工业互联网产业联盟-工业智能白皮书2020_部分3

1、图 25：技术与解决四类问题的对应关系 图 24：人机协作机器人 （左， 西门子；右， 谷歌） 29 工业智能的关键技术 式进行编程学习，深度学习方法使机器人能够进行复杂计算，完成智能学习功能。如欧姆龙发 布了世界上首个全图像化协作机器人，用户只需简单拖拽，1 分钟即可掌握工作流程。多机协 作方面，机器人能够进行经验共享与协同作业。如谷歌基于机器学习和云计算，在云端建立数 据库存储机器人执行任务的经验，形成集中式技能模型，提升学习效率和任务执行能力。 法满足算力需求。一方面，CPU 架构中负责计算的区域 (ALU) 占用面积较小，缓存和控制单 元占据大量空间。另一方面，ALU 与内存交互过于频繁，限制了总体吞吐量，并需要大量能 耗。使用 CPU 进行深度网络运算将导致较大的耗时与功耗，提高计算成本，限制了在工业领 域的应用。 工业问题的复杂性导致深度学习 应用具有极高的算力要求，必须通过 AI 芯片解决。深度网络所需的矩阵运 算量极大，通用 CPU 博而不专，无 （二）通用技术突破与工业化适配成为解决四类应用问题的关键 1. 芯片 ： 基于 FPGA 的半 定制化芯片有望成为工业智能核

2、 心底座 图 26：CPU 与 GPU 架构对比 CPU 微架构GPU 微架构 图 27-1：算法耗时对比 ( 毫秒， 左 ) 与峰值浮点对比 (TFlops， 右 ) 图 27：CPU、 GPU 及 FPGA 相关性能对比 图 27-2：FPGA 与 CPU 感知算法加速比 （左） 和节能比 （右） 30 工业智能的关键技术 FPGA 能满足算力 与实时性要求，同时兼 具功耗比低、价格可控 和 灵 活 性 高 等 相 对 优 势。将 FPGA 与 CPU、 GPU 进行峰值浮点运算 和算法运行时间的对比 可以看出，FPGA 的算 力远高于 CPU，略低于 GPU，而算法运行时间远小于 CPU 和 GPU，具有较大的优势。 与 ASIC 芯片相比，FPGA 的研发成本低、设计周期短，同时具有多任务灵活处理的优势，而 与 GPU 相比，FPGA 具有更高的功耗比。 FPGA 能够提高机器人感知与处理性能、节省能耗，并已逐步融入机器人操作系统中。机 器人的感知与处理环节犹如人 “眼” 和 “脑”。在感知环节中，通过 FPGA 和 CPU 运行 SIFT、 SURF、SLAM 算法的加速比与

3、能耗比可以看出，FPGA 能提高感知帧率，让感知更加精准， 并且 FPGA 运行功耗较低，可使计算持续多个小时。在处理环节，以 CNN（卷积神经网络） 计算过程为例，与 CPU 相比，FPGA 具有更高的速度和极低的计算能耗，使深度学习实时计 算更容易在端侧执行。 进一步，FPGA 正逐步融入机器人 ROS 中，为其未来在机器人的应用普及奠定了基础。 如美国 Sandia 国家实验室的机器人手臂 Sandia Hand 使用 FPGA 进行数据预处理；日本的 研究人员提出了 ROS-Compliant FPGA 设计，使 ROS Node 可以直接运行在 FPGA 上； ROS 运营机构 Open Source Robotics Foundation 发现机器人开发者对 FPGA 融入 ROS 的 需求逐步提升。 来源：公开资料整理 图 27-3：CNN 计算耗时 ( 毫秒， 左 ) 与计算能耗对比 ( 焦， 右 ) 31 工业智能的关键技术 除 FPGA 外，微处理器（MPU）在工业 领域的发展也值得关注。MPU 算力强大，能 够满足通用性的工业 AI 推理需求，例如瑞萨 电子根据工

