0
| 本文作者： 劉海濤 | 2021-04-07 19:58 | 專題：2021鯨犀產(chǎn)業(yè)數(shù)字峰會 |
你能想象，國內(nèi)半導(dǎo)體老大如何玩轉(zhuǎn)智能化？
近日，TCL工業(yè)研究院（香港）總經(jīng)理俞大海博士在由雷鋒網(wǎng)主辦的「鯨犀產(chǎn)業(yè)數(shù)字峰會」上，分享了TCL在智能化的布局策略。
鯨犀產(chǎn)業(yè)數(shù)字峰會，是由業(yè)內(nèi)最頂尖的企業(yè)家、工程領(lǐng)袖、CIO、解決方案專家、投資家，聯(lián)合發(fā)起的數(shù)字化系列論壇。
致力于將全新的數(shù)字化管理思維和實踐案例，推向傳統(tǒng)產(chǎn)業(yè)界、AI界、互聯(lián)網(wǎng)界、投資界、經(jīng)濟學(xué)界。
俞大海博士在本次峰會上談到：目前TCL的電視面板已經(jīng)取得市場占有率全球排名第二，LTPS、手機面板及電視出貨量全球第三，迷你LED已經(jīng)接近世界第一的成績，而這樣半導(dǎo)體產(chǎn)業(yè)規(guī)模的背后，最離不開的就是智能工廠設(shè)計。
以TCL華星半導(dǎo)體智能工廠為例，結(jié)合人工智能、數(shù)據(jù)中臺技術(shù)改造了從研發(fā)、采購、生產(chǎn)制造、物流、市場銷售、品質(zhì)、財務(wù)，到整體平臺等9個制造業(yè)經(jīng)典模塊。
這一系列系統(tǒng)上線之后，僅在缺陷檢測模塊，就為華星工廠每年節(jié)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(chǎn)速度。
以下為俞大海的演講全文，雷鋒網(wǎng)做了不改變原意的編輯：
大家好，今天我分享的題目是“TCL智能制造如何利用人工智能進行創(chuàng)新”。
TCL最近發(fā)布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(zhì)、高畫質(zhì)和智能化軟件等操作系統(tǒng)。
這樣的高端電視機，其背后是由非常復(fù)雜先進的制造企業(yè)作為支撐。
接下來，通過一條簡單曲線看看半導(dǎo)體顯示需要具備什么樣的工藝。
半導(dǎo)體顯示在過去20年間發(fā)展迅速，從CRT到LCD，再到OLAD、QLED，以及現(xiàn)在迷你LED，未來可能出現(xiàn)Micro LED以及量子點顯示，這都是非常復(fù)雜和精密制造過程。
目前，半導(dǎo)體在生產(chǎn)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(zhì)等也是有著非常復(fù)雜的工藝。 
過去市場半導(dǎo)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(tài)范圍、幀率也越來越高；四是內(nèi)容越來越多。
內(nèi)容帶來的效果，目前從無論是電視還是互聯(lián)網(wǎng)電視上都可以看到，越來越多內(nèi)容激發(fā)顯示以及智能終端方面活力。
包括手機、電視、平板電腦，等這么多內(nèi)容和服務(wù)，增強了半導(dǎo)體顯示需求，其發(fā)展趨勢實際上對生產(chǎn)商提出更高要求。
如圖所示，多年以來，憑借經(jīng)營管理和創(chuàng)新的科技產(chǎn)品，TCL在全球市場上的布局和產(chǎn)量、銷量，一直都呈持續(xù)增長態(tài)勢。
最矚目成就是TCL已經(jīng)具備從半導(dǎo)體顯示上游到顯示終端下游全產(chǎn)業(yè)鏈布局。
如果想支撐全產(chǎn)業(yè)鏈的布局，背后必須要有強大的制造業(yè)作為支撐。TCL是目前國內(nèi)唯一一個同樣具備三星、LG顯示終端全產(chǎn)業(yè)鏈的企業(yè)，同時還能保持競爭力，這與智能化和數(shù)字化的制造能力是分不開的。
