人工智能自誕生起度過了幾次跌宕起伏的發展期，也經歷了從早期專家系統、機器學習，到當前火熱的深度學習等多次技術變革和規模化應用的浪潮。除了消費互聯網、金融和安防等領域，人工智能技術也正在向工業領域多個環節廣泛滲透，人工智能技術在工業領域的融合應用是后者數字化、網絡化、智能化轉型發展的關鍵。、

一、第三次人工智能浪潮的回歸

2006年Geoffery Hinton提出了“深度信念網絡”（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挑戰賽中通過一種名叫AlexNet的深度神經網絡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。

阿里云研究中心發布的《中國企業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基礎依然是神經元網絡，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絡的訓練更可行之外，這次成功很大程度上依賴于其算法模型規模的指數級升級。模型規模的神經元總數以及神經元連接的數量級使深度學習模型成為更大體量的網絡、更高密度的系統，從而能在真實環境中處理更復雜的問題并得出更精準的結論。

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。此次發展使人工智能技術的應用在不同垂直領域均有了明顯的性能提升和效率優化，使計算機視覺、語音識別、自然語言處理的準確率有了質的提升，人工智能的應用也逐漸在真實的商業世界中扮演起重要的支持角色。當前新一輪科技革命和產業革命蓬勃興起，我們正在進入一個由人工智能驅動的新時代。

二、人工智能技術推動工業變革

西門子作為在工業人工智能領域扮演著開創性角色的一家企業，近年來在工業環境中取得了許多基于人工智能的成功。例如將連續運行的算法集成到生產過程中提高預測性分析的準確性，極大地降低了質量檢測的成本；采用算法自動分析燃氣輪機的運行數據、環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量控制，這種自主學習系統目前已成為一個經典的解決方案。

施耐德電氣工業自動化全球戰略高級副總裁阿蘭·德迪埃稱，過去十多年，全球范圍內的工業制造水平停滯不前，但現在面臨著一次重要機遇，能夠利用人工智能提升制造業的產能和效率。聯想集團董事長兼CEO楊元慶指出人工智能作為新的技術驅動力正在引發第四次工業革命，尤其是推動垂直行業的智能變革。利用人工智能技術提升和改造傳統產業成為社會轉型的新動力，從國際發展態勢上來看，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略。

工業互聯網產業聯盟發布的《工業智能白皮書》中指出深度學習和知識圖譜是當前工業智能實現的兩大技術方向，也是本輪科技革命和產業變革的戰略性技術。深度學習在工業應用中基于計算機科學和神經科學，能夠“繞過機理直接通過數據形成結果”，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問題方面能產生很好的效果，如產品復雜缺陷質量檢測等。

三、人工智能技術在工業領域的落地難點

與其他領域的應用場景不同，工業領域的決策通常處于開放環境下，規則存在不確定性，同時擁有多個目標，這導致人工智能技術雖然應用在消費互聯網、金融和安防等領域有較多突破成果，但目前仍未在工業制造領域大規模落地。2018年波士頓在調研評估企業在制造領域采用人工智能的實際進展時發現，將近90%的高管曾計劃在3年內將人工智能用于生產，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域滲透，但在工業領域這一極具發展潛力的場景下落地困難重重。

（一）工業領域的數據質量待提升

阿里工業云總經理楊國彥提出數字化的發展有三個階段：自動化、網絡化、智能化，自動化是實現數字化的基礎。有了數字化的基礎我們才能沉淀大量數據，并通過工業互聯的技術，將這些數據很好的采集上來，然后基于海量數據做一些決策與分析，從而實現真正的工業數據智能。第三次人工智能浪潮的主流就是基于大數據量，利用深度學習挖掘數據中存在的有用信息并找到深層邏輯關系。特別是在算法還未完全成熟、仍在持續迭代的階段，通過提供的大數據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。

