对人工智能有初步认知的人都知道，“人工智能”的智能，就像是人类的孩童时代死记硬背大量的古诗、算术公式一样，需要海量数据为基础进行深度学习，训练出一个神经网络模型。这样才会形成一套判断逻辑、才会自己写诗、会通过公式解决复杂的运算。
不过，深度学习是否真的需要海量数据呢？心鉴智控CEO罗晓忠对此有着不一样的看法。
人工智能深度学习，小样本也可以高精度、高准确度
心鉴智控成立于2018年5月，是一家面向工业4.0的生产线智能制造解决方案提供商。2018年5月融资种子轮325万元，同年8月，融资天使轮1500万。3个月内融资两轮，金额近翻5倍。如此快速的成长，心鉴智控CEO罗晓忠把这归功于他们掌握了“小样本训练高精度高准确度神经网络模型”这一专利。
在罗晓忠看来，现在人工智能能够落地的应用，都是所谓的用“大数据来解决小问题”，即用大量数据去训练一个神经网络模型，来处理非常标准的问题。可是工业生产线复杂，如何将这些解决方案变得可复制？特别是对于AI创业公司来说，“这有点像鸡生蛋、蛋孵鸡。”
罗晓忠说，“在创业初期，没有海量数据训练模型，怎么让客户信服我们能够解决他们的问题？不信服又怎么达成深度合作拿到数据，优化AI？“小样本训练高精度高准确度神经网络模型这一专利的优势就在于，能够用小样本快速训练出一个高精度、高准确度的神经网络模型。打个不恰当的比喻，就像开头所说的人脑的初始学习，小样本如果找到了合适的算法，即人脑正确的学习办法，也许就会“事半功倍“。
其实，行业里以及人工智能从业者对于“深度学习与小数据“也有过学习和研究，还有专门的课程。如何优化算法、提高神经网络的训练速度和精度等等方法论的探索当然是工程师们需要着重关注的，不过对于驾驭人工智能的行业者来说，也许更应该”不唯上，不唯书”，更“不唯数据”，真正智能地去控制智能。
“我心匪鉴”，以视觉检测为入口，AI赋能工业生产线自动化
据亿欧了解，心鉴智控目前的商业化路径是以视觉检测为入口，主攻智能质检，后续将铺开到生产优化、设备预维护系统，最终将这条工业生产线链条上的数据上到智能云平台，连接赋能，构建生态。
心鉴出自诗经中的“我心匪鉴“，罗晓忠说，因为是视觉检测入手，所以是用心鉴别，但会用人工智能和数据分析来控制生产工艺流程、提高生产效益、降低设备预维护的成本、展现数据的价值，让企业能够对生产流程、设备和产品的质量进行控制。
罗晓忠提到，在公司第一阶段的质检领域市场上目前有三大难点：
1、工业品瑕疵检测数据极端不平衡。因为工业品瑕疵的发生率在生产阶段可能只有千分之一，原始数据的不充足使得需要海量数据训练的神经网络模型并不精准。由此判定、分类一个工业品是瑕疵品还是非瑕疵品可信度不高。
2、生产线的可持续性。在真正的工业生产线上部署一套视觉检测系统，且要和已有的生产线的速度、基础设备匹配，不仅考验的是技术问题，还有如何在现场跟工厂落地实施、与现有的生产线如何去做整合，这个难度非常大。
3、解决方案的可复制性。每一条生产线的生产环境都有细微的差别，如何让你的视觉检测系统能够适应这种千变万化、千差万别的生产环节，是一个很大的挑战。
针对其他领域，罗晓忠向亿欧表示，更多的是需要与工业企业进行深度的合作，以及还有一些关键的技术点，比如如何用传感器去采集数据、在哪些地方去采集数据等等，且生产优化、设备预维护等产品的实现过程周期都比较长，所以目前还在探索阶段。据心鉴智控团队的市场预估，2018年视觉检测市场为71.7亿元，2019年为106亿元，2020年将会达到129亿元。而整个工业生产线智能制造2018年的市场总额为148.7亿元，2019年为218亿元，到了2020年会达到271亿元。
值得一提的是，罗晓忠接触到的很多公司都出现了一种抵触”数据上云“的情况。他认为可能第一是出于对企业数据安全的考虑，第二是企业高层出于身份职责综合考量，并不会非常积极地推动企业数据上云。“这也是将来会遇到的问题。”
亿欧了解到，心鉴智控正与一家世界五百强外企进行商务谈判，为他们提供SMS生产线的AI视觉检测系统，近期将进入采购阶段，预计在年底完成签署。这也将进一步优化心鉴智控检测服务的完善度。
