随着AI与云技术的飞速发展，两者深度融合正逐步渗透并深刻改变着各行各业。作为国内领先的云计算服务提供商，一直在探索和创新AI技术与云计算的融合应用，致力于为企业数字化转型提供强有力的技术支持。近日，《机器视觉》杂志特邀腾讯云计算(北京)有限责任公司云智能AI解决方案总监王川南先生，就云技术与AI技术的协同发展、工业质检领域的创新突破及未来展望等话题进行了深入分享，探讨了AI赋能智能制造的广阔前景与实践路径。

M：MACHINE VISION

W：王川南

M：王总您好，作为云智能AI解决方案总监，云技术与AI技术如何协同与发展？

W：从实践来看，云与AI的协同效应至关重要。云计算提供强大的算力、存储和架构支撑，AI则赋予云计算智能化能力，二者深度融合才能发挥最大价值。例如在制造行业，我们通过云边端一体化的AI应用解决方案，能够让客户对AI质检算法进行高效的协同开发，并实现大规模AI应用部署和管理，大大提升AI产品的研发和应用效率。

目前，基于大模型的AI技术正处于高速发展期，近期DeepSeek在LLM领域（大语言模型）取得了鼓舞人心的突破，但是用户在体验DeepSeek产品的过程中也遇到服务中断等不稳定的情况，所以稳定、安全的云计算环境也是AI技术能够顺利落地行业的重要支撑。

M：在推动云计算于工业领域的广泛应用时，您认为主要遇到了哪些障碍？

W：主要有以下四大挑战。技术层面，工业领域场景分散和碎片化，不同行业和客户之间的数据和知识存在差异性，无法完全复用，使得AI技术和解决方案在工业领域难以规模化推广复制。市场竞争激烈，客户对产品质量的要求越来越高，腾讯云面临的问题复杂度也在提升，这也对我们算法和工程研发能力提出更高的要求。

人才层面，工业企业缺乏既懂工业业务又熟悉云计算技术的复合型人才，限制了云计算在工业领域的推广和应用。

谈及成本，工业企业为接纳云计算，需对内部基础设施进行升级，并投资于员工培训，这些前期投入在当前经济环境下显得尤为沉重，企业对此持更加审慎的态度。

此外，数据安全是工业领域采用云计算的一大顾虑。鉴于工业数据的高度敏感性和核心价值，部分企业担心云端存储可能带来的泄露风险，因此仍依赖成本高昂且服务能力受限的物理隔离方案。

M：腾讯云是如何克服这些难点，成功落地工业质检应用的？

W：腾讯云凭借在计算机视觉、OCR、语音和大模型等领域的深厚积累，保持技术领先，并已经通过深度学习技术证明了AI质检在工业领域的可行性和规模化潜力。为了克服这些难点，我们不仅持续在工业质检领域投入研发，针对“缺陷样本少、换型频次高、新缺陷迭代慢”等行业痛点进行技术突破，注重数据安全问题的解决。我们利用成熟的解决方案和实践经验，确保数据在传输和应用中的安全，同时致力于将项目实践经验转化为标准化产品，通过工具产品在客户现场高效完成模型的开发与迭代，以克服数据安全顾虑和其他挑战。

M：请问根据您的观察，当前工业领域对于云计算/AI的普及程度如何？有哪些行业或应用场景已经较为成熟，哪些还需进一步推广？

W：根据我的观察，工业领域对于云计算和AI技术的接纳程度正在不断提升。在工业质检和工业巡检方面，AI的应用已经相当成熟，例如通过深度学习技术进行工业AI质检（外观缺陷检测）和工业AI巡检（园区工厂生产安全监测）。然而，预测性维护和工艺参数的优化由于高度定制化，其普及程度还相对较低。值得一提的是，近年来大模型在知识问答领域的应用逐渐成熟，对于制造业的工艺文档、研发文档以及企业知识库的管理，结合RAG（检索增强生成）技术，已经取得了显著的问答效果，这有助于企业更有效地利用和盘活知识库，从而提升研发效率。在这个方向上，我们自主研发了大模型知识引擎产品，它能结合企业的专属数据，更高效地搭建RAG、工作流等多种模式的应用，这将是未来我们进一步推广和发展的重要方向。

