意大利有家公司叫ROJ，這家企業(yè)專注于針對工業(yè)領(lǐng)域的電子技術(shù)，產(chǎn)品典型如基于ARM Cortex-M/A、FPGA的工業(yè)板和模塊。這家公司有個特色，是“基于客戶軟件、硬件需求來提供個性化解決方案”。其典型客戶如Mares——這是個生產(chǎn)潛水裝備的企業(yè)，包括潛水表。Mares的特色也在滿足不同客戶的產(chǎn)品定制化需求。而“定制化”就意味著產(chǎn)品生產(chǎn)周期必須短，制造響應(yīng)速度必須快，而且可能某一款產(chǎn)品的需求量還不大。實際上越來越多的制造商開始轉(zhuǎn)向這種量不大，但品種多樣的生產(chǎn)模式，這也是工業(yè)4.0的重要特點。

這在傳統(tǒng)的生產(chǎn)模式中是不可想象的，直到數(shù)字工廠、智能制造開始出現(xiàn)：不同小訂單之間的不同需求，生產(chǎn)設(shè)備可以很方便地通過數(shù)字操控的方式實現(xiàn)轉(zhuǎn)變和協(xié)調(diào)——當然還有IT/OT融合、TSN的出現(xiàn)、各類統(tǒng)一與融合標準在工業(yè)領(lǐng)域的出現(xiàn)，都是實現(xiàn)這種操作的必要條件。不過這些不是本文要探討的核心。

ROJ在智能制造時，所選方案的其中一個關(guān)鍵是Valor Material Management材料管理系統(tǒng)——這是來自西門子數(shù)字工業(yè)軟件的一部分。ROJ首席執(zhí)行官Franco Oliaro曾表示：材料需要在正確的時間、正確的位置提供，而制造現(xiàn)場的停工往往是因為材料沒有到位。數(shù)字化的材料管理系統(tǒng)能做的就是材料分發(fā)，在需要材料的時候確保其準備就緒。

這個例子實際只是數(shù)字化生產(chǎn)和工業(yè)4.0的基本應(yīng)用。當生產(chǎn)設(shè)備本身變得越來越復(fù)雜，越來越智能，就會產(chǎn)生海量數(shù)據(jù)。當這些數(shù)據(jù)熔于一爐后做數(shù)據(jù)分析，不僅用以了解過去的生產(chǎn)狀況，同時利用機器學習還能提高未來生產(chǎn)質(zhì)量、降低制造成本，即是AI技術(shù)對工業(yè)4.0的推動了。

工業(yè)制造在標準、互聯(lián)等領(lǐng)域始終是很特殊的，現(xiàn)在談工業(yè)4.0與AI是否為時過早?AI在工業(yè)4.0時代是否真的在發(fā)揮作用，以及究竟發(fā)揮到何種程度?這是我們期望以由上至下的方式，從工業(yè)制造AI解決方案、AI芯片、EDA，以及實際應(yīng)用幾個層面，來窺見當下工業(yè)制造的AI技術(shù)現(xiàn)狀。

AI智能制造解決方案能做什么?

“傳感器數(shù)據(jù)速率正在持續(xù)增長。大部分客戶現(xiàn)如今的工廠傳感器數(shù)據(jù)采集速率還在1Hz，但越來越多的芯片制造商收集速率達到了10Hz、100Hz。晶圓廠的數(shù)據(jù)量級現(xiàn)在開始進入PB級別，而不再是MB或者TB?！盉ISTel首席執(zhí)行官W.K. Choi表示，“客戶需要更出色的分析來驅(qū)動產(chǎn)品質(zhì)量提升;工程師則期望更快地進行根因分析，近實時地(in near real time)、準確地解決影響良率和工程生產(chǎn)的問題。”這能說明什么問題?BISTel是一家提供智能制造解決方案的韓國企業(yè)，解決方案離實際應(yīng)用總是靠的更近。

