你能想象，国内半导体老大如何玩转智能化？
近日，TCL工业研究院（香港）总经理俞大海博士在由雷锋网主办的「鲸犀产业数字峰会」上，分享了TCL在智能化的布局策略。
鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。
致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。
俞大海博士在本次峰会上谈到：目前TCL的电视面板已经取得市场占有率全球排名第二，LTPS、手机面板及电视出货量全球第三，迷你LED已经接近世界第一的成绩，而这样半导体产业规模的背后，最离不开的就是智能工厂设计。
以TCL华星半导体智能工厂为例，结合人工智能、数据中台技术改造了从研发、采购、生产制造、物流、市场销售、品质、财务，到整体平台等9个制造业经典模块。
这一系列系统上线之后，仅在缺陷检测模块，就为华星工厂每年节省1000万元成本，异常拦截时间也从2小时缩短到二十分钟，极大的加快了生产速度。
以下为俞大海的演讲全文，雷锋网做了不改变原意的编辑：
大家好，今天我分享的题目是“TCL智能制造如何利用人工智能进行创新”。
TCL最近发布了一款显示分辨率高达8K的电视，尺寸达到了75寸和85寸，集成了人工智能以及高音质、高画质和智能化软件等操作系统。
这样的高端电视机，其背后是由非常复杂先进的制造企业作为支撑。
接下来，通过一条简单曲线看看半导体显示需要具备什么样的工艺。
半导体显示在过去20年间发展迅速，从CRT到LCD，再到OLAD、QLED，以及现在迷你LED，未来可能出现Micro LED以及量子点显示，这都是非常复杂和精密制造过程。
目前，半导体在生产工艺方面存在两个难点：首先在固定空间安装更多显示器件，这样尺寸就越大；另外，让显示效果更好，即显示分辨率，对比度、画质等也是有着非常复杂的工艺。 
过去市场半导体显示有四个主要趋势：一是尺寸越来越大；其次是分辨率越来越高；三是动态范围、帧率也越来越高；四是内容越来越多。
内容带来的效果，目前从无论是电视还是互联网电视上都可以看到，越来越多内容激发显示以及智能终端方面活力。
包括手机、电视、平板电脑，等这么多内容和服务，增强了半导体显示需求，其发展趋势实际上对生产商提出更高要求。
如图所示，多年以来，凭借经营管理和创新的科技产品，TCL在全球市场上的布局和产量、销量，一直都呈持续增长态势。
最瞩目成就是TCL已经具备从半导体显示上游到显示终端下游全产业链布局。
如果想支撑全产业链的布局，背后必须要有强大的制造业作为支撑。TCL是目前国内唯一一个同样具备三星、LG显示终端全产业链的企业，同时还能保持竞争力，这与智能化和数字化的制造能力是分不开的。
TCL的产业布局主要集中在三个产业集群，其中的核心就是半导体显示以及材料。
作为核心战略产业集群。TCL以华星半导体显示智能制造工厂为代表，利用数字化和智能化创新，提升产品和制造竞争力，积极推动新型显示技术，材料以及核心工艺的发展。
从2009年开始，TCL就开始对半导体显示进行投入生产，第一个工厂投产之后，TCL华星光电就打破日韩企业在半导体显示面板领域的垄断，这与国家五年战略规划息息相关。
迄今为止，TCL已先后投入300亿美金建成了6座液晶面板显示工厂，在国内面板市场，甚至在国际上都具备很强的竞争优势。
TCL已建成的T1，T2，T3，T4，T6，T7工厂中，其中有4座工厂位于深圳，2座工厂武汉，全面具备从电视机到手机、平板电脑等大中小尺寸显示面板生产能力，在技术和专利上仅次于三星，成为全球第二大半导体面板显示生产厂商。
市场销售方面，TCL取得了非常好的成绩，电视面板市场占有率全球排名第三，LTPS、手机面板及电视出货量全球第三，迷你LED已经接近世界第一，每年市场占有率也都在不断提升。
这样规模显示产业背后，是TCL华星半导体智能工厂作为其支撑。
TCL如何布局智能化工厂
首先，TCL华星从建厂之初就意识到数字化和自动化重要性，结合制造业典型9个应用场景，建立从研发、采购、生产制造、物流、市场销售、品质、财务和平台的整体的制造模块，并且使用自动化和数字化系统在平台上进行相关布局。
其中，生产制造环节、财务和平台等模块都基本实现全自动化和数字化，当然有一些环节和模块，由于受到相关技术以及实际情况影响，目前还是处于半自动化状态，甚至有些依然处于依靠人工阶段。
基于这个布局，TCL一直都在探讨如何能够保证其生产制造工厂不断提升竞争力，包括如何能够快速的扩充产能，如何降本增效，以及如何利用人工智能和数据科学支撑TCL的智能制造。
