300万人将被AI替代，2400亿市场谁先破局？

当行业专家、投资人和创业者还在分析这一轮大模型驱动的AI浪潮有哪些机会时，工业AI企业已经先行一步。

4月13日，创新奇智推出生成式AI产品——“奇智孔明AInnoGC”，基于创新奇智正在建设的工业预训练大模型，面向制造业垂直场景，提供内容生成和代码生成等能力。

同一天，阿丘科技推出升级版缺陷生成平台AIDG，通过AIGC技术，解决AI质检中数据收集慢和标注成本高等问题。

计算机视觉是AI应用的主赛道，AI质检是计算机视觉中最成熟的场景之一。

据第三方机构和沐智讯的数据，2021年，AI工业质检融资21起，2022年融资19起。近三年，上市的AI工业质检企业超10家，如创新奇智、奥普特和凌云光等，启动IPO的相关企业超20家，其中埃科光电、思泰克等已过会。

腾讯云工业AI产品总监黄强曾表示，腾讯在AI质检上看到一个千亿级刚需市场，“单是3C电子产品的人工检测就有近300万人，按照一个人8万元/年的用人成本，将是一个2400亿规模的市场。”

另据IDC（Internet Data Center，互联网数据中心，简称IDC）数据，到2025年，国内工业AI质检的市场规模将达到62亿元，距离千亿级市场规模仍有数倍增长空间。

尽管市场空间巨大，AI质检公司的日子却并不好过。创新奇智招股书显示，2018年、2019年、2020年及2021年前三季，创新奇智经调整亏损净额分别为4540万元、1.6亿元、1.44亿元以及8100万元。

同时，新一轮AI技术正在改变AI质检公司的成本结构。过去一年，创新奇智提升平台能力与产品标准化程度，建立智能算法引擎，降低模型训练成本，提升AI迁移能力。2022年，创新奇智营收15.58亿元，同比增长80.88%;调整后净亏损1.38亿元，净亏损率同比缩窄46.1%，亏损大幅收窄。发布财报后的第一个交易日，创新奇智股价收涨34.38%。

AIGC能否成为AI质检行业腾飞的突破口?这一轮AI浪潮如何在应用端落地?大模型技术会给制造业带来哪些根本影响?

01

节约50%费用

AIGC落地潜力有多大?

在创新奇智推出生成式AI产品“奇智孔明AInnoGC”时，百度ACG算法工程师明阳还在感慨，创业公司跑得太快。

明阳介绍，对质检行业来说，从去年开始的以大模型为代表的AI变革，首先改变了AI质检中缺陷图标注的成本与周期，也就是通过AIGC生成缺陷图，提升AI上线速度和泛化能力。

在创新奇智CEO徐辉看来，人工智能带来的新思路是，通过大模型帮助工业企业更快构建符合具体场景的小模型，比如快速生成高质量生产数据，指导机器人或产线完成各种复杂的任务等。

不过，百度的大模型 AI质检还处在预研验证阶段，创业公司的AIGC应用已经上线。

4月13日，阿丘科技发布升级版缺陷生成平台AIDG，可以通过AIGC将多种缺陷生成在同一张图片，解决样本收集慢、标注成本高的问题。

阿丘科技创始团队来自清华AI实验室，目前为AI质检领域的头部企业。

阿丘科技首席科学家吴雨培在发布会上介绍，通过将简单的图像描述输入Stable Diffusion框架，可以生成多样的真实的缺陷仿真图。比如，通过拖拽或涂抹两种不同类型的缺陷，即划伤和脏污，然后通过缺陷位置掩码图进行描述，输入Stable Diffusion框架，就可以得到一张可用的缺陷仿真图。

图片来源:阿丘科技官网

AIDG平台可以把划伤、凹坑和脏污聚集在一张图上，训练集压缩了66%，短时间内将过检指标降低10%左右，使漏检指标降低约20%，将训练时间缩短30%。

图片来源:阿丘科技官网

更重要的是在产线迭代中，面对新的产品型号，只需要将旧型号的缺陷直接生成在新型号上，无需收集样本，即可直接完成模型训练。“AIDG1.0解决了单一型号单一类别缺陷的生成和自动标注问题，AIDG2.0要解决跨型号多类别缺陷生成和自动标注问题，提升AI的批量化复制。”吴雨培总结。

