【第一對焦：日本】豐田汽車董事長豐田章男宣布：“在硬件領域取得成功的豐田，將變身為融合（AI等）軟件技術的新企業(yè)。”以AI”明星軍團”為后盾，豐田汽車意在掀起汽車，乃至整個移動世界的變革！富士通綜合產品戰(zhàn)略本部、AI應用咨詢部部長山影讓表示：“我們想把AI的創(chuàng)新成果立即傳遞給客戶。”瑞薩電子第二解決方案事業(yè)本部產業(yè)第一事業(yè)部、網絡解決方案部專家高倉敏說：“AI的優(yōu)點，是能和人一樣，學習波形并判定優(yōu)劣。”以往，對良品和不良品的判斷，是交由熟練技工來完成的。但是，技術人員能夠觀察到的數據量有限。而且，由于發(fā)光強度的波形非常復雜，所以不適合根據閾值進行管理，且難以實現(xiàn)自動化操作。在這一點上，AI可以像技術人員一樣從綜合角度判斷優(yōu)劣。實際上，通過運用AI技術，不良品的檢出率提高了6倍。瑞薩半導體制造技術統(tǒng)括部、流程加工技術部部長秋元健司表示：“如果能在工序內檢測出不良品，將有效避免后工序中無意義的加工，從而大幅降低企業(yè)成本。”

科技生產與生活：日本科技企業(yè)是如何將AI融合到各個領域中的？

科技生產與生活：日本科技企業(yè)是如何將AI融合到各個領域中的？下面我們就來仔細聊聊這個話題。

豐田汽車瞄準的，可不僅僅是自動駕駛，而是將AI應用于更廣泛的領域。例如，協(xié)助視力和判斷力下降的老年人駕駛，提升護理用室內機器人、汽車的強度，提高燃料電池的效率，降低材料的開發(fā)成本等。在CES現(xiàn)場，豐田汽車甚至還與Preferred Networks等AI研究公司共同展示了具備深度學習、自動駕駛能力的汽車演示——8臺自動駕駛車模型互相碰撞后，自動學習如何在行駛時避免碰撞。

每輛車上，都載有檢測周圍環(huán)境的傳感器，并以取得的信息為基礎，控制油門、剎車、方向盤等。學習機制，是在遇到沖撞時給予處罰，進行強化學習。學習4小時后，汽車就能避免所有碰撞，順利行駛。該系統(tǒng)的目標，是讓自動駕駛汽車能夠精準識別其他駕駛汽車（包括人工駕駛汽車）可能發(fā)生的沖撞危險，并瞬間避讓。

和視野只關注前方的人不同，自動駕駛汽車的后方也裝有傳感器，當監(jiān)測到后方有危險時，自動駕駛汽車會毫不猶豫地后退，躲開。豐田汽車董事長豐田章男宣布：“在硬件領域取得成功的豐田，將變身為融合（AI等）軟件技術的新企業(yè)。”以AI”明星軍團”為后盾，豐田汽車意在掀起汽車，乃至整個移動世界的變革！

富士通：讓新人，也能做專業(yè)水平的設計

2015年11月，富士通宣布將本公司的人工智能（AI）技術系統(tǒng)化，并將其命名為“Zinrai”。名字取自成語“疾風迅雷”的日文發(fā)音，意思是麻利、雷厲風行。富士通綜合產品戰(zhàn)略本部、AI應用咨詢部部長山影讓表示：“我們想把AI的創(chuàng)新成果立即傳遞給客戶。”

通過學習以往積攢的設計數據，AI能夠精準識別多層基板的層數。富士通表示，精準估計多層基板的合適層數很難。因為多層基板很難改變中途的結構設計——低估層數，可能導致設計失??；高估層數，可能導致成本上升。也就是說，要在開始詳細設計之前，就確定好適當的層數。過去，能做到準確估算合適層數的，只有熟練技工。富士通據此徹查了整個思考過程：面對龐大的設計參數，熟練技工的著眼點是什么？調查結果顯示，“零件件數”“引線數”“網絡（接線信息）”“基板形狀”等參數在層數估算中起了很大作用。

接下來，富士通將這些參數作為特征量，讓AI學習以往的設計數據。通過投入AI應用，進入公司第一年的新技工也能達到與熟練技工相同的精準度，估算多層基片的層數。在運用AI之前，富士通曾經研發(fā)過一種算法，只要輸入設計參數就能輸出適當的層數。但是，由于設計參數的組合過于龐大，在人工開發(fā)問題上存在一定的局限性。富士通研究所制造技術研究所代理所長澀谷利行表示：“過去，無論怎樣改進算法，機器估算的層數結果都無法與人工估算相媲美。但利用AI和大數據后，熟練技工感受到了前所未有的壓力。”

