Wie schafft es das Startup-Team der Northwestern Polytechnical University mit einer Bewertung von über 1 Milliarde Yuan, erfolgreich in industriellen Szenarien Fuß zu fassen?
Während viele Roboterhersteller noch nach Anwendungszenarien für den Übergang von 0 auf 1 suchen, hat dieses Startup-Team, das aus der Northwestern Polytechnical University hervorgegangen ist, bereits mit der Entwicklung der vierten Generation von industriellen Robotern mit verkörperter Intelligenz begonnen.
Kürzlich hat Sixth Mirror Technology eine Finanzierungsrunde in Höhe von mehreren zehn Millionen Yuan der Serie B1 abgeschlossen, die von Kunlun Trust und Xi'an High-Tech Investment investiert wurde. Das Unternehmen wird mit über einer Milliarde Yuan bewertet und startet gleichzeitig die Finanzierungsrunde der Serie B+. Während die meisten KI-Unternehmen noch ratlos sind, wie sie ihre Technologie praktisch umsetzen können, hat dieses KI-Unternehmen, das seinen Ursprung an der Northwestern Polytechnical University hat, bereits in den beiden Szenarien der industriellen Qualitätskontrolle und der Arbeitssicherheit fest Fuß gefasst.
Was Sixth Mirror im Wesentlichen macht, ist industrielle KI – also die Förderung der Umgestaltung und Modernisierung der traditionellen Fertigungsindustrie durch künstliche Intelligenz. Und die industrielle KI befindet sich genau an der Schnittstelle von politischer Unterstützung und industriellem Aufschwung. Von dem nationalen „Entwicklungsplan für intelligente Fertigung im 14. Fünfjahresplan“ bis zum „Aktionsplan für die Entwicklung der Industrie für intelligente Prüfgeräte“, von der Einführung des „Konzepts der neuen qualitativen Produktivkräfte“ bis zur häufigen Einführung spezialisierter Maßnahmen für „KI + Fertigung“ in allen Regionen – die Politik schafft derzeit eine Schnellstraße für die praktische Umsetzung der industriellen KI.
Drei große Hindernisse für die industrielle KI
Die Strecke der industriellen KI war noch nie ein einfacher Weg.
Im Gegensatz zum traditionellen Verbraucherinternet, das durch „massendatenbasierte Szenarien mit standardisierten Abläufen“ gekennzeichnet ist, steht die Kombination von KI und industrieller Produktion vor drei natürlichen Barrieren:
Erstens die extrem knappe Barriere für Kleinstichprobendaten. Zuerst eine wichtige Unterscheidung: Nicht alle industriellen Szenarien erfordern, dass die KI „lernt, was ein Fehler ist“. Bei Produkten wie PCB-Platten und spiegelblankem Stahlband ist die Merkmalkonsistenz hoch. Die KI muss nur lernen, „was gut ist“, und kann Abweichungen durch Vergleich von Unterschieden erkennen.
In der hochwertigen industriellen Produktion hingegen ist die Ausbeute in normalen Produktionsumgebungen extrem hoch, sodass Fehlerproben von Natur aus knapp sind. Um die KI dazu zu bringen, zu erkennen „was ein Fehler ist“, muss man zuerst genügend „Fehlerproben“ erhalten – das ist an sich ein Paradoxon. Das traditionelle tiefe Lernen hängt von der Steuerung durch Massendaten ab, während in industriellen Szenarien die Datenerfassung schwierig und kostspielig ist, sodass das Modelltraining große Schwierigkeiten bereitet.
