搶抓工業(yè)人工智能創(chuàng)新重大機遇，引領(lǐng)制造業(yè)智能化發(fā)展
一、 明確工業(yè)人工智能的作用機理
工業(yè)人工智能是工業(yè)互聯(lián)網(wǎng)充分釋放賦能價值的關(guān)鍵要素。工業(yè)互聯(lián)網(wǎng)的核心是基于感知控制、數(shù)字模型、決策優(yōu)化而形成數(shù)據(jù)驅(qū)動的智能優(yōu)化閉環(huán)。工業(yè)人工智能實現(xiàn)了從數(shù)據(jù)到信息、知識、決策的轉(zhuǎn)化，挖掘數(shù)據(jù)潛藏的意義，擺脫傳統(tǒng)認(rèn)知和知識邊界的限制，為決策支持和協(xié)同優(yōu)化提供可量化依據(jù)，最大化發(fā)揮利用工業(yè)數(shù)據(jù)隱含價值，成為工業(yè)互聯(lián)網(wǎng)發(fā)揮使能作用的重要支撐。當(dāng)前，工業(yè)人工智能技術(shù)正迎來多方面創(chuàng)新與突破，為支撐工互聯(lián)網(wǎng)的數(shù)據(jù)優(yōu)化閉環(huán)，進一步拓展和豐富工業(yè)互聯(lián)網(wǎng)的能力邊界與作用發(fā)揮關(guān)鍵作用。
智能的本質(zhì)是降低數(shù)據(jù)價值挖掘過程中人腦力的占比。例如，在以專家系統(tǒng)為代表的前 AI 時代，人需要完成由數(shù)據(jù)到知識的全部處理過程，機器僅基于已有規(guī)則實現(xiàn)知識的應(yīng)用。在深度學(xué)習(xí)為代表的當(dāng)前 AI 時代，人完成進行數(shù)據(jù)初步處理后由機器執(zhí)行端到端的建模與分析，直接得到結(jié)果，實現(xiàn)智能化應(yīng)用。使人可以規(guī)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(yè)問題的能力不斷深化。一方面，人工智能發(fā)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(jīng)驗，模擬判斷決策過程，解決過去工業(yè)領(lǐng)域中需要人工處理的點狀問題；二是基于知識匯聚實現(xiàn)大規(guī)模推理，實現(xiàn)更廣流程更可靠的管理與決策；三是通過構(gòu)建算法模型，解決工業(yè)中機理或經(jīng)驗復(fù)雜不明的問題。本質(zhì)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(xué)習(xí)通過數(shù)據(jù)驅(qū)動擬合復(fù)雜機理，知識圖譜通過匯聚已有知識實現(xiàn)復(fù)雜推理，兩大技術(shù)分別以“更深”和“更廣”的方式擴展可解問題邊界，并成為當(dāng)前工業(yè)人工智能探索的熱點。
工業(yè)問題的數(shù)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(wǎng)絡(luò)、計算技術(shù)及數(shù)字化的發(fā)展使更多的對象與問題能以數(shù)據(jù)的方式呈現(xiàn)出來，構(gòu)成了算法應(yīng)用的基礎(chǔ)。原本非數(shù)字對象通過數(shù)字化呈現(xiàn)到了計算機中，原本有限的數(shù)據(jù)積累升級為海量的采集存儲，原本單一的數(shù)據(jù)存儲類型演變?yōu)闅v史 / 實時數(shù)據(jù)、結(jié)構(gòu) / 非結(jié)構(gòu)化數(shù)據(jù)等多樣的數(shù)據(jù)類型。例如美國將材料指標(biāo)參數(shù)化后通過人工智能技術(shù)確定當(dāng)前對應(yīng)的最佳參數(shù)，研制了材料自主研發(fā)系統(tǒng) ARES。二是工業(yè)問題的抽象化，搭建了算法應(yīng)用的橋梁。工業(yè)領(lǐng)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(tǒng)的預(yù)測性維護基于歷史經(jīng)驗進行故障判定，而基于人工智能的預(yù)測性維護將問題抽象為分類 / 回歸的數(shù)學(xué)概念，采用相應(yīng)的機器學(xué)習(xí)算法進行設(shè)備使用剩余時間（回歸）或是否可能發(fā)生故障（分類）的決策，指導(dǎo)工業(yè)實踐。
