2016年，AlphaGo對(dui)人類頂尖圍棋(qi)手的(de)無差別(bie)“虐殺”，又一次引發了大眾對(dui)AI技術的(de)關(guan)注和恐(kong)懼。
在大(da)(da)部分(fen)人(ren)(ren)都(dou)熱衷于(yu)討論AI技(ji)術是(shi)否會真(zhen)的全方位超越人(ren)(ren)類(lei)(lei)，進而(er)對人(ren)(ren)類(lei)(lei)產生重大(da)(da)威脅時，有一群(qun)人(ren)(ren)卻因為看到其(qi)背(bei)后突破性的機器學習技(ji)術而(er)深感興奮。
在他們看來(lai)(lai)，AI機器威(wei)脅(xie)到人類(lei)還是一個(ge)遙不可及的(de)未來(lai)(lai)，眼下(xia)最重要的(de)是如何把AI變成“新(xin)工人”，來(lai)(lai)幫助人類(lei)解決那些遲(chi)遲(chi)沒有找(zhao)到好方案的(de)問題。
產品檢測就是這樣一個急切需要新技術的老問題。
盡管企業很早就利用工業相機(ji)等數據(ju)采集設備對產(chan)品實施檢測(ce)，但是采集到的數據(ju)還(huan)是要通過人工識別和判定(ding)，效率低不說，質量穩定(ding)性也難以保證。
機器學習算法的突(tu)破，提供了一種可能(neng)性，就是基于過往積(ji)累的數據(ju)(ju)訓練(lian)AI模型(xing)，然后(hou)讓(rang)其自主判定(ding)產(chan)線相關(guan)檢測數據(ju)(ju)，進(jin)而克服(fu)人工判定(ding)的低(di)效與高錯誤率等問題。
由(you)此(ci)，傳統制造業向智能(neng)化轉(zhuan)型升級的(de)大(da)門，借由(you)AI+機器視覺開啟(qi)了(le)一道縫隙(xi)，讓(rang)遙(yao)遠(yuan)的(de)光亮照了(le)進來，讓(rang)行業前進的(de)道路逐漸明朗了(le)起來。
時(shi)隔6年多后，機器視覺(jue)這項技術發(fa)展到了什(shen)么程度？相關企(qi)業利用AI技術如何(he)打造自己機器視覺(jue)產品(pin)的獨(du)特性(xing)？并如何(he)實現商(shang)業落地？在(zai)這個過程中(zhong)，又會遭遇怎樣的阻礙？透過機器視覺(jue)的發(fa)展，能(neng)夠(gou)給我們看待(dai)AI賦能(neng)傳(chuan)統制造業的轉型升級提供怎樣的啟發(fa)？
為了尋求上述問題的答案，智次方·物聯網智(zhi)庫分別采訪了格創東智(zhi)科技有限(xian)(xian)公司(si)AOI產(chan)品商(shang)務負責人江淵總和菲(fei)特（天津）檢測技術有限(xian)(xian)公司(si)研發(fa)(fa)總監陳立名(ming)總，通過與兩位(wei)長期浸淫在(zai)戰斗最(zui)前線的(de)專家的(de)深(shen)度交流，盡可能(neng)全面地了解機器(qi)視覺技術的(de)發(fa)(fa)展路徑，并在(zai)此(ci)基礎(chu)上管窺智(zhi)能(neng)制(zhi)造的(de)發(fa)(fa)展現狀(zhuang)和方向。
什么是機器視覺？
根據美國自動成像協會（AIA）的定義：機器視覺（Machine Vision）是一種應用于工業和非工業領域的硬件和軟件組合，它基于捕獲并處理的圖像為設備執行其功能提供操作指導。
機(ji)器視(shi)(shi)覺可以分為成(cheng)像(xiang)和圖像(xiang)處理分析(xi)(xi)兩大部分：成(cheng)像(xiang)依賴于(yu)機(ji)器視(shi)(shi)覺系統(tong)的硬件組件，如光(guang)源(yuan)、光(guang)源(yuan)控制器、鏡頭和相機(ji)；圖像(xiang)處理分析(xi)(xi)則是在成(cheng)像(xiang)基礎上，通(tong)過視(shi)(shi)覺控制系統(tong)進(jin)行的。
