2019年即將過去，這兩天很多朋友問我：今年AI到底是火了還是涼了？

然后我跟他們說：為了身體健康，別光吃涼的燙的，也吃點溫的。

根植于互聯網經濟帶來的一個又一個“風口記憶”，似乎如今國人已經習慣于把某種技術、產品，或者商業模式粗暴歸類為非火既涼。換言之，我們總是很難有信心等待去技術按部就班地發展進步，而是熱切希望它一步登天或者一腳蹬空。

2019年，AI火了嗎？顯然并沒有，最簡單的體現就是AI相關的投融資成交額大幅下降，眾多優質AI項目找不到資本投入。

2019年，AI涼了嗎？顯然也沒有，我們能夠看到明顯的算法進步、國產AI芯片進入產業周期、AI開發環境走向成熟。對于AI從業者和AI開發者來說，2019年甚至迎來了翻天覆地的變化。

那么，到底在哪里能感受到AI的真實溫度呢？我想有一個地方或許可以，那就是AI走入各行業，也就是所謂的產業智能市場，在2019年到底進展如何？

去年麥卡錫發布了一份名為《模擬人工智能對世界經濟影響》的報告，其中認為到2030年，AI將為全球貢獻9萬億美元的GDP增長，其中90%來自于各行業智能化組成的企業市場。AI一分在C端，九分在B端，也已經成為了今天中國社會對這門技術的共識。

如果說投資人會偏袒泡沫，科學家執著于實驗室，那么工廠主和企業家們，似乎是今天AI技術發展中一個恰如其分的“裁判”。

時值歲末，我們希望用一個系列報道的形式，來總結這一年中各主要行業使用AI技術的變化，市場的成長，以及產業成熟度的趨勢。系列中各案例和數據，都來自真實存在的企業，為了減少麻煩我們將隱去企業的具體名稱。

希望這種回望和總結，有助于大家換一個視角看清AI技術的“真身”。

第一站，我們要去號稱“AI能改變的最后一個行業”——工業。業內人士普遍認為，工業AI是最難做的一個領域，但也可能是那“9萬億GDP”中的絕大部分。工業AI的希望、艱難與真實進展，都能很輕易在這一年中被發現。

AI是溫的，熱的，涼的？且為如今事，功績且待來日說。或者換個說法——AI的未來不在鍵盤上，而在工廠里。

質檢：工業AI的第一站

作為AI相關的內容報道者，今年最直觀的感受是與制造業代表的傳統行業管理者聊AI，其專業程度和了解深度已經遠遠超過2017年AI剛剛興起的時候。

或許換個角度看，這與如今工業領域遭遇的外部壓力有直接相關。勞動力的成本提升、大量工業訂單向東南亞轉移，以及經濟下行壓力下的成本與效率焦慮，構成了今天工業企業的主要情緒。

而這種情緒的促使下，企業主和管理者開始積極尋找外部的技術推動力，這與AI希望走進產業的愿望不謀而合。

但是周瑜打黃蓋，還需要蔣干當引子，工業遇上AI的契機又在哪里？這個答案已經比較明顯。2017年，工業AI命題更多還處在討論當中；2018年，AI質檢就已經提上了云計算、企業網和AI公司的服務列表。

對于工業場景來說，融合AI最大的挑戰在于AI的釋放需要設備、網絡和算力作為基礎條件。而工廠顯然不能拆掉流水線去為AI尋找容身之所。所以工業最開始嘗試的，只能是外部的、淺層的、不傷筋動骨的工業智能化能力。于是質檢作為一個特殊場景躍然而出。

在今天絕大部分工業體系中，質檢都是依靠人工來完成的。憑借的是人力的大量重復勞動以及相關經驗，而使用智能攝像頭和機器視覺算法，來學習和理解質檢員需要找到的瑕疵與問題，可以令很多行業的質檢工作快速被AI所替代。

于是從2018年開始，大量AI+質檢項目快速上馬，很多工廠也找到相關供應商嘗試搭建自己的智能質檢體系。但是這個領域的初始瓶頸也很明顯，一個是智能攝像頭的精度不夠，微小瑕疵識別成為了AI的難題，另一方面AI識別的算力和處理速度不足，也導致AI質檢速度不如工人質檢，更多時候只能作為人工識別的復檢補充。

還有一個問題，是AI攝像頭很難識別立體的東西，尤其是球狀物。所以在2018年中到2019年初，行業內更多能看到的是AI對板狀原材料進行質檢，比如鋼鐵板坯、光伏面板等。一方面是因為原材料質檢的容錯率高，一般漏檢錯檢率低于10%就可以應用，另一方面就是這些材料只用AI識別單一平面，相對具有可行性。

為了解決這些問題，讓AI質檢這個“工業AI”第一站能夠走的更通順。2019年相關產業發生了系列變化，比較顯著的變化，是邊緣計算解決方案，開始通過云服務廠商走進工廠。這就讓AI質檢的算力和傳輸問題得到了極大解決，如今很多AI質檢項目已經可以用高于人工效率的方式來完成。