人工智能自诞生起度过了几次跌宕起伏的发展期，也经历了从早期专家系统、机器学习，到当前火热的深度学习等多次技术变革和规模化应用的浪潮。除了消费互联网、金融和安防等领域，人工智能技术也正在向工业领域多个环节广泛渗透，人工智能技术在工业领域的融合应用是后者数字化、网络化、智能化转型发展的关键。、

一、第三次人工智能浪潮的回归

2006年Geoffery Hinton提出了“深度信念网络”(Deep Believe Network）可以被一种名为“贪婪逐层预训练”(greedy layer-wise pre-training)的训练策略进行高效训练快速收敛，这种训练策略大大提升了模型训练效率和输出准确性，从而论证了“深度学习”的可行性。而到了2012年，该学者与其学生在ImageNet挑战赛中通过一种名叫AlexNet的深度神经网络成功将图片识别的错误率降低了10.8个百分点，则彻底打响了深度学习的第一枪，也被行业界认为是第三次人工智能浪潮回归的起点。

阿里云研究中心发布的《中国企业2020：人工智能应用实践与趋势》中提出第三次浪潮的回归相同于第一次、第二次的地方在于技术基础依然是神经元网络，而差别是深度学习的成功。除去“贪婪逐层预训练” (Greedy layer-wise pre-training)的训练策略让深度学习网络的训练更可行之外，这次成功很大程度上依赖于其算法模型规模的指数级升级。模型规模的神经元总数以及神经元连接的数量级使深度学习模型成为更大体量的网络、更高密度的系统，从而能在真实环境中处理更复杂的问题并得出更精准的结论。

这次浪潮取得的最大突破在于对象识别，识别不再局限于图像的识别，还可以识别语音、文字等。此次发展使人工智能技术的应用在不同垂直领域均有了明显的性能提升和效率优化，使计算机视觉、语音识别、自然语言处理的准确率有了质的提升，人工智能的应用也逐渐在真实的商业世界中扮演起重要的支持角色。当前新一轮科技革命和产业革命蓬勃兴起，我们正在进入一个由人工智能驱动的新时代。

二、人工智能技术推动工业变革

西门子作为在工业人工智能领域扮演着开创性角色的一家企业，近年来在工业环境中取得了许多基于人工智能的成功。例如将连续运行的算法集成到生产过程中提高预测性分析的准确性，极大地降低了质量检测的成本；采用算法自动分析燃气轮机的运行数据、环境条件和部件特性来延长维护间隔、降低成本；为钢厂提供基于人工智能的质量控制，这种自主学习系统目前已成为一个经典的解决方案。

施耐德电气工业自动化全球战略高级副总裁阿兰·德迪埃称，过去十多年，全球范围内的工业制造水平停滞不前，但现在面临着一次重要机遇，能够利用人工智能提升制造业的产能和效率。联想集团董事长兼CEO杨元庆指出人工智能作为新的技术驱动力正在引发第四次工业革命，尤其是推动垂直行业的智能变革。利用人工智能技术提升和改造传统产业成为社会转型的新动力，从国际发展态势上来看，世界各主要国家均把人工智能作为提升国家竞争力、维护国家安全的重大战略。

工业互联网产业联盟发布的《工业智能白皮书》中指出深度学习和知识图谱是当前工业智能实现的两大技术方向，也是本轮科技革命和产业变革的战略性技术。深度学习在工业应用中基于计算机科学和神经科学，能够“绕过机理直接通过数据形成结果”，解决影响因素较少但计算高度复杂的问题，在解决机理未知或模糊的工业问题方面能产生很好的效果，如产品复杂缺陷质量检测等。

三、人工智能技术在工业领域的落地难点

与其他领域的应用场景不同，工业领域的决策通常处于开放环境下，规则存在不确定性，同时拥有多个目标，这导致人工智能技术虽然应用在消费互联网、金融和安防等领域有较多突破成果，但目前仍未在工业制造领域大规模落地。2018年波士顿在调研评估企业在制造领域采用人工智能的实际进展时发现，将近90%的高管曾计划在3年内将人工智能用于生产，但实际仅有28%有全面详尽的实施路线。虽然人工智能正在加快向各领域渗透，但在工业领域这一极具发展潜力的场景下落地困难重重。

（一）工业领域的数据质量待提升

阿里工业云总经理杨国彦提出数字化的发展有三个阶段：自动化、网络化、智能化，自动化是实现数字化的基础。有了数字化的基础我们才能沉淀大量数据，并通过工业互联的技术，将这些数据很好的采集上来，然后基于海量数据做一些决策与分析，从而实现真正的工业数据智能。第三次人工智能浪潮的主流就是基于大数据量，利用深度学习挖掘数据中存在的有用信息并找到深层逻辑关系。特别是在算法还未完全成熟、仍在持续迭代的阶段，通过提供的大数据以及基于深度学习算法，问题就能够得到很好的解决或性能得到大幅提升。

