最近白宫关于人工智能(AI)的报告强调了人工智能的重要性以及需要在该领域制定明确的路线图和战略投资的必要性。当AI由科幻成为改变世界的前沿技术时，我们迫切需要系统性的去开发和部署AI，以便了解它在工业4.0这个下一世代工业系统中的真实价值。在Lee等(2015)提出的5C架构之下，本文深入的解释了AI技术的现状以及人工智能在工业应用发挥作用时所需的生态系统。

一、工业人工智能简介

人工智能(AI)是一门认知科学，涵盖了图像处理、自然语音处理、机器人、机器学习等领域的丰厚研究。机器学习和人工智能传统上被认为是黑科技，往往缺乏有利的证据可以证明这些技术可以重复并始终如一的发挥作用使企业获得投资回报。机器学习算法的功能仍然高度依赖开发人员的经验和偏好，因此使得AI在工业应用中的成功受到限制。换个角度来看，工业AI是一门严谨的系统科学，它专注于开发、验证和部署各种不同的机器学习算法以实现具备可持续性能的工业应用。工业人工智能作为一种系统化的方法和规则为工业应用提供解决方案，工业人工智能并且也是将学术界研究AI的成果与工业应用连接起来的桥梁。

AI驱动的自动化尚未能对生产力的增长产生可量化的重大影响。现今行业，除了面临市场需求和竞争的新挑战，它们尚需要一个被称为工业4.0的激进变革，AI与工业物联网(IIoT)、大数据分析、云计算和信息物理系统的集成将使工业以灵活、高效和节能的方式运作。

由于工业人工智能还处于起步阶段，必须明确其结构、方法和挑战以作为其在工业实施中的框架。为此，我们设计了工业人工智能的生态系统，它涵盖这一领域的基本要素并且为更好的理解和实施提供了指导方针。另外，我们也描述了可以建立在工业人工智能之上的使能技术，图1是工业人工智能与其他学习系统在一段时间内对所期望的系统性能的比较示意图。

图1工业人工智能与其他学习系统比较示意图

二、工业人工智能的关键要素：ABCDE

工业人工智能可以用ABCDE的特征进行分类，这些关键要素包含分析技术(Analytics Technology)，大数据技术(Big Data Technology),云或网络技术(Cloud or Cyber Technology),专业领域知识(Domain Knowledge),证据(Evidence)。

分析(A)是AI的核心，它只有在其他要素都存在时才能产生价值。大数据(B)与云(C)是提供数据来源和工业人工智能平台必不可少的两个要素，然而，专业领域知识(D)和证据(E)也是常常被忽略的两个重要因子。专业领域知识(D)是下列事项的关键要素：

(1)了解问题并专注于利用工业人工智能去解决它;

(2)理解系统以便于收集正确且高质量的数据;

(3)了解参数的物理含义以及它们如何与系统或流程的物理特性相关联;

(4)了解这些参数因机器而异。

证据(E)也是验证工业人工智能模型以及它们与累积学习能力相结合的重要要素。收集数据形态模式及与它相关联的证据，我们才能改进AI 模型使之更加准确全面并且与时俱进。图1-b显示AI如何带领我们从可見空间到不可見，从解决问题到避免问题的发生。

三、工业人工智能生态系统

图2显示了建议的工业人工智能生态系统，它定义了发展工业人工智能系统的需求、挑战、技术和方法的有序思维策略。从业者可依照此系统性指南去制定工业人工智能发展与部署的策略。在标的行业中，这个生态系统定义了常见的未满足需求，例如自感知、自比较、自预测、自优化和自适应。这张图表还包括数据技术(DT)、分析技术(AT)、平台技术(PT)和运营技术(OT)等技术。这4项技术在信息物理系统(CPS)的背景下可以更容易的被理解。如图3所示，这4项技术(DT、AT、PT、OT)是成功实现连接、转换、网络、认知和配置(5C)的使能者。下面本论文将简单描述这4项使能技术。

图2工业人工智能生态系统

图3实现CPS制造的使能技术