最近有計劃要和老師們交流關(guān)于產(chǎn)業(yè)的AI應(yīng)用看人才培養(yǎng)話題，覺得有必要做個調(diào)研。但是，設(shè)計調(diào)研問卷同樣是一個典型的工程問題：信息的完備性-我們是否對可能的選項進行了窮盡—或者約束為盡可能覆蓋大部分關(guān)鍵問題。其次，如何把問題清晰，且拆解為可被清晰理解的選項，并且如何避免選項中的不清晰描述帶來理解的偏差。這是很難的，所以拖了一段時間覺得寫不了這個問卷。

后來決定還是咨詢一下各位專業(yè)人士，包括了華中科技大學(xué)冰老師、穆海華博士、上海交通大學(xué)D老師、?？怂箍禋W陽先生、C博士、成博士、馮少輝博士等一眾朋友的建議和意見。其中，穆海華博士不但給了非常詳細的修改，并“批準”最終的調(diào)研稿。

截至12月3日14:00共計回收115份參考反饋，采用問卷星客戶端進行了問卷的輸入、發(fā)送。本人并不能看到相關(guān)填寫人信息-因此，算是純無記名投票形式。眾人參與，眾人有權(quán)利獲得結(jié)果，因此，撰文對這個結(jié)果進行反饋給大家，并做了些解讀。

第1題 您的企業(yè)在目前實施AI的目的主要在哪方面考慮？

解讀

在這個結(jié)果中，有一些指向了“AI是未來方向，需預(yù)先技術(shù)儲備”，說明重視AI是一種行為，但也同時說明另一個隱藏的可能，即，并非有顯著的需求支撐，而是為了AI而AI的潛在可能。當然，這也并不重要—對于工業(yè)場景來說，AI的應(yīng)用比較零散，一直處于一個初級階段。

“通過AI提升品質(zhì)與成本效率“-這應(yīng)該是真實的AI工業(yè)應(yīng)用需求。在產(chǎn)業(yè)中，任何“炫技”是沒有意義的，只有帶來真實的回報才是AI技術(shù)應(yīng)用的王道。

第2題 您的企業(yè)目前對于AI的應(yīng)用主要在哪些場景？

解讀：

從目前來看，在工業(yè)里，采用機器視覺進行缺陷檢測、機器導(dǎo)引（例如為機器人的揀取提供視覺檢測）。相對于商業(yè)AI的語音、圖像、視頻、文本而言，工業(yè)里可能就視覺的數(shù)據(jù)比較大，適合AI發(fā)揮其野蠻的算力。

至于“生產(chǎn)調(diào)度與排程”，有老師質(zhì)疑是否其采用AI。

第3題 目前您的企業(yè)在AI的應(yīng)用方面，主要覺得哪方面的障礙是比較大的？

解讀：

其實，在產(chǎn)業(yè)的工程技術(shù)里，尋找品質(zhì)或成本問題背后的原因，本身也是一個較為復(fù)雜的問題-有時候，這就像在一個不見五指的黑暗世界里的探索。也如C博士所說“AI像是在一團迷霧中探索”的感覺。從與產(chǎn)業(yè)用戶的交流的確感覺到了“數(shù)據(jù)表征與特征提取難題”是AI產(chǎn)業(yè)應(yīng)用的第一道關(guān)。獲得有效的、有價值的數(shù)據(jù)是關(guān)鍵。但是，究竟什么是“有效”數(shù)據(jù)，其實，也是需要工程師的“智慧”—就是一種直覺的判斷力，AI本身擅長于那些不確定性、無法直接被數(shù)學(xué)表達的問題。但是，物理的機電、聲光、電磁學(xué)等還是會給出一些潛在的方向的，或者基于“人機料法環(huán)”的大框架給出方向。有了方向，方法就會變得簡單。因此，在很多現(xiàn)場人員的反饋，獲得有效數(shù)據(jù)，表征問題，比如缺陷及引發(fā)缺陷的原因，潛在的，無法直接測量而采用的間接測量、或者方法，這是第一步的障礙。

當然，這些都是因為缺乏能夠?qū)F(xiàn)場與AI結(jié)合的人才。

人才本身就是問題，首先，人才的初級需求就是指擅長使用工具來開發(fā)代碼、進行訓(xùn)練和測試的，而人才的第二個層級，則是基于AI方法與工具與制造過程本身結(jié)合的。而第三個層級的人才需求，就是能夠掌控項目的，能夠?qū)φ麄€目標進行規(guī)劃，并協(xié)調(diào)資源，并順利推動項目達成任務(wù)的規(guī)劃型人才。

第三個在于“AI的可復(fù)制性較差，投資回報不高“也是一個重要的原因—當然，AI訓(xùn)練的模型的確很難具有廣泛的適用性。不過，有一次馮恩波博士在線談AI的研討會提到，引發(fā)問題背后的原因如果有10個，那么其中1-2個是關(guān)鍵的因果，而其它則是相關(guān)性。相關(guān)性也分為高相關(guān)與低相關(guān)性，從商業(yè)意義來說，解決1-2個因果問題并不能形成競爭的勝負手，而在于那些相關(guān)性問題—解決高相關(guān)性，一個問題，就能帶來較大的商業(yè)回報。

