你能想象，國內半導體老大如何玩轉智能化？
近日，TCL工業研究院（香港）總經理俞大海博士在由雷鋒網主辦的「鯨犀產業數字峯會」上，分享了TCL在智能化的佈局策略。
鯨犀產業數字峯會，是由業內最頂尖的企業家、工程領袖、CIO、解決方案專家、投資家，聯合發起的數字化系列論壇。
致力於將全新的數字化管理思維和實踐案例，推向傳統產業界、AI界、互聯網界、投資界、經濟學界。
俞大海博士在本次峯會上談到：目前TCL的電視面板已經取得市場佔有率全球排名第二，LTPS、手機面板及電視出貨量全球第三，迷你LED已經接近世界第一的成績，而這樣半導體產業規模的背後，最離不開的就是智能工廠設計。
以TCL華星半導體智能工廠為例，結合人工智能、數據中台技術改造了從研發、採購、生產製造、物流、市場銷售、品質、財務，到整體平台等9個製造業經典模塊。
這一系列系統上線之後，僅在缺陷檢測模塊，就為華星工廠每年節省1000萬元成本，異常攔截時間也從2小時縮短到二十分鐘，極大的加快了生產速度。
以下為俞大海的演講全文，雷鋒網做了不改變原意的編輯：
大家好，今天我分享的題目是“TCL智能製造如何利用人工智能進行創新”。
TCL最近發佈了一款顯示分辨率高達8K的電視，尺寸達到了75寸和85寸，集成了人工智能以及高音質、高畫質和智能化軟件等操作系統。
這樣的高端電視機，其背後是由非常複雜先進的製造企業作為支撐。
接下來，通過一條簡單曲線看看半導體顯示需要具備什麼樣的工藝。
半導體顯示在過去20年間發展迅速，從CRT到LCD，再到OLAD、QLED，以及現在迷你LED，未來可能出現Micro LED以及量子點顯示，這都是非常複雜和精密製造過程。
目前，半導體在生產工藝方面存在兩個難點：首先在固定空間安裝更多顯示器件，這樣尺寸就越大；另外，讓顯示效果更好，即顯示分辨率，對比度、畫質等也是有着非常複雜的工藝。 
過去市場半導體顯示有四個主要趨勢：一是尺寸越來越大；其次是分辨率越來越高；三是動態範圍、幀率也越來越高；四是內容越來越多。
內容帶來的效果，目前從無論是電視還是互聯網電視上都可以看到，越來越多內容激發顯示以及智能終端方面活力。
包括手機、電視、平板電腦，等這麼多內容和服務，增強了半導體顯示需求，其發展趨勢實際上對生產商提出更高要求。
如圖所示，多年以來，憑藉經營管理和創新的科技產品，TCL在全球市場上的佈局和產量、銷量，一直都呈持續增長態勢。
最矚目成就是TCL已經具備從半導體顯示上游到顯示終端下游全產業鏈佈局。
如果想支撐全產業鏈的佈局，背後必須要有強大的製造業作為支撐。TCL是目前國內唯一一個同樣具備三星、LG顯示終端全產業鏈的企業，同時還能保持競爭力，這與智能化和數字化的製造能力是分不開的。
作為核心戰略產業集羣。TCL以華星半導體顯示智能製造工廠為代表，利用數字化和智能化創新，提升產品和製造競爭力，積極推動新型顯示技術，材料以及核心工藝的發展。
從2009年開始，TCL就開始對半導體顯示進行投入生產，第一個工廠投產之後，TCL華星光電就打破日韓企業在半導體顯示面板領域的壟斷，這與國家五年戰略規劃息息相關。
迄今為止，TCL已先後投入300億美金建成了6座液晶面板顯示工廠，在國內面板市場，甚至在國際上都具備很強的競爭優勢。
TCL已建成的T1，T2，T3，T4，T6，T7工廠中，其中有4座工廠位於深圳，2座工廠武漢，全面具備從電視機到手機、平板電腦等大中小尺寸顯示面板生產能力，在技術和專利上僅次於三星，成為全球第二大半導體面板顯示生產廠商。
