在大规模机器替人真正到来之前，制造业如何推进机器助人，仍是需要思考的关键问题。

譬如生产线的流程优化。在完成一项加工过程所需要的周期时间（cycle time）内，存在各种可能延长时间、降低效率的因素，成为生产力提高的瓶颈。即便低效因素的捕捉与分析通常可由工程师人力进行，但肉眼依然可能存在时间、效率、准确性等方面的限制。此外，伴随东南亚建厂潮起，分散于各地的工厂，也给工程师的工作带来阻碍。

(资料图片)

最近，36氪接触到来自香港的「百威雷Power Arena」——面对上述难点以及衍生问题，百威雷正在尝试用AI视觉技术解决。

需要注意的是，目前制造业领域内AI视觉的应用，更多基于图像数据，落实在对产品或生产工具的质量检测维度；百威雷则更多根据获取的实时视频数据，着重对生产线人员动作及操作步骤等进行AI识别与分析处理。

“现在依然有很多工厂在大量使用人工作业，并且在短期内并不容易改变。”百威雷联创KEN LAW告诉36氪。对此，制造业背景颇深的百威雷团队，格外关注生产过程中“人”这一变量。

具体来看，百威雷的Human Operation Platform（HOP），基于在生产线布局的摄影机等硬件设备所获取的影像数据，通过深度学习分解生产过程，并进一步进行分析，捕捉产线中各操作人员动作，发现其中的低效率因素。

例如，在实际生产场景中，作业人员可能出现动作频繁被维护人员打断、工具位置不当导致不顺手等情况，最终拉长生产周期时间，折损生产效率。百威雷将类似的低效率因素可视化，企业即可有针对地进行产线优化。

各步骤所耗时间可视化，图源企业

除此之外，百威雷最新的技术进展在于，对于生产过程中的一些关键步骤，也可通过实时影像数据的获取及分析，判断是否操作到位。这些步骤细致如产品生产过程中拧螺丝的圈数等，往往较难通过成品的质检发现其疏漏，却的确可能影响最终交付的产品良率，甚至导致安全问题。

尤其在对精度要求更为严格的半导体相关领域，一次操作不慎造成的物料损毁，即可能导致严重的经济损失——这也是百威雷客户之一的真实经历。目前，该客户已将生产操作每一环均设定为关键步骤，重点进行监测及预警。

可分析判断细致操作是否到位，图源企业

就实际落地来看，百威雷可提供SaaS或买断制服务，客户集中在电子制造、半导体相关、车组装等领域，包括纬创Wistron、捷普Jabil等头部电子代工厂。百威雷业务在中国、墨西哥、东南亚等地工厂均有布局，并已积累一定手机、平板等电子产品生产的数据与案例，可在较短时间内完成同类场景下的软硬件部署。在越南一工厂中，百威雷对其进行业务部署且进行流程优化后，工厂年度生产效率提高了8%。

团队方面，百威雷团队研发人员占比达60%，在中国、美国、墨西哥多地设有办公点。创始团队中，KEN LAW早年毕业于斯坦佛大学人工智能专业，曾任职于Google，为连续创业者；HAU MAN CHOW为Google北美地区创始成员，曾协助开拓Google亚太地区业务；首席技术官HANG WONG在软件开发方向创业经验丰富。