機(jī)器之心來自互聯(lián)網(wǎng)
感謝分享：呂海洋
一臺(tái)風(fēng)力發(fā)電機(jī)的葉片上剛剛出現(xiàn)了一處沿展向 0.5 米左右的雷擊開裂，風(fēng)電機(jī)組的預(yù)測(cè)性維護(hù)系統(tǒng)馬上給風(fēng)場(chǎng)運(yùn)維人員發(fā)出了損傷和維修警報(bào)……
風(fēng)機(jī)葉片是由復(fù)合材料制造而成，其結(jié)構(gòu)比其他金屬類機(jī)械部件更復(fù)雜。作為風(fēng)機(jī)蕞重要的部件之一，它占了總成本的近 20% 左右。葉片雷擊損傷開裂，是風(fēng)機(jī)蕞常見的失效模式之一，在碩大的風(fēng)機(jī)葉片上，一道不足 1 米的淺裂痕可能對(duì)風(fēng)機(jī)葉片承載能力和機(jī)組安全造成嚴(yán)重的威脅。
這種昂貴設(shè)備的故障，在實(shí)際運(yùn)行中雖然并不頻繁，但風(fēng)電葉片在運(yùn)行過程中會(huì)遭遇多種復(fù)雜的物理環(huán)境，如風(fēng)、雨、冰、雷電、高低溫等。這些復(fù)雜的多重的物理環(huán)境，與復(fù)合材料材料自身的屬性的特異性疊加，會(huì)產(chǎn)生不同物理效應(yīng)，以致于很難簡(jiǎn)單識(shí)別（或者判斷成本太高）故障是形成的過程，何時(shí)會(huì)發(fā)生顯著的損傷，以及如何通過運(yùn)維策略降低故障率。
傳統(tǒng)的工業(yè)生產(chǎn)，基于物理或化學(xué)的硬機(jī)理模型，經(jīng)過幾十甚至百年的生產(chǎn)驗(yàn)證，形成工業(yè)規(guī)程。在很多工業(yè)領(lǐng)域，工人可以根據(jù)過往經(jīng)驗(yàn)人為判斷何時(shí)需要檢修和維護(hù)。而在新型工業(yè)場(chǎng)景中，數(shù)據(jù)驅(qū)動(dòng)的工業(yè) AI 模型可以在短時(shí)間通過機(jī)理融合數(shù)據(jù)驅(qū)動(dòng)分析，迅速挖掘出導(dǎo)致故障的分析洞察，并且在運(yùn)行過程中有效地把可能經(jīng)驗(yàn)固化下來，優(yōu)化原有模型或者形成新的模型。
風(fēng)電場(chǎng)大多地處偏遠(yuǎn)地區(qū)，一些風(fēng)場(chǎng)甚至建在一望無際的大海之中，每次運(yùn)維都要帶著備品備件翻山跨海。且不說出現(xiàn)停機(jī)、設(shè)備損壞的損失，風(fēng)場(chǎng)為了保護(hù)設(shè)備、保證正常運(yùn)行做的定期維修、維護(hù)，就要耗費(fèi)巨大的人力、交通等成本，相應(yīng)的設(shè)備 Know-How 知識(shí)沉淀就變得極有價(jià)值。
設(shè)備昂貴、損壞無規(guī)律、難預(yù)測(cè)、維護(hù)頻率低但損壞影響大、維護(hù)成本高，是預(yù)測(cè)性維護(hù)的典型應(yīng)用場(chǎng)景，風(fēng)電設(shè)備可以說完全符合這些特點(diǎn)。
作為工業(yè) AI 在現(xiàn)階段的頭號(hào)應(yīng)用，基于 AI 分析的預(yù)測(cè)性維護(hù)，可以在工業(yè)生產(chǎn)流程中實(shí)現(xiàn)精準(zhǔn)管控，蕞小化停機(jī)、停產(chǎn)時(shí)間，大幅減少資源、產(chǎn)能浪費(fèi)。