市場銷售方面，TCL取得了非常好的成績，電視面板市場佔有率全球排名第三，LTPS、手機面板及電視出貨量全球第三，迷你LED已經接近世界第一，每年市場佔有率也都在不斷提升。
這樣規模顯示產業背後，是TCL華星半導體智能工廠作為其支撐。
TCL如何佈局智能化工廠
首先，TCL華星從建廠之初就意識到數字化和自動化重要性，結合製造業典型9個應用場景，建立從研發、採購、生產製造、物流、市場銷售、品質、財務和平台的整體的製造模塊，並且使用自動化和數字化系統在平台上進行相關佈局。
其中，生產製造環節、財務和平台等模塊都基本實現全自動化和數字化，當然有一些環節和模塊，由於受到相關技術以及實際情況影響，目前還是處於半自動化狀態，甚至有些依然處於依靠人工階段。
基於這個佈局，TCL一直都在探討如何能夠保證其生產製造工廠不斷提升競爭力，包括如何能夠快速的擴充產能，如何降本增效，以及如何利用人工智能和數據科學支撐TCL的智能製造。
數字化轉型是智能工廠業務轉型的一個主要方向，利用人工智能和數據科學是未來發展一個長期戰略。
TCL從四五年前就已開始對此進行佈局，並且着手一些相關研發，在此，簡單介紹一下TCL面臨的挑戰，以及使用人工智能驅動的背景。
首先，對半導體顯示產業而言，其面臨的挑戰包括市場和用户需求不穩定。
例如在疫情期間，半導體顯示在智能終端方面需求量突然提升，導致對半導體顯示面板的需求快速增長，以至於很多產能跟不上，只有像TCL這種規模的企業才能保證產能、保證供應。
另外，作為一個大型製造企業，人力和生產等製造成本一直居高不下。其次，良率的影響，半導體顯示是非常精密的產品，在生產過程中質量檢測壓力巨大，從一片玻璃到最後成為一個顯示屏，中間要經過四五十道甚至是六七十道工序，每一道工序的質檢都相當重要。
另外，數據孤島是在數字化轉型過程中的常見問題。
智能化，適用業務落地困難，傳統技術門檻較高等問題也非常嚴重。很多時候，在智能化之外，更多的是需要定製化，對專家高度依賴阻礙了智能化推廣效率。
在這個過程中，對人工智能的相關技術賦予這個產業的價值，總結出如下四個主要驅動因素：
第一，人工智能與工業深度融合起到最基本的降本增效的作用。
第二，提高產品質量和產品工藝，尤其是在高精密製造企業，已經在傳統設備以及經營管理上做到極致，想進一步提高產品質量，只有通過人工智能非常穩定、標準化方法才能得以實現。
第三，勞動力結構變化，現在人力成本越來越高，而且人可靠性和穩定性遠遠不如AI。
利用AI在某些重要環節或者某些領域中代替人工，改變勞動力結構，也是非常重要的驅動力。
第四，國際形勢的變化，中美對抗，對技術依賴以及製造業風險上影響，讓我們看到必須要利用自主研發的技術來解決我們面對的數字化和智能化問題。
於是，TCL和各個產業、華星以及研究院，共同對智能化着手佈局，從整體制造系統模塊中，首先制定出智慧研發、智慧生產以及智慧供應鏈三個智能化模塊。
為了支撐這三個智能化模塊，首先，華星的工業互聯網數字化業務平台第一個上線，保證了所有的相關業務平台能夠全面數字化。有了數字化的保證，接下來才能着手進行對智能化的開發。
其次，東智數字化中台在工廠落地應用。數字化中台主要針對在數字化管理和運營中，業務變化比較快的問題，實現了技術中台、數字中台和業務中台的無縫對接，保證了靈活擴展的業務開發的基礎。
