作為一(yi)個關注機器人應用的創作者，如果問我人形機器人會在哪(na)個領域(yu)(yu)先落地(di)，我的選擇是工業領域(yu)(yu)。對于更具想象(xiang)空(kong)間的具身智能機器人，我仍然認為它會在工業領域(yu)(yu)先鋪開應用。
原因在于，工業場景以生產力為第一要務，是眾多先進技術落地的第一選擇，同時工業領域的場景相對封閉，為以機器人為代表的各類智能AI終端，以及終端與工業專網的結合提供了天然的試驗場。
當前被(bei)提及很多(duo)的一個(ge)概念是工業4.0，它旨在將(jiang)智能數字(zi)化技術集成到整個(ge)工業流程中(zhong)，建(jian)立智能工廠以提高生產(chan)力、效(xiao)率(lv)和(he)(he)靈活性，同時在制(zhi)造(zao)和(he)(he)供應鏈運營中(zhong)實(shi)現(xian)更智能的決策和(he)(he)定制(zhi)。
過去的制造業注重固定流程下準確和及時的生產，強調降低成本，減少浪費。此后得益于工業物聯網、云(yun)計(ji)算(suan)和自動化(hua)等技術的應用，透(tou)過信息互聯、數據(ju)計(ji)算(suan)與自動控制，工業制造(zao)開始具備快(kuai)速(su)反應和初步(bu)智能決策的特征。
而現在，AI大模型和端側智能的應用開始將中國制造業引入更智能的階段，AI技術和(he)終端(duan)逐漸融入(ru)產線和(he)設備，工(gong)廠無(wu)人化和(he)智能(neng)化更(geng)進一步(bu)，有(you)望誕生出真(zhen)正的無(wu)人工(gong)廠和(he)超級工(gong)廠。
AI技術的出現開始重塑工業生產與智能制造生態，而AI技術向端側下沉，更進一步開始催生新的工業業務形態與產業協作模式，從質量控制到預測性維護，從機器人協作到數字孿生等等結合AI技(ji)術的工(gong)(gong)業場景應用已經(jing)成(cheng)為(wei)工(gong)(gong)業制(zhi)造向(xiang)智能制(zhi)造邁進(jin)的關鍵(jian)。
未來，以功能安全、超低功耗、高性能處理及強實時性為技術支點的基礎硬件，將深入綁定AI 能力。端側的快速響應與(yu)決策能力(li)，正(zheng)在改變(bian)工(gong)業(ye)制造(zao)的價值鏈條，推動工(gong)業(ye)生(sheng)態(tai)向(xiang)智(zhi)能互聯、協(xie)同創新方向(xiang)深度演(yan)進(jin)，進(jin)一(yi)步(bu)提(ti)升制造(zao)業(ye)整體競爭力(li)與(yu)附(fu)加值。
端側AI解放高效工業生產力
隨著邊緣計算與AI模型不斷發展成熟，2025年計算需求從智能計算基礎設施向終端設備擴展的趨勢會愈發明顯。工業制造已經開始在很多流程和應用里開始應用端側AI技術。一是因為端側或邊緣AI能與具體應用或業務緊密結合，能大幅提升工業流程決策效率；二是端側或邊緣設備的AI功能減少了對帶寬的依賴，智能模型可以在越來越多的端側設備上運行，實時采集和智能分析能力進一步提升。
工業端側模型
在國內，已(yi)有(you)多家(jia)科技(ji)巨頭和企業(ye)發布了自(zi)己(ji)的工(gong)(gong)業(ye)大(da)模(mo)型(xing)產品，如智工(gong)(gong)·工(gong)(gong)業(ye)大(da)模(mo)型(xing)、華(hua)為盤古大(da)模(mo)型(xing)、卡(ka)奧斯COSMO-GPT等等。然從云端AI過(guo)渡到端側AI，需要考量成本、實(shi)時性和安全性等更多因素。
人工智能模型到了(le)端側，精簡(jian)高效(xiao)(xiao)的小模型（SLM）成為主角，小模型專為邊端硬件終端設計(ji)，如工業電(dian)腦、服務器、機器人等，能在性(xing)能和資源效(xiao)(xiao)率之間取得微(wei)妙的平(ping)衡，分擔處理工作負載(zai)進(jin)一步(bu)降(jiang)低(di)基礎設施和運營成本。微(wei)軟不久前通過與拜耳、羅克韋爾自動(dong)化(hua)、西門子等公(gong)司合作就推出了(le)適用于工業領域的全新AI小模型。
