0
當前，以智能化為核心的產業變革正在興起，人工智能技術與社會各領域的融合不斷加劇，并成為助推工業智能化轉型升級的關鍵燃料。
今年4月，工業互聯網產業聯盟（AII）發布的《工業智能白皮書》顯示，截止到2019年底，在全球20多個經濟體近三年發布的100份人工智能方面的戰略規劃或政策文件中，涉及與工業結合的超過一半以上。美、日、德、歐盟分別發布《國家人工智能研究和發展戰略規劃》《新機器人戰略》《國家工業戰略2030》《歐盟人工智能》等一系列政策戰略，重點提及產品全生命周期優化、先進機器人、自動駕駛、大數據挖掘等在工業領域的應用。
那么，人工智能技術與工業的結合，會給工業領域帶來哪些改變呢？現階段發展情況如何？
美國初創公司 Maana 聚焦石油和天然氣領域，推出了Knowledge Platform 的平臺，通過梳理專業知識打造計算知識圖譜，與機器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；
智能抓取場景中，日本發那科公司基于深度學習賦予機器人抓取混雜零件的功能，并通過強化學習賦予機器人自學習能力，通過自主訓練 8 小時使散件分揀的成功率達到了 90%；
新松機器人公司利用 5G+ 人工智能的巡檢機器人，實現了全自動巡檢以及異常問題的自主判斷......
隨著人們對于工業AI的研究不斷深入，逐漸擴展了其在工業領域可解問題的性能與邊界。近期，雷鋒網通過和業內人士的交流以及對行業信息的梳理，整理了有關工業AI領域備受關注的問題，比如工業AI的重要玩家和應用落地情況，行業發展面臨的障礙等。
工業AI，也就是工業智能，其本質是通過人工智能技術與工業場景、機理、知識結合，實現設計模式創新、生產智能決策等應用。
據 Markets 報告預計，2025 年人工智能制造市場規模將達 172 億美元，預測期 (2018-2025 年 ) 內的年復合增長率為 49.5%。而埃森哲在比較了人工智能對我國各個行業部門增加值增速的影響后得出，預計到 2035 年，制造業因人工智能的應用其增加值增速可以提高 2.0% 左右，是所有產業部門中提高幅度最大的。
由此可見，工業AI領域不管是市場容量，還是增速，其表現都足夠出色。也因此，吸引著AI界的科研大牛、科技企業相繼涌入工業領域。
2019年6月，閔萬里從阿里云離職，并創辦了北高峰資本和坤湛科技兩家公司。在離職信中他透露：
“我創辦了一個風險投資基金，聚焦傳統產業(制造業，農業，醫療)周邊，用云智能技術注入和資本加持‘二位一體’的組合型賦能，推動傳統產業實現數字化轉型和智能升級。”
而賈佳亞，則是在今年年初創立了一家新的 AI 公司——思謀科技（SmartMore）。目前，該公司已經獲 Pre-A 輪融資，并在深圳和香港分別設立了研發中心。此前，他不僅是騰訊杰出科學家，也是優圖實驗室X-Lab負責人。
雷鋒網了解到，思謀科技專注于智能制造（檢測領域）運用人工智能深度學習算法和計算機視覺技術，在無需改變產線現有的硬件設備下，為用戶提供無人自動化缺陷檢測技術。
這兩人的去留，曾一度引起業界的廣泛關注。除了考慮到他們的離開會給原公司帶來一些影響，另一方面，他們在創業時都選擇了工業制造里面的AI應用這一領域。
而百度，作為國內三大互聯網巨頭之一，他們早在2010年就開始探索發展人工智能技術，圍繞百度大腦，其AI應用逐漸在多個領域進行試水，從農業到工業，從家庭到汽車，以及翻譯、圖像識別和信息流等產品和服務。
談及百度AI技術在工業制造領域的應用，李彥宏曾表示，現在很多3C產品在組裝的過程當中都需要人的肉眼去檢驗這些零件的質量，而其中很多零件都非常小，比如iPhone組裝插電的器件就很小，要人的肉眼去看是不是質量過關，是一個很費勁的任務。一般來說，熟練的工人干兩個小時就得下來休息。而百度用計算機視覺的方式做了一個軟硬一體的機器，一臺設備相當于十個熟練工人能夠做的事情，而且它的質量還比人工要更高。
工業AI應該如何去做，這不僅是BAT系的大佬正在思考的問題，也是工業企業更為關注的事。
在2019年業績交流會上，工業富聯將工業AI作為公司戰略的一部分提到了日程上。工業富聯董事長李軍旗表示：
“在過去的一年當中，工業富聯明確了公司的戰略方向，這個戰略方向我們把它歸結為‘智能制造+工業互聯網’的雙輪驅動戰略。智能制造有‘三硬三軟’，從‘三硬’的裝備、工具和材料加上工業大數據、工業AI和工業軟件，形成智能制造的整體解決方案，軟硬整合的整體解決方案。在這個基礎上搭建了工業互聯網平臺。工業互聯網平臺同時需要硬軟整合，也有三硬三軟，云網端再加上三軟里面的工業大數據、工業AI和工業軟件。”
此外，萌生于美國智能維護系統（IMS）中心的工業智能公司——天澤智云，在工業智能上，他們的理解是“3+4”，即融合工業領域知識、智能建模技術、計算機科學等3個跨學科的融合領域知識，并且還需要分析技術（AT）、運維技術（OT）、數據技術（DT）、平臺技術（PT）等四大關鍵支撐技術，才能誕生出真正的工業智能。
而明略科技集團，作為更具行業“Know-how”的新一代數據中臺先行者，致力于探索新一代人工智能技術在知識和管理復雜度高的行業中的落地。在“AI+工業”方面，他們主要基于設備和裝備物聯感知動態數據的分析挖掘與智能應用，幫助大型組織和企業高效運轉和加速創新，聚焦交通、電力、制造業。
有投資人表示，初創公司在人工智能領域還是有很多機會的，但他們需要往更細分的賽道里去專研，去挖掘，這樣才能避開一些大公司，發揮自己的長處，實現AI與具體工業場景的相結合......
