在AI之火燒遍神州大地、AI企業估值水漲船高、獨角獸頻頻出沒的當下；市場對於「落地」的呼聲也愈來越高。不論是谷歌、阿里等國際巨頭，還是商湯、曠視等准IPO獨角獸，無不紛紛將視線瞄準了一個地方——工業智能。

這片廣袤的田地有著巨大的市場體量，而且與互聯網不同，其數字化與智能化程度仍舊較低，再加上國家政策一再強調AI 工業製造領域。當前線上流量日趨昂貴，「到線下去」、「到工廠去」成了各大AI企業挖掘增量紅利的重要路徑，引來谷歌、微軟、百度、阿里、騰訊、華為等等巨頭爭相入局，國家也在20個政策文件中一再強調推動AI技術在工業製造領域的應用與融合。

本期的智能內參，我們推薦來自工業互聯網產業聯盟（AII）的工業智能白皮書，深入解讀了工業智能的背景內涵，並分析了工業智能主要類型、應用、技術和產業研究。如果想收藏本文的報告（工業互聯網產業聯盟-工業智能白皮書），可以在智東西公眾號回復關鍵詞「nc349」獲取。

以下為智能內參整理呈現的乾貨：

工業智能是什麼？

從定義上來說，工業智能（或工業人工智慧）是工業領域中由計算機實現的智能。

依賴於人工智慧技術在工業領域中的應用，工業智能可以完成多樣化的工業任務，最終達到提升企業洞察力、提高生產效率、提高設備產品性能的目的。

現代計算機解決工業問題需要三個步驟：

1、採集數據

2、將數據代入機理

3、形成結果

注意，通過既定數據帶入已知機理形成預期結果的方式並不是智能。真正的智能化是基於已知結果的梳理自動回答問題，或者通過數據直接形成結果的過程。

當前，深度學習和知識圖譜是工業智能實現的兩大技術方向：

其中深度學習側重於解決影響因素較少，但計算高度複雜的問題，如產品複雜缺陷質量檢測。

而知識圖譜側重於解決影響因素較多，但機理相對簡單的問題，如供應鏈管理等。

此外，工業領域還存在許多解決問題的其它方法：比如最優化方法、有限元分析、實驗等等，但是它們不具備「工業智能」所定義的自適應自學習等智能化特徵，不屬於工業智能。

緊貼AI，工業智能的三大發展階段

總體來看，工業智能的發展與人工智慧技術的演進密切相關，從人工智慧概念誕生至今，工業智能經歷了三個發展階段。

階段一：80年代開始的萌芽期

這段時期可概括為基於規則的時代，規則型專家系統逐漸成熟，並應用於工業企業信息系統中，如美國車間調度專家系統ISIS，日本新日鐵FAIN專家系統等。

階段二：90年到21世紀初的滲透期

這段時期可概括為傳統人工智慧方法滲透應用的時代，通過機器學習、數據科學與工業機理結合解決相對複雜問題。

其典型代表是：以模糊控制、神經網路控制、專家系統控制為代表的智能控制理論，其在工業過程式控制制和機器人領域的應用；或者將AI圖像處理方法應用於產品視覺質量檢測，使用機器學習進行工業數據的建模分析，形成工業數據模型並指導優化製造過程。

然而，以神經網路為代表的機器學習方法是一種黑箱方法，其可靠性和可解釋性問題限制了此類實際應用的深入推進。

階段三：21世紀初至今

這段時期可概括為數據/知識深度洞察的時代，以深度學習、知識圖譜等為代表的新一代人工智慧引發工業智能發展浪潮。

這段時期的典型代表應用有：基於工業大數據驅動的優化、決策、深度視覺質量檢測；工業知識圖譜，解決全局性、行業性問題；人機協作等智能工業機器人發展並實際應用。

工業智能問題的四個象限

工業智能在工業系統各層級各環節具有廣泛應用，其細分應用場景達到數十種，如不規則物體分揀、複雜質量檢測、供應鏈風險管理、融資風險管控、設備運行優化、複雜質量檢測等等。

