搶抓工業人工智能創新重大機遇，引領制造業智能化發展
一、 明確工業人工智能的作用機理
工業人工智能是工業互聯網充分釋放賦能價值的關鍵要素。工業互聯網的核心是基于感知控制、數字模型、決策優化而形成數據驅動的智能優化閉環。工業人工智能實現了從數據到信息、知識、決策的轉化，挖掘數據潛藏的意義，擺脫傳統認知和知識邊界的限制，為決策支持和協同優化提供可量化依據，最大化發揮利用工業數據隱含價值，成為工業互聯網發揮使能作用的重要支撐。當前，工業人工智能技術正迎來多方面創新與突破，為支撐工互聯網的數據優化閉環，進一步拓展和豐富工業互聯網的能力邊界與作用發揮關鍵作用。
智能的本質是降低數據價值挖掘過程中人腦力的占比。例如，在以專家系統為代表的前 AI 時代，人需要完成由數據到知識的全部處理過程，機器僅基于已有規則實現知識的應用。在深度學習為代表的當前 AI 時代，人完成進行數據初步處理后由機器執行端到端的建模與分析，直接得到結果，實現智能化應用。使人可以規避一些原理與機制的限制，突破一些以前難以解決的困難問題。
人工智能解決工業問題的能力不斷深化。一方面，人工智能發揮三大賦能作用，解決兩大根本問題。一是通過固化熟練工人和專家的經驗，模擬判斷決策過程，解決過去工業領域中需要人工處理的點狀問題；二是基于知識匯聚實現大規模推理，實現更廣流程更可靠的管理與決策；三是通過構建算法模型，解決工業中機理或經驗復雜不明的問題。本質上，人工智能幫助人更好地解決分類和回歸兩類問題。另一方面，算法突破不斷提升問題的求解能力。深度學習通過數據驅動擬合復雜機理，知識圖譜通過匯聚已有知識實現復雜推理，兩大技術分別以“更深”和“更廣”的方式擴展可解問題邊界，并成為當前工業人工智能探索的熱點。
工業問題的數字化和抽象化使各類需求不斷納入人工智能可解范疇。一是傳感、網絡、計算技術及數字化的發展使更多的對象與問題能以數據的方式呈現出來，構成了算法應用的基礎。原本非數字對象通過數字化呈現到了計算機中，原本有限的數據積累升級為海量的采集存儲，原本單一的數據存儲類型演變為歷史 / 實時數據、結構 / 非結構化數據等多樣的數據類型。例如美國將材料指標參數化后通過人工智能技術確定當前對應的最佳參數，研制了材料自主研發系統 ARES。二是工業問題的抽象化，搭建了算法應用的橋梁。工業領域越來越多的“舊問題舊需求”及“新問題新需求”都通過抽象化納入到人工智能可解范疇。例如傳統的預測性維護基于歷史經驗進行故障判定，而基于人工智能的預測性維護將問題抽象為分類 / 回歸的數學概念，采用相應的機器學習算法進行設備使用剩余時間（回歸）或是否可能發生故障（分類）的決策，指導工業實踐。
工業人工智能的發展是算法能力與工業問題轉化相互適配的過程。一是部分傳統的工業人工智能應用由于算法的突破實現了性能的提升，如基于深度學習技術能夠實現精準的工廠安全監控與巡檢。二是工業問題的數字化與抽象化推動涌現了許多新場景，如通過在人體 30 個部位部署傳感器采集數據，能夠實現基于機器學習的工人健康評估。三是當前算法突破與工業問題轉化共同作用打造全新的應用模式，如供應鏈管理、無人駕駛工程機械等。此外，工業領域還存在如全廠智能優化決策等應用需求，還需算法技術與問題轉化的進一步發展與磨合。
二、搶抓當前工業人工智能發展的重大機遇
從整體看，雖然依托人工智能進行決策判斷仍以點狀應用為主，在制造業中還不是主流趨勢，但算法的突破為新老工業問題的解決提供了新能力、工業問題的數字化抽象化不斷推動新需求得到智能化解決方案，兩者結合為工業人工智能發揮自身潛力開辟了全新空間，已呈現出星火燎原之勢。總的來看，當前階段人工智能為工業應用帶來的變革集中體現在以下三個方面。
一大批舊問題由于算法突破有了新的解決方案。人工智能技術不僅使人們擺脫了過去過度依賴經驗機理的模式，隨著技術發展，尤其是以深度學習為代表的算法突破能夠全面地利用各類數據，極大提升了原有問題求解的效率、功能與性能。生產指標測量場景中，傳統人工智能方法能夠擺脫繁瑣的機理方程求解，而深度學習能全面考慮生產指標的影響因素，簡化建模過程，提升預測精度。缺陷檢測場景中，基于傳統機器學習方法需要人為提取缺陷特征，僅能解決類型可知、大小分布相對規律的任務；而深度學習通過樣本訓練直接得到結果，能夠解決微小的、形狀、位置、光照變化的復雜缺陷場景。
