「巨獸」的每一次出現，總會給這個世界帶來巨大變化。原來的普檢變成了機器篩查後的複檢，這些從未見過的裝置讓長期缺員的質檢勞工們感到輕松，有時又會心生複雜。
撰文 | 微胖
「我咽下一枚鐵做的月亮，
他們把它叫做螺絲。」
這是24歲流水線勞工許立偉死前寫就的詩句之一。
長三角濕潮的日子裡，坐在流水線上的質檢女工們，即使身着短袖工裝，也抵不住工廠中的房間裡的悶。
他們将手機攝像頭支架放在放大鏡下，360度旋轉着，從螢幕上快速識别出裂紋、壓傷、缺料、沾料、熔接紋。
即使最小3微米的瑕疵也不能放過。有時，裂紋太小，隻能靠某一個反光點來判斷。
完成這樣一個部件的質檢，熟練勞工需要1分鐘。每天，他們要盯着零部件找外觀缺陷近10個小時。
幾乎世界頂尖手機大廠每發一次新品，訂單一到，中國的百萬流動勞動力大軍立刻湧動起來。供應鍊廠商們立刻進入用人旺季，随處可見近乎雷同的用工消息：
「身體健康，無殘疾、無紋身、煙疤。視力0.8以上，近視眼面試之前提前配好隐形眼鏡。26個英文字母會寫即可。」
《紐約時報》曾驚訝于全球找不到第二個國家能夠如此快速擴大和縮小用人規模，但今時早已不同往日。
今年，某巨頭最新手機釋出之前，位于上海寶山區的富馳高科又開始為用工犯難。
這家每年生産數億零部件的制造商在産能最高峰時，每天需要生産400萬個零部件。按照人工每天檢測2600多個零部件計算，全部靠人工質檢，僅質檢人員就需要超1500人。
不改不行了。女工們不時發出這樣的感歎。
這樣盯着看十小時，眼都花了。再熟練的操作員，遇到産能增加也要出問題，最後一段時間裡工作品質和效率明顯下降。
除此之外，大家也明顯感覺這兩年招工不容易了。
隻要機器不停，上班的時間就沒有太多的變通，辛苦的夜班就擋住了不少人。不少質檢工幹不了多久就會離職。
富士康質檢員張全蛋、工廠中的房間女工趙曉卉去講脫口秀了。他們知道，想要的生活不是這樣子。
無論是你用針從小孔中捅出來的金屬卡托，還是某大廠獨創的閃電（lightning）接頭不鏽鋼外殼，都是金屬粉末注射成型（Metal Injection Moldling，MIM）技術的傑作。
MIM工藝在手機配件領域的廣泛應用
對于微小且結構複雜的精密零部件加工來說，MIM要比沖壓、CNC等方法快速、經濟得多。
當年，這項技術被某巨頭捧紅後，越來越多大牌手機制造商又将它用于手機攝像頭相關部件加工。
從華為P20 Pro三攝萬物背後的精密攝像頭圈、伸縮攝像頭裡的微型變速齒輪箱，到華為MateX2折疊屏的雙旋水滴鉸鍊，MIM已成為當下最炙手可熱的零部件成型技術。
國内市場養活着百萬人口，而一個小配件一年能做到幾十個億的規模。
華為MateX2折疊屏的雙旋水滴鉸鍊
作為國内MIM雙雄之一、衆多手機廠商的重要供應商，富馳曾在2006年進行一次關鍵轉型。
他們砍掉之前業務占比最大的鎢鋼手表表殼業務，投身3C電子，為手機提供精密零部件設計和制造。
2012年，營收和利潤飛速增長，也有更多的錢做研發。2013年，富馳成立專門的自動化部門。2015年更是投入5000多萬元做自動化改造。
走進一家傳統MIM加工企業，有時會看到一幅意味深長的畫面：
人工檢測區位于工廠中的房間中部，一邊是注塑機，另一邊是燒結爐，整形和脫脂在盡頭處。放眼望去，與注塑機、燒結爐一起「綁」在流程中央的人就像一台台被擰緊發條的機器。
一批批造好的混煉顆粒（你可以想象成金屬粉末和粘合劑攪拌而成「面團」被機器「揪」成的一個個小顆粒）由注塑機精密成型，轉經脫脂、燒結後，再交由機器整型、打磨，最後來到質檢工的手裡。
檢測包括人工檢測和全自動檢測，目前人工檢測占很大一部分，需要數量衆多的勞動力。
注塑、脫脂和模具損耗的成本，加起來也不過總成本的12%左右。喂料、燒結爐、人工檢測最花錢。其中，人工檢測的成本占比最大。