而照製造系統自下而上、產品、商業的維度，這數十種應用場景又可以總結為五大類：

1、生產現場優化

2、生產管理優化

3、經營管理優化

4、產品全生命周期

5、供應鏈優化

而以上這五大類、數十種應用，又可以根據計算複雜度和影響因素多少而劃分為四個象限，如下圖所示：

圖中橫軸為計算的複雜度，是計算機演算法的時間複雜度，與工業機理的複雜性和演算法的實現效率直接相關；縱軸是影響因素的多少，與相關問題涉及的變數個數直接相關。

據此可將工業問題分解為四類，一是多因素複雜問題，二是多因素簡單問題，三是少因素簡單問題，四是少因素複雜問題。

案例解析：物體分揀、產品研發、企業決策……

工業智能四類問題的據計算複雜度、影響因素多少都不相同，其中除了低計算複雜度、少影響因素這類問題比較容易解決之外，另外三類問題則各自需要不同的解法。

1、高計算複雜度、少影響因素：如質量檢測、不規則物體分揀等

針對高度複雜問題，深度學習方法能夠繞過機理障礙，解決傳統方法無法解決的問題，如複雜質量（缺陷）檢測、複雜（環境/系統）指標軟測量、不規則物體分揀等。

（1）複雜質量（缺陷）檢測場景中，利用基於深度學習的解決方案代替人工特徵提取，能夠在環境頻繁變化條件下檢測出更微小、更複雜的產品缺陷，提升檢測效率，成為解決此問題主要方法。

比如美國機器視覺公司康耐視（COGNEX）開發了基於深度學習進行工業圖像分析軟體，利用較小的樣本圖像集合就能夠在數分鐘內完成深度學習模型訓練，能以毫秒為單位識別缺陷，檢測效率提升30%以上。

富士康、奧迪等製造企業則利用深度學習，實現電路板複雜缺陷檢測、汽車鈑金零件微小裂縫檢測、手機蓋板玻璃檢測、酒精質量檢測等高質量檢測。

（2）不規則物體分揀場景中，通過深度學習構建複雜對象的特徵模型，實現自主學習，能夠大幅提高分揀效率。

比如慕尼黑公司Robominds開發了Robobrain-Vision系統，基於深度學習與3D視覺相機幫助機器人自動識別各種材料、形狀甚至重疊的物體，並確定最佳抓取點，無需任何編程。

發那科利用深度強化學習使機器人具備自主及協同學習技能，能夠將零部件從一堆雜物中挑選出來，並達到90%準確率，極大地提升工程師編程效率。

（3）設備自執行場景中，通過機器學習方法對人類行為及語音的複雜分析，能夠增強協作機器人的學習、感知能力，提升生產效率。

比如西班牙P4Q公司應用Sawyer機器人組裝電路板，實現生產量提高25%；德國Bahlsen應用協作機器人進行食品包裝，實現生產效率提升三倍；Novarc焊接協作機器人的應用部署，使吞吐量和生產能力提高四倍。

（4）設備/系統預測性維護場景中，機器學習方法擬合設備運行複雜非線性關係，能夠提升預測準確率，減少成本與故障率，是工業智能應用最為廣泛的場景之一。

比如德國KONUX結合智能感測器及機器學習演算法，能利用除感測器以外的數據源如感測數據、天氣數據和維護日誌等構建設備運行模型，使機器維護成本平均降低 30%，實際故障率降低70%。紐約創業公司Datadog推出基於 AI 的控制和管理平台，其機器學習模塊能提前幾天、幾周甚至幾個月預測網路系統問題和漏洞。

（5）設備/製造工藝優化場景中，採用深度學習方法對設備運行、工藝參數等數據進行綜合分析並找出最優參數，能夠大幅提升運行效率與製造品質。

比如恆逸石化、天合光能等企業藉助阿里雲ET工業大腦的機器學習技術識別生產製造過程中的關鍵因子，找出最優參數組合，提升效率與在制品良品率。經統計，恆逸石化燃煤效率提升2.6%，天合光能生產A品率的測試值提升7%。