小(xiao)模型(xing)(xing)結合終端硬件能(neng)進(jin)行定(ding)制化訓(xun)練，例如，在(zai)設(she)(she)備維護和預測方面(mian)小(xiao)模型(xing)(xing)在(zai)硬件上能(neng)夠訓(xun)練設(she)(she)備故(gu)障(zhang)的模型(xing)(xing)，分析出潛在(zai)故(gu)障(zhang)點，并結合先(xian)進(jin)的傳感器和硬件設(she)(she)備，實現更智能(neng)高效(xiao)的自(zi)主決策。
“基礎工業大模型+細分應用小模型”的模式可以進一步發揮出工業端側人工智能潛力。
預測性維護與故障檢測
上面已(yi)經提(ti)到了小模型在(zai)預測性維(wei)護與故障檢(jian)測上的(de)應用(yong)，其實在(zai)沒有引入端側小模型預測前，不(bu)少工業場(chang)景通(tong)過部(bu)署在(zai)設備端的(de)智能傳感器(qi)和邊(bian)緣計算設備，也(ye)能實時收集機(ji)器(qi)運行(xing)數據(ju)并(bing)進行(xing)數據(ju)分析(xi)。
這些智能傳感器和邊緣計算設備通過在主控芯片或主處理芯片上內置TinyML對數據進行分析，從而預測設備可能出現的故障和性能下降。這種應用是工業領域比較典型的邊緣AI應用，不需要高主頻高算力資源，通過硬件集成TinyML 等精簡AI內核完成智能功能，在語音識別和傳感器數據分析等領域已經較為成熟。端側AI技術的進步，本地算力集成專用AI內核，終端內的智能功能會更加豐富。
工業機器視覺
工業領域通(tong)過視覺檢測進行質量管控也是(shi)(shi)很通(tong)用(yong)很經典的(de)(de)應用(yong)案(an)例，端側AI技術的(de)(de)引入(ru)為工業機器視覺帶來不(bu)少改變。實時性的(de)(de)提高是(shi)(shi)顯而易見的(de)(de)，以往(wang)更多的(de)(de)是(shi)(shi)在收集真實數(shu)據后不(bu)斷在云(yun)端優化視覺算(suan)法(fa)，云(yun)計算(suan)的(de)(de)弊端是(shi)(shi)無法(fa)滿足高效(xiao)實時的(de)(de)需求，節拍(pai)不(bu)同(tong)步(bu)導致的(de)(de)延時難免影響生產(chan)效(xiao)率(lv)。
同時，考慮到在工業現場(chang)中存在大量(liang)異構的總(zong)線連接，設(she)備之間的通信標準(zhun)不統一，將計算資源部署(shu)在工業邊緣側和(he)端側才更匹配(pei)場(chang)景需(xu)求。
在端(duan)(duan)側(ce)優化(hua)AI算法，并匹配(pei)相(xiang)應的(de)計算硬件方案，能(neng)夠更好地解(jie)決工業場景對(dui)視(shi)覺算力(li)以及實時性的(de)要求。同時基于獲取到的(de)點云/圖(tu)像信息(xi)，端(duan)(duan)側(ce)能(neng)夠直(zhi)接(jie)進行一(yi)定計算量(liang)的(de)AI功能(neng)實現，如進行姿態識(shi)別、手勢識(shi)別、人臉識(shi)別等等，延展更多和(he)視(shi)覺相(xiang)關的(de)功能(neng)。
端側的AI小模型與機器視覺結合推動下的智能視覺檢測技術目前在工業領域已經展現出強大的應用潛力。以移遠通信的“匠心”視覺檢測方案為例，AI算法模型直接將數據上傳、數據標注、模型訓練、模型測試、模型轉換等全流程功能集成，解決視覺原始數據質量不齊、標注繁瑣、訓練優化困難、兼容性差等應用難題。結(jie)合(he)端(duan)(duan)側(ce)計算的靈活性、高數據安全性以及(ji)實時(shi)性等優勢，端(duan)(duan)側(ce)的智能(neng)視覺檢測既易于部署同時(shi)檢測高效準(zhun)確，兼顧高成(cheng)本效益。
再例如廣和通的機器視覺與聽覺解決方案，可實現物體識別、分割、拼接與分類，畸變校正，追蹤與計數，以及人臉識別等功能。在圖像處理上，該解決方案集成先進的 GPU/NPU 加速技術和高分辨率能力，支持復雜的圖像識別與編解碼、目標檢測和實時數據分析。解決(jue)方案還支(zhi)持ChatGPT、通義千(qian)問、LIama、文心一言等大語言模型，提高信息處(chu)理效率(lv)。