工業(yè)人工智能的發(fā)展是算法能力與工業(yè)問題轉(zhuǎn)化相互適配的過程。一是部分傳統(tǒng)的工業(yè)人工智能應(yīng)用由于算法的突破實現(xiàn)了性能的提升，如基于深度學(xué)習(xí)技術(shù)能夠?qū)崿F(xiàn)精準(zhǔn)的工廠安全監(jiān)控與巡檢。二是工業(yè)問題的數(shù)字化與抽象化推動涌現(xiàn)了許多新場景，如通過在人體 30 個部位部署傳感器采集數(shù)據(jù)，能夠?qū)崿F(xiàn)基于機器學(xué)習(xí)的工人健康評估。三是當(dāng)前算法突破與工業(yè)問題轉(zhuǎn)化共同作用打造全新的應(yīng)用模式，如供應(yīng)鏈管理、無人駕駛工程機械等。此外，工業(yè)領(lǐng)域還存在如全廠智能優(yōu)化決策等應(yīng)用需求，還需算法技術(shù)與問題轉(zhuǎn)化的進一步發(fā)展與磨合。
二、搶抓當(dāng)前工業(yè)人工智能發(fā)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(yīng)用為主，在制造業(yè)中還不是主流趨勢，但算法的突破為新老工業(yè)問題的解決提供了新能力、工業(yè)問題的數(shù)字化抽象化不斷推動新需求得到智能化解決方案，兩者結(jié)合為工業(yè)人工智能發(fā)揮自身潛力開辟了全新空間，已呈現(xiàn)出星火燎原之勢。總的來看，當(dāng)前階段人工智能為工業(yè)應(yīng)用帶來的變革集中體現(xiàn)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(shù)不僅使人們擺脫了過去過度依賴經(jīng)驗機理的模式，隨著技術(shù)發(fā)展，尤其是以深度學(xué)習(xí)為代表的算法突破能夠全面地利用各類數(shù)據(jù)，極大提升了原有問題求解的效率、功能與性能。生產(chǎn)指標(biāo)測量場景中，傳統(tǒng)人工智能方法能夠擺脫繁瑣的機理方程求解，而深度學(xué)習(xí)能全面考慮生產(chǎn)指標(biāo)的影響因素，簡化建模過程，提升預(yù)測精度。缺陷檢測場景中，基于傳統(tǒng)機器學(xué)習(xí)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(guī)律的任務(wù)；而深度學(xué)習(xí)通過樣本訓(xùn)練直接得到結(jié)果，能夠解決微小的、形狀、位置、光照變化的復(fù)雜缺陷場景。
工業(yè)問題轉(zhuǎn)化不斷催生新應(yīng)用場景，使傳統(tǒng)人工智能方法有了更大的發(fā)揮空間。數(shù)字化的不斷推進與抽象化使許多以往“想不到”的需求轉(zhuǎn)化為人工智能可解的數(shù)學(xué)問題，傳統(tǒng)人工智能方法仍然發(fā)揮著重要作用，推動形成了一系列典型的工業(yè)人工智能應(yīng)用。產(chǎn)品智能設(shè)計場景，將產(chǎn)品分解為不同的模塊并賦予每個模塊數(shù)字化指標(biāo)，根據(jù)產(chǎn)品性能要求，利用機器學(xué)習(xí)方法在千萬種可能的組合中進行搜索尋優(yōu)，確定最佳設(shè)計方案，如 Autodesk 通過創(chuàng)成式設(shè)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(yōu)的產(chǎn)品。工藝 / 控制參數(shù)優(yōu)化場景，通過將設(shè)備或生產(chǎn)過程的輸入數(shù)字化，與歷史生產(chǎn)參數(shù)構(gòu)成樣本庫，利用人工智能方法進行優(yōu)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(shù)等輸入變量數(shù)字化，通過機器學(xué)習(xí)方法確定最佳參數(shù)。智能運營服務(wù)場景，通過對用戶歷史行為數(shù)據(jù)的分析，實現(xiàn)客戶精準(zhǔn)服務(wù)、風(fēng)險分析等應(yīng)用，如美聯(lián)航基于乘客的交互數(shù)據(jù)，利用機器學(xué)習(xí)提供航班選擇、座位升級、里程購買等服務(wù)，優(yōu)化客戶體驗。