最後，在去年開發了人工智能工業引擎，實現了智能化的賦能。
TCL的智能化內核接下來，重點介紹人工智能工業引擎，在研發以及生產品質方面的應用創新。
首先，東智數字化中台的主要目的是提供輕量級應用的PaaS服務，幫助提升企業數字化轉型的效益，核心就是AI中台。AI中台就是為了提高在人工智能方面的服務能力。人工智能中台的核心就是人工智能的工業引擎。
TCL在人工智能工業引擎佈局上的核心，就是人工智能的工業引擎一定要實現中台化的服務。即將人工智能為代表的相關技術平台化和服務化。
引擎裏包含了數據、算法、模型、訓練及推理的相關服務，部署應用服務，測試等等，以及完全的端到端的人工智能的應用部署的相關模塊。人工智能的工業引擎包含了檢測、挖掘、認知、決策四個主要引擎。
例如在工業視覺檢測引擎中，基本涵蓋了製造業需要進行工業視覺檢測的相關的大部分功能，例如異常檢測、缺陷檢測和分類、二維三維的測量，以及視覺引導、虛擬量測等等，有了這些相關的功能，就可以提供服務，並且解決非常具體的業務問題。
架構上，工業視覺引擎分成三個部分：特徵倉庫、人工智能AI Hub、以及應用部署模塊。
需要重點強調的是，與傳統的人工智能的開發模塊不太一樣，在建立的數據倉庫裏不僅包含了原始的場景數據，更主要的是將數據特徵化。
這些基於不同應用場景的特徵化數據存儲在特徵數據倉庫中，可以快速被調用，根據不同的業務場景，快速使用這些特徵化的數據，可以用來訓練人工智能的模型，提供人工智能的服務，實現持續的快速推廣和迭代。
AIHub裏面集成了大量的算法，不僅可以解決具體的業務問題，也包含的人工智能的自監督學習、遷移學習等學習型的算法模型，可以自主進行研發。
部署端，TCL不僅有基於服務器和私有云的雲端部署的能力，更主要的是還有輕量級嵌入式的部署能力。人工智能的相關服務以及人工智能的相關算法模型，目前還是需要大量的算力。
輕量級模型，能夠減輕對服務器的依賴，甚至在終端上就可以部署應用，實現了端側的人工智能的服務。
在此需要強調的是我們的引擎不僅提供算法模型的功能，直接解決業務問題，更主要的是把人工智能的技術平台化、SaaS化，針對製造業的應用特點，降低人工智能的相關應用門檻。
製造開發者可以基於我們的引擎，自己訓練和開發出需要的應用模型，甚至我們現在開發的相關界面，可以實現0代碼的業務應用。
此外，最主要是客户可以直接使用我們開發好、定製好的應用模型解決他們的應用問題，甚至具備開發能力的客户，可以利用我們的平台和引擎，自主訓練和開發適用於自身的應用模型。
極大減少後期的定製化和運維的成本和對算法科學家的依賴，提高了應用和擴展的能力，這也是人工智能工業引擎的一個核心功能。
目前，這套引擎已經在工業視覺檢測引擎上線和產品化，並且得以在TCL的華星工廠全面使用，也將其推薦給一些相關的合作企業使用。
TCL三大數字化案例接下來，分享TCL在人工智能相關的智能製造上的一些具體案例。
第一，關於自動缺陷的檢測，半導體的生產工藝非常複雜，從一片玻璃到一塊顯示屏，中間大概要經過幾十道甚至近上百道的工序，所面對的缺陷問題和背景也很複雜，利用傳統的光學檢測設備無法對其進行詳細的缺陷檢測和分類。
利用傳統的AOI設備進行光學檢測，雖然獲得了一些圖像，但是對圖像的缺陷無法進行精細的分類和定位，需要由人工判斷缺陷的種類和影響程度，以及缺陷對後面工藝如何處理的一些流程。
