关于虹科智能感知

虹科智能感知事业部专注于智能感知与机器视觉领域，已与IDS、Blickfeld、Gidel等国际知名企业建立了深度技术合作关系。我们的解决方案涵盖3D激光雷达、工业相机、视觉处理平台、图像采集卡以及视觉系统集成等。虹科工程师积极投身国内外专业协会与联盟活动，高度重视技术培训与知识积累，定期与国内外专家团队开展交流与培训。在本届视觉论坛中，我们的合作伙伴资深人工智能工程师Wassim El Ahmar分享了关于AI的基础知识，帮助我们理解核心概念及其未来的广阔应用前景。

一、什么是AI？

Wassim: 人工智能（AI）被广泛定义为机器能够以我们认为“智能”的方式解决问题或完成任务，例如求解数学问题。机器学习（ML）是AI的一个分支，指机器在获得数据的情况下，能够在无需人工干预的前提下学习如何解决特定问题。深度学习则是ML的一个分支，特指神经网络——由受人类大脑工作方式启发的人工神经元构成。神经网络的核心特点是，当网络看到越来越多的数据时，它能够自主“学习”与所解决问题相关的特征。

关键点：AI → ML → 深度学习，层层递进。

小提示：在日常交流中，很多人会将AI、ML和深度学习混用，但理解它们的层级关系能帮助你更准确地把握技术讨论的本质。

常见问题：

• 问：AI、ML和深度学习到底有什么区别？
  答：AI是最大范畴，模拟人类智能；ML是AI的子集，让机器从数据中学习；深度学习是ML的子集，使用多层神经网络自动提取特征。简单来说，所有深度学习都是ML，所有ML都是AI，但反过来不成立。

二、所有AI都是自主的吗？

Wassim: AI的最终目标是实现自主。机器可能无法立即达到完全自主，但通过训练，目标在于发展AI能力，使其能够独立于人为干预发挥作用并处理决策技能。例如，在检验应用中，目标是对系统进行训练，使其能够自主学习错误并独立识别缺陷产品。

注意：自主性是AI的长期方向，当前多数AI系统仍需要一定的人工监督和训练。

小提示：在实际部署AI系统时，建议从“人机协同”模式起步，逐步减少人工干预，而不是一开始就追求完全自主。

常见问题：

• 问：现阶段有哪些AI应用已经是完全自主的？
  答：完全自主的AI目前仍很稀少，例如某些简单的分类任务（如垃圾邮件过滤）可以自动运行，但复杂场景（如自动驾驶、医疗诊断）通常仍需人类监督或二次确认。

三、什么是传统AI？

Wassim: AI是一个非常广泛的范畴，涵盖自然语言处理、语音识别和电子商务等应用。当你在网上购买产品时，平台常会出现“推荐”产品或“你可能也喜欢”的建议，这就是AI。但传统AI需要专家设计每个特性与能力，包括规则的所有变化和环境。例如，若客户A购买产品XY，则可能喜欢产品Z。传统的机器视觉应用也需要类似程度的硬编码工程来识别故障或问题。随着GPU技术的改进以及可用于训练的数据集规模增大，如今机器学习正朝着包含深度学习能力的方向发展。

传统AI依赖人工规则，深度学习则自动学习特征。

小提示：如果你的业务场景规则非常明确且不易变化，传统AI（基于规则）仍可能是高效低成本的选择。反之，复杂多变的环境更适合深度学习。

常见问题：

• 问：传统AI和深度学习哪个更可靠？
  答：没有绝对答案。传统AI在规则清晰的场景中可靠性高、可解释性强；深度学习在复杂模式识别中表现更优，但可能缺乏可解释性，需要大量数据。选择哪种取决于具体应用。

四、什么是深度学习？

Wassim: 深度学习，也称为深度神经学习，是AI的一个分支，其机器学习方法基于强大的神经网络，这些网络受我们大脑中神经元运作方式的启发。神经网络的核心特点是，当网络看到越来越多的数据时，它能够“学习”与所解决问题相关的特征。

深度学习的核心：多层神经网络自动从数据中提取特征，无需人工设计。

小提示：“深度”指神经网络的层数较多（通常超过3层）。层数越多，网络能学习更抽象的特征，但也需要更多数据和算力。

常见问题：

• 问：深度学习需要多少数据才能有效？
  答：通常需要数千到数百万个样本，具体取决于任务复杂度。对于简单的二分类，几百张图片可能足够；对于复杂的物体检测，往往需要数十万张标注图片。数据不足时可借助迁移学习或数据增强。

五、深度学习是如何工作的？

Wassim: 神经网络能够提升自身性能，当它看到越来越多的数据时可以“自学”，就像人类学习新技能一样（例如小孩学习骑自行车，每次尝试都会变得更好）。由于神经网络必须做出决策，它会分析所有可用数据并做出预测。网络做的决定越多，它就越能通过验证和确认来纠正自己。随着时间的推移，机器不断提高各方面的能力和预测技能。

核心机制：反复预测→比较结果→调整参数→性能提升。

小提示：训练深度学习模型时，需要将数据分为训练集、验证集和测试集，避免模型“死记硬背”而失去泛化能力（过拟合）。

常见问题：

• 问：训练一个深度学习模型通常需要多长时间？
  答：取决于数据量、网络复杂度和硬件（GPU）。小模型可在几分钟到几小时内完成，大模型（如GPT）可能需要数周。使用云GPU或专用AI加速卡可以大幅缩短时间。

六、机器学习如今在哪使用？

Wassim: 目前有大量研究聚焦于机器视觉功能，比如目标分类、检测和分割。通过将AI技术与传统视觉流程相结合，制造商可以大幅减少在人力资本和废弃产品方面因质量检查错误造成的损失。对于大型制造商来说，误报是一个重要问题，它会导致生产线停机和昂贵的二次人工检查。使用简单的两个类别（合格/不合格）进行分类，是从AI开始训练时最快、最不复杂的应用。

工业视觉中，AI最直接的应用就是“合格/不合格”二分类，能快速降低误报率。

小提示：在启动AI视觉项目时，建议先从最简单的二分类（OK/NG）开始，积累经验后再扩展到多分类、目标检测或分割等复杂任务。

常见问题：

• 问：AI视觉的误报率能降低到多少？
  答：优秀的AI模型结合充足的训练数据，可将误报率控制在0.1%以下，但实际效果取决于产品缺陷的多样性和标注质量。通常建议与人工复检互补，逐步优化。

虹科产品推荐

虹科-AI网关

关键特点：

• 与现有的检测硬件、软件和终端用户流程无缝配合

• 支持GigEVision、USB3 Vision、CameraLink或MIPI等多种接口协议

• 强大的NVIDIA GPU可部署开源或自定义算法，包括预训练的TensorFlow深度学习模型以及使用OpenCV等开源库开发的Python插件

虹科-AI软件平台

关键特点：

• 直观的基于Web的eBUS AI Studio平台，允许任何用户（从非程序员到高级开发人员）设计、训练、测试和部署自己的AI与计算机视觉插件

通过以上基础知识，您已经掌握了AI、ML、深度学习的核心概念及其在工业视觉中的典型应用场景。虹科推出的AI网关与软件平台，可帮助您快速将理论转化为实际产线生产力，无论您是入门新手还是资深专家，都能找到合适的工具。