人工智能是個比較大的話題，包括機器學習、深度學習、計算機視覺等，并且在工業特定領域中有非常多的業務場景和技術應用。
目前，騰訊優圖在工業方面的探索，主要專注在計算機視覺領域。他們曾聯合騰訊云為國內的一家面板生產企業打造了一個工業AI的項目，主要內容是為液晶面板做缺電檢測。
據了解，缺電檢測是工業智能一個比較常見的業務場景，前期他們的很多模型都是靠算法專家以手工方式去訓練模型。然而，從交付的形態去說，這些是比較輕量級的交付，因為沒有提供攝像頭的硬件設備，也沒有對客戶生產系統進行調整，僅僅利用視覺AI的算法做了缺陷檢測產品去替代缺陷質檢的環節。
最終，騰訊優圖上線的這些模型可以保證在跟人的準確率相當的情況下達到70%以上的覆蓋率，能夠替代七成以上的質檢工人。
“我們認為，在人工智能產業化道路上，業務和技術同樣重要，掌握了好的方法論交付項目才能事半功倍。”騰訊優圖實驗室工業AI項目負責人黃亮表示：
“比如說數據質量，大家都知道數據質量在人工智能和模型訓練方面的重要性，你的網絡再先進，你如果沒有好的數據依然是無法取得好的效果。但是，如何獲取高質量的數據呢？有很多的方法，我們早期也吃了很多虧，就以缺陷檢測為例，生產線上我們可以看到有很多的缺陷，100多種缺陷。但是我們怎么去采集這些缺陷，我們需要采集多少種缺陷的樣本，每個缺陷我們需要采集多少張圖片，模糊的缺陷我們如何去判定，如果一個圖片有多種缺陷，我們按哪種缺陷判定和標注，這些都是一些很細節的問題，但是會非常影響模型最終的效果。”
除了計算機視覺，人工智能在工業領域的應用還包括數據智能、決策方面的一些應用。明略科技依托他們的數據中臺和知識圖譜，探索異地專家如何將經驗進行積累和沉淀。
比如明略科技為某家軸承生產廠商構建了產品的知識圖譜以及智能問答與選型的系統，用來解決用戶對軸承以及相關產品信息的咨詢查找對比和推薦的問題，相比于傳統的基于人工的客戶服務，這一套智能問答系統能夠取代人工回答60%-80%重復的、常見的問題。
雷鋒網了解到，不管是液晶面板的缺電檢測，還是用戶對軸承以及相關產品信息的咨詢查找對比和推薦，目前AI主要用在工業領域的應用數據的可視化分析、預測性維護等，另外還可用于自動分析設備故障情況等，向著更多細分的工業場景進行滲透。
然而，當每一位創業者、變革者拿起AI的工具叩響工業之門時，撲面而來的不僅有工業機理、工業模型的屏障，還有數據和專業知識缺乏帶來的一些挑戰。
盡管我們知道AI在工業領域有眾多場景和可能性，但是，要達到產業級應用，我們還必須對它有更為清晰的認識，知道工業AI存在哪些問題。
“人工智能這個詞最早是1956年在達特茅斯會議上出現，其發展可以說是起起伏伏。如果和上世紀90年代——上一次的人工智能高潮相比，除了算力和數據，我們在某些領域的進步并沒有那么明顯。”英特爾中國區物聯網事業部首席工程師及首席技術官張宇博士表示：
“算力方面，英特爾一直在摩爾定律的推動下，帶領整個半導體行業前進，其算力不斷地進行更新。比如超算領域定期頒布的世界500強的超級計算機的榜單，這個榜單第一次發布在1994年，當時榜單上排名首位的超級計算機浮點運算能力每秒鐘峰值1300億次，而去年年底的榜單排名首位的超級計算機浮點運算能力每秒鐘峰值21億次。”
“算力的提升，對于運行一些比較復雜的算法是很有幫助的。以前一些網絡可能相對比較簡單，層次比較淺，現在可以用我們的算力運行比較復雜的網絡模型得到更好的結果，或者我們可以在消耗網絡模型下，在更短的時間里得到結果，實現更快的迭代，算力確實極大的推動了人工智能的發展。”
對于另一個推動因素——數據，張宇博士則是這樣理解的。他表示：
“以ImageNet為例，ImageNet里已經包含了超過1400萬張經過標注的圖片，所以有了這么多大量的圖片，就可以訓練網絡，得到一個可以運行的比較理想的結果。在數據增長的背后，實際上它的基礎是我們在存儲領域以及通信領域技術的提升。”