機器視覺系統的核心功能包括：識別、測量、定位和檢測。
上(shang)述功能(neng)的(de)難度(du)是(shi)逐次遞增的(de)，因(yin)此，生產檢測也是(shi)最能(neng)展現機器視覺“功力”的(de)領域(yu)之(zhi)一。
2023年12月12日，工(gong)信部聯合發(fa)改(gai)委和金融監管總局發(fa)布了《制造業卓越質量工(gong)程實施意見(jian)》通知。
通知中強調，質量是制造業的生命線，卓越的質量是高端制造的準則，推動產業從數量擴張向質量提升是新時期制造業高質量發展的現實需要，追求卓越質量是制造業由大變強的必由之路。
在這一定位下，通知中提出要推進質量保障數字化……推動企業加強試驗驗證、檢驗檢測數字化和智能化，深化機器視覺、人工智能等技術應用，提高質量檢驗檢測的效率、覆蓋率和準確性。
在這樣(yang)一個背景下再看(kan)機器視(shi)覺技(ji)術，其重要性不言而喻(yu)。
目前(qian)，機器視(shi)覺技術已經廣泛應用(yong)于消費電子、汽車制造、半(ban)導(dao)體、光(guang)伏等領域，且市場規模在不斷擴大。
據Markets and Markets統(tong)計和(he)預測，2021年(nian)全(quan)球機(ji)器視(shi)(shi)覺市(shi)(shi)場(chang)(chang)規模(mo)(mo)為804億(yi)元，2025年(nian)有望達到1276億(yi)元。根據高工(gong)機(ji)器人產(chan)業研究(jiu)所(suo)數(shu)據，2021年(nian)中國(guo)機(ji)器視(shi)(shi)覺市(shi)(shi)場(chang)(chang)規模(mo)(mo)達到138.16億(yi)元，到2025年(nian)我國(guo)機(ji)器視(shi)(shi)覺市(shi)(shi)場(chang)(chang)規模(mo)(mo)將達到469億(yi)元，2021-2025年(nian)復合增速(su)達到36%。前瞻產(chan)業研究(jiu)院預測，至2028年(nian)，中國(guo)機(ji)器視(shi)(shi)覺行業市(shi)(shi)場(chang)(chang)規模(mo)(mo)將達到億(yi)837元。
格創東智科技(ji)有限公司和菲特（天津）檢(jian)測技(ji)術有限公司自2017年起，各自開啟(qi)了(le)AI+機(ji)器視(shi)覺(jue)的(de)創新之旅。雖然(ran)兩家企業從(cong)不同(tong)的(de)地點出發(fa)，經歷了(le)截然(ran)不同(tong)的(de)探索過程(cheng)，但從(cong)更宏觀(guan)的(de)技(ji)術發(fa)展(zhan)視(shi)角來看，卻又給人一(yi)種(zhong)殊途同(tong)歸(gui)的(de)感覺(jue)。
接(jie)下(xia)來，我(wo)們(men)將分別進行介紹(shao)。
格創東智——從具體場景中走出來的企業
2018年，格創東智由TCL孵化而(er)出(chu)。帶著TCL在解(jie)決(jue)特(te)定問題上積(ji)累(lei)的數字化能力，并以此為基礎發展出(chu)一(yi)系列相(xiang)關產品和解(jie)決(jue)方(fang)案。
這樣的企業具備一個天然優勢，就是擁有深厚的行業Know-How，不同于一些AI企業是帶著技術去找場景和客戶，他們本身就是具體場景孕育的結果，所以甫一降生，就帶有很好的理解場景和客戶需求的基因。
格創東智(zhi)的(de)機器視覺檢(jian)測(ce)(ce)方(fang)案(an)——天(tian)樞AI視覺檢(jian)測(ce)(ce)系統是(shi)其工業(ye)智(zhi)能解決方(fang)案(an)中(zhong)的(de)一個細小分(fen)支，源自TCL華星的(de)半導體生產(chan)檢(jian)測(ce)(ce)。