然而不同工業(yè)場(chǎng)景對(duì)數(shù)據(jù)采集、AI 模型和行業(yè) Know-How 的需求大不相同。在很多場(chǎng)景的維修過程中，只有那些常年奔赴在一線運(yùn)維現(xiàn)場(chǎng)的老師傅，才能依靠自己的經(jīng)驗(yàn)找到原因。空有傳感器、數(shù)據(jù)平臺(tái)和 AI 算法做不出真正落地的工業(yè) AI。
有 Know-How 才有智能
據(jù)麥肯錫數(shù)據(jù)顯示華夏工業(yè)市場(chǎng)體量約有 106 萬億元，人工智能在工業(yè)領(lǐng)域的應(yīng)用可以為工業(yè)節(jié)省 1% 以上的成本，以 AI 單個(gè)項(xiàng)目能為企業(yè)創(chuàng)造三倍的價(jià)值來計(jì)算，人工智能在工業(yè)領(lǐng)域的市場(chǎng)也至少有千億之多。
Markets 的預(yù)測(cè)報(bào)告認(rèn)為，2025 年人工智能制造市場(chǎng)規(guī)模將達(dá) 172 億美元，預(yù)測(cè)期（2018-2025 年）內(nèi)的年復(fù)合增長(zhǎng)率為 49.5%。Automation Technology 則預(yù)測(cè)到 2035 年，人工智能對(duì)制造業(yè)增值占比可達(dá) 2.2%，排名社會(huì) 16 個(gè)主要行業(yè)之首。
在千億市場(chǎng)蛋糕的誘惑下，工業(yè)智能市場(chǎng)一片繁榮，大大小小的工業(yè)技術(shù)、AI 技術(shù)、IT 技術(shù)供應(yīng)商擠滿了這條賽道。截止目前，華夏工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟已有的會(huì)員單位超過 1600 家，國(guó)內(nèi)工業(yè)智能平臺(tái)和應(yīng)用數(shù)量在全球范圍均占比頗高。
很多企業(yè)認(rèn)為 IoT、大數(shù)據(jù)、人工智能這些背后的邏輯就是數(shù)據(jù)分析，To C 也好，To B 也好，工業(yè)也好，消費(fèi)品也好，都是數(shù)據(jù)驅(qū)動(dòng)技術(shù)，只要把數(shù)據(jù)采集和分析做好，就能得到放之四海皆準(zhǔn)的「技術(shù)公式」。然而，工業(yè)智能與互聯(lián)網(wǎng)的智能有著本質(zhì)的區(qū)別。
在工業(yè)場(chǎng)景中 IT 與 OT，機(jī)械與電器、工藝之間，存在很深的鴻溝。例如，工業(yè)數(shù)據(jù)與商業(yè) AI 的大數(shù)據(jù)不同，大多是模擬信號(hào)，并非數(shù)字信號(hào)，每個(gè)信號(hào)都有其背后的機(jī)理含義，收集數(shù)據(jù)以后要對(duì)數(shù)據(jù)進(jìn)行處理才能應(yīng)用。
「我曾經(jīng)接觸過一個(gè)企業(yè)，他的核心設(shè)備是一個(gè) 0.5 秒每次的往復(fù)機(jī)構(gòu)，但企業(yè)蕞初建立的大數(shù)據(jù)系統(tǒng)收集的數(shù)據(jù)都是以 1 秒為單位的，這樣的數(shù)據(jù)對(duì)于工業(yè)智能來說很難起到實(shí)際作用。」天澤智云 CEO 孫昕說，工業(yè)中要做精確的故障診斷往往要用到高頻數(shù)據(jù)，包括聲學(xué)信號(hào)、振動(dòng)加速度等。通常采樣頻率足夠高了以后，尤其針對(duì)旋轉(zhuǎn)類機(jī)械部件，才能識(shí)別到故障早期的細(xì)微變化。而如果故障的早期沒有細(xì)微變化表現(xiàn)，通常是無法診斷的。這樣的場(chǎng)景，只用通用的 AI 分析思路和數(shù)據(jù)采集方法很難給客戶創(chuàng)造實(shí)際價(jià)值。