檢測包括尺寸檢測、外觀檢測、變形檢測等，需要工将不同類型的缺陷産品挑出來，并放入對應的分類盒中。
短時間看，大量的人工勞動力似乎比機器便宜，但長期來看，這些工資不是個小數字，還不算招工、管理規訓這些員工付出的隐性成本。
而對富馳這樣的知名手機供應鍊廠商來說，産能和品質控制意味着一切，他們曾設定好幾道人工檢測去解決漏檢的難題。
如今，富馳在其他工序基本實作自動化。從注射到燒結、整形，自動化程度可達90%以上，唯獨落下質檢環節。
外觀檢測對于機器的難度，公司自動化部門總監鄧聲志再清楚不過。
一個小的裂紋，到終端客戶那邊組裝的時候會形成裂痕，對手機有很大的影響。人工操作時，可以通過施力去查驗是否有隐性裂紋，但機器做不到。
當時的傳統機器學習算法主要是做盲測，比如這裡面的長度、寬度是多少，因為問題簡單，比較容易解決。
「後來慢慢轉到外觀檢測部分，外觀檢測原來整個工業很少碰的，因為它難度太大了。」騰訊雲AI研發總經理、騰訊優圖實驗室副總經理吳永堅說。
而且，3C領域産品更新非常快。
當時，傳統機器學習算法大多是靠人工定義的一系列規則進行缺陷檢測。随着被檢測物體的變動，所有規則和算法都要重新設計和開發，即使是同樣的産品，不同批次的變化都會造成不能重用的現實。
鄧聲志和富馳隻能繼續等待，直到深度學習開始向行業滲透。
2019年，他們又采用國外某網際網路巨頭旗下的AI質檢平台。經過一年多的調試開發，在實際應用中隻能達到70%-80%的預期效果。
困擾富馳的問題始終沒得到很好的解決，零漏檢、過殺率、精準缺陷分類、缺陷遷移、快速疊代等。
「我需要快速疊代，比如換新款産品，組成部分資料庫就可以用，而不是又開始從零到一的過程。」鄧聲志舉例說。
比如，補充30%甚至10%的資料庫，就可以達到預測的名額。
很多公司曾去洽談溝通，有些公司甚至拿了樣品回去做成像分析以及初步的算法研究。但回報回來的結果都是放棄。
技術難度大，傳統做的比較好的檢測算法放到富馳案例中，名額根本達不到客戶要求。而要想符合客戶要求，需要算法、資料能力提升甚至定制化開發，後期投入會很大，很多人是以打了退堂鼓。
富馳高科的廠房内，振盤正不停地給産線上料，部件被自動搬運到載具上後，接受六軸機器人360度無死角拍照采圖。
在定制的多組光源觀照下，機械臂快速反轉，可在數秒内拍攝數百張照片，實作不同位置的缺陷成像要求。
随後，這些圖樣在本地接受AI算法的識别，是否為缺陷或故障？并被分類處理……
幾十台這樣的裝置同時工作着。原來人工質檢需要一分鐘完成的工作，現在僅需4秒，幾乎實作零漏檢。
富馳AI質檢環節的一側
富馳AI質檢的另一側情況
騰訊優圖實驗室是騰訊頂級機器學習研發團隊。原以為靠模型就能解決很多問題，進駐富馳之後才發現，事情并沒那麼簡單。
為了實作手機支架外觀檢測的完全落地，他們幾乎打滿「光、機、電、軟、算」全場。
一個項目的啟動階段，産品早期樣本資料嚴重不足，是一個回避不了的工業AI落地現實。
其實，國外那家網際網路巨頭的AI質檢的圖檔識别能力已經做的很好，可以準确識别手機零部件不同位置出現的不同産品缺陷，但是，無法滿足同一缺陷在不同位置遷移的識别。
騰訊優圖實驗室的工程師們嘗試在算法方面進行創新，結合域适應遷移學習和缺陷生成技術，幫助富馳在産品早期樣本資料嚴重不足的情況下，達到檢測名額可用狀态。
除了缺陷遷移，成像問題也一直困擾着富馳。
MIM制品具有高反光特性，采用傳統手段，産品的髒污、壓傷等缺陷在成像後與正常反光亮印極為相似，人眼根本無法分辨，常常混淆高反光和正常反光。
通過在算法上設計出光度立體成像方案，騰訊優圖實驗室成功解決了連人眼也很難分辨的缺陷識别難題。
