人工智能自誕生起度過了幾次跌宕起伏的發(fā)展期，也經(jīng)歷了從早期專家系統(tǒng)、機器學習，到當前火熱的深度學習等多次技術(shù)變革和規(guī)?；瘧玫睦顺?。除了消費互聯(lián)網(wǎng)、金融和安防等領(lǐng)域，人工智能技術(shù)也正在向工業(yè)領(lǐng)域多個環(huán)節(jié)廣泛滲透，人工智能技術(shù)在工業(yè)領(lǐng)域的融合應用是后者數(shù)字化、網(wǎng)絡(luò)化、智能化轉(zhuǎn)型發(fā)展的關(guān)鍵。、

一、第三次人工智能浪潮的回歸

2006年Geoffery Hinton提出了“深度信念網(wǎng)絡(luò)”（Deep Believe Network）可以被一種名為“貪婪逐層預訓練”（greedy layer-wise pre-training）的訓練策略進行高效訓練快速收斂，這種訓練策略大大提升了模型訓練效率和輸出準確性，從而論證了“深度學習”的可行性。而到了2012年，該學者與其學生在ImageNet挑戰(zhàn)賽中通過一種名叫AlexNet的深度神經(jīng)網(wǎng)絡(luò)成功將圖片識別的錯誤率降低了10.8個百分點，則徹底打響了深度學習的第一槍，也被行業(yè)界認為是第三次人工智能浪潮回歸的起點。

阿里云研究中心發(fā)布的《中國企業(yè)2020：人工智能應用實踐與趨勢》中提出第三次浪潮的回歸相同于第一次、第二次的地方在于技術(shù)基礎(chǔ)依然是神經(jīng)元網(wǎng)絡(luò)，而差別是深度學習的成功。除去“貪婪逐層預訓練” （Greedy layer-wise pre-training）的訓練策略讓深度學習網(wǎng)絡(luò)的訓練更可行之外，這次成功很大程度上依賴于其算法模型規(guī)模的指數(shù)級升級。模型規(guī)模的神經(jīng)元總數(shù)以及神經(jīng)元連接的數(shù)量級使深度學習模型成為更大體量的網(wǎng)絡(luò)、更高密度的系統(tǒng)，從而能在真實環(huán)境中處理更復雜的問題并得出更精準的結(jié)論。

這次浪潮取得的最大突破在于對象識別，識別不再局限于圖像的識別，還可以識別語音、文字等。此次發(fā)展使人工智能技術(shù)的應用在不同垂直領(lǐng)域均有了明顯的性能提升和效率優(yōu)化，使計算機視覺、語音識別、自然語言處理的準確率有了質(zhì)的提升，人工智能的應用也逐漸在真實的商業(yè)世界中扮演起重要的支持角色。當前新一輪科技革命和產(chǎn)業(yè)革命蓬勃興起，我們正在進入一個由人工智能驅(qū)動的新時代。

二、人工智能技術(shù)推動工業(yè)變革

西門子作為在工業(yè)人工智能領(lǐng)域扮演著開創(chuàng)性角色的一家企業(yè)，近年來在工業(yè)環(huán)境中取得了許多基于人工智能的成功。例如將連續(xù)運行的算法集成到生產(chǎn)過程中提高預測性分析的準確性，極大地降低了質(zhì)量檢測的成本；采用算法自動分析燃氣輪機的運行數(shù)據(jù)、環(huán)境條件和部件特性來延長維護間隔、降低成本；為鋼廠提供基于人工智能的質(zhì)量控制，這種自主學習系統(tǒng)目前已成為一個經(jīng)典的解決方案。

施耐德電氣工業(yè)自動化全球戰(zhàn)略高級副總裁阿蘭·德迪埃稱，過去十多年，全球范圍內(nèi)的工業(yè)制造水平停滯不前，但現(xiàn)在面臨著一次重要機遇，能夠利用人工智能提升制造業(yè)的產(chǎn)能和效率。聯(lián)想集團董事長兼CEO楊元慶指出人工智能作為新的技術(shù)驅(qū)動力正在引發(fā)第四次工業(yè)革命，尤其是推動垂直行業(yè)的智能變革。利用人工智能技術(shù)提升和改造傳統(tǒng)產(chǎn)業(yè)成為社會轉(zhuǎn)型的新動力，從國際發(fā)展態(tài)勢上來看，世界各主要國家均把人工智能作為提升國家競爭力、維護國家安全的重大戰(zhàn)略。

工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟發(fā)布的《工業(yè)智能白皮書》中指出深度學習和知識圖譜是當前工業(yè)智能實現(xiàn)的兩大技術(shù)方向，也是本輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)。深度學習在工業(yè)應用中基于計算機科學和神經(jīng)科學，能夠“繞過機理直接通過數(shù)據(jù)形成結(jié)果”，解決影響因素較少但計算高度復雜的問題，在解決機理未知或模糊的工業(yè)問題方面能產(chǎn)生很好的效果，如產(chǎn)品復雜缺陷質(zhì)量檢測等。