在(zai)智能(neng)(neng)制(zhi)(zhi)造的(de)背景下(xia)，端側AI技術帶來的(de)更多本地化(hua)(hua)(hua)實時化(hua)(hua)(hua)的(de)智能(neng)(neng)功能(neng)(neng)，并在(zai)端側小模型的(de)配合下(xia)提升(sheng)生產效率(lv)，優化(hua)(hua)(hua)整個生產流程(cheng)，在(zai)自動(dong)化(hua)(hua)(hua)控(kong)制(zhi)(zhi)基礎上添加了更多智能(neng)(neng)化(hua)(hua)(hua)的(de)控(kong)制(zhi)(zhi)，釋放出高效的(de)工業(ye)生產力(li)，推動(dong)制(zhi)(zhi)造業(ye)的(de)智能(neng)(neng)化(hua)(hua)(hua)升(sheng)級。
工業端側AI的配套硬件支持
減少云端(duan)依賴的(de)(de)(de)的(de)(de)(de)端(duan)側(ce)(ce)AI，其(qi)功(gong)能(neng)實現離(li)不開端(duan)側(ce)(ce)基礎(chu)硬(ying)件的(de)(de)(de)支(zhi)持，感(gan)知、處(chu)理(li)、連接、存儲、驅動、專(zhuan)用AI加(jia)速器(qi)等(deng)等(deng)基礎(chu)硬(ying)件組件協同工(gong)作，確保了端(duan)側(ce)(ce)AI功(gong)能(neng)的(de)(de)(de)高效(xiao)執(zhi)行(xing)。例如，嵌入式(shi)處(chu)理(li)器(qi)負責整體的(de)(de)(de)系統(tong)控制和任務調度，AI加(jia)速器(qi)則(ze)專(zhuan)注于提供強大的(de)(de)(de)計(ji)算能(neng)力(li)，以加(jia)速復雜(za)的(de)(de)(de)模(mo)型推理(li)。高效(xiao)的(de)(de)(de)存儲組件確保數(shu)據的(de)(de)(de)快速讀寫，而傳輸組件則(ze)保證了數(shu)據在端(duan)側(ce)(ce)與云端(duan)或其(qi)他設備之(zhi)間的(de)(de)(de)順暢流通。
在(zai)傳感芯片端，AI功能和信(xin)號處(chu)理(li)功能越(yue)來越(yue)多(duo)地被引(yin)入(ru)，以(yi)增強在(zai)數據(ju)收集后直接處(chu)理(li)能力，分擔主控信(xin)號處(chu)理(li)負(fu)載。目前應用較多(duo)的(de)端側(ce)AI傳感設備有視覺(jue)、麥(mai)克風、溫(wen)度傳感器、運動傳感器、位置傳感器。這(zhe)種端側(ce)傳感器架構(gou)在(zai)AI內核的(de)助(zhu)力下簡化了傳感器數據(ju)處(chu)理(li)流程，在(zai)本地經過處(chu)理(li)后只有最相關的(de)數據(ju)被發送到邊緣的(de)主處(chu)理(li)器或云端以(yi)便進一步分析。
作為(wei)工業控制中的(de)(de)常客，眾多MCU、MPU廠商也(ye)開始推(tui)進(jin)集(ji)成先進(jin)AI內(nei)核的(de)(de)控制/處(chu)理(li)產(chan)品，如NXP集(ji)成AI內(nei)核的(de)(de)MCX系(xi)列(lie)MCU家族(zu)，集(ji)成Neutron NPU的(de)(de)i.MX 9系(xi)列(lie)MPU；意(yi)法半(ban)導體知名的(de)(de)工控單(dan)片機(ji)STM32 MCU也(ye)開始集(ji)成NPU——ST Neural-ART accelerator；TI為(wei)人熟知的(de)(de)C2000系(xi)列(lie)也(ye)開始集(ji)成邊(bian)緣AI硬件加速器；ADI、英(ying)飛凌、瑞薩等MCU大廠也(ye)在AI＋MCU上有著相關推(tui)進(jin)。
針對高效(xiao)的計算硬件，專用AI ASIC、GPU、FPGA、NPU發揮(hui)著重(zhong)要作用，這里主要聚焦在NPU。除了一些芯(xin)片(pian)原(yuan)廠會自研NPU IP內核，也(ye)有不少第三方的NPU IP產品，比(bi)如Arm的Ethos NPU、安謀科技周易NPU、芯(xin)原(yuan)NPU、Synopsys ARC NPX6 NPU等。NPU成為端(duan)側AI芯(xin)片(pian)的標配可以說(shuo)是大勢所(suo)趨。
端側AI的興起，對工業領域的難點——碎片化場景及多樣化需求提供了更多的解決思路，不論是細化到單個軟、硬件與AI功能的結合，還是從模組、PLC到工控平臺整機的智能優化，都有著不同于以往的定制化實現路徑。
端側AI向工業應用更深處探索