據江淵介紹(shao)，面板生產過(guo)程的每一(yi)(yi)個關(guan)鍵制(zhi)程都需要(yao)AOI（自動光學檢測）設備拍攝圖片(pian)，進而(er)識別相(xiang)關(guan)缺(que)(que)陷。早期通過(guo)人工進行缺(que)(que)陷分(fen)(fen)類(lei)，只(zhi)有(you)分(fen)(fen)類(lei)好了(le)，才能知(zhi)道(dao)下(xia)一(yi)(yi)步該怎(zen)么處理。整個流程有(you)一(yi)(yi)百(bai)多個制(zhi)程，需要(yao)大量的人工去做每一(yi)(yi)個關(guan)鍵制(zhi)程。
2017年，機器視覺技術興起后，TCL華星內部開發了AI視覺檢測系統，基于人工智能技術進行圖片的識別(bie)分類(lei)。
方案實施后，首先是大幅提升了檢測(ce)效率，能夠(gou)代替(ti)百(bai)分之八九(jiu)十的(de)檢測(ce)人(ren)(ren)員，一天(tian)可以檢測(ce)將近三百(bai)多萬(wan)張(zhang)圖片。其次是提升了檢測(ce)精度，因(yin)為能夠(gou)有效避免人(ren)(ren)員易疲(pi)勞、人(ren)(ren)與人(ren)(ren)之間的(de)認知差(cha)異等(deng)問題。
此后，隨著技術(shu)成熟(shu)度的(de)提升，格創(chuang)東智的(de)機器視覺方(fang)案逐步從半導(dao)體行業外溢，目前已經(jing)成功賦能光伏(fu)、3C電子、家電、石油石化、航(hang)空(kong)航(hang)天等(deng)22個(ge)細分行業。
AI模型是如何賦能生產制造的？
從(cong)采訪中我們也(ye)了解到(dao)，AI賦能機器視覺檢測的過程，經歷了一個從(cong)小(xiao)模(mo)型到(dao)大模(mo)型，再到(dao)“小(xiao)模(mo)型”的路徑。
初期，格創東智先結合深厚的行(xing)業(ye)數(shu)據積累和對(dui)特定工業(ye)場景(jing)及檢(jian)(jian)測(ce)指標的深入理(li)解(jie)，再(zai)融合機器(qi)學習算法，構(gou)筑了針對(dui)特定檢(jian)(jian)測(ce)場景(jing)的小模型。
小模型的構建旨在緊密匹配特定的業務場景和需求，強調的是針對性和高適應性。通過(guo)專注和(he)定(ding)制化(hua)的開(kai)發過(guo)程，小模型能夠在(zai)滿(man)足(zu)行業特定(ding)需(xu)求的同時，提高(gao)操(cao)作效率(lv)和(he)決(jue)策質量(liang)。
但是，小模型存在過擬合的風險，即模型太過專注于訓練數據集中的細節和噪聲，以至于它在新的、未見過的數據上表現得不好。這使得其落地前提是必須對數據進行規范化和標準化，使得數據分布和比例達到最佳狀態。模型的開發和調優需要專業人員的參與，要求他們既熟悉AI技術，也了解行業專業背景知識。
而很多客戶企業并沒(mei)有這樣(yang)的人才儲備。
2022年，大模型技術的突破(po)給上述(shu)問題的解決帶來了希(xi)望(wang)。
相比于小模型，大模型有更強的兼容性和穩定性。大模型(xing)(xing)的(de)(de)(de)設計(ji)不受數(shu)據復雜(za)性的(de)(de)(de)限(xian)制，無需對場景理解過于深入，只需足夠多的(de)(de)(de)數(shu)據進行(xing)訓練(lian)，無需過多的(de)(de)(de)參數(shu)調整或架構設計(ji)。在更(geng)加(jia)簡便地處(chu)理各種類型(xing)(xing)的(de)(de)(de)數(shu)據的(de)(de)(de)同時，還不會出現過擬合的(de)(de)(de)現象。
概(gai)言之，大(da)模型的出現可以大(da)幅降低模型落地的門(men)檻(jian)。