三、人工智能技術(shù)在工業(yè)領(lǐng)域的落地難點

與其他領(lǐng)域的應用場景不同，工業(yè)領(lǐng)域的決策通常處于開放環(huán)境下，規(guī)則存在不確定性，同時擁有多個目標，這導致人工智能技術(shù)雖然應用在消費互聯(lián)網(wǎng)、金融和安防等領(lǐng)域有較多突破成果，但目前仍未在工業(yè)制造領(lǐng)域大規(guī)模落地。2018年波士頓在調(diào)研評估企業(yè)在制造領(lǐng)域采用人工智能的實際進展時發(fā)現(xiàn)，將近90%的高管曾計劃在3年內(nèi)將人工智能用于生產(chǎn)，但實際僅有28%有全面詳盡的實施路線。雖然人工智能正在加快向各領(lǐng)域滲透，但在工業(yè)領(lǐng)域這一極具發(fā)展?jié)摿Φ膱鼍跋侣涞乩щy重重。

（一）工業(yè)領(lǐng)域的數(shù)據(jù)質(zhì)量待提升

阿里工業(yè)云總經(jīng)理楊國彥提出數(shù)字化的發(fā)展有三個階段：自動化、網(wǎng)絡(luò)化、智能化，自動化是實現(xiàn)數(shù)字化的基礎(chǔ)。有了數(shù)字化的基礎(chǔ)我們才能沉淀大量數(shù)據(jù)，并通過工業(yè)互聯(lián)的技術(shù)，將這些數(shù)據(jù)很好的采集上來，然后基于海量數(shù)據(jù)做一些決策與分析，從而實現(xiàn)真正的工業(yè)數(shù)據(jù)智能。第三次人工智能浪潮的主流就是基于大數(shù)據(jù)量，利用深度學習挖掘數(shù)據(jù)中存在的有用信息并找到深層邏輯關(guān)系。特別是在算法還未完全成熟、仍在持續(xù)迭代的階段，通過提供的大數(shù)據(jù)以及基于深度學習算法，問題就能夠得到很好的解決或性能得到大幅提升。

深度學習技術(shù)訓練數(shù)據(jù)的前提是擁有大量的有效數(shù)據(jù)，然而目前多數(shù)企業(yè)的信息化水平依然很低，數(shù)據(jù)的規(guī)模和數(shù)據(jù)的標準化度都還遠遠不夠。

工業(yè)領(lǐng)域數(shù)據(jù)規(guī)模的現(xiàn)狀如人工智能專家吳恩達所提出的問題：“數(shù)據(jù)當然是越多越好，我也并沒有說許多數(shù)據(jù)是無用數(shù)據(jù)。但是在農(nóng)業(yè)、制造、醫(yī)療等領(lǐng)域的部分應用場景中，如果你手頭只有100張照片，怎么辦呢？”數(shù)據(jù)規(guī)模受自身行業(yè)特點限制無法擴大或短期內(nèi)無法改善，如何用小數(shù)據(jù)集推動深度學習技術(shù)能力提升和產(chǎn)業(yè)應用發(fā)展是一個需要重視和深入探索的課題。

數(shù)據(jù)標準化程度在工業(yè)領(lǐng)域更是一個常見的問題。例如在圖片標準化程度方面，由于受到生產(chǎn)條件和成本控制的限制，在工業(yè)場景下提取圖片數(shù)據(jù)時往往會出現(xiàn)模糊、明暗不一、目標物缺失的情況，這極大地影響了深度學習訓練數(shù)據(jù)的準確度。收集合適可用的數(shù)據(jù)成為了工業(yè)人工智能無法繞過的一道門檻，如何用有限的硬件資源來盡可能提供可利用的數(shù)據(jù)也是工業(yè)人工智能的一大重心。

（二）技術(shù)并非在工業(yè)落地的唯一關(guān)鍵

2017年12月，吳恩達宣布創(chuàng)立Landing.AI，目標是幫助制造業(yè)公司用算法來降低成本、提升質(zhì)量管理水平、消除供應鏈瓶頸等。從公司名字也可以看出，AI 技術(shù)要落地，但這個落地并非口頭那么簡單。到目前為止，Landing.AI提到的工業(yè)領(lǐng)域的合作客戶依舊只有成立之初的客戶富士康一家，同時落地速度也令人不甚滿意。

浪潮集團AI&HPC總經(jīng)理劉軍指出“產(chǎn)業(yè)AI化”是要深入到每一個行業(yè)應用實踐當中，需要選擇合適的人工智能技術(shù)與理解行業(yè)應用場景的開發(fā)商、軟件商、集成商大家一起進行落地實踐。對于工業(yè)領(lǐng)域，尤其如此，單純想要通過一個技術(shù)去驅(qū)動整個產(chǎn)品的發(fā)展很難。工業(yè)人工智能的落地需要通過設(shè)備，僅靠軟件算法無法解決，需要結(jié)合光學機構(gòu)、電氣等形成系統(tǒng)化驅(qū)動工程。例如機器視覺技術(shù)真正在工業(yè)檢測中的應用僅僅依靠視覺算法遠遠不夠，無法真正實現(xiàn)檢測功能，視覺企業(yè)們需要積累的核心技術(shù)除去算法還包含器件和方案能力等。