工業問題轉化不斷催生新應用場景，使傳統人工智能方法有了更大的發揮空間。數字化的不斷推進與抽象化使許多以往“想不到”的需求轉化為人工智能可解的數學問題，傳統人工智能方法仍然發揮著重要作用，推動形成了一系列典型的工業人工智能應用。產品智能設計場景，將產品分解為不同的模塊并賦予每個模塊數字化指標，根據產品性能要求，利用機器學習方法在千萬種可能的組合中進行搜索尋優，確定最佳設計方案，如 Autodesk 通過創成式設計打造汽車、自行車和飛機零部件，以極高的效率打造了極優的產品。工藝 / 控制參數優化場景，通過將設備或生產過程的輸入數字化，與歷史生產參數構成樣本庫，利用人工智能方法進行優化，弗勞恩霍夫研究所將 3D 打印機的溫度、粉末類型、工件參數等輸入變量數字化，通過機器學習方法確定最佳參數。智能運營服務場景，通過對用戶歷史行為數據的分析，實現客戶精準服務、風險分析等應用，如美聯航基于乘客的交互數據，利用機器學習提供航班選擇、座位升級、里程購買等服務，優化客戶體驗。
新技術新條件催生全新應用模式。深度學習、知識圖譜兩大技術突破與工業問題數字化抽象化的結合迸發巨大的乘數效應，使許多以往“不敢想”的需求成為現實。不規則物體分揀場景中，通過深度學習幫助機器人自動識別物體，可抓取材料、形狀、重疊及光照變化等各種條件下的物體，且無需編程。Robominds、梅卡曼德等公司已經實現初步應用。供應鏈與融資風險管控場景中，通過知識圖譜匯集影響供應鏈關鍵環節及融資過程各業務對象的關系，實現各類風險的預判。華為、西門子分別通過構建知識圖譜實現供應鏈與融資過程不可預見事件的風險識別。企業決策管理場景中，通過知識圖譜與深度學習協同，能夠實現企業級優化運營。美國初創公司 Maana 聚焦石油和天然氣領域，通過梳理領域知識打造計算知識圖譜，與深度學習計算模型相結合，為 GE、殼牌、阿美等石油巨頭提供決策和流程優化建議。
三、總結與建議
可以看出，技術領域突破與工業領域推動是工業人工智能發展的兩大強心劑，并已呈現出規模化推進的發展態勢，但現階段仍存在三個主要問題：一是還面臨諸多技術瓶頸，比如機器學習、深度學習等主流的人工智能算法具有“黑箱”屬性，不能提供明確的原理解釋，無法應用在高危核心領域。二是缺乏應用創新與合理有效的評估評價方法，哪些需求可以使用人工智能解決、投資回報率如何等是企業最為關心的問題。三是還未形成完善的保障體系，比如人才是打通算法能力與工業需求屏障的關鍵，但目前缺少專業化的人才培養與創新機制。
總之，人工智能技術是一項以應用為導向、持續發展的科學技術，上述幾類問題需要將人工智能技術本身的突破與工業實踐相結合才能有效解決。我們需要從以下應用、技術、支撐三個角度進行突破：
應用引領，促進模式創新與復制推廣。一是強化應用創新探索與場景挖掘。鼓勵產業界及各領域頭部企業進行創新探索，通過創新大賽等方式引導資本與新技術產品的對接，形成一批工業人工智能新場景、新模式。二是樹立標桿應用。在鋼鐵石化、裝備制造、電子制造等應用較為成熟的領域，引導大型國有企業、民營企業和互聯網企業等合作打造解決方案，形成一批可信、可靠、成熟有效的行業工業人工智能標桿應用。
推動重點方向的技術產品突破。一是推進工業人工智能關鍵技術的研發突破。圍繞當前深度學習、知識圖譜兩大技術方向，鼓勵企業與科研院所加快算法技術向縱深推進，同時提高算法的可解釋性、多場景適用性等面向工業領域應用要求的研究。二是合理引導前沿技術理論向工業領域快速轉化，通過建設工業人工智能創新中心、孵化器等各類工業人工智能創新孵化平臺，推動前沿技術的應用測試與工程化。
營造支撐有力的要素保障與展環境。一是推進復合型人才培養與隊伍建設。開展分類型、分等級推進工業人工智能階梯形人才隊伍的培育工作，加強企業員工的再培訓，做好工業人工智能化變革下新舊動能的承接工作。二是促進創新載體與機制構建。引導成立工業人工智能產業聯盟與協會，搭建工業人工智能公共服務平臺，開展應用評估評價、技術標準制定與驗證，打造合作共贏的利益共同體。
（撰稿人：李亞寧，博士，中國信通院兩化所工程師，工業互聯網聯盟工業智能特設組組長 聯系方式：18612054717）
AII微信公眾號
AII頭條號