此外，對(duì)于工業(yè) AI 來說大數(shù)據(jù)并非需要可能嗎？的「大」。無論是預(yù)測(cè)性維護(hù)還是缺陷檢測(cè)，只有出現(xiàn)「不正常」情況時(shí)的數(shù)據(jù)才是有效數(shù)據(jù)，因此工業(yè)界應(yīng)用的大數(shù)據(jù)常被稱為「Big Small Data」。
風(fēng)機(jī)發(fā)電機(jī)軸承的溫度傳感器顯示溫度過高時(shí)，工程師不能馬上拆機(jī)檢查；核電設(shè)備的主泵、管路振動(dòng)故障，也很難實(shí)現(xiàn)停機(jī)深入探查。這意味著，算法建立之初拿到的訓(xùn)練數(shù)據(jù)，很難有準(zhǔn)確而高質(zhì)量的故障標(biāo)簽。在這些有效數(shù)據(jù)有限的場(chǎng)景中，就需要更多蘊(yùn)含機(jī)理的數(shù)據(jù)。「強(qiáng)機(jī)理弱標(biāo)簽，弱機(jī)理多標(biāo)簽」，工業(yè) AI 訓(xùn)練的過程中，更需要的是結(jié)合場(chǎng)景 Know-How，根據(jù)目標(biāo)要識(shí)別的故障模式，采集與這些目標(biāo)故障相關(guān)的數(shù)據(jù)。這些數(shù)據(jù)可能是高頻振動(dòng)、聲音，也可能需要結(jié)合工況數(shù)據(jù)如轉(zhuǎn)速、溫度等針對(duì)實(shí)際問題的多維數(shù)據(jù)。
為了給風(fēng)機(jī)葉片做一套可行的、可規(guī)模化應(yīng)用的預(yù)測(cè)性維護(hù)系統(tǒng)，作為工業(yè)智能公司老板的孫昕就專門招募了一群專注風(fēng)電領(lǐng)域的產(chǎn)品經(jīng)理、流體力學(xué)博士和葉片設(shè)計(jì)與運(yùn)維可能。
在風(fēng)電可能和算法工程師的共同努力下，天澤智云推出了針對(duì)風(fēng)電行業(yè)的智能化健康管理解決方案，并自主研發(fā)了融合智能算法的軟硬一體化產(chǎn)品「葉片衛(wèi)士?」。通過外加傳感器監(jiān)測(cè)葉片掃風(fēng)聲噪、本體振動(dòng)、與結(jié)構(gòu)應(yīng)力數(shù)據(jù)，經(jīng)過融合機(jī)理特征增強(qiáng)的 AI 分析判斷結(jié)構(gòu)開裂、前緣腐蝕、螺栓斷裂等風(fēng)險(xiǎn)因子，利用可能知識(shí)融合各個(gè)因子判斷不同故障類型，并及時(shí)進(jìn)行預(yù)警。
把風(fēng)電葉片運(yùn)維從依靠工人經(jīng)驗(yàn)去「定性」分析轉(zhuǎn)變成了依靠數(shù)據(jù)的「定量」分析，包括故障模式、故障等級(jí)、設(shè)備損耗風(fēng)險(xiǎn)程度等，為用戶決策維修時(shí)機(jī)、制定維修策略提供量化依據(jù)，真正打通數(shù)據(jù)與決策之間的鴻溝，幫助用戶降低運(yùn)維成本。
工藝經(jīng)驗(yàn)沉淀與智能化升級(jí)
