一、 明确工业人工智能的作用机理

工业人工智能是工业互联网充分释放赋能价值的关键要素。工业互联网的核心是基于感知控制、数字模型、决策优化而形成数据驱动的智能优化闭环。工业人工智能实现了从数据到信息、知识、决策的转化，挖掘数据潜藏的意义，摆脱传统认知和知识边界的限制，为决策支持和协同优化提供可量化依据，最大化发挥利用工业数据隐含价值，成为工业互联网发挥使能作用的重要支撑。当前，工业人工智能技术正迎来多方面创新与突破，为支撑工互联网的数据优化闭环，进一步拓展和丰富工业互联网的能力边界与作用发挥关键作用。

智能的本质是降低数据价值挖掘过程中人脑力的占比。例如，在以专家系统为代表的前 AI 时代，人需要完成由数据到知识的全部处理过程，机器仅基于已有规则实现知识的应用。在深度学习为代表的当前 AI 时代，人完成进行数据初步处理后由机器执行端到端的建模与分析，直接得到结果，实现智能化应用。使人可以规避一些原理与机制的限制，突破一些以前难以解决的困难问题。

人工智能解决工业问题的能力不断深化。一方面，人工智能发挥三大赋能作用，解决两大根本问题。一是通过固化熟练工人和专家的经验，模拟判断决策过程，解决过去工业领域中需要人工处理的点状问题；二是基于知识汇聚实现大规模推理，实现更广流程更可靠的管理与决策；三是通过构建算法模型，解决工业中机理或经验复杂不明的问题。本质上，人工智能帮助人更好地解决分类和回归两类问题。另一方面，算法突破不断提升问题的求解能力。深度学习通过数据驱动拟合复杂机理，知识图谱通过汇聚已有知识实现复杂推理，两大技术分别以“更深”和“更广”的方式扩展可解问题边界，并成为当前工业人工智能探索的热点。

工业问题的数字化和抽象化使各类需求不断纳入人工智能可解范畴。一是传感、网络、计算技术及数字化的发展使更多的对象与问题能以数据的方式呈现出来，构成了算法应用的基础。原本非数字对象通过数字化呈现到了计算机中，原本有限的数据积累升级为海量的采集存储，原本单一的数据存储类型演变为历史 / 实时数据、结构 / 非结构化数据等多样的数据类型。例如美国将材料指标参数化后通过人工智能技术确定当前对应的最佳参数，研制了材料自主研发系统 ARES。二是工业问题的抽象化，搭建了算法应用的桥梁。工业领域越来越多的“旧问题旧需求”及“新问题新需求”都通过抽象化纳入到人工智能可解范畴。例如传统的预测性维护基于历史经验进行故障判定，而基于人工智能的预测性维护将问题抽象为分类 / 回归的数学概念，采用相应的机器学习算法进行设备使用剩余时间（回归）或是否可能发生故障（分类）的决策，指导工业实践。

工业人工智能的发展是算法能力与工业问题转化相互适配的过程。一是部分传统的工业人工智能应用由于算法的突破实现了性能的提升，如基于深度学习技术能够实现精准的工厂安全监控与巡检。二是工业问题的数字化与抽象化推动涌现了许多新场景，如通过在人体 30 个部位部署传感器采集数据，能够实现基于机器学习的工人健康评估。三是当前算法突破与工业问题转化共同作用打造全新的应用模式，如供应链管理、无人驾驶工程机械等。此外，工业领域还存在如全厂智能优化决策等应用需求，还需算法技术与问题转化的进一步发展与磨合。

二、抢抓当前工业人工智能发展的重大机遇

从整体看，虽然依托人工智能进行决策判断仍以点状应用为主，在制造业中还不是主流趋势，但算法的突破为新老工业问题的解决提供了新能力、工业问题的数字化抽象化不断推动新需求得到智能化解决方案，两者结合为工业人工智能发挥自身潜力开辟了全新空间，已呈现出星火燎原之势。总的来看，当前阶段人工智能为工业应用带来的变革集中体现在以下三个方面。

一大批旧问题由于算法突破有了新的解决方案。人工智能技术不仅使人们摆脱了过去过度依赖经验机理的模式，随着技术发展，尤其是以深度学习为代表的算法突破能够全面地利用各类数据，极大提升了原有问题求解的效率、功能与性能。生产指标测量场景中，传统人工智能方法能够摆脱繁琐的机理方程求解，而深度学习能全面考虑生产指标的影响因素，简化建模过程，提升预测精度。缺陷检测场景中，基于传统机器学习方法需要人为提取缺陷特征，仅能解决类型可知、大小分布相对规律的任务；而深度学习通过样本训练直接得到结果，能够解决微小的、形状、位置、光照变化的复杂缺陷场景。

