在奥迪位于德国内卡苏尔姆的工厂中,生产线上900个配有焊枪的机器人在为汽车部件进行着点焊工作,这样的工作,这个工厂中的机器人每天要进行500万次。
为确保焊接质量,对于机器人的焊接工作以往都需要人工进行抽样检测,然而,一项改进汽车焊接控制流程的实验正在这个工厂中悄然进行,在这个实验中,通过使用英特尔工业边缘洞见平台(EII)软件创建的流分析算法,焊接作业期间的电流、电压等数据被直接以可视化界面呈现,焊接错误信息也会及时反馈给技术人员。
这样的解决方案还可以进一步复用到铆接、涂胶、涂漆等生产流程中,藉由此,奥迪内卡苏姆工厂人工成本降低了30%-50%。
这是传统车企数字化升级一个简单的应用案例,也是英特尔将算力注入制造业的一个真实写照。
很少有人会将英特尔与制造业关联起来,实际上,自从将物联网作为公司重要发展方向后,英特尔就已经开始在制造业广泛布局,如今的英特尔已经围绕「智造」搭建起了一整套产品。
制造业需要一双“火眼金睛”
如果要说制造业数字化转型中被提及最多的技术,那一定是人工智能了。有统计数据显示,超过60%的制造业企业已经在使用人工智能技术提升运营效率。
在人工智能技术中,又有一个重要的技术分支——机器视觉,所谓机器视觉,就是用机器代替人眼在产线上进行诸如工业品识别、缺陷检测等工作。
由于机器有更高的稳定性和精度,可以7x24小时持续工作,甚至还可以将采集到的数据沉淀下来,为工厂后续数字化转型提供数据,因而机器视觉也就成了近年来工厂数字化转型中一个最先得到广泛使用并成熟起来的应用场景。
众所周知,电机是各类家电产品中最常见的一个零件,在实际生产过程中,通常也需要人工对电机外观进行检测,这项高重复、低效能的工作,如今正在被机器取代。
在某家电厂的设备生产工厂中,对电机检测提出了这样三个要求:
1、电机有没有装卡簧;
2、电机有没有打螺孔,螺孔数量有多少个;
3、电机侧边有没有贴标签,标签有没有贴正。
这些看似简单的问题,对于机器而言,其实自有其内在挑战。
首先是产品部署问题,传统机器视觉解决方案扩展性不够强,敏捷性不够高,不利于在工厂环境下快速部署;其次,由于螺孔位置非常接近、电机与电机之间又不是标准间隔,很容易因为遮挡导致对螺孔数量检测出现错误,在使用传统机器视觉方案进行检测时,误检率甚至高达20%。
英特尔在计算机视觉领域不仅有高性能的酷睿、至强处理器,还有专业的OpenVINO开发套件,工业相机解决方案,在这一项目中,通过英特尔的机器视觉方案,最终实现了99.9%的检测精度和低于0.03%的漏检率。
边缘计算让实时控制成为可能
在全球数字化转型浪潮中,由于工厂环境中存在大量对高可靠、实时性有强需求的场景,这让制造业数字化转型的难度被进一步拉升。
制造业数字化转型面临的第一个问题就是联网问题,标准以太网本质是一种非确定性网络,但在工业环境中,确定性是最基本的标准,设备与设备之间的通信必须做到准确、实时、无丢包,于是,TSN应运而生。
TSN,即时间敏感网络,时间敏感网络相当于为所有设备制定好了时间规划,避免了网络拥堵,让工业设备进入联网时代成为可能。
北京精雕自主研发的高性能数控系统之所以能够实现0.1μm的编程分辨率和控制分辨率精度,正是因为使用了英特尔引入了时序协调运算(TCC)的高性能处理器。
实际上,在边缘计算领域,英特尔不仅有硬件平台,还有研发了英特尔工业边缘控制平台(ECI),该平台可以对英特尔X86平台进行相应调教,以满足伺服驱动、运动控制、自主机器人等不同应用对平台实时性、计算能力的不同需求,可以将工业控制系统转换为软件定义的解决方案。
目前,英特尔工业边缘控制平台已经有实时计算、负载整合、应用程序和平台管理、基础架构管理、工业总线协议、控制类App范例、信息安全、功能安全八大模块,英特尔工业边缘控制平台3.0版本也即将在今年下半年发布。
根据MarketsandMarkets发布的研究报告显示,2021年全球智能制造市场规模为887亿美元,预计2022年至2027年将以18.5%的年复合增长率增长,到2027年将达到2282亿美元。
在这期间,将会有越来越多算力会涌入制造业,推动制造业跨越山海,进入数字化快车道。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。