長期思索于如何(he)將(jiang)機(ji)器視覺系統(tong)變得更好、更容(rong)易落地的(de)格(ge)創(chuang)東智積(ji)極(ji)響應大模(mo)型(xing)(xing)的(de)技(ji)術潮流，基于已有的(de)大量數據和小模(mo)型(xing)(xing)來訓練和開發自己的(de)大模(mo)型(xing)(xing)。
但是(shi)(shi)要直接把大模型(xing)落地在客戶側又存在新(xin)的問題，就是(shi)(shi)在實時工業場(chang)景中(zhong)推(tui)理需求的高資(zi)源消耗與成本(ben)壓(ya)力難(nan)以(yi)滿足連續快速檢測與生產流程的無縫對接。
格創東智的解決辦法是，先在內部訓練大模型，而后再針對特定場景進行“模型瘦身”。這(zhe)樣做的好處(chu)是，利用(yong)大模(mo)型(xing)進(jin)行學(xue)習和提取特(te)征，可以更(geng)高效地訓練出小模(mo)型(xing)，訓練過程(cheng)中所需的數據量也大幅減少(shao)，使(shi)得模(mo)型(xing)的落地應用(yong)變得更(geng)加便捷和可行。
此外，江淵也介紹到，為了提高產品交付性，他們的天樞AI視覺檢測系統還開發了可視化功能，通過將模型開發過程簡化為直觀的拖拉拽操作，使得非AI專家的普通IT人員也能輕松開發和優化AI模型。
客(ke)戶可以從(cong)一系列預設的子模(mo)(mo)型和算(suan)法中選擇，通過簡(jian)單的操作(zuo)將它們組合起(qi)來，構(gou)建出滿(man)足特定需(xu)求的模(mo)(mo)型，無需(xu)深入(ru)了解背后復雜的算(suan)法細節(jie)。
這樣一來(lai)，很多客戶企業無需額外投入(ru)巨大的人力成本，就(jiu)可以享用(yong)到(dao)最新的機器視覺技術(shu)的賦能。
這種時刻從客戶場景(jing)入手(shou)，不斷在產品落(luo)地和交付性方(fang)面(mian)死磕的精神，正是格創東(dong)智這種從具體場景(jing)中孕育而出的企業(ye)最大的特點，也是他們(men)的最大優勢。
菲特——國家重點“專精特新”小巨人
不同于格創東智(zhi)的(de)機器視覺檢測方(fang)案，是在(zai)一個(ge)大的(de)工業(ye)智(zhi)能解決方(fang)案基座(zuo)上延伸出來(lai)的(de)一個(ge)枝(zhi)節。
成(cheng)立于(yu)2013年的(de)菲(fei)特（天津）檢(jian)(jian)測(ce)技(ji)術(shu)(shu)有限公(gong)司則是從檢(jian)(jian)測(ce)這(zhe)個點出發(fa)，在產業(ye)實踐過程中(zhong)不斷(duan)積累和豐富技(ji)術(shu)(shu)經驗，逐漸衍生出新的(de)能(neng)力，從質量智能(neng)逐步到工廠智能(neng)，進(jin)而在更為廣泛的(de)工業(ye)智能(neng)中(zhong)發(fa)光(guang)發(fa)熱。
國家級重點“專精特新”小巨人的(de)(de)稱(cheng)號，便是對其(qi)十(shi)年磨一劍(jian)最好的(de)(de)肯定(ding)。
筆者曾在文章中提到過，專精特新企業的目的不在于主導市場，讓自己成為家喻戶曉的知名企業，而是更加關注小生態位的主導權。通過產品創新和深耕市場，構筑具有絕對優勢的競爭壁壘，讓自己成為某個產業鏈中必不可少的基本要素。
概(gai)言(yan)之，如果一家企業(ye)掛上了“專精特新”的(de)(de)牌子，那也意味著在(zai)其耕(geng)耘(yun)的(de)(de)領(ling)域(yu)，他已(yi)經具備了相當深厚的(de)(de)積(ji)累和話語(yu)權。
從陳立名的介紹中我們了解到，菲特也積極抓住了2017年的機器學習浪潮，著手于將此前已經積累的大量數據用于模型訓練，這些模型專門針對質量檢測領域的需求，滿足特定行業檢測標準的同時實現最大化的成本控制。
