AI开始对杯子下手了

发布时间：2022-11-23 11:24 所属栏目：15 来源：互联网

导读：一家AI公司，宣布要把AI应用到杯子上。 11月10日，旷视在一间茶室开了一场特别的发布会宣布把AI算法用在了建盏溯源上。具体是这样的：过去，作为我国八大传统名瓷之一、宋代皇家御用瓷器的建盏，一直存在被仿造、伪造、以次充好等问题，行业劣币驱逐良币，

　　一家AI公司，宣布要把AI应用到杯子上。

　　11月10日，旷视在一间茶室开了一场特别的发布会——宣布把AI算法用在了建盏溯源上。具体是这样的：

　　过去，作为我国八大传统名瓷之一、宋代“皇家御用瓷器”的建盏，一直存在被仿造、伪造、以次充好等问题，行业“劣币驱逐良币”，发展受困。能否用科技的手段解决这个问题？偶然间接到这一“古怪”的需求后，2021年旷视通过算法量产，研发了一套建盏溯源平台。于是，AI被用到了这个很小众的领域。

　　尽管这个事情确实有趣，但一个疑问还是绕不开的——根据相关数据测算，建盏行业目前的产值约为75亿元，品牌价值160亿元，就整个建盏行业而言也算不得一个大市场，为什么一家AI公司会看中这块“蚊子肉”？

　　1.AI做杯子检测，大材小用？
　　听过AI做工业检测、做包装检测、甚至做汽车外观缺陷检测，但是做杯子检测就很少见了。

　　实际上，不光AI行业外的小白听着这事儿就觉得不可思议，就连AI行业内的人也会犯嘀咕。

　　旷视研究院算法量产负责人周而进在发布会上称，他最开始接触到这一需求的时候，也觉得很有挑战，“建盏上面的纹理非常细腻，当地每年烧制的建盏数量非常多，当地人都很难区分两个盏之间花色的不同，因为它的纹理是纯随机生成的；而且建盏表面还反光，这跟工业生产是完全不一样的概念。”

　　不过，他判断这在技术上是可行的，“随后采集了少量数据进行测试，发现真的可以。”

　　此后，项目团队来到福建南平市建阳区做调研。结果访谈了一圈下来，大家觉得这个事儿不光是一个杯子检测这么简单，还有对非物质文化遗产进行规范和保护的现实意义。相比于一个单纯的AI技术平台，建阳区更需要的其实是一个产业治理方案。

　　在这个目标之下，突破口就是为建盏做一套AI溯源平台，规范建盏的真伪检测。

　　周而进表示，在这样的需求下，一个六七十分的算法是完全不能解决问题的，因此团队在建盏系统里细分了非常多的子方向和算法，包括盏的定位、检测、质量判断，以及最重要的纹理识别等，“这些也借鉴了我们在生物认证识别上的经验”。

　　这才有了建盏产业首个基于盏纹识别的建盏 AI 溯源系统。

　　旷视研发的建盏AI溯源系统

　　实际上，真伪溯源检测只是建盏产业链中最下游的一环，建盏上游的瓷矿管理、釉料金属含量检测等也面临数字化需求，未来这或许也将打开AI在这个细分领域的深度应用。

　　在交流中，旷视相关负责人称，除了建盏，他们还收到过很多有趣的算法需求：古钱币分类、普洱茶茶饼识别、速冻水饺检测等等。

　　当越来越多小众领域开始对AI表现出需求后，原来的AI算法生产弊端就越发显现了。

　　2.今天的AI仍然很初级
　　在旷视工作了近10年的周而进，分享了他的一个感受：

　　AI今天的生产模式仍然非常初级，最典型特征是行业分工非常不明确。

　　在做AI产品落地和商业化过程当中，周而进发现，各行各业的不同需求都有不同的算法供应商来提供解决方案，“但算法的质量是参差不齐的，因为算法目前仍是一个高度非标准化的状态。”

　　比如，在接到需求后，首先要有一个能力很强的研究员，跟客户聊清楚需求是什么；然后制定数据采集方案，采完数据再训练模型，如果模型训练效果不好自己还要上手调参数，也可能是修改数据采集方案、补采数据；好不容易训练出来一个模型，他还要再做模型的量化、封装、SDK打包，最后做部署和调Bug。

