當日本制造遇上人工智能| 日本最值錢的獨角獸
擁抱制造業的獨角獸
誰是全日本最值錢的創業公司？當屬人工智能公司Preferred Networks。這家日本的AI獨角獸，目前估值已經超過20億美元。兩位創始人都是計算機科學專業的學生，本來是研究情境感知和文本分類的。但目前它已經成功地闖入了制造業。這是它最吸引人的地方，也算是AI初創公司難得一見的奇葩。
擁有著全日本最快的超級電腦之一的PFN，作為少見主打制造業的人工智能公司，目前有140名工程師。近年來，它的商業價值一直在逐級攀升。最早是日本電報電話公司NTT進行了首輪投資，隨后是FANUC、豐田、日立等輪番投資。日本傳統產業對AI的熱情，似乎都被這個初出茅廬的AI公司所激發。最新的戰績是，今年6月PFN與日本能源化工巨頭JXTG達成合作，共同建立煉油廠優化和自動化聯合研究項目，并向后者配售新股，獲得約10億日元的投資。
圖1：PFN成長記 （圖：作者手繪）
很顯然，日本工業界，為這家初創的人工智能公司寄予了太多的期望。 制造界的冒險
PFN與大部分創業公司的不同之處，在于選擇直截了當地進入了制造業，而這本來正是日本制造的優勢。PFN這一點看似冒險，但也得到了一直被詬病為“保守”的日本制造界的廣泛支持。他們期望能夠將現有制造業的Know-how技術與AI深度綁定。
首先做出了選擇的是全球機器人四大家族發那科Fanuc。一向以保守謹慎而著稱的發那科主席稻葉先生，對AI的一種本能性的擁抱，超出了外界的想象。2015年，稻葉與PFN的兩位創始人見面，僅僅一個小時就決定投資900萬美金。最不同尋常的是，FANUC決定將工廠線上幾千臺機器人生成的巨大數據，提供給了PFN公司進行數據分析——這個異乎尋常的舉動，成就了這個初創的人工智能公司。
四個月后，豐田緊跟著發那科的步伐再次投資了1000萬美金，隨后一年自動駕駛風云突起，深感谷歌自動駕駛壓力的豐田，在2017年再次補上了1億美元。此外，制造業傳統豪強日立、銀行巨頭瑞穗金融以及三井貿易公司都隨后成為了PFN的投資人。
自2014年創建以來，PFN一直專注于將人工智能與各種制造業場景綁定。在與發那科的合作中，PFN一直致力于讓機器人和數控系統更加智能的方式；它與JXTG石油和能源公司共同發起的關于煉油廠優化和自動化的聯合研究項目，則是通過利用PFN的深度學習技術，控制和優化大型和復雜的工廠設備，以更有效地實現能源管理。二者還打算利用PFN的材料信息學技術，聯合開發新材料。
而在與豐田公司的合作中，PFN的目標是在2020之前研制出能夠完全自動駕駛的汽車。相比目前所謂的先進駕駛輔助系統，日本將自動駕駛的重任留給了這個年輕的公司，期望與谷歌Waymo自動駕駛技術一較高低。一向以激進著稱的豐田章男，跟一向保守的發那科的稻葉先生，兩位當家人做出了同樣的選擇。
智能樂在邊緣
對于傳統的機器視覺來檢查一個零件是否存在，往往會根據是否能夠檢測到預先教過的零件的形狀和位置來做出決定。然而，這種方法常常會受到零件上的飛濺或煙塵的影響，由于金屬表面的反射而使圖像光澤化。這可能導致錯誤的結果。而發那科的AI防錯技術并不試圖檢測零件的形狀或位置，而是利用機器學習來確定圖像本身是否準確，然后通過波長或光暈進行更有力的檢查。甚至還允許更高精度的檢查，通過幾十個不同的圖像數據集，來確定通過的比例。而所有這些，都不需要做詳細的視覺參數調整。
更高級的深度學習，則用于對機床主軸或進給軸的監控。為了防止突然故障引起的加工線宕機等重大問題，發那科和PFN開發了一種新的AI伺服監視軟件，用于高速采集機床主軸的控制數據。對采集到的數據進行深度學習，根據機器部件的當前狀態顯示異常評分，提前預防意外發生。
圖2：發那科的機器訓練
這并不是人工智能給FANUC所帶來的全部。在日本最近一次展會上，FANUC又展示了怎樣讓工廠內的機器人，更接近優秀的人類技工。如何給一個發那科機器人編程，讓它能順利在一團亂麻之中抓出指定的物品？這對于一個人類工程師，需要幾天時間來完成編程和調試。而在PFN和Fanc的展示現場，八臺機器人機組，通過提供的數據輸入，僅在一小時之內就掌握了這項技能。學習曲線在這里變成平坦無比。當未來機器人越多——想象一下數千臺機器人的編隊，需要編隊處理的時候，這種網絡效應將更加明顯。FANUC的稻葉先生對此非常滿意。在日本訓練一個出色的技工要花費十年，而且知識無法轉移和傳遞，技工一旦離開，技術就蕩然無存。而現在，各種專家技師的知識可以重裝上陣，任意加載。這對于缺乏勞動力人口的日本將是一個最大的福音。