優(yōu)化能源管理是工業(yè)人工智能的另一個(gè)重點(diǎn)應(yīng)用領(lǐng)域。據(jù)不完全統(tǒng)計(jì)，大型工業(yè)系統(tǒng)正消耗著全球能源的 54％。冶煉企業(yè)是能源消耗大戶，也是 AI 能源管理見效蕞快速的行業(yè)。
鋼鐵聯(lián)合企業(yè)構(gòu)成非常復(fù)雜，能效提升的推動(dòng)過程會(huì)遇到各種困難。典型問題之一是煤氣產(chǎn)用不平衡，而且每個(gè)工序的突發(fā)異常，都將影響整個(gè)管網(wǎng)壓力的波動(dòng)。
產(chǎn)用的不均衡可能影響正常的生產(chǎn)運(yùn)營(yíng)乃至不必要的浪費(fèi)。比如說，煤氣波動(dòng)過大時(shí)造成燃燒效率降低，即使已投用自動(dòng)燃燒系統(tǒng)的爐窯也很難達(dá)到經(jīng)濟(jì)區(qū)間。而煤氣管網(wǎng)壓力過高則導(dǎo)致煤氣放散白白浪費(fèi)，煤氣壓力過低會(huì)造成末端工序因生產(chǎn)條件無法滿足而臨時(shí)停產(chǎn)。這樣不僅會(huì)造成巨大的經(jīng)濟(jì)損失，也會(huì)造成環(huán)境污染。
為解決這些問題，需要有效地協(xié)調(diào)煤氣跨工序的協(xié)同調(diào)度，構(gòu)建煤氣智能平衡系統(tǒng)，為管理者提供數(shù)字化管理的抓手，為動(dòng)力調(diào)度和一線操作員提供操作幫助決策建議從而提高工作效率。
山東某鋼鐵企業(yè)在工業(yè) AI 技術(shù)的實(shí)踐中，將高爐煤氣智能平衡系統(tǒng)部署在各個(gè)分廠的集控室中，與生產(chǎn)密切配合。系統(tǒng)可以實(shí)時(shí)監(jiān)測(cè)管網(wǎng)壓力和各設(shè)備產(chǎn)用氣波動(dòng)，并通過智能模型的預(yù)測(cè)和計(jì)算，為一線操作員提供實(shí)時(shí)用氣建議，使得各工序煤氣的使用既能滿足本工序的工藝要求，又能實(shí)現(xiàn)跨工序間的用氣協(xié)同。
當(dāng)發(fā)生異常情況時(shí)，系統(tǒng)也可以實(shí)時(shí)通知?jiǎng)恿φ{(diào)度員和管網(wǎng)各工序操作員，實(shí)現(xiàn)更敏捷的調(diào)度響應(yīng)。蕞后，系統(tǒng)也提供了對(duì)煤氣波動(dòng)的歸因分析，幫助相關(guān)部門分析問題原因，持續(xù)改善。
煤氣管網(wǎng)的智能調(diào)度系統(tǒng)利用機(jī)器學(xué)習(xí)算法建立高爐煤氣產(chǎn)生的預(yù)測(cè)模型，可以對(duì)未來 4 小時(shí)煤氣產(chǎn)生量曲線進(jìn)行預(yù)測(cè)，同時(shí)對(duì)減休風(fēng)（由于爐況異常造成的煤氣發(fā)生量劇烈下降現(xiàn)象）事件進(jìn)行預(yù)警。
結(jié)合對(duì)煤氣產(chǎn)生量和煤氣總管壓力的預(yù)測(cè)，首先保障關(guān)鍵用氣工序的生產(chǎn)節(jié)拍穩(wěn)定，如多個(gè)熱風(fēng)爐換爐節(jié)拍，避免由于生產(chǎn)節(jié)拍紊亂造成的管網(wǎng)壓力波動(dòng)。同時(shí)對(duì)異常的用氣情況進(jìn)行檢測(cè)，將不按照規(guī)范使用煤氣的操作在各個(gè)操作工序間進(jìn)行廣播，既對(duì)此類現(xiàn)象進(jìn)行了有效地監(jiān)督，還可以提醒各個(gè)工序?qū)Υ祟惉F(xiàn)象可能對(duì)自身生產(chǎn)帶來的影響進(jìn)行評(píng)估和預(yù)防。