深度學習技術訓練數據的前提是擁有大量的有效數據，然而目前多數企業的信息化水平依然很低，數據的規模和數據的標準化度都還遠遠不夠。

工業領域數據規模的現狀如人工智能專家吳恩達所提出的問題：“數據當然是越多越好，我也并沒有說許多數據是無用數據。但是在農業、制造、醫療等領域的部分應用場景中，如果你手頭只有100張照片，怎么辦呢？”數據規模受自身行業特點限制無法擴大或短期內無法改善，如何用小數據集推動深度學習技術能力提升和產業應用發展是一個需要重視和深入探索的課題。

數據標準化程度在工業領域更是一個常見的問題。例如在圖片標準化程度方面，由于受到生產條件和成本控制的限制，在工業場景下提取圖片數據時往往會出現模糊、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據的準確度。收集合適可用的數據成為了工業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據也是工業人工智能的一大重心。

（二）技術并非在工業落地的唯一關鍵

2017年12月，吳恩達宣布創立Landing.AI，目標是幫助制造業公司用算法來降低成本、提升質量管理水平、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提到的工業領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總經理劉軍指出“產業AI化”是要深入到每一個行業應用實踐當中，需要選擇合適的人工智能技術與理解行業應用場景的開發商、軟件商、集成商大家一起進行落地實踐。對于工業領域，尤其如此，單純想要通過一個技術去驅動整個產品的發展很難。工業人工智能的落地需要通過設備，僅靠軟件算法無法解決，需要結合光學機構、電氣等形成系統化驅動工程。例如機器視覺技術真正在工業檢測中的應用僅僅依靠視覺算法遠遠不夠，無法真正實現檢測功能，視覺企業們需要積累的核心技術除去算法還包含器件和方案能力等。

例如人工智能技術應用在工業生產改善方面是需要采取不同策略持續對生產效率進行改善，這就要求廠商對目標行業的生產情況有十分深刻的理解。同時在生產改善方面企業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。因此在工業領域，人工智能要真正落地的關鍵并非僅僅在于人工智能技術的發展或芯片本身，同時也會要求具備在具體應用領域的長期深耕積累，這其中涉及到的內容和要求會變得更加復雜。

（三）工業領域對技術的可靠性需求更高

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

事實上相比于其他領域如消費領域等工業對技術可靠性的要求更高，而且客戶需求更加個性化，因此對產品穩定性和調試效率有更高要求。例如人臉識別功能能達到90%的準確率體驗就已經很好了，但在一些自動化應用場景中對技術落地應用的準確率要求需要達到99%，甚至99.99%才行。可以想象，對于每日生產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品混入良品之中。

（四）技術在工業領域的投入產出比不確定

人工智能技術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領域中一直不溫不火，這是因為必須要證明對算法的投入要比定期維護更節約才會說服企業投入。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。

對于技術使用方，在工業企業中人工智能技術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，而企業能分給人工智能技術發展方面的經費有限；而對于技術提供方，企業的個性化需求較多，每個公司合作研發的執行方法可能完全不同，大部分AI項目需要長期駐廠，AI技術公司所需投入資源也不少。

更重要的是，即便目前互聯網產業正跑步進入智能時代，推薦算法、人臉識別等各方面發展迅速且取得顯著成果，但多數傳統工業卻依然在工業3.0的門檻掙扎，機器人、工業控制等一系列自動化過程也并非真正的人工智能技術應用。毫無疑問，工業未來的發展一定需要人工智能，然而人工智能算法在工業領域短期內并不一定馬上能夠展現出較大的效益。

四、展望

人工智能技術與工業領域的融合發展的確具有廣闊前景，但目前的工業智能水平仍舊處于比較初級的階段，人工智能驅動的自動化尚未能對生產力的增長產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物聯網（IIoT）、大數據分析、云計算和信息物理系統集成共同促使工業以靈活、高效和節能的方式運作。

不同行業的發展是相互促進的，人工智能也不可能成為一劑神藥。對于工業領域來說，當自動化、網絡化、信息化這些方面在工業領域的發展已經成熟，或許才會到達人工智能能夠在工業領域大展拳腳的階段。對于許多中小型企業來說，當在決心轉向工業4.0、工業互聯網尋求升級轉型之前，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。