数字化转型是智能工厂业务转型的一个主要方向，利用人工智能和数据科学是未来发展一个长期战略。
TCL从四五年前就已开始对此进行布局，并且着手一些相关研发，在此，简单介绍一下TCL面临的挑战，以及使用人工智能驱动的背景。
首先，对半导体显示产业而言，其面临的挑战包括市场和用户需求不稳定。
例如在疫情期间，半导体显示在智能终端方面需求量突然提升，导致对半导体显示面板的需求快速增长，以至于很多产能跟不上，只有像TCL这种规模的企业才能保证产能、保证供应。
另外，作为一个大型制造企业，人力和生产等制造成本一直居高不下。其次，良率的影响，半导体显示是非常精密的产品，在生产过程中质量检测压力巨大，从一片玻璃到最后成为一个显示屏，中间要经过四五十道甚至是六七十道工序，每一道工序的质检都相当重要。
另外，数据孤岛是在数字化转型过程中的常见问题。
智能化，适用业务落地困难，传统技术门槛较高等问题也非常严重。很多时候，在智能化之外，更多的是需要定制化，对专家高度依赖阻碍了智能化推广效率。
在这个过程中，对人工智能的相关技术赋予这个产业的价值，总结出如下四个主要驱动因素：
第一，人工智能与工业深度融合起到最基本的降本增效的作用。
第二，提高产品质量和产品工艺，尤其是在高精密制造企业，已经在传统设备以及经营管理上做到极致，想进一步提高产品质量，只有通过人工智能非常稳定、标准化方法才能得以实现。
第三，劳动力结构变化，现在人力成本越来越高，而且人可靠性和稳定性远远不如AI。
利用AI在某些重要环节或者某些领域中代替人工，改变劳动力结构，也是非常重要的驱动力。
第四，国际形势的变化，中美对抗，对技术依赖以及制造业风险上影响，让我们看到必须要利用自主研发的技术来解决我们面对的数字化和智能化问题。
于是，TCL和各个产业、华星以及研究院，共同对智能化着手布局，从整体制造系统模块中，首先制定出智慧研发、智慧生产以及智慧供应链三个智能化模块。
为了支撑这三个智能化模块，首先，华星的工业互联网数字化业务平台第一个上线，保证了所有的相关业务平台能够全面数字化。有了数字化的保证，接下来才能着手进行对智能化的开发。
其次，东智数字化中台在工厂落地应用。数字化中台主要针对在数字化管理和运营中，业务变化比较快的问题，实现了技术中台、数字中台和业务中台的无缝对接，保证了灵活扩展的业务开发的基础。
最后，在去年开发了人工智能工业引擎，实现了智能化的赋能。
TCL的智能化内核
接下来，重点介绍人工智能工业引擎，在研发以及生产品质方面的应用创新。
首先，东智数字化中台的主要目的是提供轻量级应用的PaaS服务，帮助提升企业数字化转型的效益，核心就是AI中台。AI中台就是为了提高在人工智能方面的服务能力。人工智能中台的核心就是人工智能的工业引擎。
TCL在人工智能工业引擎布局上的核心，就是人工智能的工业引擎一定要实现中台化的服务。即将人工智能为代表的相关技术平台化和服务化。
引擎里包含了数据、算法、模型、训练及推理的相关服务，部署应用服务，测试等等，以及完全的端到端的人工智能的应用部署的相关模块。人工智能的工业引擎包含了检测、挖掘、认知、决策四个主要引擎。
例如在工业视觉检测引擎中，基本涵盖了制造业需要进行工业视觉检测的相关的大部分功能，例如异常检测、缺陷检测和分类、二维三维的测量，以及视觉引导、虚拟量测等等，有了这些相关的功能，就可以提供服务，并且解决非常具体的业务问题。
架构上，工业视觉引擎分成三个部分：特征仓库、人工智能AI Hub、以及应用部署模块。
需要重点强调的是，与传统的人工智能的开发模块不太一样，在建立的数据仓库里不仅包含了原始的场景数据，更主要的是将数据特征化。
这些基于不同应用场景的特征化数据存储在特征数据仓库中，可以快速被调用，根据不同的业务场景，快速使用这些特征化的数据，可以用来训练人工智能的模型，提供人工智能的服务，实现持续的快速推广和迭代。
AIHub里面集成了大量的算法，不仅可以解决具体的业务问题，也包含的人工智能的自监督学习、迁移学习等学习型的算法模型，可以自主进行研发。
部署端，TCL不仅有基于服务器和私有云的云端部署的能力，更主要的是还有轻量级嵌入式的部署能力。人工智能的相关服务以及人工智能的相关算法模型，目前还是需要大量的算力。
轻量级模型，能够减轻对服务器的依赖，甚至在终端上就可以部署应用，实现了端侧的人工智能的服务。
在此需要强调的是我们的引擎不仅提供算法模型的功能，直接解决业务问题，更主要的是把人工智能的技术平台化、SaaS化，针对制造业的应用特点，降低人工智能的相关应用门槛。
制造开发者可以基于我们的引擎，自己训练和开发出需要的应用模型，甚至我们现在开发的相关界面，可以实现0代码的业务应用。