以半導(dǎo)體制造為例，我們先來看一個例子：晶圓制造發(fā)生不良率高的問題時，常規(guī)手法是工程師們調(diào)查并討論，這個過程一般需要很久。如W.K. Choi所說，實現(xiàn)數(shù)字生產(chǎn)的工廠，傳感器數(shù)據(jù)采集速率現(xiàn)如今已經(jīng)很高了。針對晶圓生產(chǎn)不良率高的問題，可觀察的參數(shù)至少包括溫度、振動、壓力等各項指標。如果針對所有相關(guān)指標做監(jiān)測，那么分析難度自然可以得到降低。在這個例子中，不少晶圓片靠近邊緣位置出現(xiàn)問題，因此成為“bad”晶圓。

BISTel的HMP(Health Monitoring & Prediction)在數(shù)據(jù)追蹤中，系統(tǒng)列出總共6個導(dǎo)致良率問題的最優(yōu)關(guān)聯(lián)度參數(shù)，其中前兩個分別是蝕刻工序的最后一步，電流發(fā)生激增;以及氦氣值明顯降低(圖1)。蝕刻流程的最后一步就是氦氣分離，這一例的“根因”就是在分離過程中，托盤與晶圓邊緣接觸，產(chǎn)生小范圍火花——所以電流出現(xiàn)了激增，與此同時托盤某些氦氣口堵塞造成氦氣值降低。

在晶圓制造良率問題的“根因分析”這一例中，至少能夠表現(xiàn)持續(xù)增長的“數(shù)據(jù)速率”是怎么回事，以及將原本需要以天、周為單位計的根因分析時間縮短到分鐘、小時級別內(nèi)。而AI技術(shù)在此處的核心，即如何利用海量數(shù)據(jù)做分析，并得出結(jié)論。

“具備AI能力的智能應(yīng)用，可讓系統(tǒng)和流程實現(xiàn)自動化，讓客戶得以近實時地針對每天的生產(chǎn)問題，做出檢測(detection)、分析(analyses)和預(yù)測(prediction)解決方案?！盬.K. Choi說，“現(xiàn)在我們在生產(chǎn)流程中，融入了更多強有力的AI分析，能夠從這些流程中學習。我們隨后就會把這些新的智能，應(yīng)用到知識庫(knowledge base)中?！?/p>

這里的“知識庫”即是AI在W.K. Choi所說“預(yù)測”中的大腦，其中包含所有“知識點”和解決方案，并通過學習不斷完善。這里再來看一個例子，在某晶圓廠半導(dǎo)體制造CVD(化學氣相沉積)流程中，追蹤發(fā)現(xiàn)某一天(本例為4月18日)出現(xiàn)了異常高的報警數(shù)，很多晶圓質(zhì)量都受到影響(圖2)。報警內(nèi)容為：“TDS”設(shè)備某節(jié)氣閥發(fā)生位置偏移。如果這份數(shù)據(jù)拉長到為期半個月，那么很容易發(fā)現(xiàn)，在高報警事件發(fā)生的前兩天，數(shù)據(jù)就已經(jīng)顯現(xiàn)出節(jié)氣閥位置發(fā)生潛在漂移——而且早在10天以前，前序壓力就因為節(jié)氣閥位置偏移而出現(xiàn)不規(guī)則現(xiàn)象。

那么實際在發(fā)生高報警數(shù)之前，通過預(yù)測性維護(Predictive Maintenance)就能率先預(yù)知問題，“在錯誤發(fā)生之前就預(yù)測到錯誤”，以避免故障停機時間，因此得以提升效率并節(jié)省成本。更多的“預(yù)測”行為還包括預(yù)測設(shè)備的剩余可用壽命(RUL)，以及各種執(zhí)行基于條件的的預(yù)測性分析。

這里“基于條件”的預(yù)測性分析可認為是智能制造的核心產(chǎn)物。就好像日常的汽車保養(yǎng)，仍是基于時間或里程的：如每隔一個固定時間或固定行駛里程前往4S店做保養(yǎng);但如果能夠針對汽車發(fā)動機轉(zhuǎn)速、溫度、振動等各種參數(shù)做關(guān)聯(lián)分析和預(yù)測，則在綜合所有參數(shù)與AI分析過后，系統(tǒng)得出現(xiàn)在是否需要維護或下一次維護時間應(yīng)該是在什么時候，這才是節(jié)約保養(yǎng)成本、提高生產(chǎn)效率的最佳方案。

