贸泽电子畅谈AI在制造业的核心落地路径

AI在制造业的核心落地路径应该是怎样的？

慕展精彩回顾｜重塑工业底座（上）：大模型存在“幻觉”，如何让确定性AI落地工业场景？

在今年的慕尼黑（上海）电子展期间的多场相关论坛上，贸泽大致梳理出了这样一条线索：要让确定性AI落地工业场景，需要破除大模型存在的“幻觉”（即大模型的概率性输出），通过算力集群、本体工程、专用智脑等工程技术为AI构建“物理常识”和系统围栏，让这些“智能体”们“触碰”到正式的制造现场；再通过“具身智能”破解工艺传承难题，以“边缘AI”构建数字底座，终将AI转化为可靠生产力工具，从而带来全流程的效率跃升。

很显然，AI不再停留于数字世界，而是真正落地物理世界，解决更多现实的问题。如何通过工业AI智能体在制造现场的落地，提升工人的效率和降低成本？如何通过具身智能平台（如一只机器人灵巧手）来“抓取”并“老师傅经验”并将之数字化？

本篇带你了解一下，AI如何让制造现场的价值“被看见”？以及如何通过具身智能平台抓取“老师傅经验”并且实现数字化？

01制造现场的“数据悖论”

在慕展期间一场主题为“AI赋能智能制造新生态”的论坛上，欧姆龙则特别提出了制造现场的“数据悖论”的问题，以及如何通过AI的应用实践让制造现场的数据“被看见”。

梳理一下工业革命从1.0发展到现在的工业4.0阶段，其中自动化早期出现在工业3.0阶段，主要是通过设备和机器来代替人进行生产制造。进入工业4.0，自动化则进一步进化——它通过现场数据采集、清洗和分析，通过这些数据影响末端生产的结果状态和决策。

这其中已经开始有一些AI应用，但初期AI更像是一个神经元分析软件，主要以感知为主。而进入AI时代，在制造现场的决策，不再只依赖于人的经验，而是借助AI的算力、归因分析和神经元触发的规则进行判断和决策。

制造现场不是缺数据，而是缺“让数据驱动改善”的工具和方法，但制造现场的数据有三个“看不见”：

一是设备状态不透明。以汽车生产现场为例，进入数字汽车（DV）时代，要求“单个零部件级”追溯，但很多生产现场仍在靠车间班长手抄停机原因。MES数据在云端，决策在纸上。

二是数据没有“说话”。MES/ERP海量数据堆积，但车间班长面对的仍是一台“沉默”的机器。数据并未变成现场可用的洞察。

三是改善方向靠“猜”。DV极速迭代（周级），而传统月度报表无法指导实时改善。往往是问题发生了才知道，知道了已过时。

这些就形成了所谓的“数据悖论”。企业投入巨资建设MES、ERP等系统，但数据并未有效驱动改善，形成了“数据越来越多，改善却越来越难”的悖论。

欧姆龙指出，形成这一状态的根源在于IT系统的数据没有到达现场，而现场的OT数据也没有进入系统，从而形成了“两张皮”。

也就是IT和OT数据的断点，导致从数据到价值的“最后一公里”尚未打通。

这就是AI可以在制造现场发挥价值的地方——弥合IT与OT的断点，将沉睡的数据转化为能指导行动的洞察，让现场管理者每天都能“看见”问题，“看懂”数据。

显然，在制造领域，没有数字化，AI是空中楼阁；而没有AI，数字化只是数据的终点。欧姆龙主张通过轻量化、自动化的AI应用，实现产线透明化与技能传承，让数据真正驱动现场改善。

02工业数据采集与具身平台：如何精准采集“老师傅经验”数据集？

制造车间里的“黑魔法”——“老师傅经验”，是否也能通过数字化转化为显性的数据，形成一个“老师傅数据集”，更好地传承？比如，如何把熟练师傅的装配工艺、抛磨工艺、喷涂工艺等进行数字化？

如果要让老师傅描述出来，显然不太现实。而工业具身智能平台提供了解决思路。苏州大学的教授在慕展期间分享了目前产学研正在进行的一些合作实践，通过工业具身智能进行多模态数据采集及应用。

贸泽了解到，自2023年生成式AI的爆火，也让各种数采手段进一步丰富，包括特斯拉的遥操VR和AR手段、Aloha的同构示教手段、夹爪自由数采手段以及动捕数采手段。但各种手段都各有优劣势。

而现有公开数据集多以轨迹和视频为主，缺乏接触式作业所需的力觉、触觉等多模态信息，难以满足工业场景中如打磨、焊接等精细工艺的需求。

想要获得“老师傅数据集”，就需要研究一种多模态数据采集工具，来整合老师傅一系列动作，包括他们眼睛在看什么，操作时手部的力度以及动作等。而采集的方式，只需要让老师傅们按照其习惯的方式去做具体的操作。数据采集工具就可以通过采用多传感数据采集系统，实时捕捉到在一套操作中涉及到的视觉、触觉、力觉信息，而这些都是与老师傅的经验相关，整个过程中他们的眼睛始终在观察着操作的质量，同时手上做出相应实时调整。实现将隐性经验，即所谓的“老师傅的手感”，转化为显性的数据，真正可以采集到“老师傅的数据集”。

而这种融合了视觉、触觉、质量和空间三维信息的采集，并完成与机器人的映射，可以有效解决当前示教技术力觉感知不足、工艺映射困难的问题。

无疑，这也将是具身智能平台在工业场景中的一个重要应用方向。