TCL的產(chǎn)業(yè)布局主要集中在三個產(chǎn)業(yè)集群，其中的核心就是半導(dǎo)體顯示以及材料。
作為核心戰(zhàn)略產(chǎn)業(yè)集群。TCL以華星半導(dǎo)體顯示智能制造工廠為代表，利用數(shù)字化和智能化創(chuàng)新，提升產(chǎn)品和制造競爭力，積極推動新型顯示技術(shù)，材料以及核心工藝的發(fā)展。
從2009年開始，TCL就開始對半導(dǎo)體顯示進行投入生產(chǎn)，第一個工廠投產(chǎn)之后，TCL華星光電就打破日韓企業(yè)在半導(dǎo)體顯示面板領(lǐng)域的壟斷，這與國家五年戰(zhàn)略規(guī)劃息息相關(guān)。
迄今為止，TCL已先后投入300億美金建成了6座液晶面板顯示工廠，在國內(nèi)面板市場，甚至在國際上都具備很強的競爭優(yōu)勢。
TCL已建成的T1，T2，T3，T4，T6，T7工廠中，其中有4座工廠位于深圳，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(chǎn)能力，在技術(shù)和專利上僅次于三星，成為全球第二大半導(dǎo)體面板顯示生產(chǎn)廠商。
市場銷售方面，TCL取得了非常好的成績，電視面板市場占有率全球排名第三，LTPS、手機面板及電視出貨量全球第三，迷你LED已經(jīng)接近世界第一，每年市場占有率也都在不斷提升。
這樣規(guī)模顯示產(chǎn)業(yè)背后，是TCL華星半導(dǎo)體智能工廠作為其支撐。
首先，TCL華星從建廠之初就意識到數(shù)字化和自動化重要性，結(jié)合制造業(yè)典型9個應(yīng)用場景，建立從研發(fā)、采購、生產(chǎn)制造、物流、市場銷售、品質(zhì)、財務(wù)和平臺的整體的制造模塊，并且使用自動化和數(shù)字化系統(tǒng)在平臺上進行相關(guān)布局。
其中，生產(chǎn)制造環(huán)節(jié)、財務(wù)和平臺等模塊都基本實現(xiàn)全自動化和數(shù)字化，當(dāng)然有一些環(huán)節(jié)和模塊，由于受到相關(guān)技術(shù)以及實際情況影響，目前還是處于半自動化狀態(tài)，甚至有些依然處于依靠人工階段。
基于這個布局，TCL一直都在探討如何能夠保證其生產(chǎn)制造工廠不斷提升競爭力，包括如何能夠快速的擴充產(chǎn)能，如何降本增效，以及如何利用人工智能和數(shù)據(jù)科學(xué)支撐TCL的智能制造。
數(shù)字化轉(zhuǎn)型是智能工廠業(yè)務(wù)轉(zhuǎn)型的一個主要方向，利用人工智能和數(shù)據(jù)科學(xué)是未來發(fā)展一個長期戰(zhàn)略。
TCL從四五年前就已開始對此進行布局，并且著手一些相關(guān)研發(fā)，在此，簡單介紹一下TCL面臨的挑戰(zhàn)，以及使用人工智能驅(qū)動的背景。
首先，對半導(dǎo)體顯示產(chǎn)業(yè)而言，其面臨的挑戰(zhàn)包括市場和用戶需求不穩(wěn)定。
例如在疫情期間，半導(dǎo)體顯示在智能終端方面需求量突然提升，導(dǎo)致對半導(dǎo)體顯示面板的需求快速增長，以至于很多產(chǎn)能跟不上，只有像TCL這種規(guī)模的企業(yè)才能保證產(chǎn)能、保證供應(yīng)。
另外，作為一個大型制造企業(yè)，人力和生產(chǎn)等制造成本一直居高不下。其次，良率的影響，半導(dǎo)體顯示是非常精密的產(chǎn)品，在生產(chǎn)過程中質(zhì)量檢測壓力巨大，從一片玻璃到最后成為一個顯示屏，中間要經(jīng)過四五十道甚至是六七十道工序，每一道工序的質(zhì)檢都相當(dāng)重要。
另外，數(shù)據(jù)孤島是在數(shù)字化轉(zhuǎn)型過程中的常見問題。
智能化，適用業(yè)務(wù)落地困難，傳統(tǒng)技術(shù)門檻較高等問題也非常嚴(yán)重。很多時候，在智能化之外，更多的是需要定制化，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(guān)技術(shù)賦予這個產(chǎn)業(yè)的價值，總結(jié)出如下四個主要驅(qū)動因素：