現(xiàn)在我們知道，AI在智能制造中的應(yīng)用，至少可有檢測、分析和預(yù)測三步驟。不過這依然不是AI的全部。在BISTel的定義中，AI能夠?qū)崿F(xiàn)的終極目標遠不止此?！癆I應(yīng)用，可嵌入已習得的知識，并實現(xiàn)自動化操作;應(yīng)用AI獲取的知識庫，具備自主控制、自主治愈的能力?！?/p>

這句話強調(diào)的是AI學習的“自適應(yīng)”能力，全過程包括完全自主地發(fā)現(xiàn)問題、學習問題，并采取行動。工廠內(nèi)部的這個過程無需或少有人工干預(yù)。W.K. Choi說：“這是我們理想中的智能生產(chǎn)?！奔幢氵@一步尚未達成。

當工業(yè)MCU/SoC開始增加AI單元

從上述解決方案的實例來看，AI如何部署似乎還不夠明朗。我們嘗試往下看解決方案底層的硬件支持。不難想見，上層AI應(yīng)用需求自然能夠帶動下層AI芯片或?qū)：说呐d盛，比如工業(yè)現(xiàn)場生產(chǎn)用機械臂或電機內(nèi)部的MCU/SoC——畢竟我們反復(fù)在說AI這一技術(shù)熱點是貫徹在整個垂直行業(yè)的。

常規(guī)能夠想到的AI專核通常是具備高度并行計算能力+片上存儲+低精度計算的ASIC核心，尤其如果是特別針對某個具體的工業(yè)應(yīng)用場景。不過行業(yè)內(nèi)頗具代表性的瑞薩電子DRP(Dynamic Reconfigurable Processor)技術(shù)，或稱e-AI(嵌入式AI，DRP是e-AI技術(shù)的一部分)在思路上還略有不同。這里還是先舉個例子。

在圖3故障預(yù)判解決方案中，工業(yè)制造現(xiàn)場電機運行時，可通過加速度傳感器來采集電機運行振動情況，這些采集的數(shù)據(jù)上傳到云服務(wù)器，經(jīng)由云服務(wù)器的學習軟件做深度學習(基于谷歌TensorFlow神經(jīng)網(wǎng)絡(luò)架構(gòu));再由解釋器將高級語言AI模型翻譯成MCU可識別的機器語言，AI控制軟件將AI模型下載到本地e-AI單元，實現(xiàn)故障預(yù)判。

這套系統(tǒng)監(jiān)測的是電機運行情況，并可預(yù)測其剩余使用壽命，屬于相當?shù)湫偷腁I預(yù)測性維護使用場景。在這一例中，由于硬件的具象化，我們得以更清晰地理解預(yù)測性維護的流程是什么樣。瑞薩電子中國工業(yè)自動化事業(yè)部高級總監(jiān)徐征告訴我們，除了預(yù)測性維護，e-AI還能用于異常檢測，提高質(zhì)量，自動化檢驗。

“我們已經(jīng)在一些工業(yè)生產(chǎn)現(xiàn)場取得驗證性測試結(jié)果，比如瑞薩電子那珂工廠，GE醫(yī)療(日本)日野工廠。那珂工廠的驗證測試結(jié)果表明，以下三點在智慧工廠中是完全可行的：