4、业控制的具体需求，推出 RZ/G2 系列 MPU 产品，该系列主要面向工业与楼宇 自动化领域。还具有协同、控制 FPGA 从而 重构系统的能力。所以，未来可能形成通用 AI 功能使用 MPU、专用化 / 实时性 AI 功能使 用 FPGA 的协同局面。 工业领域存在适应性问题，对编译器需 求较为迫切。如各个框架底层实现技术不 同，不同软件框架开发的模型相互转换存在 困难，而且工业领域存在大量的实体与模 型，模型表达不统一，不同框架下的模型存 在交互需求。此外，软件框架开发者和计算 芯片厂商需要确保软件框架和底层计算芯片 之间良好的适配性。工业领域终端设备 ( 芯 片 ) 种类繁多，需要通过中间语言 IR 实现前 端与后端硬件的解耦。 训练框架方面，Tensorfl ow、Caff e 等框架已能满足工业训练应用需求。例如 GE 的贝 克休斯公司基于 TF，利用深度学习算法进行震动预测、设备预测性维护、供应链优化和生 产效率优化。阿里工业大脑全面支持 TensorFlow、Caff e 等架构，已广泛参与到新能源、 化工、重工业等不同制造领域。INDICS 平台基于 Tensorfl o

5、w 进行轴承预测，并开发了基于 INDICS 平台的算法建模工具平台。 推理框架方面，端侧推理框架无法满足工业终端计算需求，需定制化开发。现阶段工业 领域云侧推理基本采用 TensorRT，一方面由于现有云侧推理框架种类较少，而 TensorRT 对各训练框架兼容性较强，基本能够满足云端推理需求；另一方面，工业云端芯片基本为英 通用编译器群雄相争，兼容性编译器可 能成为工业应用未来趋势。英特尔、亚马逊、 谷 歌、Facebook、华 为、阿 里 和 Khronos Group 等企业和机构基于各自优势与竞争考 虑打造了相应编译器或模型表示规范。但目 前业界并没有统一的中间表示层标准，模型 底层表示、存储及计算优化等方面尚未形成 事实标准，仍处于群雄相争的局面。初步判 断，未来兼容性的编译器可能成为趋势，其 能不断扩展框架支持种类，满足复杂的工业 需求。 2. 编译器 ： 高兼容性编译器满足工业适应性需求 3. 框架 ： 实时性需求推动端侧推理框架成为未来发展重点 图 28：深度学习图像处理步骤可视化 32 工业智能的关键技术 伟达，TensorRT 底层对其做了多方面优化。但随着工业终

6、端智能化功能与计算需求的不断 提升，端侧推理框架需求较为紧迫，华为、谷歌、腾讯、百度和苹果等企业已经开发出主要 面向手机端的推理框架，极大地提升了移动终端的计算智能能力，未来具备向工业领域渗透 可能性。比如华为 MindSpore 框架支持包括手机、摄像头、自动驾驶等场景的推理需求， 满足端边云全场景 AI 的计算需求。 工业智能应用面临的四个关键问题中，实时性问题、软硬件与模型适应性问题可通过芯 片、架构与编译器的发展来解决，而可靠性、可解释性、数据与场景适应性则需依靠算法层 面的研究解决。场景定制化算法、基础研究深化、前沿技术创新有望成为解决前述三个问题 的三大利器 。针对可靠性问题，需要将通用算法与工业机理、知识、实际场景结合，研发 针对工业场景定制化的算法；针对可解释性问题，人工智能可解释性相关研究早已出现，深 度学习具备可解释基础，技术透明化必会实现。根据公开资料显示，21 世纪以来，机器学 习可解释性相关文献数量逐年递增，算法透明化的研究不断开展，并取得了一定的进展。而 通过深度学习识别人脸图像的可视化过程可以看出，计算过程由边角五官面部，完全符 合人类的认知逻辑，说明算法

7、本质并非黑箱，具备可解释的基础。随着深度学习算法研究的 持续开展，技术透明化在未来有可能实现。针对适应性问题，迁移学习的 “触类旁通” 通过 从已学习的任务中转移相关知识，解决新任务数据缺乏的问题；生成对抗网络（GAN）等能 够合成训练数据，增强算法 “自力更生” 的能力。总之，前沿技术创新或可打破深度学习类 算法对大数据限制，实现已有知识、模型的场景化迁移。从更长远来看，随着类脑智能的发 展，通用智能时代的到来或许能从根本上解决此类问题。 4. 算法 ： 通用技术领域突破与定制化算法研究是关键 33 工业智能支撑产业 （一）工业智能形成“两横一纵”的支撑产业格局 当前，工业智能产业视图体现“两横一纵”的格局，横向为包括芯片、编译器、框架、算法 的基础技术和包含各类工业智能细分场景解决方案的融合应用，纵向为包含研究机构、产业联 盟、咨询服务机构的周边服务。ICT企业、研究机构及相关行业协会三类主体为工业智能提供通 用技术支撑；在应用层面，装备/自动化与软件企业、制造企业、ICT企业和初创企业四类主体 通过应用部署与创新实现工业智能价值。 三类主体现阶段提供通用关键技术能力，以“被集成”