4月23日，在工業互聯網產業聯盟（AII）發布的《工業智能白皮書》中提到，當前工業智能的應用以點狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發展的初級階段。工業智能應用面臨的四大問題分別是：
實時性問題。現有通用計算架構與芯片尚無法滿足工業實時性所帶來的計算要求，端側推理需求迫切。
可靠性問題。電商平臺的推薦系統達到 60%-70% 的準確率已經算是比較高的精準度，而部分工業領域、部分工業核心環節對推薦參數的準確性要求是 100%，一旦參數出現任何問題，將對生產、制造等環節，甚至生命財產安全產生巨大影響。
可解釋性問題。在冶煉、核電等工業領域核心環節所面臨的問題如果期望 通過數據技術解決，則此類問題的解決必須建立在可靠的工程 / 科學突破上，即需要能夠明確 解釋其背后機理。
適應性問題。通常包括模型間交互、軟硬件適配與算法的數據、任務適配三類問題。
“就工業智能來說，總的判斷還是處于起步階段，還沒有達到成熟。”張宇表示：
“重要的原因是，現在的人工智能還是實驗科學，不是一個理論科學。雖然能夠有一些網絡證明它在處理某些問題的時候是有效的，但是還不能夠說明它為什么有效，以及有效的機理是什么。人工智能網絡對我們來說還像一個黑盒子，我們不能預測它有效的原因以及如何進一步優化的方向，這些都是我們現在需要進一步提升的地方。如果這些問題不能達到進一步的完善，那么人工智能還不能稱為成熟。”
“同樣地，工業也是一樣，工業不過是人工智能的一個分支，在大背景環境下可以看到有些人工智能網絡可以開始越來越多用到工業領域，通過我們拿到的一些工業數據來訓練它，讓它在某些特定環境下能夠有效，但是，這個有效也是局部有效而不是全局，因此我們需要不斷地用更多數據進一步完善和推廣。”
另外，雷鋒網了解到，工業領域的難點在于工業領域的應用場景比較碎片化，這和我們熟知的交通領域、安防領域有很大不同。交通領域、安防領域識別的物體相對比較固定，場景也比較固定，這樣可以針對這些場景可以收集大量的數據，得到一些網絡模型以后，可以在這些場景里大面積推廣。而工業場景的碎片化很明顯，比如在紡織工廠里做一個產品的識別，在半導體工廠里也做產品的識別，但是它們要檢測的目標是不一樣的，那帶來的問題是需要不同的樣本和設計不同的網絡結構，在設計方面要用不同的方法進行調優，同時工業本身對準確度的要求很高，因而，在工業領域推廣人工智能的話還有很長的路要走。
而創立了思謀科技的賈佳亞表示：“越是基礎設施、關系到國家社會生產力的部分，越是需要我們的綜合科技能力去全面落地解決經濟生產里的缺人力、淺智能的問題。實現全面系統化、智能化、自動化是思謀瞄準的解決方案。思謀的企業目標是擺脫單個算法領域的數據局限，以系統化體系架構開創AI 2.0時代。”
現如今，AlphaGo已經是世界頂尖人工智能科技了，要研發出比AlphaGo復雜一個數量級的，能夠替代運營管理任務的人工智能，看上去還是很久遠的事情。就如《1%的征程——阿里云工業大數據解決方案》中所述，人工智能科學家們已經在某個輸出指標維度有了一定研究，并且誰也不知道未來的增長是線性的，還是指數性的？全面的研究成果是百年之后得出，還是十年之后得出？
有專家分析，工業AI之所以一直都被看做是最難的、也最復雜的應用領域，原因就在于，一方面行業外延十分廣泛，細分領域很多，要求的專業知識也很廣泛，因此一直沒能誕生能夠吃透整條產業鏈的巨頭玩家，而AI技術企業想要深入進去更是會遇到各種各樣意想不到的難題。
那么，誰將摘下工業AI這頂“王冠”，成為這個領域的獨角獸企業？
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