在后續的發展中，菲特嘗試將AI技術應用于更多的工業場景，最后形成了四個主要的應用方向：生產智能、質量智能、物流智能、安全智能。
這四(si)大(da)領(ling)域覆蓋了(le)從生產前端到后端的(de)全(quan)過程，先(xian)后為整車、零部件、化紡、醫藥、軍工(gong)(gong)、泛工(gong)(gong)業等領(ling)域內的(de)眾多全(quan)球(qiu)知(zhi)名企(qi)(qi)業提供了(le)整體智能制造解決方案，真正為客戶企(qi)(qi)業實(shi)現提質增效(xiao)。
一條獨特的研發路徑：技術-中臺-產品
陳立名提到，為了支撐上述四大業務領域的發展，菲特采用了分層研發策略，包括核心技術層、標準化技術的中臺層和產品層。
核心技術層是企業為未(wei)來五年的(de)技術(shu)儲備而(er)進行(xing)的(de)頂級(ji)研發(fa)工作(zuo)。這一層(ceng)面的(de)研發(fa)活動集(ji)中在創新和(he)拓(tuo)展技術(shu)邊(bian)界(jie)，比如(ru)2D和(he)3D測(ce)量技術(shu)等，其目的(de)是要實(shi)現(xian)在線級(ji)（即(ji)落地(di)到(dao)實(shi)際的(de)生產線上(shang)）微(wei)米級(ji)別的(de)精確(que)度。
標準化技術的中臺層是(shi)指通過匯總(zong)標準化(hua)、模塊化(hua)的(de)(de)工具和(he)技術，形(xing)成中臺能力，以應對多變的(de)(de)工業(ye)場景和(he)定制化(hua)生產需求(qiu)。這(zhe)一(yi)層面的(de)(de)研發旨在實現(xian)技術的(de)(de)可復用性(xing)和(he)靈活性(xing)，以便快速(su)適應市場和(he)客(ke)戶需求(qiu)的(de)(de)變化(hua)。
產品層指(zhi)的(de)是具體的(de)產品開發(fa)，包括檢(jian)測設備和監控(kong)系統(tong)等，直接(jie)面向(xiang)市場和客戶。力圖將先進的(de)技術應用到(dao)具體的(de)產品設計和功(gong)能實現中，使其成為看(kan)得見摸得著的(de)成果。
大模型技(ji)術浪(lang)潮興起(qi)后，菲特也積極響(xiang)應新趨勢。
陳立名提到，對于大模型的(de)發展，他們有一個(ge)(ge)長期的(de)規劃，主(zhu)要集中在兩個(ge)(ge)方向：
首先，利用大語言模型改進數字化系統的交互方式，從傳統的(de)表單和(he)(he)流程，轉向更直觀、更人(ren)性化(hua)的(de)交互模(mo)式。既包(bao)含人(ren)與人(ren)之間(jian)的(de)交互，也涉及知識檢索和(he)(he)沉淀，特別是將(jiang)原本沉淀在個人(ren)或零(ling)散文(wen)件中(zhong)的(de)行業(ye)Know-How，通過(guo)大(da)模(mo)型技(ji)術(shu)進行整理和(he)(he)可檢索化(hua)，以(yi)便(bian)更有(you)效地復(fu)用。
其次，菲特也開始了多模態大模型的開發和應用。通過結合傳統的圖(tu)像數(shu)據和文本(ben)數(shu)據，實(shi)現不(bu)同數(shu)據類型(xing)的綜合利用(yong)，以此來更好(hao)地沉淀行業數(shu)據。
對談下(xia)來，筆(bi)者能夠(gou)感覺到，菲特對自己(ji)的核心要求(qiu)體現(xian)在，他(ta)們始終想著如何(he)利用(yong)AI技術去幫(bang)助客戶企業將他(ta)們已經擁有(you)的數據資源和行業能力充分(fen)利用(yong)起來，以此為(wei)目標(biao)讓(rang)自己(ji)向著國內(nei)領先的智能制造整體解決方案提(ti)供商邁進(jin)。
