从单点智能到全流程AI，腾讯云智能AI能力「成团出道」

机器之心原创

作者：张倩

「数字技术和实体经济共生共荣，只有充分考虑产业、技术、商业等各个环节，才能更好发挥 AI 的价值，推动中国产业升级发展。」

01 关于工业质检的「冷知识」

如果你问一些 AI 工程师，「做一个 AI 质检仪去检查手机内部摄像头支架的缺陷要拍多少个点位？」放在几年前，他们可能答不上来。但现在，他们会告诉你：要拍七八十个。

这个「冷知识」是他们从工厂学到的，腾讯云副总裁、腾讯云智能研发负责人、优图实验室研发负责人吴永坚说，在实际接触这类项目之前，他们也没想到一个小小的零件居然要花那么大的工夫去质检，原本预计一两个月就能做出来的 AI 质检工具，最后居然花了 300 多天。

图源：https://www.yankodesign.com/2021/01/18/this-framed-disassembled-iphone-5-makes-the-perfect-gift-for-any-tech-lover/

这个项目落地于富驰高科，他们生产的摄像头支架精度、表面光洁度都非常高，但与生俱来的高反光特性和复杂的结构也使其缺陷更难被发现。通常，一个质检工人要将其放到 30 倍的电子放大镜下翻来覆去地看，才能发现一些微米级的裂痕或压伤，一个零件要花上一分钟才能看完，三个工人轮班每天也就能看完 1000 多个。

每到客户产品上新的周期，富驰高科的负责人就犯了难。几千万的零件要想如期交付，就得增加一大批质检工人，不容易招到不说，招到也不一定能留得住，很多人都是干上几个月甚至几周就离开了，让工厂陷入招募、培训、重新招募、重新培训的循环。

早在几年前，他们就想过用 AI，但对于漏检率的严苛要求筛掉了几乎所有技术团队。

最终成功通关的吴永坚及其团队，对这种严苛有着深刻的体会。之前做其他项目时，比如给相册软件做缩略图，你只需要让 AI 检测出里面的显著特征就可以了，极少数检测不出来也不影响软件的使用。

但工业质检场景不能这样做。要知道，一个批次几万件零件，一旦被发现一个严重缺陷，整批产品就可能全部退回重检，人力成本直接翻倍。所以，工厂对他们的基本要求是漏检率要控制在万分之几，严重缺陷漏检率要接近于 0。

这种前所未有的压力，让腾讯云智能团队选择了一种和以往不同的工作方式：将工位挪到工厂，向工人直接取经。

这个举动，让他们发现了很多有价值的前场信息，比如如何分辨一个小黑点是脏污还是压伤：工人可能会斜着看、用手擦一下或按压一下。相应地，AI 质检仪同样要增加拍摄的角度，通过设计新的照片合成方法来立体地展示零件表面信息，给算法提供更丰富的判断依据。

类似的小发现在这个项目中层出不穷，每攻克一个就收获一些「冷知识」。随着这些「冷知识」的不断积累，算法的漏检率降了下来，从最开始的百分之一降到后面的十万分之一。

最终，腾讯云智能交付出一款名为「腾慧飞瞳」的 AI 质检仪，该质检仪 4 秒就能完成一个产品的质检，一天可以检测 2 万个，严重缺陷能做到零漏检，而且只需要补充少量数据就能用到最新产品的外观检测上。在 10 多台设备持续满载生产的情况下，该项目预计每年为富驰高科节省成本数千万元。

这个项目的成功让腾讯云智能在 3C 外观质检领域一战成名，越来越多厂商开始找到他们，希望定制类似的产品。兴奋之余，这也让吴永坚有了新的思考：3C 产品外观质检赛道对 AI 技术的需求非常强烈，但不可能每个项目都花同样大的精力去做。因为「腾讯是一个产品公司，不是一个项目公司」，沉淀出更加低门槛的产品、实现项目的高效率、低成本复制是他们需要提上日程的一项新任务。

02 当「冷知识」聚沙成塔

在腾讯云智能所承接的后续项目中，立铠精密的项目与富驰高科非常相似，也是 3C 产品零部件的质检，但这个项目的检测量要大得多，种类由原来的单一部件扩展到多个大小不一的部件，用的工艺也从 MIM（金属粉末注射成型）横跨到阳极氧化，挑战比之前更大。

但吴永坚却说，这个项目做起来其实要从容很多，因为经过前几个项目的流程拆解、知识积累之后，很多工作其实已经实现了一定程度的标准化，甚至用上了一些标准化的工具，比如一个名为 TI-AOI 的工业质检训练平台。

TI-AOI 是腾讯云智能对 AI 技术与质检项目经验的提炼与总结。据介绍，它分为训练和运营两个模块，零基础工程师也能轻松上手。

在训练模块，工厂工程师可以选择这批零件有哪些类型的缺陷，这些缺陷里面哪些是关键点，哪些不是，然后设置指标（比如目标过杀率、漏检率），平台训练之后，会告诉工厂工程师需要增加哪些数据持续训练。