第一，人工智能與工業(yè)深度融合起到最基本的降本增效的作用。
第二，提高產(chǎn)品質(zhì)量和產(chǎn)品工藝，尤其是在高精密制造企業(yè)，已經(jīng)在傳統(tǒng)設(shè)備以及經(jīng)營管理上做到極致，想進一步提高產(chǎn)品質(zhì)量，只有通過人工智能非常穩(wěn)定、標(biāo)準(zhǔn)化方法才能得以實現(xiàn)。
第三，勞動力結(jié)構(gòu)變化，現(xiàn)在人力成本越來越高，而且人可靠性和穩(wěn)定性遠遠不如AI。
利用AI在某些重要環(huán)節(jié)或者某些領(lǐng)域中代替人工，改變勞動力結(jié)構(gòu)，也是非常重要的驅(qū)動力。
第四，國際形勢的變化，中美對抗，對技術(shù)依賴以及制造業(yè)風(fēng)險上影響，讓我們看到必須要利用自主研發(fā)的技術(shù)來解決我們面對的數(shù)字化和智能化問題。
于是，TCL和各個產(chǎn)業(yè)、華星以及研究院，共同對智能化著手布局，從整體制造系統(tǒng)模塊中，首先制定出智慧研發(fā)、智慧生產(chǎn)以及智慧供應(yīng)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(yè)互聯(lián)網(wǎng)數(shù)字化業(yè)務(wù)平臺第一個上線，保證了所有的相關(guān)業(yè)務(wù)平臺能夠全面數(shù)字化。有了數(shù)字化的保證，接下來才能著手進行對智能化的開發(fā)。
其次，東智數(shù)字化中臺在工廠落地應(yīng)用。數(shù)字化中臺主要針對在數(shù)字化管理和運營中，業(yè)務(wù)變化比較快的問題，實現(xiàn)了技術(shù)中臺、數(shù)字中臺和業(yè)務(wù)中臺的無縫對接，保證了靈活擴展的業(yè)務(wù)開發(fā)的基礎(chǔ)。
最后，在去年開發(fā)了人工智能工業(yè)引擎，實現(xiàn)了智能化的賦能。
接下來，重點介紹人工智能工業(yè)引擎，在研發(fā)以及生產(chǎn)品質(zhì)方面的應(yīng)用創(chuàng)新。
首先，東智數(shù)字化中臺的主要目的是提供輕量級應(yīng)用的PaaS服務(wù)，幫助提升企業(yè)數(shù)字化轉(zhuǎn)型的效益，核心就是AI中臺。AI中臺就是為了提高在人工智能方面的服務(wù)能力。人工智能中臺的核心就是人工智能的工業(yè)引擎。
TCL在人工智能工業(yè)引擎布局上的核心，就是人工智能的工業(yè)引擎一定要實現(xiàn)中臺化的服務(wù)。即將人工智能為代表的相關(guān)技術(shù)平臺化和服務(wù)化。
引擎里包含了數(shù)據(jù)、算法、模型、訓(xùn)練及推理的相關(guān)服務(wù)，部署應(yīng)用服務(wù)，測試等等，以及完全的端到端的人工智能的應(yīng)用部署的相關(guān)模塊。人工智能的工業(yè)引擎包含了檢測、挖掘、認知、決策四個主要引擎。
例如在工業(yè)視覺檢測引擎中，基本涵蓋了制造業(yè)需要進行工業(yè)視覺檢測的相關(guān)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(dǎo)、虛擬量測等等，有了這些相關(guān)的功能，就可以提供服務(wù)，并且解決非常具體的業(yè)務(wù)問題。
架構(gòu)上，工業(yè)視覺引擎分成三個部分：特征倉庫、人工智能AI Hub、以及應(yīng)用部署模塊。
需要重點強調(diào)的是，與傳統(tǒng)的人工智能的開發(fā)模塊不太一樣，在建立的數(shù)據(jù)倉庫里不僅包含了原始的場景數(shù)據(jù)，更主要的是將數(shù)據(jù)特征化。