機器視覺的商業模式
通(tong)過(guo)與(yu)兩(liang)位技術專家(jia)的(de)對談，我們也對機(ji)器視覺的(de)交付方式和(he)商業(ye)模式有(you)了(le)更(geng)為深入地了(le)解(jie)。
江淵提到，格創東智向客戶交付的機器視覺檢測系統主要涉及三大塊內容：硬件、數據算法和后續服務。
硬件部分主要包括光學采集設備和系統設備，這些設備在檢測過程中起著重要作用。數據算法與系統集成在一起，提供給客戶的是一個整合的系統，客戶可以在此基礎上進行使用和操作。后續服務通常(chang)包括數據(ju)算(suan)法的(de)優(you)化(hua)、調試以(yi)及系(xi)統的(de)維護和更新(xin)等(deng)，以(yi)確保系(xi)統的(de)長(chang)期穩定運行。
據江淵介紹，他們與客戶的商務合作模式主要分為兩類：買斷和訂閱。
買斷指客戶一次性購買系統和硬件，之后自行管理，遇到問題再與服務商聯系。訂閱則(ze)是客戶購買硬(ying)件設備，并訂閱(yue)公司提供的服務。
商務(wu)模(mo)(mo)式(shi)的(de)(de)選(xuan)擇與客戶企業的(de)(de)規模(mo)(mo)和需(xu)求有關。對(dui)于(yu)(yu)(yu)規模(mo)(mo)較(jiao)大(da)、產品類型(xing)繁多的(de)(de)企業，可能更(geng)傾向于(yu)(yu)(yu)買斷(duan)模(mo)(mo)式(shi)，以(yi)滿足(zu)不斷(duan)變(bian)化的(de)(de)需(xu)求。而(er)對(dui)于(yu)(yu)(yu)小(xiao)型(xing)企業，可能更(geng)傾向于(yu)(yu)(yu)訂閱模(mo)(mo)式(shi)，以(yi)降低成本(ben)并獲得專(zhuan)業的(de)(de)服務(wu)支(zhi)持。
類似的，陳立名介紹到，目前菲特的交付模式主要有三種類型，分別是全套服務交付模式、軟件算法服務交付模式和標準化產品交付模式。
全套服務交付模式提(ti)供了一(yi)個全面的(de)解(jie)決方案，包括軟件(jian)和硬(ying)件(jian)的(de)整合。公司承擔從項目開(kai)始到完成(cheng)的(de)所有工(gong)作，類似“交(jiao)鑰(yao)匙”工(gong)程，即客戶從開(kai)始到結束不需要擔心任何細節問題(ti)。
軟件算法服務交付模式下，公司專注(zhu)于提供(gong)(gong)軟(ruan)件(jian)算(suan)法方面(mian)的(de)(de)服(fu)務，而(er)不(bu)涉及任何(he)硬(ying)件(jian)設備(bei)。公司的(de)(de)服(fu)務主要是賦能客戶現(xian)有的(de)(de)設備(bei)，比如制造設備(bei)或質檢設備(bei)，通過提供(gong)(gong)高級的(de)(de)軟(ruan)件(jian)算(suan)法來優化(hua)客戶的(de)(de)操作流程。
與前兩種定制化服務不同，標準化產品交付模式下，公(gong)司提供的(de)(de)是成(cheng)品解決方(fang)案，即直接銷(xiao)售標準化的(de)(de)產(chan)品給客戶(hu)。交(jiao)付過程通常包括現場安裝和調試(shi)，而所有的(de)(de)后續(xu)配合和適配工作則(ze)由客戶(hu)自(zi)己或公(gong)司的(de)(de)渠道(dao)伙伴來完(wan)成(cheng)。
機器視覺方案的推進阻礙
通盤(pan)來(lai)看(kan)，AI+機器視覺帶給企業的好處是顯(xian)而易見的，但這并不意味著相關方(fang)案的落地就(jiu)會水到渠成。在采訪(fang)中，兩位專(zhuan)家(jia)也提到了他們(men)在產品(pin)推(tui)進過(guo)程中的一(yi)些阻礙以(yi)及相對應的策(ce)略。