端(duan)(duan)側(ce)AI推進工業(ye)制造向智能制造的轉變遠不止目(mu)前這(zhe)些可能性(xing)，端(duan)(duan)側(ce)AI帶來的實時(shi)同步(bu)、本(ben)地安全性(xing)以及靈活性(xing)在(zai)革(ge)新很(hen)多制造業(ye)場景的流程(cheng)上有著很(hen)大想象空間，同時(shi)，不同細分應用的工業(ye)端(duan)(duan)側(ce)小模型不斷發展，也是(shi)未來一股強(qiang)大的助力。
比如在工(gong)業設(she)計(ji)(ji)領域，未來(lai)工(gong)業端(duan)(duan)側模型(xing)能通過(guo)優化設(she)計(ji)(ji)過(guo)程提(ti)高研發效率(lv)，結合智(zhi)能眼鏡(jing)等智(zhi)慧終端(duan)(duan)，能重(zhong)新塑造工(gong)業設(she)計(ji)(ji)的(de)現(xian)有格(ge)局；個性化定制(zhi)化的(de)工(gong)業生產(chan)需求(qiu)，在端(duan)(duan)側智(zhi)能軟硬件高靈活性的(de)配合下也不再需要(yao)大費周(zhou)章(zhang)重(zhong)新構建(jian)產(chan)線(xian)，產(chan)線(xian)上的(de)機器人在學(xue)習模型(xing)的(de)幫助下讓產(chan)線(xian)能快速、準確調整對(dui)應生產(chan)要(yao)求(qiu)，并且(qie)實時監控生產(chan)線(xian)上的(de)各個環節，通過(guo)學(xue)習快速識(shi)別生產(chan)過(guo)程中的(de)異常狀況，有效降低生產(chan)停滯(zhi)風(feng)險。
此外，結合工(gong)(gong)業智聯(lian)的通信(xin)技術，端到端的設(she)(she)備間無縫通信(xin)與數據共享能進一(yi)步(bu)優(you)化生產流程，提升整(zheng)體生產效率(lv)。在2024年年末(mo)的全國工(gong)(gong)業和信(xin)息化工(gong)(gong)作會議上，會議在部署(shu)2025年重點工(gong)(gong)作中提出(chu)，“推進工(gong)(gong)業5G獨(du)立專網建(jian)設(she)(she)”，將工(gong)(gong)業5G獨(du)立專網建(jian)設(she)(she)作為(wei)新的一(yi)年重點部署(shu)的工(gong)(gong)作。意味(wei)著對大型工(gong)(gong)業企業自建(jian)5G專網的相關(guan)政策尤其是頻率(lv)政策呼之欲出(chu)，為(wei)5G+工(gong)(gong)業互聯(lian)帶(dai)來新的機(ji)遇(yu)。
端(duan)側AI正以其獨特的(de)優勢，逐步滲透到工業(ye)制(zhi)造的(de)每(mei)一(yi)個角落，向(xiang)工業(ye)應用更深(shen)處(chu)探索，推動著整個工業(ye)向(xiang)更智能化、高效(xiao)化的(de)方(fang)向(xiang)發展。
當然，智能化的藍圖需要慢慢打磨，許多端側AI面臨的挑戰也需要時間去攻克。在工業端側模型上，工業領域涵蓋業務廣泛，數據結構多樣，數據質量參差不齊，如何構建起高(gao)質量模型并充分捕捉到某領域特征理解場(chang)景還(huan)有不少(shao)難題。
端側/邊緣設備和應用的多樣性對硬件設計要求也更高，不僅要適配當前流行的模型和某一類特定應用，還要支持下一代模型和快速變化的應用需求。這(zhe)需要軟硬件結合，構建可適應未來發展的全棧軟硬件，以避免(mian)針(zhen)對(dui)某(mou)種特定模型或應用開發的硬件局(ju)限性，這(zhe)對(dui)于產品快速迭代的端(duan)側計算市場尤為重要。
寫在最后
在(zai)以生(sheng)產(chan)力(li)為第(di)一要務，強調高(gao)(gao)效、穩定、安(an)全的工業(ye)領(ling)域(yu)，端側智能帶來的節拍協同、高(gao)(gao)度靈(ling)活、高(gao)(gao)效生(sheng)產(chan)資料利用以及品(pin)控預(yu)測(ce)維護等能力(li)已經成為工業(ye)制造轉(zhuan)型的首要推動力(li)。2025年，端側AI又會在(zai)工業(ye)領(ling)域(yu)帶來哪些變化，我們拭目以待。