深度学习技术训练数据的前提是拥有大量的有效数据，然而目前多数企业的信息化水平依然很低，数据的规模和数据的标准化度都还远远不够。

工业领域数据规模的现状如人工智能专家吴恩达所提出的问题：“数据当然是越多越好，我也并没有说许多数据是无用数据。但是在农业、制造、医疗等领域的部分应用场景中，如果你手头只有100张照片，怎么办呢？”数据规模受自身行业特点限制无法扩大或短期内无法改善，如何用小数据集推动深度学习技术能力提升和产业应用发展是一个需要重视和深入探索的课题。

数据标准化程度在工业领域更是一个常见的问题。例如在图片标准化程度方面，由于受到生产条件和成本控制的限制，在工业场景下提取图片数据时往往会出现模糊、明暗不一、目标物缺失的情况，这极大地影响了深度学习训练数据的准确度。收集合适可用的数据成为了工业人工智能无法绕过的一道门槛，如何用有限的硬件资源来尽可能提供可利用的数据也是工业人工智能的一大重心。

（二）技术并非在工业落地的唯一关键

2017年12月，吴恩达宣布创立Landing.AI，目标是帮助制造业公司用算法来降低成本、提升质量管理水平、消除供应链瓶颈等。从公司名字也可以看出，AI 技术要落地，但这个落地并非口头那么简单。到目前为止，Landing.AI提到的工业领域的合作客户依旧只有成立之初的客户富士康一家，同时落地速度也令人不甚满意。

浪潮集团AI&HPC总经理刘军指出“产业AI化”是要深入到每一个行业应用实践当中，需要选择合适的人工智能技术与理解行业应用场景的开发商、软件商、集成商大家一起进行落地实践。对于工业领域，尤其如此，单纯想要通过一个技术去驱动整个产品的发展很难。工业人工智能的落地需要通过设备，仅靠软件算法无法解决，需要结合光学机构、电气等形成系统化驱动工程。例如机器视觉技术真正在工业检测中的应用仅仅依靠视觉算法远远不够，无法真正实现检测功能，视觉企业们需要积累的核心技术除去算法还包含器件和方案能力等。

例如人工智能技术应用在工业生产改善方面是需要采取不同策略持续对生产效率进行改善，这就要求厂商对目标行业的生产情况有十分深刻的理解。同时在生产改善方面企业的个性定制化需求会相对更多，则人工智能算法的通用性也会更弱一些。因此在工业领域，人工智能要真正落地的关键并非仅仅在于人工智能技术的发展或芯片本身，同时也会要求具备在具体应用领域的长期深耕积累，这其中涉及到的内容和要求会变得更加复杂。

（三）工业领域对技术的可靠性需求更高

杭州新松机器人研究院陈立院长表示虽然人工智能技术的实现效果很不错，但对于工业自动化等领域来说，更重要的需求是稳定的技术输出保证，这也是当前AI落地工业领域的瓶颈。

事实上相比于其他领域如消费领域等工业对技术可靠性的要求更高，而且客户需求更加个性化，因此对产品稳定性和调试效率有更高要求。例如人脸识别功能能达到90%的准确率体验就已经很好了，但在一些自动化应用场景中对技术落地应用的准确率要求需要达到99%，甚至99.99%才行。可以想象，对于每日生产量为上万级别以上的工厂，识别准确率若达不到99%以上每天就会有上百个瑕疵产品混入良品之中。

（四）技术在工业领域的投入产出比不确定

人工智能技术的应用前期投入较高然而回报却具有未知性和不确定性，对很多企业来说很可能造成虎头蛇尾的局面。例如预测性维护很早就被提出但在工业领域中一直不温不火，这是因为必须要证明对算法的投入要比定期维护更节约才会说服企业投入。如果部件的寿命与定期维护的时间相差不大，或者这些部件的更换成本并不大，则预测性维护的价值就会打折扣。

对于技术使用方，在工业企业中人工智能技术应用所需的各类高精传感器价格昂贵，运营维护升级等均需要不少费用，而企业能分给人工智能技术发展方面的经费有限；而对于技术提供方，企业的个性化需求较多，每个公司合作研发的执行方法可能完全不同，大部分AI项目需要长期驻厂，AI技术公司所需投入资源也不少。

更重要的是，即便目前互联网产业正跑步进入智能时代，推荐算法、人脸识别等各方面发展迅速且取得显著成果，但多数传统工业却依然在工业3.0的门槛挣扎，机器人、工业控制等一系列自动化过程也并非真正的人工智能技术应用。毫无疑问，工业未来的发展一定需要人工智能，然而人工智能算法在工业领域短期内并不一定马上能够展现出较大的效益。

四、展望

人工智能技术与工业领域的融合发展的确具有广阔前景，但目前的工业智能水平仍旧处于比较初级的阶段，人工智能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。中国工程院院士邬贺铨提出人工智能需要与工业物联网（IIoT）、大数据分析、云计算和信息物理系统集成共同促使工业以灵活、高效和节能的方式运作。

不同行业的发展是相互促进的，人工智能也不可能成为一剂神药。对于工业领域来说，当自动化、网络化、信息化这些方面在工业领域的发展已经成熟，或许才会到达人工智能能够在工业领域大展拳脚的阶段。对于许多中小型企业来说，当在决心转向工业4.0、工业互联网寻求升级转型之前，有必要先了解自己所处阶段，这样才能对症下药，使自身获得最大的效益提升。