這些基于不同應(yīng)用場景的特征化數(shù)據(jù)存儲在特征數(shù)據(jù)倉庫中，可以快速被調(diào)用，根據(jù)不同的業(yè)務(wù)場景，快速使用這些特征化的數(shù)據(jù)，可以用來訓(xùn)練人工智能的模型，提供人工智能的服務(wù)，實現(xiàn)持續(xù)的快速推廣和迭代。
AIHub里面集成了大量的算法，不僅可以解決具體的業(yè)務(wù)問題，也包含的人工智能的自監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)等學(xué)習(xí)型的算法模型，可以自主進行研發(fā)。
部署端，TCL不僅有基于服務(wù)器和私有云的云端部署的能力，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(guān)服務(wù)以及人工智能的相關(guān)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(wù)器的依賴，甚至在終端上就可以部署應(yīng)用，實現(xiàn)了端側(cè)的人工智能的服務(wù)。
在此需要強調(diào)的是我們的引擎不僅提供算法模型的功能，直接解決業(yè)務(wù)問題，更主要的是把人工智能的技術(shù)平臺化、SaaS化，針對制造業(yè)的應(yīng)用特點，降低人工智能的相關(guān)應(yīng)用門檻。
制造開發(fā)者可以基于我們的引擎，自己訓(xùn)練和開發(fā)出需要的應(yīng)用模型，甚至我們現(xiàn)在開發(fā)的相關(guān)界面，可以實現(xiàn)0代碼的業(yè)務(wù)應(yīng)用。
此外，最主要是客戶可以直接使用我們開發(fā)好、定制好的應(yīng)用模型解決他們的應(yīng)用問題，甚至具備開發(fā)能力的客戶，可以利用我們的平臺和引擎，自主訓(xùn)練和開發(fā)適用于自身的應(yīng)用模型。
極大減少后期的定制化和運維的成本和對算法科學(xué)家的依賴，提高了應(yīng)用和擴展的能力，這也是人工智能工業(yè)引擎的一個核心功能。
目前，這套引擎已經(jīng)在工業(yè)視覺檢測引擎上線和產(chǎn)品化，并且得以在TCL的華星工廠全面使用，也將其推薦給一些相關(guān)的合作企業(yè)使用。
接下來，分享TCL在人工智能相關(guān)的智能制造上的一些具體案例。
第一，關(guān)于自動缺陷的檢測，半導(dǎo)體的生產(chǎn)工藝非常復(fù)雜，從一片玻璃到一塊顯示屏，中間大概要經(jīng)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復(fù)雜，利用傳統(tǒng)的光學(xué)檢測設(shè)備無法對其進行詳細的缺陷檢測和分類。
利用傳統(tǒng)的AOI設(shè)備進行光學(xué)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，以及缺陷對后面工藝如何處理的一些流程。
利用人工智能工業(yè)引擎，則實現(xiàn)了完全人工智能的自動化。通過AOI設(shè)備獲得圖像之后，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(tǒng)最后提交到后面的工業(yè)流程上，對生產(chǎn)環(huán)節(jié)進行處理。
從訓(xùn)練到最終推理，使用的都是工業(yè)視覺檢測引擎的相關(guān)模塊。從數(shù)據(jù)采集訓(xùn)練過程，到最后的模型上線，以及對推理過程進行的總結(jié)和分析，自動產(chǎn)線上的智能化系統(tǒng)的數(shù)據(jù)挖掘，提高生產(chǎn)過程中的工藝，都能夠完整實現(xiàn)。
最終，在產(chǎn)品上線之后，可以為華星每個工廠每年節(jié)省人力成本1千萬元，最主要的是質(zhì)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(yè)引擎還可以進行預(yù)測和數(shù)據(jù)挖掘。