M：请详细介绍一下腾讯云TI-AOI工业质检平台，包括它如何利用了腾讯云的哪些先进技术？

W：腾讯云TI-AOI工业质检平台集成了我们经过实战验证的创新算法，旨在帮助我们的客户和合作伙伴掌握交付质检项目的能力，共同实现降本增效和多赢。该平台充分利用了腾讯优图在计算机视觉、大模型方面的前沿算法探索，以及在AI算法压缩、加速等方面的工程技术积累。它不仅覆盖了面向工业质检场景的检测、分割、OCV等基础功能，还推出了类MOE架构的无监督异常检测、基于Visual Prompt的小样本/免训练检测模块。此外，我们在产品上打通了云端大算力下的Domain Specific Model，到Windows单机上的增量微调链路。这些功能特性使得TI-AOI平台能够在极度复杂的外观检测场景下精益求精，同时也能满足在相对简单、数据采集不便场景下的敏捷交付和成本节约需求。

M：在腾讯云TI-AOI工业质检平台与机器视觉系统集成商及大甲方的合作中，常见的沟通瓶颈与问题有哪些？您的感触是什么？

W：在合作过程中，我们确实遇到了一些常见的沟通瓶颈与问题。首先，可解释性方面，由于AI质检算法多采用深度学习技术，具有不可解释性的特点，而客户往往希望对所有异常问题有确定性的解释，这需要我们进行深入的沟通和引导，帮助客户理解AI技术的特性。其次，部分客户对AI的能力存在过高预期，如追求绝对“零漏检”等指标，这需要我们通过实际案例和数据分析，帮助客户建立对AI技术能力的合理预期。再者，缺陷标准的模糊或缺乏也是一大挑战，这要求我们在项目初期就与客户进行充分的沟通，明确需求，避免后期频繁变更。

个人而言，我认为解决这些问题的关键在于充分的沟通、引导和培训。我们需要让集成商和大甲方对AI技术的特性、能力边界有清晰的认知，同时引导他们关注AI解决了什么问题，相对于人工有哪些提升。AI质检是一个复杂的系统工程，功能上涉及到多个软件硬件模块的协同，对于新接触TI-AOI产品的合作伙伴，我们会投入更多精力进行前期指导和护航，帮助他们尽快掌握工具的使用，加速磨合过程，确保项目的顺利进行。

M：腾讯云成立了工业AI质检生态联盟，想请您分享一下这一举措的背后动因，以及腾讯云在工业AI质检领域所采取的生态合作方案。

W：工业AI质检项目的成功实施，离不开“光、机、电、软、算”这五大领域的深度融合与协同。多年来，腾讯云与众多合作伙伴在工业AI质检领域并肩作战，做产品、找场景、打标杆、推复制，取得了阶段性成果。在这个过程中，我们也与合作伙伴建立了深厚的关系，形成了优势互补、协同发展的良好合作态势。

成立工业AI质检生态联盟，是腾讯云工业AI质检生态体系的进一步升华。通过搭建这个生态平台，我们希望能够进一步加深与合作伙伴之间的交流与协作，吸引更多志同道合的伙伴加入我们的行列。同时，腾讯云将与伙伴们共同探索并制定行业级的规范与标准，致力于构建一个资源共通、互利共赢、成果共享的生态圈，进而推动工业AI质检持续创新和迭代。

M：大模型技术发展非常迅速，腾讯也推出了混元大模型。那么，腾讯是否已经将这一技术应用于视觉质检领域？未来会在工业AI质检领域有哪些布局和展望？

W：随着生成式AI和多模态大模型技术的兴起，我们在过去的一年多时间里，积极进行了大量的技术实践与应用场景验证。具体来说，在特定领域（Domain）内，我们与客户及合作伙伴携手，成功训练出了专门的多模态质检大模型。这一模型的创新之处在于，它能够在自然语言对话的环境下，“0样本”地快速识别新型号甚至全新产品的缺陷。此外，我们还率先发布了质检领域首个开源的无监督异常检测数据集，以及首个针对缺陷异常检测的多模态大模型的benchmark，其中涵盖了数据集、评测标准以及相应的检测方法。展望未来，我们将在工业AI质检领域持续深耕，力求通过技术创新为行业带来更多价值。