一根根針插在塑料板上，工人戴著指套的手指靈活地翻轉這小小的一塊，檢查插針的排布是否符合要求。這個小塊就是連接器，未來要負責信號和電流的傳輸，在交通、醫療、汽車等領域都有應用。檢驗電鍍好的多個插針與盒座接插后插針是否有缺漏、定位是否正確是TE Connectivity（泰科電子，下稱“TE”）工廠流水線上組裝的環節之一，只有被認定為良品，它們才會被放在流水帶上奔赴下一道工序。

AI“進廠打工”能夠部分解決產品缺陷全靠人工檢驗帶來標準不統一的問題，不過也會帶來新煩惱：由于材料供應商批次或者電鍍等不同，良品也會因反光率等問題被誤認為是次品而被自動剔除。

解決了這個問題的團隊在TE主辦的2023 年TE AI Cup第四屆全球競賽上獲得了一等獎。今年，全球25所高校的200余名工程學子從AI機器視覺、AI工藝優化和綜合AI應用三個方面參與“調教”AI打工人。

在數字化轉型浪潮中，AI“進廠打工”已是定局，但要想成為工廠中意的打工人，也需要AI卷起來，離不開人類工程師的指導。

產學合作

今年是TE工業事業部蘇州工廠第四年參與TE AI Cup。上海大學團隊與TE工業事業部蘇州工廠工程師共同設計出一款圖像分析及參數自動調整系統，摘得了一等獎。此前，行業在利用AI視覺檢測來把控產品質量時，普遍需要頻繁地手動調整檢測參數。而這套系統可根據輸入的圖像自動調整檢測參數，并在預輸入參數設置錯誤時，及時給出正確的調整建議。經驗證，方案預計能夠減少81%的檢測時間，可實現產品報廢率降低90%。

TE AI Cup在2018年由TE全球運營技術副總裁魯異博士發起，TE自動化制造技術團隊組織，如今已升級成為包含亞洲賽區，歐洲、中東與非洲賽區和美洲賽區的全球性科技賽事。在TE全球8大事業部的30家工廠的支持下，學生團隊實地前往工廠，了解工業制造場景中真實的挑戰，設計的AI解決方案也會在TE工廠進行實地驗證和調整。這既加速了AI技術在工業場景中的應用，也為高校學子提供了探索AI技術及實際應用場景的平臺。

“工廠這邊很給力，為我們搭建了硬件平臺的實驗室，給我們配備了廠方的工程師，是完全沉浸式的比賽。”上海大學計算機學院教授，本屆TE AI Cup項目導師辛立明說。他告訴財經，通過比賽建立起校企合作的關系，能夠為更多學生提供實踐的機會。“在這個過程當中，我們學生跟工廠深度融合，學會去發現問題，以及發現問題怎么去解決。”

蘇州工廠總經理徐穎卿表示，歷年的成果都會在工廠中逐步應用起來，“AI可以自主學習并統一進行標準判斷，這對于保證質量的穩定性起到了作用。” 以這款獲一等獎的圖像分析及參數自動調整系統為例，在一家工廠內，就有超過70個部署該項目的機會。

AI打工人

從競賽中可以看到有趣的一點是，AI作為打工人也面臨著競爭壓力。

財經了解到，在蘇州工廠里，有一條產線曾與 TE AI Cup連續兩屆合作。2022年，蘇州大學團隊與TE工程師共同開發了一套基于人工智能的自反饋調速系統，命名為AI 插針速度自動調整與防撞擊項目，該系統兼顧自動調速算法、算法普適性、避免設備撞擊的算法改進等，可幫助工廠在保證設備運行質量的前提下提升設備的速度值。在比賽測試環節，該系統在TE工業事業部蘇州工廠試運行三個月時間，成功將工廠的組裝設備生產力提高了約10%。

2023年，逢甲大學團隊在同一產線上，以避免設備撞擊為目的，與TE工程師開發了通過對插針過程的監控避免設備撞機系統。通過AI數據分析，實現了對機器實時監控達到預測性維護的狀態，進一步避免生產過程中的撞機。

但這條產線還有優化的空間，TE工程師表示，“明年預計將生產力提升到25%”。

除了創新，吸引工廠進行嘗試和改進的解決方案要經過充分的驗證，滿足穩定性，不能影響生產環節速度和良率，以及使用時要容易操作等等要求。畢竟，數字化轉型的生產線很有可能不只覆蓋一種產品，有可能會生產不同批次且有一定差異的產品。

那么今年火熱的大模型是否有望“進廠務工”呢？

“我們一直關注著大模型的發展。”TE Connectivity 全球運營自動化制造技術團隊專家工程師兼中國礦業大學碩士生導師周磊告訴財經，應用的難點在于走向工業領域的垂類時，工業界定制化比較多，會牽涉不同的料號，在進行數據調優時并不容易，“這個設備有可能兼容十個料號，明天我就可能要切換兩次，數據其實也比較難搜集。”此外，由于還會涉及信息安全等問題，對于準確率要求較高的工廠而言，目前看到在實際生產中能發揮的作用并不明顯。

但他充分認可AIGC的能力，“我們關于良品的訓練及和照片已經很多了，因此現在利用AIGC生成一些不良品的照片，幫助系統進行識別和判定。”去年來自墨西哥索諾拉大學的團隊就是通過算法開發出‘缺陷品圖片合成器’獲得了一等獎，在這個領域，大模型顯然大有可為。財經了解到，今年參賽的方案，除了涉及視覺檢測、增產提效、生產與產能規劃，還擴展至銷售預測、供應鏈管理等領域。而這些領域的擴展也將是未來大模型的機會所在。“未來生產的排班，接收到一個指令就能排好，這是非常讓人期待的。” 周磊說。