同在4月13日，创新奇智推出生成式AI产品——“奇智孔明AInnoGC”，可实现内容生成、智能问答、多轮对话、推理能力和代码生成，满足制造企业的个性化需求。

创新奇智由创新工场孵化，成立于2018年，李开复担任董事长，CEO徐辉具有20多年B2B企服经验，曾任微软大中华区副总裁，CTO张发恩曾任百度云计算事业部技术委员会主席。2022年1月，创新奇智在港股上市，主要产品包括机器视觉智能平台ManuVision、边缘视频智能平台MatrixVision、分布式机器学习平台Orion和 云平台Cloud，合称“MMOC人工智能技术平台”。

其中，机器视觉智能平台ManuVision预置了大量行业知识和经验，包括面板半导体、3C电子、汽车装备、新材料等;ManuVision还跟AInnoGC叠加，通过AIGC技术学习已有和公开数据集，生产缺陷图，解决样本量不足的问题。

而奇智孔明AInnoGC不仅拥有产线布局生成能力，可帮助工厂自动规划生产产线和仓储区域优化布局，而且拥有对话能力，可在AI实训中心，基于现有工业知识图谱回答问题。

比如，奇智孔明AInnoGC不仅可以统计工厂产品的产量和良品率，还可以对良品率做出分析。

图片来源:创新奇智官网

基于创新奇智的实践，张发恩认为，利用大模型、小样本学习和AI数据生成技术，预计可以使客户节约50%的费用，训练时间有望降低到原来的1/3。不过当前，这三者都还不够成熟完善，仍处于探索阶段，也都需要持续的实践经验和数据补充。

02

找到突破点

AI质检出现高增长

AI圈儿里有个玩笑，什么是人工智能?答案是先人工，后智能。

“只有先堆上去足够多的人力，才轮到智能。”胡威解释说。胡威从事工业AI质检已有7年时间，在这段职业生涯中，最令他崩溃的不是写代码和调算法，而是搜集缺陷数据;搜集缺陷数据往往耗时数月，做好的模型刚跑半年，产线升级，他和团队又得从头开始。

胡威的团队在苏州服务3C代工厂的结构件质检，设备导入周期平均6个月，单产品模型训练周期2个月，每个项目平均要有5位工程师驻场实施，整套成本高达40万-100万元。

上线周期长的最大原因是样本难收集。不同的人对同一缺陷有不同的标注，同一个人在不同的时间段，对同一缺陷的标注也不一样，由此缺陷标注经常产生冲突，导致模型迟迟无法提升。

同时，3C产线工艺波动大，“果链”（苹果供应链企业的简称）代工厂的产线每两年要彻底更换，模型无法复用，算法重新训练。

目前，唯一的方法就是等。“我们只能建立一个专业的标注团队，但是样本量越大，标注成本越高，上线周期越长。”胡威想起来就苦笑。

图片来源:IDC

对于从事AI交付的李湘来说，噩梦则是数字化设备交付之后，调试团队迟迟无法撤离。

李湘举例，比如最常用的几何匹配算法工具，需掌握较专业的图像处理知识和几何匹配算法的基本原理，才能进行调试;而一般的应用工程师，即有图像处理背景与编程背景，且硕士及以上学历，才能把参数调整到比较好的状态。

就算这样，在最麻烦的项目中，调试人员两年多无法撤离，给他造成了巨大的心理阴影。

这些都是AI落地中的常见难点，也是长期以来工业AI难以普及的根本困境。有从业者举例，一次卖出25套设备，收费300多万元，本来是个喜事儿，结果交付用了几百人，人力成本200万元，加上硬件成本，基本没有利润。

反观大厂，也是如此。一位从业者说:“大厂在这方面的团队都在1000人左右，每年赔十几个亿不在话下。”

这个亏本赚吆喝的时代，被从业者们称为“工业AI1.0”时代。

不管是国内的阿丘科技、创新奇智和思谋科技，还是美国的康耐视（COGNES，计算机视觉公司，成立于1981年），都是算法起家，早期都需要投入大量人力收集图片、训练模型、研究算法。

彼时工具链不完善，落地方法不成熟，只能靠一个一个做项目，一点一点积累场景数据，实现从0到1的突破。

转机发生在2019年。阿丘科技CEO黄耀认为，这一年是“工业AI元年。”

阿丘科技完成一个3C结构件的检测，这是一个塑胶件、金属件等多种材料组合的结构件，异形、缺陷种类超三十种，并且形态多变，传统机器视觉难以识别。阿丘科技通过深度学习解决了复杂场景下的识别问题，而且在两周内做出demo，验证后快速上线。