8、的方式为工业智能提供基础支撑。主 要包括三类： 一是ICT企业，提供几乎涵盖知识图谱、深度学习的所有通用技术研究与工程化支持，如谷 歌、华为、阿里等在知识图谱算法研究领域开展研究；英伟达、AMD、英特尔、亚马逊、微软、 图 29：工业智能产业视图 1. ICT、研究机构与行业协会提供算力算法支持，成为工业智能重要支撑 34 工业智能支撑产业 赛灵思、莱迪思、美高森美、海思等开展GPU、FPGA等深度学习芯片研发；微软、Face- book、英特尔、谷歌、亚马逊、华为等开展了深度学习编译器研发；谷歌、亚马逊、微软、 Facebook、苹果、Skymind、华为、腾讯、百度等开展深度学习框架研究;谷歌、微软等开展了 可解释性、前沿理论算法研究。 二是研究机构，主要提供算法方面的理论研究，如加州大学、华盛顿州立大学、马克斯- 普朗克研究所、卡耐基梅隆大学、蒙彼利埃大学、清华大学、中科院、浙江大学等在知识图谱 算法研究领域开展研究；蒙特利尔大学、加州大学伯克利分校等开展了深度学习框架研究；斯 坦福大学、麻省理工、以色列理工学院、清华大学、南京大学、中科院自动化所等开展了深度 学习可解释性与相关

9、前沿理论算法研究。 三是行业协会，提供相关标准或通用技术支持，如OMG对象管理组织提供统一建模语言 等企业集成标准的制定，为知识图谱的工业化落地奠定基础；Khronos Group开展了深度学习 编译器研发。 类主体以集成创新为主要模式，面向实际业务领域，整合各产业和技术要素实现工业智能 创新应用，是工业智能产业的核心。 目前应用主体主要包括四类： 一是装备/自动化、软件企业及制造企业等传统企业，面向自身业务领域或需求痛点，通 过引入人工智能实现产品性能提升，如西门子、新松、ABB、KUKA、Autodesk、富士康等。 二是ICT企业，依靠人工智能技术积累与优势，将已有业务向工业领域拓展，如康耐视、 海康威视、大恒图像、基恩士、微软、KONUX、IBM、华为云、阿里云等。 三是初创企业，凭借技术优势为细分领域提供解决方案，如Landing.ai、创新奇智、旷 视、Element AI、天泽智云、Otosense、Predikto、FogHorn等。 四是研究机构，依托理论研究优势开展前沿技术的应用探索，如马萨诸塞大学、加州大学 伯克利分校等在设备自执行领域开展了相应探索。 2. 应用主体面向实际业务领域发挥应用创新作用 深度学习理论研究趋于平稳，应用落地成为关键。Google学者Franois Chollet、人工智能 顶级学者李飞飞、微软亚研院、AI顶级学者郑宇、地平线创始人余凯等均认为深度学习理论研 究主流架构会收敛，较难有革命性理论突破，目前瓶颈在于技术与传统行业的对接。 目前来看， ICT 巨头在深度学习框架、 编 译器与芯片等通用技术领域占据绝对统治地 位，但工业领域延伸及适配化发展程度并不 统一。 现阶段端侧推理框架主要由五大 ICT 巨头企业主导，初步判断，华为、百度更可能 在工业领域发力。 苹果 CORE ML 深度学习框架目前仅支 持 IOS 系统，且苹果并未有向工业领域延伸 的趋势。 Facebook Caff e2go 与腾讯 NCNN 深度学习框架目前仅为手机端提供优化，且 仅支持 CPU。 谷歌 TensorFlow Lite 深度学 习框架现阶段首先支持安卓和 IOS，同时在 工业领域应用普及度也较高。 华为 AI 计算框 架 MindSpore、 百度 Paddle-mobile 深度学 习框架支持包括 ARM、 NP

《工业互联网产业联盟-工业智能白皮书2020_部分3》由会员太**分享，可在线阅读，更多相关《工业互联网产业联盟-工业智能白皮书2020_部分3》请在金锄头文库上搜索。