TCL格創東智針對液晶面板的成膜工序，通過機器學習演算法建立過程數據和膜厚之間的關係模型，實現關鍵指標的預測與品質優化，使站點抽檢比例降低30%，年效益近千萬。

2、低計算複雜度、多影響因素：如供應鏈風險管理、融資風險管控等

針對場景影響因素較多的問題，構建知識圖譜能夠明確各影響因素相互關係，解決此類問題，包括供應鏈風險管理和融資風險管控等應用場景

（1）供應鏈風險管理場景中，通過知識圖譜彙集影響供應鏈各關鍵環節的因素並提供管理建議，能夠實現各類風險預判並保證供應鏈穩定。

比如華為通過彙集學術論文、在線百科、氣象信息、媒體信息、物流採購知識、製造知識、貿易信息等信息資源，構建華為供應鏈知識圖譜，通過企業語義網（關係網）實現供應鏈風險管理與零部件選型。

（2）融資風險管控場景中，依靠知識圖譜將多個對象進行關聯分析，能夠實現對金融風險的預測及管控。

比如西門子基於知識圖譜打破信息孤島，建立自營、合作夥伴、競爭對手等對象之間的高維關係網路，實現融資過程不可預見事件的風險識別。

3、高計算複雜度、多影響因素：如產品研發、企業決策管理等

針對多影響因素高複雜性問題，利用知識圖譜和深度（機器）學習可以將問題簡化為少因素問題和（或）低複雜性問題進行解決，如產品研發、企業決策管理等場景。

（1）產品研發場景中，通過知識圖譜構建設計方案庫，再運用深度學習進行搜索與優化計算，能夠實現複雜產品的智能化設計。

例如，UTC聯合技術研究中心將知識圖譜與深度學習引入設計過程中，依靠知識圖譜解決多因素產品研發問題，將產品分解為不同的功能塊，構建設計方案庫，然後利用深度學習的複雜計算能力進行指標分析和方案評估，通過學習確定最佳設計方案，設計出的換熱器重量減輕20%，傳熱效率提高80%，設計周期加快9倍。

瑞士創業公司Neural Concept開發了人工智慧軟體並應用於自行車設計，首先構建結構形狀庫，然後利用深度學習網路對不同設計方案進行空氣動力學分析，在幾分鐘內設計出的產品動力學特性比傳統方法高5-20%，並有望應用於無人機、風力渦輪機和飛機等設計過程。

（2）企業決策管理場景中，通過知識圖譜與數據科學協同，能夠實現企業級優化運營。

比如美國初創公司Maana聚焦石油和天然氣領域，打造名為Knowledge Platform的平台，梳理領域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。

從AI晶元到知識圖譜：起底工業智能關鍵技術

上文提到，當前，深度學習和知識圖譜是工業智能實現的兩大技術方向。其中深度學習側重於解決影響因素較少，但計算高度複雜的問題；而知識圖譜側重於解決影響因素較多，但機理相對簡單的問題。

不過，通用技術往往無法滿足工業場景與問題的複雜性與特殊性要求，現階段依然存在大量特性問題需要解決，符合工業領域需求的技術定製化是工業智能兩大關鍵技術未來的發展趨勢。

1、深度學習

深度學習基礎技術由下至上涵蓋晶元、編譯器、計算框架和演算法四方面。

（1）晶元方面，工業問題的複雜性導致深度學習應用具有極高的算力要求，必須通過AI晶元解決。實時性要求促使專用AI晶元向工業領域延伸，端側推理需求迫切。

FPGA半定製化晶元解決深度學習在工業領域的算力和實時性等需求，可能成為工業推理晶元發展重點。

（2）編譯器方面，工業領域存在可移植性和適配性問題，對編譯器需求較為迫切。

工業領域存在大量的實體與模型，框架、模型、軟體、硬體都不具備良好適配性。只有兼容性編譯器才能滿足工業領域可移植性和適配性需求。

通用編譯器群雄相爭，兼容性編譯器可能成為工業應用未來趨勢。英特爾、亞馬遜、谷歌、Facebook和Khronos Group等企業和機構基於各自優勢與競爭考慮打造了相應編譯器或模型表示規範。但目前業界並沒有統一的中間表示層標準。

（3）訓練框架方面，只有面向工業領域開發的專用端側推斷框架才能解決端側需求。

目前Tensorflow等框架已能滿足工業訓練應用需求。例如GE的貝克休斯公司基於TF，利用深度學習演算法進行震動預測、設備預測性維護、供應鏈優化和生產效率優化。阿里工業大腦全面支持TensorFlow、Caffe等架構，影響新能源、化工、重工業等不同製造領域。