目前Fanuc在工業互聯網平臺的部署，則是以開放式平臺FIELD System為根基，將生產現場使用的各種設備與網絡連接起來，然后就地進行邊緣計算與分析。毫無疑問，邊緣智能正在成為工業互聯網的新舞臺。而Fanuc大力發展邊緣智能的背后，則是PFN大展手腳的地方。
下沉，才能找到價值
機器學習和深度學習技術的應用，正在包括制造車間在內的許多領域進行推廣。然而，現有的基于深度學習的視覺檢測系統需要多達數千幅圖像進行培訓，工程師也需要對相當數量的圖像進行注釋，以促進培訓過程。這是一個惱人的過程，推遲了AI在制造業的應用。為此，去年10月PFN開發了基于深度學習技術的PFN視覺檢查、高精度視覺檢測軟件。該軟件的特點是，可以最少的訓練數據集快速、廉價地構建一個檢測系統。例如，只需要100張正常產品的圖像和20張缺陷產品的圖像，就可以來處理各種形狀的塑料、金屬、布、食品和其他材料。最大的好處是，即使對于沒有訓練的非專業工程師而言，培訓也很容易。
圖3：PFN視覺檢測的效果對比
這樣，用戶能夠在短時間內以低成本建立一個易于使用和高度可靠的自動檢測系統。很顯然，這將大大加速AI視覺檢測在制造業中的普及。
下沉到制造現場找到應用場景，快速實現迭代部署，成為PFN在制造業備受歡迎的一個重要原因。
“自主體”暫露頭角
每年美國咨詢公司Gartner都會發布企業高層最應該關注的十大熱點動向。而在今年10月份提出戰略技術的報告中，主題就是“以人為本、智能空間”，而“Autonomous Things”——筆者譯為“自主體——則成為十大戰略技術之一。日本PFN公司的核心技術，正在印證Garnter這個“人、物、空間”的交互關系。
圖4：企業家需要關注的戰略技術方向
Source：Gartner
在創立早期，PFN公司就向IEEE提交了一篇關于“人類-機器人互動”的論文， “用無限制的口語指令交互地選擇真實世界的對象”。這篇獲得最佳論文獎的文章，說明了如何將對象邊界的預測方法與自然語言處理(NLP)技術，結合到一個單一的框架中。而這正是PFN的發展野心。早在三年前拉斯維加斯的CES展會上，PFN用玩具汽車對自家的技術做過一次簡單的展示。幾臺微縮的豐田普銳斯穿過場上的障礙物。一開始，玩具車撞來撞去，舉步維艱。但經過兩個小時的持續試錯之后，它們就能暢通無阻地在障礙物中穿梭了。沒有人類程序員為它們編寫過任何指令，相反它們可以根據經驗來形成自己的規則，然后通過一個共享的網絡可以加快整個進程。
在去年日本CEATEC機器人大會上，PFN展示了一款完全自主打掃房間的機器人。該系統可以識別對象，響應特定的人工指令，更重要的是，機器人可以使用一種安全的方式拾取和放下它無法從數據庫中定義的對象。
圖5：機器人視覺分辨
從工作場所的機器人，到協作機器人，到家里的自動吸塵器，人類正進入一個各種自主體的時代。如果考慮到最為炙熱的自動駕駛汽車，就會發現傳感器、雷達、GPS技術、5G與AI的結合，幾乎就是在重新定義地域、空間、物體之間的交互關系。全新數字技術，像是正在施展乾坤大挪移的魔法，自主體與人、與空間的關系正在被改寫。
小記：是誰讓AI上位？
PFN聲稱要在5年內將智能AI機器人送到大眾消費者手中，通過人工智能改變人類的生活。對于感覺AI發展遠遠落后中國的日本產業界而言，對PFN的這個夢想選擇了“相信、相信和相信”的樂觀主義。這也使得Preferred Networks被CB Insights譽為“日本唯一的獨角獸”。制造界紛紛入局搶購股份，獨角獸變成了“獨家獸”，獨享了“制造業+AI”的榮耀。這家AI公司如何能夠在最難闖出名堂的制造業中旗開得勝的局面？發那科、豐田敞開了可以稱之為商業秘密的數據奶汁，無疑成為這家AI公司最好的養料。同樣在美國快速上位的獨家獸企業、工業互聯網公司UpTake，也是首先拿到了全球最大工程機械商卡特彼勒的數據秘笈。
“數據+投資+協作”，這是AI、物聯網初創公司能夠在制造業快速扎根的發展秘訣吧。中國的制造巨頭們，恐怕也只能用這樣的方法擁抱AI初創公司，人工智能在制造業的發展才能迎來爆發性的窗口。