Zweitens die hohe spezialisierte Barriere für Branchenkenntnisse. Im Gegensatz zu den relativ standardisierten Herstellungsverfahren und Qualitätskontrollstandards in der 3C- und Lithiumbatterie-Industrie verfügen Bereiche wie Metallurgie, Chemie und Energie über hochspezialisierte, nicht austauschbare Prozessabläufe, Geräteprinzipien, Fehler MERKMALE und Qualitätsbewertungssysteme. Es gibt keine universellen Erkennungsalgorithmen und Modelllogiken für Szenarien, keine standardisierten Lösungen, die branchenübergreifend wiederverwendet werden können. Algorithmenmodelle, die sich tief mit der Qualitätskontrolle in der Eisen- und Stahlmetallurgie befassen, können nicht für die Erkennung von Korrosion und Rissen an den Innenwänden von Ölpipelines verwendet werden. Technische Systeme, die für die Fehlererkennung von Platten angepasst sind, funktionieren vollständig nicht mehr, wenn sie auf Szenarien von Rohren und Druckbehältern übertragen werden.
Diese Art der hochwertigen industriellen KI-Prüfung ist keineswegs eine reine Algorithmenentwicklung. Sie muss eng mit dem zentralen Know-how der Branche verbunden sein. Die Anhäufung von spezialisiertem Branchenwissen, Szenarienerfahrung und Fehlerbeurteilungslogik erfordert langjährige, vor Ort durchgeführte Optimierungen, kann nicht schnell repliziert oder praktisch umgesetzt werden und bildet eine extrem hohe Zugangsbarriere für die Branche.
Drittens die Barriere für die durchgehende Kette von der Wahrnehmung bis zur Ausführung. Derzeit sind die meisten industriellen KI-Unternehmen nur in der Lage, sich auf die visuellen Algorithmen der Vorderkante zu spezialisieren. In allgemeinen Szenarien wie der 3C- und Lithiumbatterie-Industrie müssen sie nur die Fehlerwahrnehmung und -markierung abschließen, um die Umsetzung zu erreichen, ohne an der nachfolgenden Behandlung teilzunehmen. Hochwertige industrielle Szenarien erfordern jedoch eine durchgehende Kette: Sie erfordern nicht nur genaue Wahrnehmung, Erkennung und Beurteilung, sondern auch die Vernetzung von Geräten vor Ort, Produktionsprozessen und Betriebs- und Wartungssystemen, um intelligente Behandlung, Zustandskorrektur, Datenrückverfolgung und Modelliteration abzuschließen.
Diese Szenarien sind stark abgeschlossen, hoch spezialisiert, die Gerätevernetzung ist komplex, die Fehlertoleranz der Produktion ist extrem niedrig und die Wartungsvorschriften sind streng. Die meisten Unternehmen fehlt es an praktischer Erfahrung vor Ort in industriellen Anwendungen und Systemvernetzung, sie können nur grundlegende Wahrnehmungen realisieren, die nachfolgende Beurteilung, Behandlung und Rückverfolgung nicht übernehmen und schließen die Wertkette „Wahrnehmung – Beurteilung – Behandlung – Rückverfolgung – Iteration“ vollständig ab. Gerade weil die technischen Schwierigkeiten der gesamten Kette groß sind, die Anpassungskosten hoch sind und der Überprüfungszyklus lang ist, dauert die praktische Umsetzung von Produkten von 0 auf 1 oft Jahre, weit mehr als bei allgemeinen Erkennungsszenarien.
Einstieg im Jahr 2019 und Gewinnung von Kunden des „Nationalteams“
Bereits 2019 begann Sixth Mirror Technology mit der Implementierung von Szenarien für verkörperte Intelligenz. PetroChina, HBIS Group, Taigang Group, Xinxing Ductile Iron Pipes, Shaanxi Coal and Chemical Industry … diese „Nationalteams“ im chinesischen Industriesystem sind Kunden, die Sixth Mirror seit 2019 schrittweise betreut. Heute deckt die Produktmatrix von Sixth Mirror bereits eine Vielzahl von Szenarien im industriellen Bereich ab. Auf dieser Pressekonferenz werden hauptsächlich zwei praktische Anwendungszenarien für Roboter mit verkörperter Intelligenz vorgestellt.