例如人工智能技術(shù)應用在工業(yè)生產(chǎn)改善方面是需要采取不同策略持續(xù)對生產(chǎn)效率進行改善，這就要求廠商對目標行業(yè)的生產(chǎn)情況有十分深刻的理解。同時在生產(chǎn)改善方面企業(yè)的個性定制化需求會相對更多，則人工智能算法的通用性也會更弱一些。因此在工業(yè)領(lǐng)域，人工智能要真正落地的關(guān)鍵并非僅僅在于人工智能技術(shù)的發(fā)展或芯片本身，同時也會要求具備在具體應用領(lǐng)域的長期深耕積累，這其中涉及到的內(nèi)容和要求會變得更加復雜。

（三）工業(yè)領(lǐng)域?qū)夹g(shù)的可靠性需求更高

杭州新松機器人研究院陳立院長表示雖然人工智能技術(shù)的實現(xiàn)效果很不錯，但對于工業(yè)自動化等領(lǐng)域來說，更重要的需求是穩(wěn)定的技術(shù)輸出保證，這也是當前AI落地工業(yè)領(lǐng)域的瓶頸。

事實上相比于其他領(lǐng)域如消費領(lǐng)域等工業(yè)對技術(shù)可靠性的要求更高，而且客戶需求更加個性化，因此對產(chǎn)品穩(wěn)定性和調(diào)試效率有更高要求。例如人臉識別功能能達到90%的準確率體驗就已經(jīng)很好了，但在一些自動化應用場景中對技術(shù)落地應用的準確率要求需要達到99%，甚至99.99%才行?？梢韵胂?，對于每日生產(chǎn)量為上萬級別以上的工廠，識別準確率若達不到99%以上每天就會有上百個瑕疵產(chǎn)品混入良品之中。

（四）技術(shù)在工業(yè)領(lǐng)域的投入產(chǎn)出比不確定

人工智能技術(shù)的應用前期投入較高然而回報卻具有未知性和不確定性，對很多企業(yè)來說很可能造成虎頭蛇尾的局面。例如預測性維護很早就被提出但在工業(yè)領(lǐng)域中一直不溫不火，這是因為必須要證明對算法的投入要比定期維護更節(jié)約才會說服企業(yè)投入。如果部件的壽命與定期維護的時間相差不大，或者這些部件的更換成本并不大，則預測性維護的價值就會打折扣。

對于技術(shù)使用方，在工業(yè)企業(yè)中人工智能技術(shù)應用所需的各類高精傳感器價格昂貴，運營維護升級等均需要不少費用，而企業(yè)能分給人工智能技術(shù)發(fā)展方面的經(jīng)費有限；而對于技術(shù)提供方，企業(yè)的個性化需求較多，每個公司合作研發(fā)的執(zhí)行方法可能完全不同，大部分AI項目需要長期駐廠，AI技術(shù)公司所需投入資源也不少。

更重要的是，即便目前互聯(lián)網(wǎng)產(chǎn)業(yè)正跑步進入智能時代，推薦算法、人臉識別等各方面發(fā)展迅速且取得顯著成果，但多數(shù)傳統(tǒng)工業(yè)卻依然在工業(yè)3.0的門檻掙扎，機器人、工業(yè)控制等一系列自動化過程也并非真正的人工智能技術(shù)應用。毫無疑問，工業(yè)未來的發(fā)展一定需要人工智能，然而人工智能算法在工業(yè)領(lǐng)域短期內(nèi)并不一定馬上能夠展現(xiàn)出較大的效益。

四、展望

人工智能技術(shù)與工業(yè)領(lǐng)域的融合發(fā)展的確具有廣闊前景，但目前的工業(yè)智能水平仍舊處于比較初級的階段，人工智能驅(qū)動的自動化尚未能對生產(chǎn)力的增長產(chǎn)生可量化的重大影響。中國工程院院士鄔賀銓提出人工智能需要與工業(yè)物聯(lián)網(wǎng)（IIoT）、大數(shù)據(jù)分析、云計算和信息物理系統(tǒng)集成共同促使工業(yè)以靈活、高效和節(jié)能的方式運作。

不同行業(yè)的發(fā)展是相互促進的，人工智能也不可能成為一劑神藥。對于工業(yè)領(lǐng)域來說，當自動化、網(wǎng)絡(luò)化、信息化這些方面在工業(yè)領(lǐng)域的發(fā)展已經(jīng)成熟，或許才會到達人工智能能夠在工業(yè)領(lǐng)域大展拳腳的階段。對于許多中小型企業(yè)來說，當在決心轉(zhuǎn)向工業(yè)4.0、工業(yè)互聯(lián)網(wǎng)尋求升級轉(zhuǎn)型之前，有必要先了解自己所處階段，這樣才能對癥下藥，使自身獲得最大的效益提升。