黄耀发现，只要是人眼可以识别的缺陷，深度学习都可以识别。凭借特征提取能力和对高维数据的表征能力，深度学习能够容忍复杂图形中的自然变化，区分机器视觉无法识别和分辨的缺陷，令检测精度大幅提升。

在一个传统机器视觉束手无策的场景中，深度学习快速崛起。

除了阿丘科技，创新奇智、思谋科技、康耐视等厂商都开始把深度学习落地到工业场景，AI质检出现高增长。

创新奇智招股书显示，2018年、2019年、2020年及2021年前三季，创新奇智营业收入分别为3720万元、2.29亿元、4.62亿元、5.53亿元，报告期内的总营收12.8亿元。2018-2020营收复合年均增长率达到252.5%，2021前三季同比增长85.8%。

阿丘科技也在结构件、模组、包装、快消品、食品饮料等传统制造业众多场景批量落地。“这些行业的共同特征是问题驱动，而且问题只有用AI才能解决。”阿丘科技技术VP钟克洪介绍。

IDC预计，2022年，计算机视觉中纯用于质检这一细分场景的软件类和服务类营收超过10亿元，预计2025年将达到62亿元规模。

03

工业大模型

真正的国家基础设施

不论创新奇智推出的奇智孔明AInnoGC，还是阿丘科技的缺陷生成平台AIDG，都在大幅降低AI的应用成本，提高AI的迁移泛化能力，而这也是未来三年工业AI发展的重心。

黄耀认为，过去三年AI质检的发展侧重于同一场景的复制，也就是用同一个模型解决同一场景的问题，比如在消费电子领域，做好一个结构件的检测之后，再寻求同类场景的横向复制。

2023年开始，AI的迁移和泛化能力提升，AI质检从单场景复制走向多场景迁移，比如从iPhone的金属件检测，到 Macbook、iPad的金属件检测，甚至迁移到汽车的金属件检测。这些结构件材料相似，工艺相似，AIGC可以将相似的缺陷快速呈现在一张缺陷图上，加快项目落地。

同时，从一种材料向另一种材料的迁移也在加速中。虽然材料和工艺数据不同，但工具链可以复用。

2025-2030年，AI质检将进入全面普及时代，最终实现“AI for Every Factory”。“所以工程师可以全力拥抱AI，把AI当成一个强有力的武器，工业视觉的研发速度和研发成本就会下降。”黄耀说，这是他在尝试过所有大模型产品之后的感觉。

钟克洪认为，根据杰弗里·摩尔（Geoffrey A. Moore）的跨越鸿沟理论，工业AI视觉已经突破临界点，接下来将进入行业普及期。

在AIGC能力加持下，工业AI企业的产品矩阵也在发生变革。

钟克洪认为，从大的维度看，工业视觉解决方案会按两个大的方向来进行演进:

轻量级场景更加强调一体化解决方案，更加简单易用。整个行业里AI的平均成本将会极大下移。

复杂场景会更加强调通用解决方案，主要通过通用模型，降低综合成本。

无论阿丘科技还是创新奇智，下一个焦点都是从算法模型向通用模型的演化。AIGC对AI质检的加持已经让工业级大模型的威力初露端倪。

中科院自动化所博士生导师、中科行智创始人彭思龙教授认为，工业领域需要一个相对通用的大模型，这样每个具体场景中，只需要进行少量样本标定，就能实现落地，而且全世界只有中国有这个机会和能力。

尽管中国拥有全世界最齐全的工业门类，即41个工业大类、207个工业中类、666个工业小类，但训练大模型的数据从哪里来，谁来组织，谁来获取，如何与企业沟通解决私密性问题，都成为新问题。一些制造业龙头企业，忌讳将内部数据交给服务商。

即便如华为这样的巨头，也只有局部数据，而创业公司只能够通过项目积累数据，“这里需要建立一套机制，只有国家来思考这个问题，地方政府都很难搞定。”彭思龙说，“即使国家队出面，企业数据也不会白给。”

思路之一是发改委或工信部出面组建团队，每个行业挑前10个龙头企业给予补贴，由龙头企业提供数据，相当于国家做一个工业基础设施，以订阅的方式提供给所有制造业企业，象征性地收取部分订阅费。

这是真正的国家级基础建设。

工业级别的大模型一旦诞生，将有力推动传统制造业的转型升级，产业链转移也将停止。彭思龙说:“当工业大模型出来以后，我比较看好传统产业升级，传统产业智能化这一块一旦完成，中国真的就是世界工厂。”

（注:文中明阳、胡威、李湘为化名。）