揭秘“灯塔工厂”的 AI 应用案例和规模化策略

友达光电成立于 1996 年，是光电行业最早进行智能制造转型的企业。在光电行业从规模竞争转向价值竞争的背景下，光电企业生产的产品形态呈现少量多样、高规格、定制化的趋势；但面板的生产周期仍然非常长，管理的幅度很宽，复杂性高；与此同时，面板价格出现变化，成本改善的速度比较慢。

各种内外部的因素，促使友达光电在 2015 年前后着手推动全面性的数字化转型。而在 2017 年，整个集团内部就开始大量导入 AI 推动预测式的制造、预测式的研发和预测式的运营。

2021 年，友达光电入选世界灯塔工厂，当时麦肯锡团队对友达光电给出的评鉴结果就是“大数据与 AI 技术开发与广泛应用，展现工业 4.0 自驱动的永续发展动能。”在这个过程中，友达光电培育了超过 800 位 AI 专家，累计了超过 2000 个 AI 模型（如今已经超过 3000 个），在工厂里实时运行。

基于这些亲身实践经验，友达光电对 AI 的应用形成了比较清晰的思路和路径。在最新一期的 InfoQ《超级连麦. 数智大脑》直播中，友达工业服务全资子公司艾聚达总经理赖骏凯，揭秘了友达光电作为“灯塔工厂”背后的 AI 应用案例和规模化策略。

以下是分享全文（经 InfoQ 进行不改变原意的编辑整理）（点击链接可查看完整直播回放）：

今天跟大家分享四个议题：第一，友达光电自身数字化转型的背景，以及在这个过程中创造的价值；第二，AI 在工业领域的应用成功案例；第三，AI 扩散的关键策略；最后，总结一下企业如何提升新型竞争力。

品质提升是 AI 应用最重要的场景之一

下面，我们以车载品质管理系统作为一个切入点。

大家都知道，AI 被应用于非常多领域，而在制造中，品质提升是非常重要的一个应用场景。以车用市场为例，很多人可能对 IATF16949 品质管理体系非常熟悉，在每个制程过程中，我们都会去分析它的失效模式、失效原因，并且找到一个更好的管制方式，从而降低它的发生率，降低失效的严重度。

但是，过往的这种改善过程是存在天花板的，我们很难持续地去取得很好的改善成果。而AI可以帮助我们去突破这些改善的边界，甚至去拓展我们的管理幅度。

举个例子：过去我们大多使用的是统计方式在做失效分析，随着数据越来越多，分析维度就会有所短缺。而如果使用 AI 数据科学相关技术，就可以建构更高维度的分析能力，当分析能力越做越好，分析越来越细致，就有可能实现所谓的“无忧生产”的状态。

在整个监控和管理的过程中，我们也可以充分的使用 AI 技术。比如，在检测环节导入 AI 工业质检来建构智能化的检测能力；在产线发生率管理的过程中，也可以导入 AI 智能监控技术来建构智能化的管理能力，进而实现生产过程的精细化管理。

接下来，聚焦数据科学、工业质检、智能监控三个方面，给大家分享一下 AI 在工业品质提升场景的具体应用案例。

• AI 数据科学

首先，看 AI 数据科学。大家知道，最早企业做品质管理或品质改善更多是基于老师傅的经验去做分析，虽然后来衍生出了很多统计学方法，包括 6-Sigma、SPC、DoE 等等，但它们本质上还存在着老师傅的主观经验，并且分析的维度变量也是比较少的。

直到 2015 年之后，AI 机器学习的分析方式陆续出现，我们开始有机会通过 AI 的方式去做全样本的建模，通过数据来驱动客观分析，实现高维度分析，甚至可以去预测产品状态。经过大量的实践，我们得到结论就是，AI 的分析通常会做得比人更好。因为，过去我们遇到问题更多是事后解决，但通过 AI，我们完全可以预测未来可能发生什么问题，并在这之前先行解决，或者进行干涉，从而减少产能的损失、良率的损失，实现事前管理。