（4）演算法方面，工業可靠性和可解釋性需求急需場景定製化深度學習演算法與透明化研究。

神經網路等演算法的本質導致了可靠性問題的存在，限制其在工業場景的深入應用，高計算能力場景定製化演算法成為迫切需求。需要針對工業場景定製的深度學習演算法，使其在高危等場景中的可靠性得到保障。

雖然當前神經網路仍舊處在「黑盒」狀態，但是人工智慧可解釋性相關研究早已出現，深度學習具備可解釋基礎，技術透明化在未來可能實現。

2、知識圖譜

知識圖譜方面，由於其技術體系較為成熟，在工業領域具有通用性。工業知識圖譜按用途分為兩類，技術需求不同。

一是行業知識圖譜，以行業內的查詢檢索功能為主，具有行業通用性要求。

二是業務知識圖譜，遵循提出問題、業務分析、圖譜構建和部署應用的步驟，以解決單點或某類工業問題為主，應用成本是關鍵問題，通常不具有行業通用性。

不過，通用知識圖譜異常巨大，極為耗費計算資源，如百度知識圖譜擁有億級實體、千億事實，依託於約3W台伺服器；谷歌知識圖譜規模已經達700億左右，依靠超過45W台伺服器。成本約束是核心。

工業智能產業鏈

總的來說，當前工業智能尚未形成明確並具規模性的商業化應用，基於工業智能兩大關鍵技術架構梳理形成現階段工業智能產業結構。

每類技術的產業結構包含上下兩層：底層是基礎技術研究的相關主體，上層是將技術與主要工業場景問題結合形成工業智能應用的集成主體。

當前，工業智能產業視圖體現為「兩橫兩縱」，橫向為知識圖譜和深度學習兩大關鍵技術，縱向為通用技術和應用集成兩方面。

ICT企業、研究機構及相關行業協會三類主體為工業智能提供通用技術支撐；在應用層面，裝備/自動化與軟體企業、製造企業、ICT企業和初創企業四類主體通過應用部署與創新實現工業智能價值。

其中ICT企業，提供幾乎涵蓋知識圖譜、深度學習的所有通用技術研究與工程化支持。

比如谷歌、阿里等在知識圖譜演算法研究領域開展研究；英偉達、AMD、英特爾、亞馬遜、微軟、賽靈思、萊迪思、美高森美等開展GPU、FPGA等深度學習晶元研發；微軟、Facebook、英特爾、谷歌、亞馬遜等開展了深度學習編譯器研發；谷歌、亞馬遜、微軟、Facebook、蘋果、Skymind、騰訊、百度等開展深度學習框架研究；谷歌、微軟等開展了可解釋性、前沿理論演算法研究。

值得一提的是，初創企業憑藉技術與資金優勢成為細分領域重要的解決方案提供商。一是大數據技術初創企業為中小垂直領域企業提供知識圖譜解決方案。二是裝備領域成為初創企業深度學習應用的主要切入領域，吸引大量投資。

例如，智能檢測系統方面，創新奇智專註於提供AI B2B企業服務，應用人工智慧技術打造智能質檢等解決方案，融資過億；Landing AI目前集中於企業AI質量檢測應用，獲1.75億美元投資。物流機器人、協作機器人方面，曠視全資收購艾瑞思機器人，發力製造業，打造智能倉庫等等。

智東西認為，對於工廠而言，設備限制、硬體限制、生產周期限制等問題使得它們難以像互聯網企業一樣「迅速轉身」，因而在數字化與智能化浪潮中一直難以領先。然而，這一行業又對效率提升有著極為明確的需求，有時哪怕是1%的提升也能為工廠省下巨量資源。

因而，在線上流量日趨昂貴的當下，工業與智能一拍即合，無數巨頭與創企爭相湧入，「到線下去」、「到工廠去」成了眾人的口號。隨著新一輪科技革命和產業變革蓬勃興起，工業經濟數字化、網路化、智能化發展，已經成為當前第四次工業革命的核心內容。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！