此外，最主要是客户可以直接使用我们开发好、定制好的应用模型解决他们的应用问题，甚至具备开发能力的客户，可以利用我们的平台和引擎，自主训练和开发适用于自身的应用模型。
极大减少后期的定制化和运维的成本和对算法科学家的依赖，提高了应用和扩展的能力，这也是人工智能工业引擎的一个核心功能。
目前，这套引擎已经在工业视觉检测引擎上线和产品化，并且得以在TCL的华星工厂全面使用，也将其推荐给一些相关的合作企业使用。
TCL三大数字化案例
接下来，分享TCL在人工智能相关的智能制造上的一些具体案例。
第一，关于自动缺陷的检测，半导体的生产工艺非常复杂，从一片玻璃到一块显示屏，中间大概要经过几十道甚至近上百道的工序，所面对的缺陷问题和背景也很复杂，利用传统的光学检测设备无法对其进行详细的缺陷检测和分类。
利用传统的AOI设备进行光学检测，虽然获得了一些图像，但是对图像的缺陷无法进行精细的分类和定位，需要由人工判断缺陷的种类和影响程度，以及缺陷对后面工艺如何处理的一些流程。
利用人工智能工业引擎，则实现了完全人工智能的自动化。通过AOI设备获得图像之后，人工智能进行自动的检测、分类、分割以及逻辑判断，专家的系统最后提交到后面的工业流程上，对生产环节进行处理。
从训练到最终推理，使用的都是工业视觉检测引擎的相关模块。从数据采集训练过程，到最后的模型上线，以及对推理过程进行的总结和分析，自动产线上的智能化系统的数据挖掘，提高生产过程中的工艺，都能够完整实现。
最终，在产品上线之后，可以为华星每个工厂每年节省人力成本1千万元，最主要的是质量检测的效率得以极大提升，从以前的异常拦截需要花费1到2小时的时间缩短至40%，整个检测流程几十分钟就能完成。
除了缺陷检测、视觉检测，利用工业引擎还可以进行预测和数据挖掘。
例如，能源管理上使用了工业视觉引擎当中的预测和挖掘的功能，利用历史的用电数据进行分析和建模，还可以利用自监督的数据挖掘和预测技术，帮助工厂自动进行用电的购买规划，然后进行实时的能耗预警。
这个功能在我们其中的一个工厂局部试运行，预计每年可以助其节省3千万元以上的用电消耗，如果加以全面推广，预计可以实现每年1.5亿到3亿的能源节省，或者是效率的提升。
另外，是我们在研发上使用的预测以及认知的相关技术。人工智能工业引擎做了版图设计的项目，版图设计非常类似于现在的半导体设计的EDA，或者是相关的设计过程，以前的设计过程完全依赖设计师以及工程师的个人经验，人工智能则能够提高他们的效率，降低验证的成本。
版图设计在引入人工智能引擎之后，通过输入历史数据以及相关的参数，就可以自动输出一个版图设计的结果，在模拟器上就可以预测性能，能够快速知道设计的效果。同时与设计师或者工程师配合，能够快速修正版图设计。
通过历史学习的参数，人工智能可以在不断的修正过程中探索更多的可能。版图设计很多时候依赖与人工经验，而人的经验有其局限性。
今天人工智能通过学习在版图设计上给人带来一些新的idea和新的创造力，这也是目前我们辅助版图设计提升效率，降低成本的过程中发现的一个比较好的方向。
目前，材料基因组的研发是国家战略，TCL对于量子点的材料研发布局了很长时间，目前，从全世界范围来看，在量子点材料本身的技术领域，TCL已处于世界领先的地位。
在研究量子点材料合成和器件性能的过程中，TCL搭建了自己的材料试验设备，这个设备可以代替人进行自动化的材料试验，以前化学家或者是工程师手工实验的效率非常低，同时产生的数据不稳定。
有了这套设备，就可以产生稳定的数据。利用这套稳定的数据，接下来就可以利用人工智能进行材料合成的相关工作，其中有两点值得探索：
第一是如何利用人工智能深度学习辅助解决量子物理和量子化学中的一些基础方程，这些基础方程对于材料合成具有指导意义。年前DEEP MIND和德国的一个研究所曾利用人工智能深度学习解析薛定谔方程，也证明其可行性；
第二是基于大数据AI的性能预测，利用人工智能预测微流控设备产生的数据模型。
因为量子点材料合成目前还有很多未知的领域，希望人工智能能够学习到其中的结构、根因，提供新的配方，并且能够在合成之后提供效果更好、寿命更长，相关的量子点的材料。
在科学研究上，这部分也是属于目前非常前沿的技术，我们与香港大学、鹏城实验室进行了相关合作的讨论，未来我们也考虑和更多先进的研究机构共同合作，希望在半导体显示领域，能够利用人工智能解决这些科学问题。雷锋网雷锋网(公众号：雷锋网)
雷锋网原创文章，未经授权禁止转载。详情见转载须知。
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/61718.html