還有過殺的問題。所謂過殺，是指有幾個檢測點本來沒問題，但被模型檢測出來有問題。
比如，算法過嚴，容易将模具紋理形成的紋理線誤判為裂紋，造成過殺；而如果算法過松，又容易出現漏檢。現實中，要達到可應用的理想效果并不容易。
三維異型零部件凹凸缺陷成像通常不明顯，容易造成過殺。按照優圖之前的經驗，問題可以得到解決但需要比較長的時間
後來鄧聲志建議，既然加工工藝決定了這幾個點根本不可能出現裂紋，不妨将這幾個點位全部屏蔽掉，不讓他們出現在算法模型的識别過程中。
這個更加快捷的政策很快就被沉澱到騰訊的整體解決方案中。
好馬亦需配好鞍。除了提供視覺、成像、算法等最為關鍵的技術，騰訊優圖實驗室還提供了關鍵的工程優化。
在質檢儀硬體算力有限的情況下，團隊采用了騰訊優圖實驗室此前開源的TNN深度學習推理架構，借助算法模型加速和智能排程等多種技術能力，在幾秒内完成百餘張高分辨率圖檔的推理計算和光度立體圖檔的處理，更節約了硬體成本。
有人說，在中國全面雲戰争中，面對競對的先發優勢，對手更多是從服務上發起競争。
騰訊雲就是一個很好的例子。
一些尋找智能自動化包裝線的傳統制造商曾感歎，面對有些非标、量也不是很可觀的單子，一些大型供應商根本不上心。
某教育初創企業的CTO曾告訴财新，他們同時使用阿裡雲和騰訊雲，每年在阿裡雲上的開支達數百萬元，但阿裡雲對其基本不管不問，反而是騰訊雲為了讓他們切換過去，每個月過來分享最新産品和行業趨勢。
鄧聲志坦言，合作之前，他對騰訊雲的AI能力并不了解，和騰訊雲接觸也是通過業内朋友介紹。而在前期接觸過程中，首先打動他的是騰訊雲對這件事的态度。
其實，AI質檢是一個大的工序，工序裡又分不同産品線，富馳這次與騰訊合作的隻是某一條産品線的檢測。但我們感覺，騰訊雲把這件事當自己的事來做。
「至少在用心度上，他已經超過了其他廠商。」鄧聲志說，「其他廠商讓我看不到這種信心。」
項目調研過程中，騰訊雲和騰訊優圖實驗室的工程師們就駐場跟進，現場做了很多調研。在與富馳高科的團隊對接時，也認真地抛出一些疑問，共同探讨。
調研過程中，騰訊的團隊也不斷地給富馳信心。
他們在現有的硬體裝置資源上做各種AI算法的嘗試和測試，而且免費。當兩三個月後，算法測試達到富馳檢驗名額和預期效果後，富馳才與騰訊雲簽約合作。
300多天的研發周期，200多次超半小時的技術讨論會議，騰訊雲和騰訊優圖實驗室的工程、軟體、AI算法、架構師們都會參與進來，包含硬體設計、光源設計，他們與富馳諸多工程師們一起讨論合适的解決方案，并不斷做出調整。
比如，在解決成像難題上，多光源組合方案已經找到比較合适的光源，但由于設計本身利用傳統加工方法會導緻超重，無法在機械臂驅動上加以實作。
通過查找資料和讨論，他們找到3D列印方式，滿足了機械臂的負載設計要求。
現在，幾十台裝置持續滿載生産的情況下，項目預計每年為客戶節省人力成本數千萬元。這個方案每年為富馳節省56% 的成本，釋放95%的勞動力，在生産制造環節，做到了效率精度雙提升。
最重要的一點是，根據他們的測算，基本上一到兩年能收回裝置的投資。
我想其應有之意至少包括開發這款産品時，也在有意識地為複用打基礎。
富馳自動化部門先後投入十幾、二十個人在這個合作項目上，算是大陣仗。買幾十台之前，也要算清複用這筆賬。
「在這個項目的檔期，這個投入是不能回收的，」鄧聲志說。但是，通過疊代，可以應用到更多産品上。
富馳做過很嚴謹的核算，「可以在多個項目裡實作回收，才決定去投入的。」
而對于騰訊團隊來說，300多天的項目周期暗示着這是藝術，而不是商業，因為沒有辦法規模化複制。
「第一年可以這樣，但是，後面變成标準化和複制的模式才是一個健康的商業模式。」吳永堅坦言。