- 使用AI識別異常結(jié)果。通過為復(fù)雜波形設(shè)置閾值，消除難點。

- 顯著減少錯誤信息，從每月每臺機器大約50條錯誤信息降低為零，消除工程師負擔。

- 準確檢測異常結(jié)果。通過使用高分辨率數(shù)據(jù)，將異常結(jié)果檢測率提高6倍以上?！?/p>

在我們的理解中，DRP在專用和通用，或者在性能和可編程性之間是個相對折中的方案。從結(jié)構(gòu)上來看，這種動態(tài)可重構(gòu)處理器包含可編程數(shù)據(jù)通道硬件(PE處理單元陣列)和狀態(tài)轉(zhuǎn)換控制器(完全可編程有限狀態(tài)機)，是十分典型的軟件定義芯片(圖4)，可針對工業(yè)嵌入式設(shè)備的AI推理(inference)做加速。

“算法的種類和大小可由同一個DRP硬件進行時間復(fù)用處理。其靈活性非常適用于AI產(chǎn)業(yè)的DNN(深度神經(jīng)網(wǎng)絡(luò))的快速演化。”徐征表示，“DRP可對硬件資源和應(yīng)用場景做動態(tài)調(diào)整，做并發(fā)處理，幫助在后臺做很多場景的匹配和預(yù)處理?！崩鐚蓜討B(tài)加速圖像處理算法，達到相比通用CPU快10倍的速度。

類似DRP這類AI硬件的出現(xiàn)，及在兼顧彈性基礎(chǔ)上對性能的追逐，實際都是智能制造開始全面步入AI的第一步。

在瑞薩電子的設(shè)想里，“首先會提供附加AI單元的解決方案以拓展市場，從而使e-AI實用性得到市場廣泛理解，再推進工業(yè)終端設(shè)備e-AI預(yù)安裝解決方案普及?！毙煺髡f。這段話大概是瑞薩電子推廣工業(yè)AI芯片的策略，但或許還能表明，智能制造和數(shù)字工廠的AI仍處在新生期，所以前期提供的是“附加AI單元”解決方案。

從宏觀到微觀世界的數(shù)字復(fù)刻

而從MCU/SoC的高度繼續(xù)再往下層或供應(yīng)鏈上層走，是EDA廠商。主流EDA廠商目前最特別的存在應(yīng)該就是Mentor了：這家公司在被西門子并購以后，劃歸西門子的“數(shù)字工廠(Digital Factory)”業(yè)務(wù)旗下，且愈發(fā)看重“工業(yè)軟件領(lǐng)域”的競爭力，而不只是以前那個，幫助系統(tǒng)與IC設(shè)計企業(yè)進行高級印刷電路板和芯片設(shè)計的EDA廠商。

西門子當年收購Mentor的業(yè)務(wù)邏輯一直被人多番揣測。Mentor中國區(qū)總經(jīng)理凌琳在接受采訪時表示：“我們絕大部分客戶，都同時使用機械和電子工具來設(shè)計、制造產(chǎn)品。為了讓機電一體化產(chǎn)品的設(shè)計、工程和制造更高效，一個集成性的軟件平臺就很重要?！蔽鏖T子Mechatronics就是連接了機械和電子領(lǐng)域的解決方案。

西門子給予Mentor的投入，另外包括針對更多EDA相關(guān)企業(yè)的進一步收購，如Sarakol、Infolytica、Austemper等，顯然是對上述策略的進一步補全。好比Infolytica在低頻電磁模擬，包括電動馬達、發(fā)電機和電磁設(shè)備設(shè)計支持方面的能力。所以凌琳說“電子設(shè)計、機械設(shè)計領(lǐng)域的協(xié)同”，“提供了整個閉環(huán)的系統(tǒng)設(shè)計?！逼渲械臉I(yè)務(wù)邏輯也變得一目了然。這是Mentor受西門子影響之時，踐行“工業(yè)化之路”的代表。