在运营模块，如果模型出现某些点位漏检率、过杀率过高的情况，也可以在不调整训练侧数据的情况下通过运营的方式去解决。比如，在那些可能没问题的点位进行屏蔽，或调整某个概率来快速降低过杀率。当几个版本跑完之后，运营模块可以给出一些关键数据的统计结果，比如哪些点位容易过杀，哪些点位容易漏检，从而帮助使用者实现快速迭代。

如此一来，工厂里无算法背景的工程师也能参与到项目中来，项目进度大大加快。

在过去的一年中，腾讯云智能打造了 10 多个细分领域外观检测的解决方案，年累计交付超过 100 台外观检测设备，单一客户累计完成超过 2000 万件产品外观检测。在最新的 IDC 权威报告中，腾讯云智能仅用 2 年时间便成功跻身工业 AI 质检行业前三。

当然，这种从定制化到标准化、从单一技术产品到多能力聚合平台的进化在腾讯云智能内部并不是孤例，也并不局限于单个环节、单个行业。各行各业对于降本增效、开箱即用的 AI 需求加快了他们将整个腾讯云智能推向体系化的进程。

03 一个完整的产业落地链条

在 AI 产业落地的初期，很多需求是相对比较单点的，比如一家公司可能只需要一项 OCR 的识别或一项人脸核身技术。在这一阶段，很多 AI 产品也是以单点能力的形式来交付的。但随着 AI 产业落地程度的加深，腾讯云智能发现，客户对 AI 的需求已经变得越来越多样化。

要应对这些需求，仅仅开放一项或几项 AI 能力、AI 产品是远远不够的。就像工业质检项目一样，之前该领域也有一些开放了某几项能力的拖拉拽式工业软件，但用户拿到之后依然需要自己摸索很多细节，比如如何搭建 pipeline，添加哪些数据去调试结果等等，实际可用性并不高。

「产业是严密的体系，环节之间的协作至关重要。单点智能的能力提升，往往不足以改变整个体系的效率；需要高度系统化、协同化的全流程 AI，才能实现综合产能的提升。」腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生在 2022 腾讯全球数字生态大会上说。

为了适应这种需求的变化，腾讯内部多个与 AI 技术、产业相关的团队正在不断融合，聚合成「腾讯云智能」体系。这个对外的品牌融合了腾讯内部 AI 技术、拳头 AI 产品和解决方案，以及成熟的数智化转型方法论，一起「成团出道」。

具体来说，这个「团」的内部有四个层级，分别负责在不同的环节加速 AI 产业落地。

最底层是算力加速，腾讯自研的紫霄 AI 芯片与自家 AI 开发平台高度适配，与使用通用 GPU 相比性能提升 200%。

中间两层是开发加速和落地加速，其基础支撑是腾讯云的开发平台——TI 平台，前面提到的 TI-AOI 工业质检平台就是它的一个细分领域子平台。

本着把「平台做厚」的原则，腾讯云智能一直在给 TI 平台增加新的能力，从标注、训练、推理到应用都涵盖在内，其新推出的 TI-ACC 训练、推理加速工具能帮助用户节省一半的算力资源投入。就是因为有这个一个一站式的开发平台，腾讯云智能才能在各个行业的落地解决方案中做到让用户足够省心，由此把行业解决方案做得越来越深。

此外，落地加速层面还包括一系列标准化的应用，比如数智人、语音助手、智能客服，让用户真正「开箱即用」。

这些能力组合到一起，帮助腾讯把产业落地的路越走越宽，生态合作伙伴越来越多。

对于这些合作伙伴共同的数智化转型诉求，腾讯云智能联合埃森哲共同梳理出了一套数智化转型方法论，其中详细梳理了以传统模式推动数智化转型过程中的痛点与难题，并给出了针对性的解决方案。

正如腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声所说，这个「四级加速」矩阵把产业落地的前后端都考虑到了，形成了 AI 产业落地的一个完整链条，「在这个链条中，不管客户需要的是标准化 AI 原子能力、通用产品还是定制化行业解决方案，云智能有相应的方式来满足需求，这是我们的优势」。

04 结语

「数字技术和实体经济共生共荣，只有充分考虑产业、技术、商业等各个环节，才能更好发挥 AI 的价值，推动中国产业升级发展。」吴运声曾在 9 月世界人工智能大会「腾讯论坛」上表示。

当时，腾讯云对上述问题的完整解法还没正式披露。如今，通过「四级加速」矩阵和「做厚平台、做精应用、做深行业、做广生态」的打法，腾讯云智能正在逐步打通各个环节，成为高度系统化、协同化的全流程 AI 服务的提供者。

汤道生说，未来，腾讯云智能将沿着全新战略方向，助力各行各业拥有大算力、易开发、能落地的云端智能平台，让 AI 成为产业升级的「贴心」助手，同时以云智融合帮助人看得更远、想得更深、干得更好，造福于人类的美好生活。