Vorgestellte Szenarioprodukte: Qualität und Sicherheit in unsichtbaren industriellen Räumen durch KI
Auf der Pressekonferenz zeigte Liu Chuang, Gründer von Sixth Mirror Technology, die dreistufige technische Architektur der industriellen Roboter von Sixth Mirror: Die unterste Ebene besteht aus KI-Tools, die mittlere Ebene ist die Kombination aus Hard- und Software wie Rechenleistung und dem 2D+3D-Visuellen Erkennungssystem, also „Augen und Gehirn“, die oberste Ebene ist die körperliche Ausführungsebene, die nah an der Anwendung der Nutzer ist. Dies zeigt umfassend die volle Stack-Fähigkeit von Sixth Mirror Technology im hochwertigen industriellen Bereich.
Szenario 1: Prismind L visueller Qualitätskontrollroboter für Rohrleitungen.
Öl- und Gaspipelines, chemische Transportleitungen, kommunale Wasserversorgungs- und Entwässerungssysteme ... diese Rohrleitungen sind oft in dunklen, engen, gefährlichen nicht strukturierten extremen Umgebungen verborgen. Herkömmliche Erkennungsverfahren können entweder überhaupt nicht zugreifen oder sind kostspielig und ineffizient. Der Prismind L-Rohrroboter von Sixth Mirror löst im Kern vier Punkte: klar sehen, stabil fahren, genau beurteilen und umfassend verwalten.
Klar sehen: Er dringt in dunkle, enge, gefährliche nicht strukturierte extreme Umgebungen ein, durchbricht die Grenzen der menschlichen Sehkraft und herkömmlicher Erkennungsverfahren und wandelt den unsichtbaren Zustand im Inneren von Rohrleitungen in wahrnehmbare, diagnostizierbare und entscheidbare Datenvermögen um.
Stabil fahren: Er kann im komplexen, nicht strukturierten Inneren von Rohrleitungen stabil voranschreiten und sich an versteckte Räume wie Rohrleitungen mit kleinem und mittlerem Durchmesser anpassen.
Genau beurteilen: Er ist mit einem vertikalen großen Modell ausgestattet, das speziell für industrielle Qualitätskontrollszenarien tief angepasst ist, verfügt über „expertenhafte“ industrielle Kenntnisse und beurteilt die Erkennungsdaten präzise.
Umfassend verwalten: Er bildet eine durchgehende Kette von Wahrnehmung, Erkennung, Beurteilung und Behandlung bis zur Rückverfolgung und sammelt sich zu einer iterierbaren, übertragbaren und skalierbaren Fähigkeit der industriellen verkörperten Intelligenz.
Für Branchen wie Öl, Gas und Chemie löst Prismind L das chronische Problem des herkömmlichen Erkennungsmodus mit „niedriger Abdeckung, verzögerter Reaktion und hohen Kosten“ – es wandelt die Rohrleitung von einer nicht einsehbaren „Blackbox“ in einen visualisierten, digitalisierten transparenten Zustand um und realisiert eine Paradigmenrevolution von der „nachträglichen Reparatur“ zur „vorausschauenden Wartung“. Für das Personal für Erkennung und Wartung an vorderster Front ersetzt es menschliche Arbeitskräfte, um in dunkle, enge, gefährliche Umgebungen einzudringen, und senkt das Sicherheitsrisiko erheblich. Für Unternehmensentscheider sind die Erkennungsdaten keine „Einwegverbrauchsgüter“ mehr, sondern ein iterierbares, wiederverwendbares Kernvermögen.
Vor der Einführung von Prismind L hat Sixth Mirror bereits die Prüfroboter der Prismind-Serie für Stahl mit unterschiedlichen Formen wie Profilen, Platten und Drähten auf den Markt gebracht. Die Veröffentlichung von Prismind L markiert, dass die industrielle Qualitätskontrollproduktlinie von Sixth Mirror die gesamte Palette von Produkten in der Metallurgie abdeckt – eine Vielzahl von Anwendungsszenarien wie Profile, Platten, Rohre und Drähte.
Szenario 2: Das „Auge-Gehirn“-System für verkörperte Intelligenz im Bereich der Arbeitssicherheit.
Wenn der Rohrroboter das „Qualitätsproblem“ löst, dann löst das Arbeitssicherheitskonzept das „Lebens- und Todproblem“.