提整個工業的标準化太理想，也不現實，但至少可以挑幾個關鍵領域實作标準化複制。比如3C和锂電，特别是3C。
涉及到光、機、電，很多部分都很接近，裝置和結構還是能夠按相對标準化的方式去做。吳永堅說。
想要打穿3C和其他相關的領域，優圖就要沉澱出比較容易标準化複制的方案。
富馳案例之于騰訊，正是這樣一個契機、一把尖刀。
工廠投入之前，就是要算ROI，比如一兩年就要收回投資回本。「AI質檢是我們進入裡面的一個尖刀。」吳永堅說。
不過，質檢更多是一個防禦性環節。騰訊優圖實驗室還會繼續往前探索，包括工藝資料智能優化，形成從上遊工藝到下遊質檢的閉環，進而延伸到智慧工廠這個更大的面上。
而富馳對智慧化工廠的構想，雖然始于質檢，也終究會倒推至更加核心的前沿環節，由線到面，最後擴充至整個工廠。
騰訊雲首先要做硬體層面的标準化。
「硬體層面的标準化才會帶來後面軟體層面的标準化，如果硬體不标準化，軟體的标準化都是空話。」
這一點，對于騰訊雲和騰訊優圖實驗室來說，并不陌生。
隻銷售技術解決方案，就像在 19 世紀末向鐵匠出售傳送帶一樣，根本行不通。為了期待工業革命的到來，還要圍繞傳送帶建造一座工廠。
當年，騰訊優圖實驗室将技術溢出至金融、零售領域時，幾乎都伴随着軟硬一體。騰訊優圖實驗室的核心在于底層算法，并不是做硬體的企業。釋出這些邊緣智能産品，主要的目的在于推進整體技術解決方案的落地。
現在，有了軟硬一體的針對3C領域的騰慧飛瞳AI質檢儀，隻需組裝上下料裝置，就能快速給3C客戶完成質檢解決方案的傳遞。
傳遞、研發流程效率提升，需要靠我們的一些研發工具繼續沉澱出來。通過關鍵賽道整合出軟硬體層面的标準，「也是騰訊未來一兩年要做出來的，」吳永堅說。
如果可以大體完成手機零部件的質檢，整體知識庫就很完整，後續複制就有了基礎。
「大家基于整個基礎來做就可以了，該蹚的（困難），我們與合作夥伴已經全部蹚過了。」
好馬固然吸引人，但其目的在于「讓我們的行業解決方案、能力和平台能夠有更強的行業适配性，使得我們的合作夥伴和客戶能夠快速地基于我們行業化的平台或者解決方案建構它的應用。」騰訊公司副總裁、騰訊智慧工業和服務業總裁李強在接受采訪時曾說。
「我們并不準備做一個SGADA系統或者MES系統，這不是我們所擅長的。」
騰訊更想出售的是「好鞍」——服務消費網際網路個過程中積累了大量的雲計算能力。
不能既做平台又下場做應用，這個界限，騰訊雲自然心裡是要清楚的，也是這麼定位的。
當騰訊優圖實驗室的工程師們第一次來到富馳的工廠時，他們發現質檢工們最常用的藥物竟然是眼藥水。
如果時間倒流一二十年，這樣的兩個群體恐怕難以有任何這樣的交集與碰撞。
美國曆史學家喬舒亞•弗裡曼曾在《巨獸：工廠與現代世界的形成》一書中寫道：
現代社會的發展史，也是一段工廠文化史。工廠是制造業的實體所在。任何風光的工廠「巨獸」，均不過是曆史上的一縷雲煙。但「巨獸」的每一次出現，總會給這個世界帶來巨大變化。
巨獸的硬體制造涉及數百個供應鍊，養活上百萬人。作為生态的頂層設計者，每次遊戲規則的一個數字變動、某個術語消失或出現，就能改變全球勞工，包括中國數十上百萬勞工的命運。
巨獸們又吹響了新的号角。
流水線旁，質檢員們還在适應着與人工智能的合作。被機器識别為瑕疵的零部件，需要他們進行一輪複查，以幫助工程師們提升機器性能。
大家還有點不适應。在無數次重複而又無意義的規定動作中，他們曾參與了最精密、也最智能的消費品制造，靠着人眼檢查異常産品的工作内容，直到現在終于發生了根本改變。
原來的普檢變成了機器篩查後的複檢，這些從未見過的裝置讓長期缺員的質檢勞工們感到輕松，有時又會心生複雜，但又覺得這樣的變化也在意料之中。
在未來，越發聰明的産線對人的需求會更低。據說，華為的一條智能手機産線上，整條線隻有六個勞工。