例如，能源管理上使用了工業(yè)視覺引擎當(dāng)中的預(yù)測和挖掘的功能，利用歷史的用電數(shù)據(jù)進行分析和建模，還可以利用自監(jiān)督的數(shù)據(jù)挖掘和預(yù)測技術(shù)，幫助工廠自動進行用電的購買規(guī)劃，然后進行實時的能耗預(yù)警。
這個功能在我們其中的一個工廠局部試運行，預(yù)計每年可以助其節(jié)省3千萬元以上的用電消耗，如果加以全面推廣，預(yù)計可以實現(xiàn)每年1.5億到3億的能源節(jié)省，或者是效率的提升。
另外，是我們在研發(fā)上使用的預(yù)測以及認知的相關(guān)技術(shù)。人工智能工業(yè)引擎做了版圖設(shè)計的項目，版圖設(shè)計非常類似于現(xiàn)在的半導(dǎo)體設(shè)計的EDA，或者是相關(guān)的設(shè)計過程，以前的設(shè)計過程完全依賴設(shè)計師以及工程師的個人經(jīng)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(shè)計在引入人工智能引擎之后，通過輸入歷史數(shù)據(jù)以及相關(guān)的參數(shù)，就可以自動輸出一個版圖設(shè)計的結(jié)果，在模擬器上就可以預(yù)測性能，能夠快速知道設(shè)計的效果。同時與設(shè)計師或者工程師配合，能夠快速修正版圖設(shè)計。
通過歷史學(xué)習(xí)的參數(shù)，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(shè)計很多時候依賴與人工經(jīng)驗，而人的經(jīng)驗有其局限性。
今天人工智能通過學(xué)習(xí)在版圖設(shè)計上給人帶來一些新的idea和新的創(chuàng)造力，這也是目前我們輔助版圖設(shè)計提升效率，降低成本的過程中發(fā)現(xiàn)的一個比較好的方向。
目前，材料基因組的研發(fā)是國家戰(zhàn)略，TCL對于量子點的材料研發(fā)布局了很長時間，目前，從全世界范圍來看，在量子點材料本身的技術(shù)領(lǐng)域，TCL已處于世界領(lǐng)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(shè)備，這個設(shè)備可以代替人進行自動化的材料試驗，以前化學(xué)家或者是工程師手工實驗的效率非常低，同時產(chǎn)生的數(shù)據(jù)不穩(wěn)定。
有了這套設(shè)備，就可以產(chǎn)生穩(wěn)定的數(shù)據(jù)。利用這套穩(wěn)定的數(shù)據(jù)，接下來就可以利用人工智能進行材料合成的相關(guān)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(xué)習(xí)輔助解決量子物理和量子化學(xué)中的一些基礎(chǔ)方程，這些基礎(chǔ)方程對于材料合成具有指導(dǎo)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(xué)習(xí)解析薛定諤方程，也證明其可行性；
第二是基于大數(shù)據(jù)AI的性能預(yù)測，利用人工智能預(yù)測微流控設(shè)備產(chǎn)生的數(shù)據(jù)模型。
因為量子點材料合成目前還有很多未知的領(lǐng)域，希望人工智能能夠?qū)W習(xí)到其中的結(jié)構(gòu)、根因，提供新的配方，并且能夠在合成之后提供效果更好、壽命更長，相關(guān)的量子點的材料。
在科學(xué)研究上，這部分也是屬于目前非常前沿的技術(shù)，我們與香港大學(xué)、鵬城實驗室進行了相關(guān)合作的討論，未來我們也考慮和更多先進的研究機構(gòu)共同合作，希望在半導(dǎo)體顯示領(lǐng)域，能夠利用人工智能解決這些科學(xué)問題。雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