以我们早期在友达光电内部进行良率改善的一个应用为例：比如面对 W Spot 这样的产品缺陷，过去我们花了很长时间去做改善，良率损失已经控制在 0.5%左右，但是已经很难再找到改善的环节。直到使用了 AI 技术，我们在大量数据内部找到了两个新的关键因子。根据过往人的经验，我们并不认为这两个因素会影响到产品品质，而经过 AI 分析，我们尝试去做分析和小量实验，发现经过对两个参数的优化，我们的良率的确得到了改善，最后把不良率降到了 0%。这是非常明显的良率改善。

除了类似这种隐性因子挖掘之外，AI 技术还能提供非常多的帮助。例如参数推荐，我们在 PCB 行业做过一个应用案例，就是在金属镀膜的过程中（镀金或镀铜），成本材料非常高，如果镀的金层厚度过高，就会造成成本上升，如果厚度过薄，就会影响到产品良率。这时候，就要可以通过 AI 去做参数最优化的推荐，在兼顾成本跟品质的前提下给出最好的参数，这个参数过往都是由老师傅的经验决定的，但有可能它并不是最好的。

如今，相似的应用已经非常广泛，在过去多年时间里，我们已经在内外部超过 12 个行业实现了落地应用，包括 PCB、半导体、光电行业，以及传统的石化橡胶、医疗、食品、传统材料研发等等。甚至，不只是制造端，在产供研销等环节都可以，例如人力资源领域，可以用 AI 去做离职率的预测，再比如厂务端，可以用 AI 去预测用电量等等。这些都是新技术带给我们的一些新能力的扩展。

• AI 工业质检

针对工业质检，很多企业会导入 AOI 的产线，但是，过去的 AOI 技术存在一定的技术短板，往往会因为规格越来越高，检出的缺陷越来越细微，从而产生大量误判，而当误判量变高，就需要有人工进行后续的拦检。这意味着，在这个过程中必然会产生额外的人力成本。对于这个问题，AI 工业质检的方法可以很好地优化。

以半导体行业应用为例：我们知道，半导体制程非常复杂，在晶圆的制造测试过程中有超过 40 到 60 道的制造和检测过程，需要大量的 AOI 机台在产线上去做产品的质量把关。我们有一个客户遇到过这样一个问题，他们每天经过 AOI 检测出来的照片超过 100 万张，日班和夜班分别有 50 个人在做复判，人力成本非常高，并且因为是人在做判别，所以效率很低，这也造成产线上任何良率异常回馈速度都非常慢，从而导致更多的产品损失。

利用 AI，我们可以把大量的 AOI 识别的照片通过 AI 去做模型训练，训练完成的这个模型可以下发到边缘进行推理，让后续所有 AOI 机台产生的 NG 图片都可以通过推理平台第一时间完成复判，另外少量还没有办法用 AI 复判的部分会由人跟机器去做协作进行一些补充标注，并且这些图片也会继续输入到模型中进行重新训练，进而进行持续地模型优化。

在这个案例中，我们通过 AI 方式帮企业节省了 60%-80%的人工成本，并且因为复判精准度越来越高，速度越来越快，也使得企业产品良率得到了 6%-8%的提升。

当然，除了半导体之外还有非常多的行业都可以使用 AI 去实现误判率降低。例如 SMT 行业也一样有在炉后进行 AOI/AVI 外观检测的需求，当发现元件异常、元件偏移等等，就需要非常多人员投入进行复判，这时候就可以使用 AI 技术去降低误判率，实现人工成本的降低。

• 工业智能监控

智能监控方面，这也是很多企业的痛点。过去，制造企业常常是通过人工查验去控管各个环节，比如在制造园区、车间内的人员是否都佩戴好安全帽、无尘鞋、防尘衣等等，是否存在安全遗患；比如，在关键岗位，工作人员是否按照动作标准和规范进行操作，包括生产过程中的节拍管制以及设备异常波动等等。而人工查验的方式，不但非常低效，而且没办法做到 24 小时主动管理。