第4題 在AI的工業(yè)應(yīng)用中，您覺得工程師哪方面的能力是至關(guān)重要的？

解讀：

工程師能力在工業(yè)AI應(yīng)用中，大家仍然把最高的評價給了“對復(fù)雜問題的拆解與模塊化設(shè)計能力“—顯然，這符合現(xiàn)實邏輯。即，能力比工具重要，形成一種”以不變應(yīng)萬變“的解決問題的能力，比掌握Python、Java的編程本身重要。而工程師思維就是要”化繁為簡“、”解構(gòu)與重構(gòu)“。也即，在機理方式還是數(shù)據(jù)方式解決問題—本身這個工程師思維本身仍然是安身立命之本。

當然，對于工業(yè)AI的應(yīng)用來說，對物理場的理解、AI工具的有效性邊界、組合，以及將問題與工具結(jié)合的能力。這些肯定是對工程師的能力本身的具體要求。

其實，有朋友反饋，現(xiàn)實中的確需要AI的人才，但是，非常之難，難就在如何將AI與制造現(xiàn)場的場景結(jié)合，有所謂的各種神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、強化學(xué)習、ChatGPT…各種熱詞，但是，他們究竟如何與工業(yè)的應(yīng)用需求結(jié)合？這種關(guān)聯(lián)，流程對于大部分自動化類工程師是缺乏的。而計算機類專業(yè)也是缺乏現(xiàn)場對象的了解的。這也是工業(yè)AI比較難的原因。

第5題 您覺得大學(xué)自動化類專業(yè)在AI方面的教學(xué)應(yīng)該有哪些側(cè)重？

解讀：

“對工業(yè)對象的建模能力基礎(chǔ)“在自動化類AI教學(xué)成為側(cè)重，這說明工業(yè)界的人仍然認為對對象的特性缺乏理解，是目前工程師缺乏的基礎(chǔ)知識。同時，這個基礎(chǔ)也被認為是AI應(yīng)用同樣需要掌握和重要的。

當然，如何靈活選擇合適的AI算法、對于算法原理、優(yōu)缺點、差異、組合應(yīng)該有靈活的介紹。這個對于大學(xué)教師的提醒在于，學(xué)生可能不需要了解太深的關(guān)于具體算法的編寫，但對于橫向的比較、適用性的洞察，是快速讓其選擇合適工具和形成思路的關(guān)鍵。而一旦解決在全局層面認知達到了，具體開發(fā)過程你可以不用教了—相信他們的聰明。

第6題 您覺得工程師在解決工程問題方面的素養(yǎng)有哪些需要提升的？(最多3項）

解讀：

這還是再一次說明了分析問題的思路和方法，這個工程經(jīng)驗的重要性。產(chǎn)品思維與用戶價值理解，這就是企業(yè)的工程師與科研不同在于必須“產(chǎn)品思維”。AI應(yīng)用同樣是，它要達到易用性、模塊化可移植、易維護升級等User-friendly的設(shè)計、

第7題 您的企業(yè)在推進AI的工業(yè)場景應(yīng)用中，傾向于采取與誰展開合作？

解讀：

顯然，企業(yè)都愿意與AI類企業(yè)合作開發(fā)其AI應(yīng)用。這個可能會是一個潛在的認識問題?？赡芄I(yè)AI的場景，以及投資額，包括純AI對于現(xiàn)場的認知會是個難題。但，另一方面來說，也代表大家對于自動化專業(yè)和企業(yè)解決的AI水平缺乏了解，或者不大認同。盡管，我們認為自動化類企業(yè)和專業(yè)具有解決工業(yè)場景AI應(yīng)用的優(yōu)勢，但就當前認知層面來說，可能專業(yè)還需要加強工業(yè)AI的人才培養(yǎng)。

另一個問題在于教材的問題，個人閱讀了很多相關(guān)的教材?；旧隙既狈I(yè)場景的介紹，以及應(yīng)用的分析，這說明工業(yè)AI本身市場較小，也未得到有效的重視。當然，也可以理解為工業(yè)AI的應(yīng)用太過于碎片、個性化，很難具有可推廣性的，寫成教材比較稀缺。

但是，從教材開發(fā)視角，如何把AI與工業(yè)結(jié)合，解決產(chǎn)業(yè)問題—這類教材的確是極其匱乏的，甚至比人才更匱乏。

第8題 最近3-5年，新招入自動化相關(guān)專業(yè)的學(xué)生，他們在您企業(yè)的表現(xiàn)是否讓你們滿意？

解讀：

這個是一位參與前期問卷的老師提出的，他覺得還不如問問大家對自動化類專業(yè)畢業(yè)的學(xué)生是否滿意。不過，從結(jié)果來看，也合乎邏輯，畢竟，優(yōu)秀的學(xué)生總是少數(shù)，仍然需要企業(yè)自身不斷的培養(yǎng)，發(fā)展。

以上是針對115個樣本的解讀，也與大家分享結(jié)果。也請大家留言點評解讀。謝謝！