In hochriskanten Branchen wie Metallurgie, Energie und Bergbau ist Arbeitssicherheit nie nur ein Slogan – sie hängt mit dem Leben von Menschen zusammen. Die herkömmliche Überwachung der Arbeitssicherheit basiert auf Kameras + menschlicher Überwachung. Aber die Realität ist: Die massiven Videoströme, die von Tausenden von Kameras erzeugt werden, können von Menschen überhaupt nicht vollständig verarbeitet werden. Und einzelne Algorithmenmodelle leiden unter häufigen Fehlalarmen und verpassten Alarmen unter extremen Arbeitsbedingungen wie staubiger Umgebung, schwachem Licht und hoher Temperaturstrahlung.
Einzelne Algorithmen lassen sich leicht erstellen, aber die SOP (Standardarbeitsverfahren), die den gesamten komplexen Prozess der Branche abdecken, sind äußerst schwierig zu realisieren.
Warum ist es schwierig? Denn die SOP der Arbeitssicherheit ist nicht nur eine einfache Erkennung von Sicherheitshelmen und reflektierenden Kleidern, sondern bezieht sich auf verschiedene spezifische industrielle Produktionsschritte, zum Beispiel wie man einen Flansch sicher austauscht. Der Austausch eines Flansches ist keineswegs ein einfaches Demontieren und Montieren, sondern ein hochriskantes komplexes Verfahren, das Schritte wie die Genehmigung von Arbeitslizenzen, die Energieisolierung und das Verriegeln sowie Markieren, die Entleerung und den Austausch von Medien und die Installation von Blindplatten umfasst. Bei der Montage muss man mit einem Drehmomentschrauber diagonal schrittweise festziehen, um die Kompression der Dichtung präzise zu steuern. Nach der Arbeit muss man die Dichtheit durch strenge Druckprüfung und Lecksuche überprüfen. Jeder Versäumnis kann zu Leckagen oder sogar katastrophalen Unfällen führen. Die Speicherung von SOP für solch komplexe industrielle Prozesse erfordert eine große Menge an Fachwissen und praktischer Erfahrung – genau das ist die Schwierigkeit bei der praktischen Umsetzung komplexer Algorithmen.
Dieses Konzept von Sixth Mirror ist ein durchgehende intelligentes Sicherheitsmanagementsystem, das auf dem VL-Großmodell für Arbeitssicherheit „Tian Ce“ und dem KI-Sicherheitsentscheidungsintelligenzgehirn „Xi Yi“ aufbaut.
Auf der Wahrnehmungsebene werden mehrere Kameras, Sensoren und Roboter integriert, um Umgebungsanomalien in Echtzeit zu überwachen und verhaltenswidrige Handlungen zu erkennen. Auf der Steuerungsebene unterstützt es die vollständige Überwachung hochriskanter Arbeiten und die Überprüfung der Einhaltung von Lizenzen. Auf der Notfallebene bietet es Wissensfragen und Antworten sowie Empfehlungen für die Behandlung. Auf der Berichtsebene werden Berichte automatisch generiert und unterstützen den Export mit einem Klick. Auf der Entscheidungsebene kann es die Situationen mehrerer Fabriken zusammenfassen und leitende Angestellte bei Echtzeitentscheidungen unterstützen. Der Wert dieses Konzepts deckt jede Person von der vordersten Front bis zur Führungsebene ab: Mitarbeiter an vorderster Front erhalten Echtzeitwarnungen, um Gefahren zu vermeiden; Sicherheitsmanager werden entlastet und realisieren automatische Kettenschließung und Compliance; Die Führungsebene realisiert Echtzeitentscheidungen. Noch wichtiger ist, dass es einen leichtgewichtigen SaaS-Dienst anbietet, um kleinen und mittleren Unternehmen die Entscheidungsbelastung zu verringern, sodass sie KI-Funktionalitäten zu geringen Kosten im Abonnement erhalten können. Durch sechs Schritte – voreingestellte Vorlagen, Datenanbindung, Modellfeinabstimmung