當前，以深度學習為主導的人工智能（AI）進入推廣培育期，在醫(yī)療、金融、零售、安防、交通、能源等領域的探索步伐不斷加快，自然語言處理、計算機視覺、精準營銷、自動駕駛等人工智能應用市場增長迅猛。但在工業(yè)領域，受數(shù)據(jù)、算法、算力等因素制約，AI應用的廣度和深度受到限制。近年來，隨著工業(yè)互聯(lián)網(wǎng)平臺的快速崛起，其海量的數(shù)據(jù)、內(nèi)嵌的高效算法和對算力的強大支撐能力，為AI在工業(yè)領域的發(fā)展應用提供了土壤。尤其是AI應用于工業(yè)互聯(lián)網(wǎng)平臺設備層、邊緣層、平臺層、應用層等四類應用場景，正在推動傳統(tǒng)生產(chǎn)模式向?qū)崟r感知、動態(tài)分析、科學決策、精準執(zhí)行和優(yōu)化迭代的智能化生產(chǎn)模式轉(zhuǎn)變，為工業(yè)轉(zhuǎn)型升級賦能。

一工業(yè)互聯(lián)網(wǎng)平臺是人工智能應用的重要載體

01工業(yè)互聯(lián)網(wǎng)平臺覆蓋全流程生產(chǎn)數(shù)據(jù)

數(shù)據(jù)是應用人工智能的“燃料”。工業(yè)互聯(lián)網(wǎng)平臺從數(shù)據(jù)“量”和“質(zhì)”兩個維度入手，提升工業(yè)場景數(shù)據(jù)集的廣度與深度，為人工智能應用提供支撐。

從“量”的方面看，工業(yè)互聯(lián)網(wǎng)平臺匯聚了數(shù)以千萬計的設備和傳感器，對異構(gòu)系統(tǒng)、運營環(huán)境、人員信息等要素實施泛在感知、高效采集和云端匯聚，實現(xiàn)了海量數(shù)據(jù)的廣泛集成。

從“質(zhì)”的方面看，工業(yè)互聯(lián)網(wǎng)平臺通過構(gòu)建設備、產(chǎn)品、系統(tǒng)和服務全面連接的數(shù)據(jù)交流網(wǎng)絡，充分挖掘?qū)崟r有效的工業(yè)大數(shù)據(jù)，搭建數(shù)據(jù)自動流動的賦能體系，為深度學習的模型訓練提供優(yōu)質(zhì)的訓練集、驗證集和測試集，切實提高人工智能模型自學習、自決策、自適應的有效性。

02工業(yè)互聯(lián)網(wǎng)平臺推動工業(yè)知識算法化

算法是人工智能應用的關鍵。工業(yè)互聯(lián)網(wǎng)平臺作為工業(yè)全要素、全產(chǎn)業(yè)鏈、全價值鏈連接的樞紐，打通了工業(yè)知識向工業(yè)算法轉(zhuǎn)化的通路，為構(gòu)筑工業(yè)領域人工智能算法庫提供助力。

一方面，工業(yè)互聯(lián)網(wǎng)平臺豐富了算法理論來源。依托工業(yè)機理基礎和數(shù)據(jù)模型分析，工業(yè)互聯(lián)網(wǎng)平臺將隱性的工業(yè)技術原理、行業(yè)知識和專家經(jīng)驗進行代碼化、算法化，重構(gòu)了工業(yè)知識創(chuàng)造和應用體系，面向特定工業(yè)場景提供針對性強、魯棒性高的算法。

另一方面，工業(yè)互聯(lián)網(wǎng)平臺降低了算法開發(fā)成本。工業(yè)互聯(lián)網(wǎng)平臺通過提供開發(fā)環(huán)境和各類工具，助力開發(fā)者打造工業(yè)APP與微服務體系，將各類工業(yè)知識封裝成可交易的模塊組件，推動工業(yè)算法在更大范圍、更高頻次、更短路徑上創(chuàng)造、傳播和復用。

03工業(yè)互聯(lián)網(wǎng)平臺構(gòu)建協(xié)同算力資源池

工業(yè)場景具有環(huán)境參數(shù)復雜、工序步驟精細、實時性要求高等特點，應用人工智能技術對算力要求較高。工業(yè)互聯(lián)網(wǎng)平臺基于云架構(gòu)匯聚企業(yè)內(nèi)外算力資源，根據(jù)實際需要統(tǒng)一調(diào)配，搭建廣泛聚集、高效協(xié)作的算力供給體系，為人工智能應用提供穩(wěn)定的支撐保障。

在企業(yè)內(nèi)部，工業(yè)互聯(lián)網(wǎng)平臺匯聚內(nèi)部算力資源構(gòu)建算力資源池，針對不同時段、不同用戶和不同級別的算力需求，基于大數(shù)據(jù)分析統(tǒng)籌使用內(nèi)部設備，提高設備使用效率。

在企業(yè)外部，工業(yè)互聯(lián)網(wǎng)平臺對接各類算力提供商，通過租借、購買等方式，補充企業(yè)內(nèi)部算力的不足，以提升整體算力水平，縮小人工智能應用需求和實際算力之間的差距。