这时候，通过 AI 智能监控技术，可以在园区既有的视频或者加装新的摄像头基础上，通过视频采集加上 AI 模型，对任何异常进行识别判断，并形成闭环的管理机制。比如安全的部分，可以识别人员的防护衣穿戴是否规范，在卸货过程中人员的位置是否安全，或者货梯有没有出现违规载人，甚至只是最简单的上下楼梯走路玩手机等行为，这些都可以通过 AI 技术形成 24 小时全天候、主动式的园区安全管理。

除此之外，我们也可以使用 AI 智能监控技术实现“防呆”。举例来说，在制造过程中，我们有个涂胶的设备，它的胶头会随着作业时间越来越大，以往这很难管理，只有它变大到连续性产生涂胶异常，在品质检测时候才能发现并介入管理。但现在，我们在旁边装了摄像头，可以 24 小时监控，只要一发现胶头，就可以跟设备去实时联动，让设备停下来，这就不会造成产品的品质异常。

当然，在制造过程中，我们还可以通过 AI 技术去管理人员的动作，或者装配过程中监控是否有缺件少件等等，从而进行品质监控。

无代码平台是实现 AI 扩散和“全民 AI”的重要抓手

大家可以看到，如今 AI 应用越来越广泛，企业关心的不只是 AI 的某个应用导入，还包括如何更快速地扩散企业内的 AI 应用，甚至是实现“全民 AI”的愿景。这个过程，需要企业投入非常多的资源支持，同时也充满各种阻碍和挑战，比如人才不足、成本高昂、模型训练速度缓慢，或者成效不明确等等。

但是，随着技术的迭代，AI 技术的使用成本会越来越低，比如现在已经有很多的无代码AI 平台可以助力企业快速完成人才的赋能和技术的落地。

比如，过去我们做 AI 数据分析的流程非常长，涉及数据预处理、特征工程、模型训练、模型评估以及非常多的代码工程，但现在，我们通过无代码平台，在整个过程中完全不需要使用到代码，只要点击几下就可以把 AI 的模型跑出来，从而完成数据分析的工作。

以某半导体龙头企业为例，他们通过无代码平台工具在 3 个月内赋能了内部 70 个员工，使其拥有了 AI 数据科学分析能力，借此，在新产品的良率上得到了 0.5%的提升。在封测行业，良率已经非常高，因此 0.5%是一个非常大的改善，同时，这也使得他们在整体成本控制上得到了很好的改善。

机器视觉应用也是相似的，通过这些无代码平台，企业只要把视频数据上传到平台上完成标注，一键就可以完成模型的训练，并且可以一键部署到边缘硬件，从而提升超过 70%以上的开发效率。

今年第一季度，麦肯锡发布了《全球灯塔网络：续写工业 4.0 新篇章》，其中谈到，根据对全球超过 100 个灯塔工厂的观察，他们总结出这些企业之所以做得比较快、比较完善的最核心原因，就是他们参与人员非常多，有超过 50%的员工都参与了数字化转型，超过 30%企业的 COE 组织参与了数字化转型。

但是，在非灯塔工厂里面，这样的人才比例平均不到 30%，一个企业要做数字化转型，其中最关键的就是数字化人才的培养，只有人才足够多，才能让数字化的扩张速度更快。就人工智能本身来说，我们可以使用无代码的工具让 80%的关键员工都能在很短的时间内自主运用人工智能的技术。

最后再分享一个来自于麦肯锡的资料，相关数据显示，那些早期已经开始大量使用 AI 的企业，目前已经进入快速提升效益的阶段，在同行业中，这意味着这些企业的竞争力会快速被放大，反之，那些没有采取行动的企业可能就会存在竞争力的相对流失。

嘉宾介绍

赖骏凯，艾聚达总经理。大数据与人工智能专家，拥有超过 18 年的光电行业制造运营经验，作为友达昆山智能制造负责人，2016 年开始参与友达光电数字化转型工作。目前担任友达工业服务全资子公司艾聚达总经理，同时也是省级两化融合特聘讲师，重庆邮电大学先进制造工程学院客座教授。