最近連著發(fā)生的幾件事兒，都讓筆者覺(jué)得有某種新的勢(shì)頭正在顯現(xiàn)：機(jī)器學(xué)習(xí)正在大舉進(jìn)入工業(yè)和制造業(yè)領(lǐng)域，與工業(yè)物聯(lián)網(wǎng)技術(shù)的結(jié)合有可能引發(fā)行業(yè)的新變革。

　　第一件事就在這兩天——?jiǎng)趥愃共死麌?guó)家實(shí)驗(yàn)室的研究人員在《Nature Computional Materials》上發(fā)表論文稱，他們首次通過(guò)建立和訓(xùn)練機(jī)器學(xué)習(xí)算法，得以預(yù)測(cè)某些金屬間化合物的缺陷行為，而且預(yù)測(cè)具有高精度。

　　要知道，材料從來(lái)不是化學(xué)純的或者是結(jié)構(gòu)無(wú)缺陷的，了解這些“點(diǎn)缺陷”對(duì)于設(shè)計(jì)材料的研究人員來(lái)說(shuō)至關(guān)重要。傳統(tǒng)上，研究人員使用一種被稱為密度泛函的計(jì)算方法來(lái)預(yù)測(cè)金屬間化合物在給定的結(jié)構(gòu)中會(huì)形成什么樣的“點(diǎn)缺陷”以及它們將如何影響材料的性質(zhì)。雖然有效，但是計(jì)算成本高昂，所以使用格外受限。

　　但是現(xiàn)在，研究人員可以對(duì)幾百種材料進(jìn)行密度函數(shù)計(jì)算，然后訓(xùn)練機(jī)器學(xué)習(xí)算法，從而快速、準(zhǔn)確并且便宜地預(yù)測(cè)大量材料的“點(diǎn)缺陷”。　

　　利用為946 B2型金屬間化合物建立的r-MART模型預(yù)測(cè)金屬的主要缺陷類型。如上圖，不同的顏色顯示了預(yù)測(cè)和計(jì)算之間的關(guān)系。

　　當(dāng)然，我們并不需要明白什么是“點(diǎn)缺陷”和晶體結(jié)構(gòu)“空穴”，也不需要會(huì)算什么計(jì)算量子力學(xué)的密度泛函。只要明白，因?yàn)闄C(jī)器學(xué)習(xí)，材料工業(yè)可以為充滿無(wú)限可能的未來(lái)歡欣鼓舞一下了——從汽車到航空航天，這種新方法都將加速新型高級(jí)合金和輕量化新材料的應(yīng)用。

　　除了材料工業(yè)，就在前幾天，英偉達(dá)也是要“造反”，其新一代GPU劍指深度學(xué)習(xí)和虛擬現(xiàn)實(shí)!

　　其發(fā)布了基于其最新的 Pascal 架構(gòu)的新一代 Quadro 系列顯卡。英偉達(dá)宣稱，新的芯片組可將桌面工作站轉(zhuǎn)變成為具有突破性能力的超級(jí)計(jì)算機(jī)，為不同行業(yè)的專業(yè)任務(wù)提供保障。新的 Quadro 芯片組可以為設(shè)計(jì)、工程和有關(guān)虛擬現(xiàn)實(shí)以及深度學(xué)習(xí)的各種領(lǐng)域提供硬件支持。這些顯卡可以構(gòu)建企業(yè)級(jí)視覺(jué)計(jì)算平臺(tái)，為用戶簡(jiǎn)化設(shè)計(jì)和模擬工作流難度，與上一代產(chǎn)品相比，新的顯卡速度最多可以提升兩倍。

　　“開發(fā)者們的專業(yè)工作流已經(jīng)充斥著人工智能、虛擬現(xiàn)實(shí)和照片級(jí)圖像處理任務(wù)，這對(duì)計(jì)算設(shè)備硬件提出了新的挑戰(zhàn)，”英偉達(dá)專業(yè)可視化副總裁 Bob Pette 說(shuō)道，“我們的新一代 Quadro 系列提供了解決這些挑戰(zhàn)所需的圖形和計(jì)算性能，通過(guò)統(tǒng)一計(jì)算和設(shè)計(jì)，Quadro GP100 可以將普通桌面工作站轉(zhuǎn)換成為超級(jí)計(jì)算機(jī)。”