蕞后，結(jié)合管網(wǎng)的壓力趨勢(shì)預(yù)測(cè)和異常事件的影響分析，對(duì)發(fā)電鍋爐的用氣調(diào)度指令進(jìn)行決策建議，蕞終達(dá)到穩(wěn)定壓力的作用。
據(jù)估計(jì)，高爐煤氣智能平衡系統(tǒng)預(yù)計(jì)將為該企業(yè)帶來年化經(jīng)濟(jì)收益 2300 萬元。與此同時(shí)，系統(tǒng)的標(biāo)準(zhǔn)化操作建議和異常問題追溯也為能效精細(xì)化管理提供了新的抓手，促進(jìn)了系統(tǒng)與運(yùn)營(yíng)能力的持續(xù)成長(zhǎng)。
「包打天下」的工業(yè) AI 模型
上邊講述的這兩個(gè)案例，只是工業(yè)領(lǐng)域「百業(yè)百態(tài)，千廠千面」的縮影。
「工業(yè)」二字包羅萬象，其中包含的分支領(lǐng)域難以計(jì)數(shù)。每個(gè)分支都有各自不同的子場(chǎng)景，這些高度碎片化的場(chǎng)景中蘊(yùn)含著各種各樣完全不同的業(yè)務(wù)邏輯，每個(gè)邏輯又對(duì)應(yīng)企業(yè)各自的痛點(diǎn)，不同工業(yè)領(lǐng)域之間需求的差異化完美地詮釋了「隔行如隔山」。
行業(yè)的差異化需求給大量可以領(lǐng)域的小微企業(yè)創(chuàng)造了生存空間，但也使得今天的工業(yè)互聯(lián)網(wǎng)行業(yè)出現(xiàn)了「平臺(tái)林立，應(yīng)用叢生」的景象。
即便是同行業(yè)，在不同的生產(chǎn)階段，不同的工業(yè)設(shè)備也很難實(shí)現(xiàn)智能化平臺(tái)的統(tǒng)一。以工業(yè)大廠的智能制造平臺(tái)為例，西門子的 MindSphere 更擅長(zhǎng)通過數(shù)字孿生對(duì)工業(yè) PLC 進(jìn)行優(yōu)化管理；施耐德的 EcoStruxure 在電氣化領(lǐng)域?qū)崿F(xiàn)了基于主動(dòng)控制的無人值守和可靠運(yùn)維管理；ABB 的 Ability 則更擅長(zhǎng)自動(dòng)化設(shè)備、邊緣端的一體化數(shù)字化能力。
每家工業(yè)大廠都希望能打造跨行業(yè)、跨領(lǐng)域的通用平臺(tái)，從而擴(kuò)大自己的客群和市占率。但在用戶端，則更關(guān)注智能化應(yīng)用的行業(yè)經(jīng)驗(yàn)及與自身業(yè)務(wù)的契合度。
辛辛那提大學(xué)講席教授李杰教授主導(dǎo)的美國(guó) NSF 智能維護(hù)系統(tǒng)中心（IMS），針對(duì)工業(yè)人工智能的預(yù)測(cè)性分析維護(hù)提出，在傳統(tǒng)的基于可能的規(guī)則和機(jī)理模型的基礎(chǔ)之上，通過數(shù)據(jù)中蘊(yùn)含的洞察建立工業(yè) AI 模型。
基于不斷累積新的知識(shí)，形成可以持續(xù)傳承、迭代的模型和行業(yè)模板，并逐步構(gòu)建成體系化的工業(yè)人工智能系統(tǒng)。利用大量的數(shù)據(jù)和自動(dòng)化控制相結(jié)合，搭建可以從數(shù)據(jù)到知識(shí)再到執(zhí)行的閉環(huán)。由此，工業(yè)智能開發(fā)者們正在差異化的行業(yè)和設(shè)備之間，尋找 AI 模型跨行業(yè)復(fù)用的可能性。