二多維應用場景加快人工智能與工業(yè)互聯(lián)網(wǎng)平臺融合

01設備層：機器智能構(gòu)建新型人機關系

企業(yè)依托工業(yè)互聯(lián)網(wǎng)平臺，在生產(chǎn)、控制、研發(fā)等領域的設備上運用人工智能技術，構(gòu)建人機協(xié)同、互促共進的新型人、機、物關系。

一是設備自主化運行，如復雜工料分揀、設備自運行等。機械臂、運輸載具和智能機床等產(chǎn)品，通過搭載機器學習算法、路徑自動規(guī)劃等模塊，實現(xiàn)對不同工作環(huán)境和加工對象的動態(tài)適應，提高設備操作的精度和復雜度。

二是人機智能化交互，如動作識別、語音用戶界面等。應用語音識別、機器視覺等技術，打造人性化、定制化、高效化的人機交互模式，提升控制裝備在復雜工作環(huán)境的感知和反饋能力。

三是生產(chǎn)協(xié)同化運作，比如協(xié)作機器人、仿生工位等。利用人工智能技術將人機合作場景轉(zhuǎn)變成學習系統(tǒng)，持續(xù)優(yōu)化運行參數(shù)，為操作員提供最優(yōu)的生產(chǎn)環(huán)境。例如，德國Festo公司基于仿生協(xié)作型機器人開發(fā)人機協(xié)作生產(chǎn)的智能化工位，可將人從重復性、危險性高的工作中解脫出來，提高了生產(chǎn)效率。

02邊緣層：邊緣智能提升邊緣側(cè)實時分析處理能力

邊緣智能技術通過協(xié)同終端設備與邊緣服務器，整合計算本地性與強計算能力的互補優(yōu)勢，從而減少非必要的數(shù)據(jù)傳輸、降低模型推理延遲與能耗。

具體有以下三類應用：一是智能傳感網(wǎng)絡。東方國信、寄云科技等企業(yè)通過建設智能網(wǎng)關，動態(tài)實現(xiàn)OT與IT間復雜協(xié)議的轉(zhuǎn)換，提供安全高速的數(shù)據(jù)連接與數(shù)據(jù)采集服務，強化對帶寬資源不足和突發(fā)網(wǎng)絡中斷等異常場景的應對能力。

二是噪聲數(shù)據(jù)處理。天云網(wǎng)、海爾集團等通過智能傳感器采集多維數(shù)據(jù)，利用基于人工智能的軟件識別減小確定性系統(tǒng)誤差，提高數(shù)據(jù)精度，從而實現(xiàn)物理世界隱性數(shù)據(jù)的顯性化。

三是邊緣即時反饋。思科、微軟等企業(yè)通過分布式邊緣計算節(jié)點進行數(shù)據(jù)交換，及時比對云端廣播的模型和現(xiàn)場提取的特征值，基于邊緣端設備實現(xiàn)本地快速響應和操作優(yōu)化，減少云端運算壓力和處理延遲，實現(xiàn)云端協(xié)同。

03平臺層：大數(shù)據(jù)分析構(gòu)建“數(shù)據(jù)+認知”算法庫

工業(yè)互聯(lián)網(wǎng)平臺基于PaaS架構(gòu)，打造由數(shù)據(jù)存儲、數(shù)據(jù)共享、數(shù)據(jù)分析和工業(yè)模型等組成的整體數(shù)據(jù)服務鏈，把基于數(shù)據(jù)科學和認知科學的兩類工業(yè)知識經(jīng)驗沉淀在可移植、可復用的人工智能算法庫中。

在數(shù)據(jù)科學領域，企業(yè)構(gòu)建以機器學習、深度學習為核心的數(shù)據(jù)算法體系，綜合利用大數(shù)據(jù)分析、機器學習和智能控制等算法，通過仿真和推理解決已知的工業(yè)問題。例如，美國康耐視公司開發(fā)了基于深度學習的工業(yè)圖像分析軟件，能以毫秒為單位識別缺陷，解決傳統(tǒng)方法無法解決的復雜缺陷檢測、定位等問題，使檢測效率提升30%以上。

在認知科學領域，企業(yè)從業(yè)務邏輯原理出發(fā)，通過搭建以知識圖譜、專家系統(tǒng)為代表的認知算法體系，解決機理未知或模糊的工業(yè)問題，如企業(yè)智能決策、風險管理等。實際上，西門子、IBM、華為等公司通過構(gòu)建供應鏈知識圖譜，匯集氣象、媒體、交通和物流等信息資源，大大提高了供應鏈風險管理效率。

04應用層：商業(yè)智能提升工業(yè)APP數(shù)據(jù)挖掘深度

開發(fā)者依托工業(yè)互聯(lián)網(wǎng)平臺提供的開發(fā)工具和框架，面向不同工業(yè)應用場景，開發(fā)搭載人工智能的特定工業(yè)APP，利用人工智能手段賦能現(xiàn)有生產(chǎn)過程，為用戶提供各類在平臺定制開發(fā)的智能化工業(yè)應用和解決方案。

