题比较突出。

二是数据安全保密不出域。很多企业对自己产生数据非常谨慎，要求数据留在本地不出域。这就使得工业AI在调用数据时只能在本地做分析，但场内可能算力等能力不足，就使得工业AI不能调到完整的数据来进行分析、建模。

三是工业场景复杂多样。同一产品，不同企业、不同客户由于场景或参数各异，存在着大量的个性化定制，所以工业AI很难做成通用型的产品，针对多种缺陷尤其是罕见缺陷的小样本问题，对于算法的考验很大。

四是工业AI人才匮乏。既懂技术又懂工业人才太少，懂技术AI工程师不知道工厂实际运行情况，哪些输入因素影响工厂排程调度，输入数据来分别自于企业的哪个系统，哪些突发情况需要考虑，哪些优化指标是工厂真实的痛点，这些企业信息对于一个AI工程师来说都需要知道，如果“闭门造车”一旦产品出现变化，它的算法模型也会变动很大。同时算法上线速度无法跟进产品迭代速度，工程师不具备相应算法技能，无法自行训练模型都是AI推广中普遍遇到的问题。

五是工业企业转型战略思维不清晰。企业在数字化转型中AI扮演的角色，能给企业带来怎样的效益、未来核心竞争力会是什么，企业并没有想清楚。现阶段，大部分企业选择以单点突破来做，没有宏观层面体现AI在降本增效提质方面的纵深路径，效益体现困难，场景挖掘动能不足，无法坚持AI在工业的应用往纵深发展，所以就导致AI在企业内部价值无法得到体现。

对于工业AI下一步的发展趋势，王贇认为，未来在工业制造领域，工业AI要具备轻量化、模块化、低代码化甚至无代码化特点，变成一种“傻瓜式”应用工具，可以快速有效的帮助工厂工程师或主管要解决的问题，最终达到优化生产的目的，这样大家也愿意去用，愿意去推广。同时，工业AI应用将逐步从识别监测预警等场景向数据分析、预测判断等场景延伸，实现自主决策和执行，最终达成自主调整优化制程的能力。

除此之外，王贇认为，除了AI在监督和非监督语言技术在工业制造领域的应用之外，未来还能通过自然语言处理(NLP)技术对行业报告、市场分析等外部数据进行分析，基于客户需求可以协助我们去做相应方案设计，能有效规避掉客户可能出现安全风险。

与此同时，设计出来的产品还能模拟它的性能，在全产品生命周期中真正实现AI的落地和生态，达成自监控、自反馈、自设计、自决策、自生产、自执行、自优化的闭环管理。或许在不久的将来，完全可以在虚拟世界中，通过数字双胞胎或元宇宙等概念进行“产品生产管理”，打造出真正的元宇宙生态。