用時下比較流行的話來說即數(shù)字復(fù)刻版(或稱數(shù)字孿生，digital twin)。這個詞更像是個營銷詞匯，EDA的仿真、驗證原本就屬于典型的“數(shù)字復(fù)刻版”，是在芯片制造之前的數(shù)字復(fù)刻，只不過它是對微觀世界的復(fù)刻。西門子收購Mentor以后的復(fù)刻，則既包含宏觀世界的機械設(shè)計，也包含電子設(shè)計。在這套“閉環(huán)系統(tǒng)“中打造的數(shù)字復(fù)刻版，包含了整個生產(chǎn)環(huán)境或價值鏈：產(chǎn)品本身、產(chǎn)品的制造和性能，以及產(chǎn)品制造流程的完整復(fù)刻。在生產(chǎn)或制造前期，就對數(shù)字世界的產(chǎn)品、機器和設(shè)施設(shè)備進行仿真與優(yōu)化，確保后續(xù)真實世界的制造生產(chǎn)。

西門子2018財年數(shù)字工廠業(yè)務(wù)營收129.32億歐元，同比增長11%;西門子PLM技術(shù)軟件(現(xiàn)已更名為西門子數(shù)字工業(yè)軟件)一年營收約在42億美元左右。無論是西門子的“數(shù)字工廠”，還是西門子數(shù)字工業(yè)軟件公司，都能表征工業(yè)4.0帶來的經(jīng)濟效益，似乎比單純的EDA業(yè)務(wù)更有協(xié)同優(yōu)勢。不過也正因如此，Mentor的EDA廠商角色定位，令其在工業(yè)4.0+AI方面更具發(fā)言權(quán)。

在機器學習IP方面，Mentor提供Catapult HLS AI/ML設(shè)計套裝，幫助芯片架構(gòu)師和設(shè)計師理解如何利用機器學習算法，以及構(gòu)建起低功耗的硬件加速器。它能夠展示如何將數(shù)字工具或DNN框架開發(fā)的算法，轉(zhuǎn)為可綜合(synthesizable)C/C++/SystemC代碼，并最終綜合為RTL芯片硬件設(shè)計語言。中間環(huán)節(jié)展示哪部分算法在處理器上執(zhí)行更高效，以及若執(zhí)行于IC專用硬件單元則能效比會是如何。

這類方案是對AI應(yīng)用大門的進一步拓寬，或許HLS高層次綜合不僅代表了Mentor的策略，它更像是AI在各領(lǐng)域?qū)崿F(xiàn)普及的趨勢，包括工業(yè)制造。當然在此過程中，少不了應(yīng)用層做驗證，包括協(xié)同建模(co-modeling)、Virtual-ICE、SW debug、性能監(jiān)測應(yīng)用等各種應(yīng)用驗證技術(shù)。

除此之外，機器學習本身也在反哺EDA工具，比如在芯片測試期間，Tessent Yield Insight能夠告訴客戶和工廠，影響產(chǎn)量的錯誤究竟是出現(xiàn)在芯片設(shè)計環(huán)節(jié)還是制造環(huán)節(jié);還有利用機器學習提升芯片良率的Calibre Machine Learning OPC(機器學習鄰近效應(yīng)修正)和Calibre LFD with Machine Learning;甚至利用半導(dǎo)體制造數(shù)據(jù)，來反饋設(shè)計優(yōu)化流程方案，“比如說，同時采用X光和AOI(自動光學檢測)的時候，我們可以判斷哪些層級X光可以略過，因為X光是個慢速機器，經(jīng)常會成為制造瓶頸。”

現(xiàn)在的智慧工廠有多智能?

AI的最有趣之處大概就在于，整個技術(shù)供應(yīng)鏈上的諸多環(huán)節(jié)，既通過出售AI技術(shù)來賺錢，同時自己也是AI技術(shù)的使用者。Mentor這樣的EDA廠商大概就是最好的例證。在探討了智能制造解決方案提供商、AI芯片制造商以及EDA廠商這三個層級之后，我們大致上已經(jīng)將AI現(xiàn)階段在智慧工廠的價值勾勒出來了，即便從芯片制造商層級就不難發(fā)現(xiàn)，AI技術(shù)在工業(yè)制造中仍在發(fā)展初期。

除了文首提及ROJ在數(shù)字工廠方面借由西門子方案的實現(xiàn)，如今在世界范圍內(nèi)逐步發(fā)展智能制造乃至AI技術(shù)的先進工廠大約也不在少數(shù)。