自動編寫和修改程序AI在生產領域的應用案例也很多。最常見的，當屬生產線檢查工序等使用的圖像識別程序的制作。例如，在印刷布線基板上安裝零件的線路中，拍攝檢查工序的基板圖像，通過圖像識別程序確認特定的零件是否已被正確安裝。迄今為止，此程序一般是由技術人員根據圖像狀態(tài)（亮度、對比度等）和基板設計制作而成的。但是，一旦圖像狀態(tài)和基板設計改變，就必須修改程序。這樣一來，如果今后繼續(xù)進行多品種少量生產，勢必會出現(xiàn)技術人員緊缺的情況。因此，現(xiàn)場提出了希望能自動制作和修改程序的要求。

富士通利用通過“遺傳算法”進行學習的AI，制作并修改程序。起初，AI的實力只能識別、檢查零件的基本形狀。但現(xiàn)在，AI可以判斷實際安裝的質量是否合格。主導此次研究的富士通研究所制造業(yè)技術研究所特任研究員肥冢哲男表示，AI提取的“形狀的主要模式”的通用性很高，可用于其他種類和形狀的零件。也就是說，即便生產線發(fā)生大規(guī)模的變更，AI也能靈活應對。通過運用AI，包含驗證程序在內的修改時間，從以往的7天縮減到了8個小時。肥冢哲男說：“晚上學習AI后，次日清晨就能制定出新的計劃。”今后，富士通計劃將AI靈活應用于機器人操作程序等領域。

瑞薩電子：讓AI像熟練技工一樣判斷優(yōu)劣

瑞薩電子主要致力于在工廠中應用AI。目前，瑞薩電子正在研發(fā)用于FA機器的、組合半導體和AI的解決方案。試驗及應用場所，位于其生產子公司瑞薩半導體制造公司的那珂工廠（以下簡稱“瑞薩那珂工廠”）。

成為FA設備的頭腦原本，瑞薩電子的解決方案依據的是“邊緣計算”這一概念?？偟膩碚f，邊緣計算，是指在網絡末端（邊緣）設置的服務器上，分散處理以大數據分析為代表的大規(guī)模計算。一般的大數據分析，會將網絡末端收集到的數據集中到云服務器中，進行集中處理。但是，生產現(xiàn)場對實時性的需求很高，將所有數據收集到云服務器中，或基于分析結果從云服務器中控制末端是不現(xiàn)實的。必須使可編程邏輯控制器（PLC）、I/O單元等末端的FA設備（邊緣裝置）具有高度的數據處理功能，從而對大數據進行分散性的處理。于是，為塑造邊緣設備的“頭腦”，瑞薩電子導入了AI。瑞薩電子擁有統(tǒng)一處理CPU、實時操作系統(tǒng)OS和產業(yè)用以太網通信功能的LSI技術——“R-IN引擎”。

瑞薩電子針對“RIN引擎”開發(fā)出了新的AI模塊，使產業(yè)用LSI適用“R-IN引擎”，并能進行高度的數據處理。其目的，是將這種產業(yè)用LSI普及到多個邊緣設備中。“R-IN引擎”對以往在軟件中實現(xiàn)的實時操作系統(tǒng)OS及產業(yè)用以太網通信功能進行了硬件化，從而提高了CPU的數據處理性能。由此產生的余力，被轉移到了AI模塊的資源庫，確保了高實時性和高數據處理能力。在Al模塊的開發(fā)中，瑞薩電子與CompassIntelligence公司（總部位于東京）展開了合作。在瑞薩那珂工廠，AI被用于判斷半導體生產流程的好壞。具體來說，就是測量等離子蝕刻工序中的等離子發(fā)光強度（電壓），分析繪制在時間軸上的波形，以確定加工質量的好壞。等離子體的發(fā)光強度與晶片的加工量密切相關，因此可以從其波形推測出加工質量。

比較實際測量值（輸入波形）與學習后的AI得出的預測值（再生波形），對兩者之間的差的累積值（錯誤波形）進行閾值管理。想讓AI判斷優(yōu)劣，必須先輸入大量的良品和不良品數據。AI將基于該數據，學習良品模式。向完成學業(yè)的AI輸入實際測量的數據時，AI會基于實際輸入值和良品模式，模仿該波形輸出另一波形。如果是良品，那么輸入波形與再生波形基本一致。如果是不良品，則會產生偏差。AI通過對兩者之間的差的累積值進行閾值管理，判定優(yōu)劣。

擔負繁雜工作以上案例，還充分利用了CPU處理性能高的“R-IN引擎”的特點。在一般的FA設備中，對等離子體的發(fā)光強度進行取樣是以1秒為單位的。而采用“RIN引擎”的FA設備可進行50毫秒（1毫秒=0.001秒）的采樣，大大提高了判定結果的精度。這樣的精度，不僅可以用于判定產品優(yōu)劣，還可以用于預先維護生產設備等方面。瑞薩半導體制造執(zhí)行董事井上修一說：“我現(xiàn)在覺得，繁雜的業(yè)務已經可以交給AI去處理了。”