　　因?yàn)镚P100，工程師們常見的CAE模擬仿真等工作，將會(huì)產(chǎn)生鳥槍換大炮的體驗(yàn)。

　　基于這些事件，也難怪GE軟件&GE全球研究院的高級(jí)首席科學(xué)家，會(huì)在最近2017年1月的一次演講中，著重強(qiáng)調(diào)AI與IIoT結(jié)合的效益。他認(rèn)為在世界范圍內(nèi)，工業(yè)環(huán)境中AI(人工智能)和IIoT(工業(yè)物聯(lián)網(wǎng))的整合都是一片藍(lán)海，IAI是當(dāng)前的絕佳創(chuàng)業(yè)機(jī)會(huì)。

　　機(jī)器學(xué)習(xí)變革制造業(yè)的五種方式　

　　不只是最近，機(jī)器學(xué)習(xí)早已開始慢慢“入侵”制造業(yè)了。根據(jù)日本工業(yè)領(lǐng)域人工智能專家Tomi的觀點(diǎn)，機(jī)器學(xué)習(xí)變革制造業(yè)主要有五種方式：

　　(1)代替肉眼檢查作業(yè)，實(shí)現(xiàn)制造檢查的智能化和無(wú)人化

　　例如工程巖體的分類，目前主要是通過(guò)有經(jīng)驗(yàn)的工程師通過(guò)仔細(xì)鑒別來(lái)判斷，效率比較低，并且不同的人有不同的判斷偏差。

　　通過(guò)采用人工智能技術(shù)，把工程師的經(jīng)驗(yàn)轉(zhuǎn)化為深度學(xué)習(xí)算法，判斷的淮確率和人工判斷相當(dāng)。得到對(duì)應(yīng)的權(quán)值后開發(fā)出APP，這樣現(xiàn)場(chǎng)工程人員在使用tablet拍照后，就可以通過(guò)APP自動(dòng)得到工程巖體分類的結(jié)果，高效且淮確率高。

　　還有汽車零部件廠商，目前能夠檢查生產(chǎn)出的零件磨損種類與等級(jí)情況的，多是有經(jīng)驗(yàn)的人工。同樣，通過(guò)采用深度學(xué)習(xí)算法，可以把人工的檢測(cè)經(jīng)驗(yàn)轉(zhuǎn)化為算法，從而實(shí)現(xiàn)無(wú)人化檢測(cè)。

　　【插播案例】

　　上海寶鋼和 Intel 合作，對(duì)鋼材進(jìn)行質(zhì)量檢驗(yàn)。對(duì)生產(chǎn)線上拍攝的照片，用機(jī)器學(xué)習(xí)的方法識(shí)別其中的劃痕，酸洗，來(lái)代替人工檢測(cè)。

　　(2)大幅改善工業(yè)機(jī)器人的作業(yè)性能，提升制造流程的自動(dòng)化和無(wú)人化

　　將深度學(xué)習(xí)算法應(yīng)用到工業(yè)機(jī)器人上，拿來(lái)做商品或者零件分揀，大概可以分為“分類”和“撿起”兩步：

　　(1) 對(duì)商品或者零件進(jìn)行“分類”

　　這個(gè)步驟非常適合使用深度學(xué)習(xí)，因?yàn)樯疃葘W(xué)習(xí)本質(zhì)上就是用來(lái)做分類識(shí)別的。

　　(2) 將商品或者零件“成功撿起”

　　對(duì)于單個(gè)商品或者零件，要想將其成功撿起，關(guān)鍵是選擇合適的把持位置，通俗的講，就是確定機(jī)器人夾零件的哪個(gè)地方，可以使零件不下滑，從而使零件成功地被撿起來(lái)。

　　對(duì)于多個(gè)商品和零件堆積在一起的情形，除了把持位置的選擇，還需要選擇合適的抓取順序，即先抓取哪一個(gè)零件，后抓取哪一個(gè)零件，這時(shí)可以采用Reinforcement Learning算法，最終可以達(dá)到約90%的成功率，和熟練工人的水平相當(dāng)。

　　當(dāng)然，要將這些成果大規(guī)模應(yīng)用到工業(yè)流水線上，還需要考慮到正確率要求更高(一般是99.9%)，以及速度要求更快等，目前許多改進(jìn)就是圍繞滿足這兩點(diǎn)指標(biāo)來(lái)進(jìn)行的?！　?/p>