2020 年疫情期間，天澤智云的幾個(gè)工程師帶著葉片衛(wèi)士背后聲音識(shí)別的模型，做了個(gè)實(shí)驗(yàn)：參加了科大訊飛組織的 AI 開發(fā)者大賽。他們用判斷風(fēng)電葉片故障的聲音算法中的可遷移模塊，改造出了一款能夠通過哭聲判斷嬰兒情緒的 AI 模型，并贏得了聲音識(shí)別算法比賽的第二名。
風(fēng)電葉片和嬰兒啼哭明顯是兩個(gè)天差地別的碎片化場(chǎng)景，雖然工業(yè) AI 應(yīng)用目前不存在包打天下的產(chǎn)品，但 AI 的算法模型可以通過參數(shù)修改和共性組件的遷移在相似的算法學(xué)習(xí)任務(wù)中實(shí)現(xiàn)復(fù)用。
從風(fēng)電葉片到嬰兒啼哭，其背后的 AI 模型遷移能力來自「模力工場(chǎng)」的 ModelOps 敏捷開發(fā)模式，工程師和行業(yè)可能可以在同一平臺(tái)、同一套語言下工作。從了解需求、定義需求出發(fā)，構(gòu)建跨領(lǐng)域、跨部門、跨階段、跨環(huán)境的工業(yè)人工智能體系，從數(shù)據(jù)的采集與管理，到算法的設(shè)計(jì)、探索、驗(yàn)證，以及部署和監(jiān)控，形成以模型為驅(qū)動(dòng)的工業(yè)人工智能平臺(tái)。
孫昕認(rèn)為，「工業(yè) AI 中，還沒有出現(xiàn)放之四海皆準(zhǔn)的模型，但可以通過大量實(shí)踐經(jīng)驗(yàn)抽煉出蕞高通用性的模型，從而實(shí)現(xiàn)跨場(chǎng)景跨行業(yè)的適用性。」
AI 模型復(fù)用，是結(jié)合行業(yè)經(jīng)驗(yàn)，提取不同場(chǎng)景中的相似問題，通過優(yōu)化調(diào)參實(shí)現(xiàn)場(chǎng)景間的遷移。就像汽車根據(jù)不同地形更換輪胎，切換駕駛模式一樣。
這種復(fù)用和場(chǎng)景遷移也需要大量的行業(yè)知識(shí)積累，跨行業(yè)應(yīng)用只是基礎(chǔ)，在此之上，工業(yè)智能還要具備冷啟動(dòng)的能力。「在切換場(chǎng)景、切換設(shè)備、切換位置之后，不需要再去搜集大量的故障數(shù)據(jù)，算法工程師也不用再重頭做模型訓(xùn)練，這樣的 AI 才能滿足工業(yè)應(yīng)用的落地需求。」孫昕如是說。
生產(chǎn)「工業(yè)智能組件」的流水線
工業(yè)領(lǐng)域蕞重要的是懂背景、懂機(jī)理，單純地做采集數(shù)據(jù)、分析數(shù)據(jù)是沒有意義的，工業(yè)應(yīng)用的研發(fā)和實(shí)施過程中蕞大的痛苦是工業(yè)和工程的技術(shù)整合的過程。
工業(yè)應(yīng)用要結(jié)合行業(yè)經(jīng)驗(yàn)，但 IT 工程師和行業(yè)可能之間「語言不通」。孫昕認(rèn)為，「讓這些不同領(lǐng)域的團(tuán)隊(duì)融合到一起需要經(jīng)歷漫長(zhǎng)的化學(xué)反應(yīng)，因此工業(yè)智能需要由工業(yè) + 工程雙基因驅(qū)動(dòng)的平臺(tái)實(shí)現(xiàn)。」
讓專注智能應(yīng)用的 IT 技術(shù)公司把「千廠千面」的工業(yè)知識(shí)學(xué)個(gè)遍，這顯然不切實(shí)際，因此把智能化技術(shù)賦能到應(yīng)用企業(yè)中才是可靠些方案。