首先，他們面臨的最大的問題是所有2B企業都繞不開的問題，即如何給客戶算清楚投入產出比這筆帳，只有讓客戶在數據上看到(dao)機器視覺方案(an)(an)帶來的(de)顯著收益，他們才愿(yuan)意在前期投入巨大的(de)成本來引進。這(zhe)需要(yao)方案(an)(an)提(ti)供商想辦(ban)法建立標桿案(an)(an)例，提(ti)高行(xing)業認知度，也讓客戶更加(jia)理(li)解和信任新(xin)技術的(de)價值(zhi)。
其次，很多企業的相關人員對新技術的認知存在一定的局限性，把(ba)新技(ji)(ji)術當成(cheng)了許愿(yuan)池和百寶(bao)箱，期望引進(jin)相關(guan)技(ji)(ji)術方(fang)案后(hou)，能夠(gou)一下(xia)子解決自己公司(si)面(mian)臨(lin)的(de)所(suo)有的(de)問題。面(mian)對(dui)這(zhe)一情況，服務商能夠(gou)做(zuo)的(de)就是不斷溝通(tong)和解釋(shi)，讓客戶對(dui)新技(ji)(ji)術的(de)認(ren)知更加清晰和明確，意識到相關(guan)技(ji)(ji)術的(de)可為和不可為。
此外，數據保密問題也是一個比較大的阻礙。一(yi)(yi)些(xie)關鍵(jian)數據，客戶企業(ye)一(yi)(yi)方面(mian)是不愿意(yi)分享(xiang)給(gei)服務商，這就無(wu)法讓他(ta)們的AI模型發揮作(zuo)用(yong)。一(yi)(yi)些(xie)愿意(yi)分享(xiang)的，也會要求相關開發工作(zuo)必須在(zai)客戶現場進行，這又(you)容易出(chu)現算力和工程師資源不足等問題(ti)。
最后，就是檢測指標的問題。客戶的期待是(shi)(shi)，既(ji)然(ran)都上AI了，那是(shi)(shi)不是(shi)(shi)能夠做到(dao)零(ling)漏檢和零(ling)缺陷，這在當前也很難實現。一(yi)(yi)方面是(shi)(shi)故(gu)障指標難以形(xing)成一(yi)(yi)個標準化的共識，另(ling)一(yi)(yi)方面就是(shi)(shi)質量(liang)問(wen)題(ti)與(yu)整個生產流程相關，無法(fa)通過檢測環節去(qu)解決(jue)所有問(wen)題(ti)。
總體(ti)而言，機器視覺方(fang)(fang)案的(de)(de)(de)推進難度主(zhu)要體(ti)現(xian)在(zai)客(ke)戶認知(zhi)(zhi)顆粒度的(de)(de)(de)對齊上，需要服務商不斷與(yu)(yu)客(ke)戶方(fang)(fang)溝通(tong)和(he)交流(liu)，并通(tong)過標(biao)桿案例等方(fang)(fang)式(shi)，解決客(ke)戶認知(zhi)(zhi)上的(de)(de)(de)偏差(cha)和(he)客(ke)戶期望與(yu)(yu)實際情況的(de)(de)(de)落(luo)差(cha)。
寫在最后
通(tong)過了解(jie)(jie)機(ji)器視覺的發展境況，可(ke)以讓(rang)我們對AI的影響力和(he)落地形式有一個更為直觀(guan)和(he)具(ju)象的了解(jie)(jie)。它(ta)來得并不像(xiang)(xiang)技術(shu)狂熱(re)派(pai)所宣揚(yang)的那(nei)么迅猛和(he)摧枯拉朽，也不像(xiang)(xiang)保守(shou)者所認為的那(nei)樣一無是處，只是炒(chao)作和(he)概念。
AI技術(shu)(shu)帶來的改變正(zheng)在一(yi)點一(yi)滴地發生著，帶給我們新希望(wang)的同時也(ye)伴隨著種種待解決的問題(ti)。與(yu)此同時，技術(shu)(shu)起作用的關(guan)鍵，從不在于(yu)旁觀(guan)者如何言說(shuo)，而是依賴(lai)于(yu)那些始終思考著如何利用新技術(shu)(shu)去解決老問題(ti)的實踐者。
