今年以来，各地纷纷出台政策发展新质生产力。其中高端装备作为产业链核心，科技含量高、附加值高，是发展以战略性新兴产业为代表的新质生产力的重要支撑。
2月，均普智能（688306.SH）在其公众号官宣，其联合微软共同研发，在基础算力及通用算法大模型基础上，建立了“视觉AI”行业领域模型，大幅缩短研发周期，降低研发成本，提高了装备附加值。
近期，围绕为何这个时点选择与微软合作，“视觉AI”模型到底如何赋能装备制造，未来业务向何处发展等一系列问题，21世纪经济报道记者前往宁波实地走访了均普智能。
（记者摄于宁波均普智能）
通用大模型催生垂直AI机遇
自2022年11月OpenAI发布ChatGPT以来，生成式AI开始呈现某种诞生AGI（通用人工智能）的潜力，引起世界广泛关注。Scaling law（尺度定律）成为人工智能产业界人士普遍信奉的法则。这意味着只要模型的参数规模足够大到突破某一个瓶颈，就有可能产生类人的智能。
在图像机器学习（研究计算机怎样模拟或实现人类的学习行为）发展的初期，是基于传统方法的计算机视觉，通过人工构建特征关系，让计算机去学习；深度学习出现后，卷积神经网络开始引入，以标注好的图像作为学习对象，让计算机自主学习图像特征。
“现在基于大模型的通用底座，由于其具备正常人类思考、学习的能力，再通过我们自有数据的输入，相当于将其训练成在某一个领域更专业的人士。”均普人工智能与人形机器人研究院院长兼首席科学家郭继舜说。
均普智能主营业务是提供汽车工业、工业电机、消费品、医疗健康智能制造装备，以及工业 4.0 应用软件和数字化服务，其在智能制造领域积累了大量行业结构化数据。
均普智能董事长周兴宥直言，“我们看到人工智能的一些通用模型已经非常成熟，而均普智能在智能制造行业拥有大量的数据，积累了许多相关的技术和人才，我们希望进行下一步的研发，基于通用模型做某一领域具有泛化能力的垂直大模型。”
为什么选择与微软合作？周兴宥解释，主要基于成本、合作意愿、模型适用性等方面的考虑，同时也希望在本土成长出具有某一方面特长的大模型公司，符公司其智能制造需求。
降本增效是核心推动力
均普智能的主要产品为非标定制化智能制造装备，这意味着每一条新产线都要重新定义与适配。而近年来智能制造装备下游行业产品向多品种、中小批量及“变种变量”的生产模式发展，传统的“刚性”制造方式难以满足客户对于制造装备灵活适用性、智能化的要求。
如何尽量减少人为干预，提高生产“柔性”与稳定性，成为智能制造行业的痛点。“随着人工智能的发展，现在使用机器视觉补偿的方式，最终达到非常快的生产节拍。本质就是柔性生产。”郭继舜表示。
“发布垂直大模型对我们智能制造生产的好处有三，第一，增强研发能力，第二，提高生产效率，第三，降低生产成本。”周兴宥表示。
均普智能中国区首席技术官何川介绍，目前其“视觉AI”行业模型已被成功应用到客户汽车传感器产线，实现产线上核心工艺激光焊接的综合良率从85%提升至99%。
生产成本上，何川表示该模型大幅降低了产线设备此前使用高昂工业智能相机和软件等带来的制造费用，其测算成本降低在4成以上。
“之前在产线上使用的部分国际大厂智能相机成本高昂，软硬件平台更新需要根据大厂的推送进行，相当于一个‘黑箱’，难以做到及时灵活。现在我们和微软做了深度绑定，借助微软深度神经网络模型，提供一个更灵活的解决方案，成本上面非常具有竞争力。”何川说。
从单点突破到场景泛化
何川称，“在焊接场景里，有许多对焊接质量的判别，人工很难把握判断的参数范围，需要不断地通过工程经验去校验调整，而且不够柔性化。之前其团队使用常规工业智能相机，试图解决这个问题，但相机自带的模型此场景下效果不好，调试了将近4个月时间，还是没有成功。之后采用与微软合作的方案后，6周就把这个问题解决了。”
据了解，均普智能作为设备开发商，首先对接客户的需求，自主研发前端平台UI，客户只需要在UI界面中做参数设计，就能完成推理环节的设置。均普智能基于微软算法库，训练前端采集的数据，成熟的数据模型可以导出成为交付给客户的离线模型。如果客户的数据发生变化，有新需求，就重新上传、重新训练，具备柔性化优势。
此外，何川透露，均普智能将进一步将其“视觉AI”行业模型应用到玻璃等材质表面弱划痕、X-ray缺陷检测、高精度颜色区分等图像分类等领域，以不断增强模型在缺陷识别、物料抓取等场景下的泛化能力。
“垂直大模型的泛化能力很强，意味着产线具有很高的柔性，比如汽车客户如果要改车型，相较于以往需要投资一条新的产线，装备投资的理论成本会减少很多。”周兴宥解释其不断进行模型场景泛化的初衷。