回想十年之前，提到人工智能(Artificial Intelligence，簡稱AI)，你能想到怎樣一幅畫面呢?

或許是《星球大戰》中的宇航技工機器人R2D2，或許是《黑客帝國》里控制整個現實世界的計算機系統“矩陣”，又或許是鋼鐵俠的全能管家“賈維斯”?

實際上，那時我們對人工智能的概念大多停留在科幻階段。然而近十年，人工智能真正進入了“黃金時代”。不僅在科研界發展出越發成熟的算法、并于工業界領域逐漸擴展應用，甚至還經常“出圈”，憑實力闖入大眾視野。例如讓圍棋大師柯潔大哭的AlphaGo，破解蛋白質折疊難題的AlphaFold，憑高水準繪畫“混進”央美畢業展AI微軟小冰……

盡管發展神速，但不得不承認，現在的人工智能與我們的幻想仍有不小的差距，屬于“弱人工智能”。

每個人工智能算法只能解決一個小問題，而且大多數集中在視覺(計算機視覺)、聽覺(語音識別)、語言(自然語言處理)和決策(強化學習)等方面，并沒有媲美人類的感知、推理和決策能力，因此還不能全方位地代替人類的工作。

為什么人工智能技術已經進入“黃金時代”，我們卻說它不能完全替代人類?這就必須提到它的核心技術——人工神經網絡了。

專業版

一個簡化版的神經網絡由許多計算單元和權重組成，輸入數據通過神經網絡的計算變為輸出數據(前向傳播)，神經網絡通過評判輸出數據與理想輸出的差異，迭代更新自身權重(反向傳播)，最終學習到接近完美的輸入-輸出映射，因此遇到新的輸入時，能相當準確地預測輸出。

人話版

神經網絡實際上就是一個巨型、高維的回歸模型f(x)，通過學習大量輸入(x)-輸出(y)數據，就能夠擬合出f(x)=y的函數關系。這之后，當新的x出現時，它就能準確預測出對應的y。

而目前AI各種炫酷的應用領域，大多數都是對不同神經網絡結構的不同“玩法”。

比如圖像識別時，我們通常使用卷積神經網絡，將圖像作為輸入、標簽作為輸出，這樣就能預測出這張圖片“是什么”。

用于決策時，我們則要求神經網絡預判每個動作的優劣，趨利避害。

用于圖像生成時，我們訓練兩個神經網絡互相博弈，讓生成網絡生成不易被偵測到的、與原圖有區別的的新圖片，而讓探測網絡盡可能挑出生成的圖片，二者在訓練中不斷競爭，從而讓生成網絡有能力生成風格不同卻與原圖神似的圖像，比如更換濾鏡、畫風等……

這樣，雖然神經網絡無法像人一樣“思考”，但也能給出高效且準確的輸出。

在博世汽車電子事業部，我們也積極嘗試，運用各種AI技術助力研發和生產，例如將圖像分類算法用于表面貼裝部門產線的焊接質量檢測。

在經過多次預處理、調試和模型選擇的嘗試后，工程師們向AI模型輸入大量優良件和失效件的圖像和標簽，AI就能通過對比來識別出失效件圖像獨有的特點，進而具備了探測失效件的能力。經過訓練的模型經過部署和上線，就能夠自動識別不良器件。

AI的引入改變了以往AOI (Automated Optical Inspection, 自動光學檢查) 誤報率高、需要再次人工甄別的缺點，極大地提升了故障檢測率和預測效率。

此外，我們也在AI視覺、知識圖譜、強化學習等各個方面不斷深入研究，探索新的AI應用場景，為組織數字化轉型提供新的解決方案。

目前，AI在互聯網中應用已經非常廣泛，然而在工業領域的應用仍較為受限。但隨著工業4.0的不斷推進，智能物聯網的持續發展，相信在不久的將來，AI也將繼續在工業領域發光發熱，大幅提升工業自動化程度及生產效率，成為工業自動化和智能化轉型的核心推動力。