　　“中间可能会有很多人参与，但自始至终需要一个又懂算法、又懂数据、还要对业务有深刻了解的人，他还得有很强的沟通能力，这简直是全能型的人才。”周而进说。但最后项目做完，所有的知识还是积累在个人的大脑里，并没有被积累成为工具、方法，甚至做下一个项目时，要考虑这个人还在不在公司，还记不记得上次的经验……

　　“你会发现，这其实本质上仍是一个作坊式的生产模式。”周而进说。

　　对比一些成熟的行业，比如芯片制造行业，其产业链的分工非常明确：有公司专门做设计，有的专门做生产，有的做封装、测试，每个工种都有非常专业的工作职责范围和培训标准。

　　早期，AI公司接到算法需求后，会做定制化服务，今天有一个工厂希望做这样的检测，明天有公司希望做另外一种动物行为分析，“我们可以通过不停招聘更多的算法研究员，定点爆破，靠一个一个的项目解决。但是这样成本很高，且很难招到那么多优秀的研究员，这就导致项目最终的产出质量参差不齐，因为产出质量取决于研究员本身的水平，而研究员水平是一个高度非标的事情。”周而进说。

　　实际上，随着“AI做建盏溯源”“AI做古钱币分类”这种小众又细分需求的增多，恰恰倒逼了一种变革，AI需要算法量产了。

　　3.算法量产：AI的归AI，产业的归产业
　　“算法量产”并不是一款产品，而是“对于AI生产模式这个理念和生产方式的一个思考。”周而进称。

　　实际上，任何产品都会遇到Bug，如果这个产品是用代码实现的，遇到Bug打几个补丁、写几行代码就能修复了；但如果产品是用算法实现的，就复杂得多。比如，在某个光照条件下面，一辆车的摄像头怎么样都检测不出来某个障碍物，这就不能通过加一两行代码来解决，它需要重新采集数据、训练模型，重新做模型的部署，最后再上线测试、发布。

　　用周而进的话说，这是“算法生产的复杂性被引入到了软件迭代的过程中”。

　　简单理解，就是算法生产和软件迭代被耦合在一起了，两者“有福同享，有难同当”。

　　而算法量产，就是将其解耦。“旷视算法量产的背后，其实就是做标准化，把这里面的每一个环节都标准化，数据生产标准化、算法模型标准化、推理框架标准化。”周而进称。

　　这里所说的标准化，就是解构算法模型在迭代过程，需要经过哪些手段和操作。比如，明确参数有哪些，优化策略有哪些。

　　周而进称，今天哪怕只做一个建盏的检测，一模一样的逻辑，在不同的硬件底层上需要用不一样算法，这是不可避免的。而标准化可以做硬件解耦的算法定义，使得研究员在实现业务逻辑的时候不需要关心底层的硬件结构是什么，“我只要按照我的业务逻辑，把它写出来就行了。而实现过程则交给机器自动化来做。”

　　所以做完标准化，才能有可能把整个复杂的系统一块块切开，模块之间相互解耦，每个模块之间的研发，算法的收益彼此之间是乘的关系。

　　“今天旷视就是这么做的，在落地各行各业的时候，我们会引入没有AI技术背景的人，他们直接参与算法生产。算法研究员不再专注做一个个项目，而是把通用、普适型的技术，通过解耦的系统辐射到各行各业里面去。”周而进表示。

　　而拥有know-how的行业工程师拿到算法后，很快就能做出判断，什么样的识别错误可能会造成很大的生产事故，什么样的识别错误可能问题不大。面对后续的数据采集、模型训练、迭代优化等等技术问题，系统会给出提示建议：比如这里面数据很脏，应该做数据清洗；或者提示数据不足，应该做数据采集；又或者提示算力太低了，需要换一个更大的算力。

　　顺着这个思路，当产品研发过程中每一块都相对解耦，形成了各个独立工序，对应的人才结构、人员的配置其实也会有相应的变化。比如，旷视提出5:3:2的研发矩阵，即5个行业工程师基于AIS算法生产平台进行相应的业务交付，3个算法研究员聚焦于算法的创新与探索，2个工程师不断打磨相应的基础设施并进行AI生产力工具的开发。

　　目前，除建盏溯源外，通过算法量产旷视已经为能源、教育、零售、运动健身等行业客户的日常生产、经营提供了相应的AI技术。

（编辑：ASP站长网）