　　例如bin picking機(jī)器人，工業(yè)上有許多需要分撿的作業(yè)，如上圖所示的零件分撿，采用人工的話，速度緩慢且成本高，而且還需要提供適宜的工作溫度環(huán)境(夏天的空調(diào)，冬天的暖氣等)，如果采用工業(yè)機(jī)器人的話，可以大幅減低成本，提高速度。但是，一般需要分撿的零件是沒(méi)有整齊擺放的，機(jī)器人雖然有camera看到零件，但卻不知道如何把零件成功的撿起來(lái)。這種情況下，使用機(jī)器學(xué)習(xí)，先讓工業(yè)隨機(jī)的進(jìn)行一次分撿動(dòng)作，然后告訴它這次動(dòng)作是成功分撿到零件還是抓空了，經(jīng)過(guò)多次訓(xùn)練之后，機(jī)器人會(huì)知道按照怎樣的順序來(lái)分撿，會(huì)有更高的成功率?！　?/p>

　　上面的圖片表明通過(guò)機(jī)器學(xué)習(xí)后，機(jī)器人知道按照按照怎樣的順序分撿，成功率會(huì)更高，圖中數(shù)字是分撿的先后次序

　　經(jīng)過(guò)機(jī)器學(xué)習(xí)后，機(jī)器人知道了分撿時(shí)夾圓柱的哪個(gè)位置會(huì)有更高的撿起成功率，經(jīng)過(guò)8個(gè)小時(shí)的學(xué)習(xí)后，機(jī)器人的分撿成功率可以達(dá)到90%，和熟練工人的水平相當(dāng)。

　　(3)工業(yè)機(jī)器人異常的提前檢知，從而有效避免機(jī)器故障帶來(lái)的損失和影響

　　這方面和IoT(Internet of Things)結(jié)合比較多。例如在制造流水線上，有大量的工業(yè)機(jī)器人。如果其中一個(gè)機(jī)器人出現(xiàn)了故障，當(dāng)人感知到這個(gè)故障時(shí)，可能已經(jīng)造成大量的不合格品，從而帶來(lái)不小的損失。如果能在故障發(fā)生以前就檢知的話，可以有效做出預(yù)防，減少損失。

　　例如下圖的工業(yè)機(jī)器人減速機(jī)和主軸，如果給它們配上sensor，并提前采取它們正常/不正常工作時(shí)的波形，電流等信息，用于訓(xùn)練機(jī)器學(xué)習(xí)系統(tǒng)，那么訓(xùn)練出來(lái)的模型就可以用來(lái)提前預(yù)警，實(shí)際的數(shù)據(jù)也表明人工智能會(huì)比人更早地預(yù)知到故障，從而降低損失?！　?/p>

　　經(jīng)過(guò)機(jī)器學(xué)習(xí)后，模型通過(guò)觀測(cè)到的波形，可以感知到人很難感知的細(xì)微變化。

　　經(jīng)過(guò)機(jī)器學(xué)習(xí)后，模型通過(guò)觀測(cè)到的波形，可以檢知到人很難感知到的細(xì)微的變化，并在工業(yè)機(jī)器人徹底故障的之前的數(shù)星期，就提出有效預(yù)警。利用機(jī)器學(xué)習(xí)來(lái)提前預(yù)警主軸的故障，一般人都是主軸出現(xiàn)問(wèn)題后才知道。

　　(4)高匹配率的找出符合3D模型參數(shù)的那些現(xiàn)實(shí)零件

　　例如工業(yè)上的3D模型設(shè)計(jì)完成后，需要根據(jù)3D模型中參數(shù)，尋找可對(duì)應(yīng)的現(xiàn)實(shí)中的零件，用于制造實(shí)際的產(chǎn)品。使用機(jī)器學(xué)習(xí)來(lái)完成這個(gè)任務(wù)的話，可以快速，高匹配率的找出符合3D模型參數(shù)的那些現(xiàn)實(shí)零件。