主要有以下幾類：一是預測性維護。利用機器學習方法擬合設備運行復雜非線性關系，提升預測的準確率，降低運維成本與故障率。德國KONUX公司結(jié)合智能傳感器及機器學習算法構(gòu)建設備運行模型，使機器維護成本平均降低了30%。

二是生產(chǎn)工藝優(yōu)化。依托深度學習繞過機理障礙，通過挖掘數(shù)據(jù)隱藏特征間的抽象關系建立模型，并找出最優(yōu)參數(shù)組合。TCL格創(chuàng)東智針對液晶面板的成膜工序，通過機器學習算法實現(xiàn)了關鍵指標的預測與品質(zhì)優(yōu)化，年收益達到近千萬元。

三是輔助研發(fā)設計。通過應用知識圖譜、深度學習等技術構(gòu)建設計方案庫，對設計方案提供實時的評估反饋。美國UTC依靠知識圖譜解決了多個產(chǎn)品研發(fā)問題，設計出的換熱器傳熱效率能提高80%，設計周期僅為原來的1/9。

四是企業(yè)戰(zhàn)略決策。利用人工智能擬合工業(yè)場景中的非線性復雜關系，提取非結(jié)構(gòu)化數(shù)據(jù)構(gòu)建知識圖譜和專家系統(tǒng)，為企業(yè)提供戰(zhàn)略方案選擇。美國初創(chuàng)公司Maana聚焦石油和天然氣領域，協(xié)同應用知識圖譜與數(shù)據(jù)科學，為GE、殼牌、阿美等石油巨頭提供企業(yè)級決策建議。

三幾點建議

01夯實產(chǎn)業(yè)基礎，突破人工智能與工業(yè)互聯(lián)網(wǎng)平臺融合的關鍵共性技術

一是構(gòu)建高質(zhì)量的公共數(shù)據(jù)集。鼓勵滿足條件的工業(yè)互聯(lián)網(wǎng)平臺企業(yè)開放具備一定規(guī)模的生產(chǎn)環(huán)境、視頻圖像、文本對話等數(shù)據(jù)集，建立高質(zhì)量的公共測試數(shù)據(jù)庫。

二是加大算法研發(fā)應用力度。推動科研院所、行業(yè)龍頭企業(yè)開展協(xié)同研發(fā)和創(chuàng)新應用，圍繞卷積神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡等算法開發(fā)相關工具，完善開發(fā)環(huán)境。

三是提升算力支撐能力。引導和培育一批算力提供商和算力交易平臺，探索算力租賃、交易、托管等新服務模式。

02聚焦場景應用，引導加快面向工業(yè)互聯(lián)網(wǎng)平臺的人工智能產(chǎn)品開發(fā)

一是加快重點智能設備研發(fā)。加快智能傳感控制、智能檢測裝配、智能物流倉儲等重點技術裝備的開發(fā)，布局和積累一批核心知識產(chǎn)權(quán)。

二是突破邊緣智能核心技術。重點突破圖形處理器、現(xiàn)場可編程門陣列、專用集成電路等一批關鍵核心技術，提高硬件基礎支撐能力，實現(xiàn)圍繞邊緣設備的感知、控制、決策和執(zhí)行等功能。

三是加快行業(yè)機理模型沉淀。聚焦AI工業(yè)應用，建設工業(yè)互聯(lián)網(wǎng)模型算法公共測試驗證中心，堅持以測帶建、以測促用。

四是培育基于AI的工業(yè)APP。引導工業(yè)互聯(lián)網(wǎng)平臺企業(yè)搭建制造業(yè)創(chuàng)新中心，開放開發(fā)工具和知識組件，構(gòu)建開放共享、資源富集、創(chuàng)新活躍的工業(yè)APP開發(fā)生態(tài)。

03完善生態(tài)體系，構(gòu)建工業(yè)互聯(lián)網(wǎng)平臺跨界融合新模式

一是強化示范引領。在現(xiàn)有工業(yè)互聯(lián)網(wǎng)平臺相關專項和試點示范中，增添人工智能方向的應用試點，加快推動復雜環(huán)境識別、新型人機交互等人工智能技術與工業(yè)互聯(lián)平臺融合發(fā)展。

二是優(yōu)化公共服務。面向語音識別、視覺識別、自然語言處理等領域，建設能夠提供知識圖譜、算法訓練、產(chǎn)品優(yōu)化等共性服務的平臺和開源社區(qū)。

三是增強人才儲備。鼓勵高等院校設置人工智能工業(yè)應用課程，開展人工智能專題教育和培訓，加緊培育一批急需的人工智能人才。

四是加強宣傳推廣。通過開展現(xiàn)場會、人工智能大賽等形式，凝聚行業(yè)共識，提高公眾認識，挖掘優(yōu)秀做法，推廣典型案例，積極營造產(chǎn)業(yè)發(fā)展的良好氛圍。

責任編輯：gt