新技術(shù)新條件催生全新應(yīng)用模式。深度學(xué)習(xí)、知識圖譜兩大技術(shù)突破與工業(yè)問題數(shù)字化抽象化的結(jié)合迸發(fā)巨大的乘數(shù)效應(yīng)，使許多以往“不敢想”的需求成為現(xiàn)實。不規(guī)則物體分揀場景中，通過深度學(xué)習(xí)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(jīng)實現(xiàn)初步應(yīng)用。供應(yīng)鏈與融資風(fēng)險管控場景中，通過知識圖譜匯集影響供應(yīng)鏈關(guān)鍵環(huán)節(jié)及融資過程各業(yè)務(wù)對象的關(guān)系，實現(xiàn)各類風(fēng)險的預(yù)判。華為、西門子分別通過構(gòu)建知識圖譜實現(xiàn)供應(yīng)鏈與融資過程不可預(yù)見事件的風(fēng)險識別。企業(yè)決策管理場景中，通過知識圖譜與深度學(xué)習(xí)協(xié)同，能夠?qū)崿F(xiàn)企業(yè)級優(yōu)化運營。美國初創(chuàng)公司 Maana 聚焦石油和天然氣領(lǐng)域，通過梳理領(lǐng)域知識打造計算知識圖譜，與深度學(xué)習(xí)計算模型相結(jié)合，為 GE、殼牌、阿美等石油巨頭提供決策和流程優(yōu)化建議。
三、總結(jié)與建議
可以看出，技術(shù)領(lǐng)域突破與工業(yè)領(lǐng)域推動是工業(yè)人工智能發(fā)展的兩大強心劑，并已呈現(xiàn)出規(guī)模化推進的發(fā)展態(tài)勢，但現(xiàn)階段仍存在三個主要問題：一是還面臨諸多技術(shù)瓶頸，比如機器學(xué)習(xí)、深度學(xué)習(xí)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(yīng)用在高危核心領(lǐng)域。二是缺乏應(yīng)用創(chuàng)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(yè)最為關(guān)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(yè)需求屏障的關(guān)鍵，但目前缺少專業(yè)化的人才培養(yǎng)與創(chuàng)新機制。
總之，人工智能技術(shù)是一項以應(yīng)用為導(dǎo)向、持續(xù)發(fā)展的科學(xué)技術(shù)，上述幾類問題需要將人工智能技術(shù)本身的突破與工業(yè)實踐相結(jié)合才能有效解決。我們需要從以下應(yīng)用、技術(shù)、支撐三個角度進行突破：
應(yīng)用引領(lǐng)，促進模式創(chuàng)新與復(fù)制推廣。一是強化應(yīng)用創(chuàng)新探索與場景挖掘。鼓勵產(chǎn)業(yè)界及各領(lǐng)域頭部企業(yè)進行創(chuàng)新探索，通過創(chuàng)新大賽等方式引導(dǎo)資本與新技術(shù)產(chǎn)品的對接，形成一批工業(yè)人工智能新場景、新模式。二是樹立標(biāo)桿應(yīng)用。在鋼鐵石化、裝備制造、電子制造等應(yīng)用較為成熟的領(lǐng)域，引導(dǎo)大型國有企業(yè)、民營企業(yè)和互聯(lián)網(wǎng)企業(yè)等合作打造解決方案，形成一批可信、可靠、成熟有效的行業(yè)工業(yè)人工智能標(biāo)桿應(yīng)用。
推動重點方向的技術(shù)產(chǎn)品突破。一是推進工業(yè)人工智能關(guān)鍵技術(shù)的研發(fā)突破。圍繞當(dāng)前深度學(xué)習(xí)、知識圖譜兩大技術(shù)方向，鼓勵企業(yè)與科研院所加快算法技術(shù)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(yè)領(lǐng)域應(yīng)用要求的研究。二是合理引導(dǎo)前沿技術(shù)理論向工業(yè)領(lǐng)域快速轉(zhuǎn)化，通過建設(shè)工業(yè)人工智能創(chuàng)新中心、孵化器等各類工業(yè)人工智能創(chuàng)新孵化平臺，推動前沿技術(shù)的應(yīng)用測試與工程化。
營造支撐有力的要素保障與展環(huán)境。一是推進復(fù)合型人才培養(yǎng)與隊伍建設(shè)。開展分類型、分等級推進工業(yè)人工智能階梯形人才隊伍的培育工作，加強企業(yè)員工的再培訓(xùn)，做好工業(yè)人工智能化變革下新舊動能的承接工作。二是促進創(chuàng)新載體與機制構(gòu)建。引導(dǎo)成立工業(yè)人工智能產(chǎn)業(yè)聯(lián)盟與協(xié)會，搭建工業(yè)人工智能公共服務(wù)平臺，開展應(yīng)用評估評價、技術(shù)標(biāo)準(zhǔn)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(yè)互聯(lián)網(wǎng)聯(lián)盟工業(yè)智能特設(shè)組組長 聯(lián)系方式：18612054717）
AII微信公眾號
AII頭條號