　　根據(jù)3D模型設(shè)計(jì)的參數(shù)，機(jī)器學(xué)習(xí)模型計(jì)算各個(gè)現(xiàn)實(shí)零件與這些參數(shù)的類似度，從而篩選出匹配的現(xiàn)實(shí)零件。沒(méi)有使用機(jī)器學(xué)習(xí)時(shí)，篩選的匹配率大概是68%，也就是說(shuō)，找出的現(xiàn)實(shí)零件中有1/3不能滿足3D模型設(shè)計(jì)的參數(shù)，而使用機(jī)器學(xué)習(xí)后，匹配率達(dá)到了96%。

　　(5)PCB電路板的輔助設(shè)計(jì)

　　任何一塊印制板，都存在著與其他結(jié)構(gòu)件配合裝配的問(wèn)題，所以，印制板的外形和尺寸，必須以產(chǎn)品整機(jī)結(jié)構(gòu)為依據(jù)，另外還需要考慮到生產(chǎn)工藝。層數(shù)方面，也需要根據(jù)電路性能要求，板尺寸和線路的密集程度而定。如果不是經(jīng)驗(yàn)豐富的技術(shù)人員，很難設(shè)計(jì)出合適的多層板。通過(guò)機(jī)器學(xué)習(xí)，可以將技術(shù)人員的經(jīng)驗(yàn)轉(zhuǎn)化為模型，從而提升PCB設(shè)計(jì)的效率與成功率。

　　機(jī)器學(xué)習(xí)在工業(yè)領(lǐng)域的瓶頸

　　參考知乎用戶苗廣藝和Assam的觀點(diǎn)，機(jī)器學(xué)習(xí)在工業(yè)領(lǐng)域應(yīng)用，仍有許多需要攻克的瓶頸。

　　(1)數(shù)據(jù)量的問(wèn)題

　　效果好的方法大都是有監(jiān)督訓(xùn)練的，這就需要很多標(biāo)注數(shù)據(jù)，數(shù)據(jù)的質(zhì)量、歸一化方法、分布等，對(duì)模型的效果都影響很大。

　　數(shù)據(jù)量的問(wèn)題可以分成兩類來(lái)討論：

　　a. 數(shù)據(jù)太多：那么面臨著計(jì)算能力和計(jì)算成本的問(wèn)題。

　　b. 數(shù)據(jù)太少：數(shù)據(jù)太少有時(shí)候是很客觀存在的事情，在這種情況下模型的預(yù)測(cè)能力一般都不會(huì)太好。

　　(2)工程師經(jīng)驗(yàn)

　　機(jī)器學(xué)習(xí)的方法對(duì)于一般的工程師并不友好，尤其是在工業(yè)和制造業(yè)領(lǐng)域深耕對(duì)機(jī)器學(xué)習(xí)根本不了解的工程師朋友。

　　如果沒(méi)有了解原理和做過(guò)一些實(shí)驗(yàn)，這就是一個(gè)參數(shù)很多的黑盒，弄不好效果就會(huì)很差。

　　(3)計(jì)算能力和工程實(shí)現(xiàn)能力

　　很多模型，特別是深度學(xué)習(xí)模型，訓(xùn)練時(shí)間和資源消耗很大，如果需要多次訓(xùn)練調(diào)整策略和參數(shù)，周期很長(zhǎng)。實(shí)際部署運(yùn)行速度也受模型大小和種類影響，速度和效果會(huì)有一個(gè)權(quán)衡。

　　另外，好的算法要有好的工程實(shí)現(xiàn)，才能發(fā)揮正常的作用，代碼能力不行，再好的模型也不行。

　　(4)機(jī)器學(xué)習(xí)的不可預(yù)測(cè)性

　　機(jī)器學(xué)習(xí)的每個(gè)過(guò)程都充滿了不可預(yù)測(cè)性，比如解釋model，比如處理missing value，也比如將文字轉(zhuǎn)化為vector。按理來(lái)說(shuō)，我們會(huì)覺(jué)得更復(fù)雜的處理效果更好，但大部分時(shí)候你會(huì)發(fā)現(xiàn)bag of words比skip-gram強(qiáng)多了。大概機(jī)器學(xué)習(xí)的每個(gè)環(huán)節(jié)都存在這種問(wèn)題，沒(méi)有唯一的經(jīng)典的最好的方法。做機(jī)器學(xué)習(xí)就像是猜密碼，而且是一個(gè)很多位的密碼。