「授人以魚不如授人以漁，交付產(chǎn)品不是賦能的終點(diǎn)，而是起點(diǎn)。」孫昕認(rèn)為，工業(yè)客戶對(duì)人工智能的需求不只限于一款應(yīng)用產(chǎn)品，而是應(yīng)用 AI 的能力。「我們希望打造一套工業(yè) AI 的基礎(chǔ)設(shè)施。客戶需要 AI，我們可以直接提供成型的 AI，但我們更希望把造 AI 的技術(shù)、生產(chǎn)線交給客戶，讓客戶在遇到新的痛點(diǎn)時(shí)能自己去造 AI 模型，自己去解決問題。」
上文介紹的高爐煤氣智能平衡系統(tǒng)是鋼鐵行業(yè)應(yīng)用工業(yè) AI 的典型項(xiàng)目，項(xiàng)目上線后的一年中，該山東鋼鐵企業(yè)持續(xù)對(duì) AI 技術(shù)模型進(jìn)行研究，采用與煤氣平衡系統(tǒng)建設(shè)類似的方法論，深入挖掘生產(chǎn)部門需求，在系統(tǒng)上不斷豐富功能，開發(fā)了更多環(huán)保指標(biāo)監(jiān)測(cè)、加熱工藝分析的可視化工具，為各工序主操提供全方位的用氣決策幫助。以煤氣平衡系統(tǒng)為代表，數(shù)字化智能化生產(chǎn)的理念在該企業(yè)逐漸生根發(fā)芽。
工業(yè)智能平臺(tái)的優(yōu)勢(shì)就是隨著項(xiàng)目的增多，平臺(tái)上積累的模型就會(huì)逐漸豐富，而這些模型就是工業(yè)智能應(yīng)用中蕞寶貴的知識(shí)資產(chǎn)。隨著針對(duì)通用設(shè)備的模型和算法不斷積累，在每個(gè)碎片化場(chǎng)景中都能找到可以遷移復(fù)用的模型，平臺(tái)也就更加通用，適應(yīng)于更廣泛的場(chǎng)景，蕞終根本性的解決碎片化問題，「今天看到的碎片化問題，將來一定沒有這么多碎片化。」
目前，天澤智云的大多數(shù)工業(yè)智能項(xiàng)目，一期工程只需要 4-6 個(gè)人的小團(tuán)隊(duì)，在 4 個(gè)月的時(shí)間內(nèi)就能把一個(gè)從零開始的工業(yè)智能項(xiàng)目完全落地到企業(yè)中。
「雖然我們現(xiàn)在每天都會(huì)面對(duì)新的場(chǎng)景，但只要結(jié)合行業(yè)經(jīng)驗(yàn)，把對(duì)的數(shù)據(jù)采集好，用我們沉淀的行業(yè)經(jīng)驗(yàn)和算法模型去落地，很快就能看到效果。」孫昕說，與用戶合作過程中，優(yōu)先制定清晰的合作框架，確定要解決的問題。通常 AI 項(xiàng)目上線一年創(chuàng)造的價(jià)值，就能幫客戶收回一期投入的成本。
工業(yè) AI 雖然不像傳統(tǒng) C 端業(yè)務(wù)那樣高速增長(zhǎng)，但貴在穩(wěn)定，且隨著技術(shù)的逐漸成熟，應(yīng)用的不斷推廣，市場(chǎng)將會(huì)越來越大。風(fēng)電行業(yè)的后運(yùn)維市場(chǎng)規(guī)模就超過了 300 億，目前的年復(fù)合增長(zhǎng)率是 25%，鋼鐵行業(yè)的能耗每年有 600 億市場(chǎng)，化工也是幾百億。
「我認(rèn)為堅(jiān)定走工業(yè) AI 這條路是沒有錯(cuò)的。」自 2017 年以來，天澤智云的年平均增長(zhǎng)接近 百分百，對(duì)于工業(yè) AI 市場(chǎng)的未來，孫昕很樂觀。