利用人工智能工業引擎，則實現了完全人工智能的自動化。通過AOI設備獲得圖像之後，人工智能進行自動的檢測、分類、分割以及邏輯判斷，專家的系統最後提交到後面的工業流程上，對生產環節進行處理。
從訓練到最終推理，使用的都是工業視覺檢測引擎的相關模塊。從數據採集訓練過程，到最後的模型上線，以及對推理過程進行的總結和分析，自動產線上的智能化系統的數據挖掘，提高生產過程中的工藝，都能夠完整實現。
最終，在產品上線之後，可以為華星每個工廠每年節省人力成本1千萬元，最主要的是質量檢測的效率得以極大提升，從以前的異常攔截需要花費1到2小時的時間縮短至40%，整個檢測流程幾十分鐘就能完成。
除了缺陷檢測、視覺檢測，利用工業引擎還可以進行預測和數據挖掘。
例如，能源管理上使用了工業視覺引擎當中的預測和挖掘的功能，利用歷史的用電數據進行分析和建模，還可以利用自監督的數據挖掘和預測技術，幫助工廠自動進行用電的購買規劃，然後進行實時的能耗預警。
這個功能在我們其中的一個工廠局部試運行，預計每年可以助其節省3千萬元以上的用電消耗，如果加以全面推廣，預計可以實現每年1.5億到3億的能源節省，或者是效率的提升。
另外，是我們在研發上使用的預測以及認知的相關技術。人工智能工業引擎做了版圖設計的項目，版圖設計非常類似於現在的半導體設計的EDA，或者是相關的設計過程，以前的設計過程完全依賴設計師以及工程師的個人經驗，人工智能則能夠提高他們的效率，降低驗證的成本。
版圖設計在引入人工智能引擎之後，通過輸入歷史數據以及相關的參數，就可以自動輸出一個版圖設計的結果，在模擬器上就可以預測性能，能夠快速知道設計的效果。同時與設計師或者工程師配合，能夠快速修正版圖設計。
通過歷史學習的參數，人工智能可以在不斷的修正過程中探索更多的可能。版圖設計很多時候依賴與人工經驗，而人的經驗有其侷限性。
今天人工智能通過學習在版圖設計上給人帶來一些新的idea和新的創造力，這也是目前我們輔助版圖設計提升效率，降低成本的過程中發現的一個比較好的方向。
目前，材料基因組的研發是國家戰略，TCL對於量子點的材料研發佈局了很長時間，目前，從全世界範圍來看，在量子點材料本身的技術領域，TCL已處於世界領先的地位。
在研究量子點材料合成和器件性能的過程中，TCL搭建了自己的材料試驗設備，這個設備可以代替人進行自動化的材料試驗，以前化學家或者是工程師手工實驗的效率非常低，同時產生的數據不穩定。
有了這套設備，就可以產生穩定的數據。利用這套穩定的數據，接下來就可以利用人工智能進行材料合成的相關工作，其中有兩點值得探索：
第一是如何利用人工智能深度學習輔助解決量子物理和量子化學中的一些基礎方程，這些基礎方程對於材料合成具有指導意義。年前DEEP MIND和德國的一個研究所曾利用人工智能深度學習解析薛定諤方程，也證明其可行性；
第二是基於大數據AI的性能預測，利用人工智能預測微流控設備產生的數據模型。
因為量子點材料合成目前還有很多未知的領域，希望人工智能能夠學習到其中的結構、根因，提供新的配方，並且能夠在合成之後提供效果更好、壽命更長，相關的量子點的材料。
在科學研究上，這部分也是屬於目前非常前沿的技術，我們與香港大學、鵬城實驗室進行了相關合作的討論，未來我們也考慮和更多先進的研究機構共同合作，希望在半導體顯示領域，能夠利用人工智能解決這些科學問題。雷鋒網雷鋒網