工业问题转化不断催生新应用场景，使传统人工智能方法有了更大的发挥空间。数字化的不断推进与抽象化使许多以往“想不到”的需求转化为人工智能可解的数学问题，传统人工智能方法仍然发挥着重要作用，推动形成了一系列典型的工业人工智能应用。产品智能设计场景，将产品分解为不同的模块并赋予每个模块数字化指标，根据产品性能要求，利用机器学习方法在千万种可能的组合中进行搜索寻优，确定最佳设计方案，如 Autodesk 通过创成式设计打造汽车、自行车和飞机零部件，以极高的效率打造了极优的产品。工艺 / 控制参数优化场景，通过将设备或生产过程的输入数字化，与历史生产参数构成样本库，利用人工智能方法进行优化，弗劳恩霍夫研究所将 3D 打印机的温度、粉末类型、工件参数等输入变量数字化，通过机器学习方法确定最佳参数。智能运营服务场景，通过对用户历史行为数据的分析，实现客户精准服务、风险分析等应用，如美联航基于乘客的交互数据，利用机器学习提供航班选择、座位升级、里程购买等服务，优化客户体验。

新技术新条件催生全新应用模式。深度学习、知识图谱两大技术突破与工业问题数字化抽象化的结合迸发巨大的乘数效应，使许多以往“不敢想”的需求成为现实。不规则物体分拣场景中，通过深度学习帮助机器人自动识别物体，可抓取材料、形状、重叠及光照变化等各种条件下的物体，且无需编程。Robominds、梅卡曼德等公司已经实现初步应用。供应链与融资风险管控场景中，通过知识图谱汇集影响供应链关键环节及融资过程各业务对象的关系，实现各类风险的预判。华为、西门子分别通过构建知识图谱实现供应链与融资过程不可预见事件的风险识别。企业决策管理场景中，通过知识图谱与深度学习协同，能够实现企业级优化运营。美国初创公司 Maana 聚焦石油和天然气领域，通过梳理领域知识打造计算知识图谱，与深度学习计算模型相结合，为 GE、壳牌、阿美等石油巨头提供决策和流程优化建议。

三、总结与建议

可以看出，技术领域突破与工业领域推动是工业人工智能发展的两大强心剂，并已呈现出规模化推进的发展态势，但现阶段仍存在三个主要问题：一是还面临诸多技术瓶颈，比如机器学习、深度学习等主流的人工智能算法具有“黑箱”属性，不能提供明确的原理解释，无法应用在高危核心领域。二是缺乏应用创新与合理有效的评估评价方法，哪些需求可以使用人工智能解决、投资回报率如何等是企业最为关心的问题。三是还未形成完善的保障体系，比如人才是打通算法能力与工业需求屏障的关键，但目前缺少专业化的人才培养与创新机制。

总之，人工智能技术是一项以应用为导向、持续发展的科学技术，上述几类问题需要将人工智能技术本身的突破与工业实践相结合才能有效解决。我们需要从以下应用、技术、支撑三个角度进行突破：

应用引领，促进模式创新与复制推广。一是强化应用创新探索与场景挖掘。鼓励产业界及各领域头部企业进行创新探索，通过创新大赛等方式引导资本与新技术产品的对接，形成一批工业人工智能新场景、新模式。二是树立标杆应用。在钢铁石化、装备制造、电子制造等应用较为成熟的领域，引导大型国有企业、民营企业和互联网企业等合作打造解决方案，形成一批可信、可靠、成熟有效的行业工业人工智能标杆应用。

推动重点方向的技术产品突破。一是推进工业人工智能关键技术的研发突破。围绕当前深度学习、知识图谱两大技术方向，鼓励企业与科研院所加快算法技术向纵深推进，同时提高算法的可解释性、多场景适用性等面向工业领域应用要求的研究。二是合理引导前沿技术理论向工业领域快速转化，通过建设工业人工智能创新中心、孵化器等各类工业人工智能创新孵化平台，推动前沿技术的应用测试与工程化。

营造支撑有力的要素保障与展环境。一是推进复合型人才培养与队伍建设。开展分类型、分等级推进工业人工智能阶梯形人才队伍的培育工作，加强企业员工的再培训，做好工业人工智能化变革下新旧动能的承接工作。二是促进创新载体与机制构建。引导成立工业人工智能产业联盟与协会，搭建工业人工智能公共服务平台，开展应用评估评价、技术标准制定与验证，打造合作共赢的利益共同体。

（撰稿人：李亚宁，博士，中国信通院两化所工程师，工业互联网联盟工业智能特设组组长 联系方式：18612054717）