作者 天泽智云首席技术官 刘宗长
虽然大数据和人工智能接连在安防、金融、电商等领域中获得突破，但似乎在工业一直难以落地。相比于已经厮杀成为一片红海的金融和消费等领域，工业似乎是一片还未被开发的处女地，成为许多公司竞相追逐的新目标。在过去的几个月中我们看到工业人工智能的赛道上正在变得热闹起来，入场的玩家们既包括了阿里、腾讯等互联网巨头，也有 GE、西门子、三一等老牌工业企业，还有像天泽智云这样的初创型企业。
工业为什么需要人工智能？一个重要的原因是人的知识产生和利用效率已经难以满足生产系统的要求，依靠人的知识和经验去驱动生产系统已经达到了生产力的边界，难以使其以最优的效率运行和协同。受人的经验和知识的限制，以人的决策为驱动生产系统中有很大一部分的价值并没有被释放出来。这主要体现在对知识获取的速度、能力的深度、应用的规模化三个方面的瓶颈。因此，第四次科技革命所要解决的核心问题主要包括：
1. 提升知识作为核心生产要素的生产力边界，使知识的产生、利用、和传承过程中的效率化和规模化，从而获得本质的提升。
2. 重新优化生产组织要素的价值链关系，使得整个产业链中的各个环节围绕最终用户的价值交付，以高效的协同方式组织生产活动。
明白这个目标对于我们去认知现在层出不穷的技术概念有很大的帮助，人工智能、大数据、物联网、工业互联网、云制造等新技术的诞生，本质都是为了提升知识生产力要素和价值交付的效率。
然而人工智能在工业领域的落地必然会充满着挑战，正因为其门槛较高，才使工业成为人工智能迟迟难以大规模进入的行业。这些挑战首先来源于对能力的要求，工业人工智能需要“工业领域知识”、“智能算法”和“软件平台技术”三方面的综合能力，而且其能够实现的价值瓶颈取决于最薄弱的那一部分。像 GE 和三一这样的老牌工业企业，虽然拥有丰富的领域知识，但是缺乏吸引和使用能够开发智能算法和软件平台人才的环境。而对阿里和腾讯这样的互联网巨头而言，工业场景也超出其理解的范围。
另一方面，我们不能用互联网所认知的人工智能来理解工业智能。在算法层面，首先需要消除算法中的 Surprise（意外），神经网络看似无所不能，但是如果它们甚至不能自我解释，我们真的可以依靠它们吗？尽管在神经网络的可解释性研究已经取得了一些成果，例如从深度神经网络提取基于树的规则（extraction of tree-based rules from deep networks）、卷积层可视化、特征贡献度、InterpretNet 等，但是机器学习的预测从不确定性到相对可控的确定性仍然还有很长的一段路要走。
人工智能真正开始被规模化地应用于工业系统中，进而实现工业智能系统，至少需要做到以下 4 个 S：
- Standard(标准化)：即如何与现有工业系统的标准化体系相结合，包括方法论、建模过程、数据质量、模型评价、容错机制、基于预测的操作规程、不确定性管理等各方面的标准化。
- Systematic(体系化)：在技术层级和应用层级方面的体系化，需要建立一套 protocol 体系，明确工业智能在部件级、设备级、系统级和社区级等不同层级中的任务边界及相互的接口。
- Sustainable(稳定可持续)：与人工智能预测的可解释性和结果的确定性相似，如何能够做到同一组数据和同一个模型，不同的人来训练得到的结果都要是一样的，否则怎么做到制造系统的标准化和一致性管理呢？
- Streamline (连续流)：实现连续流一直是制造系统的追求的理想状态，而连续流的瓶颈受制于效率最低的一个环节。这决定了人工智能在工业系统中单点的提升很难换来最终产出的巨大飞跃，需要以工业系统的价值流为视角去优化协同效率和提升单点瓶颈。
要解决工业智能落地的挑战不是任何一个企业能够完成的，需要我们各自贡献自己的力量共同建立一个更大的生态。我们欣喜地看到在过去几个月中关于工业智能的联盟和组织正在悄然兴起，工业大数据和工业互联网联盟峰会上也第一次设置了工业人工智能论坛。希望有越来越多的企业、组织和个人加入到工业智能领域，共同为工业企业提供更好的 AI 产品和服务，也为中国工业的价值转型探索一条光明之路。
目录
热点 | Hot
英特尔、谷歌和 AWS 回应 CPU 安全事件：AMD 和 ARM 也有问题， 影响巨大
推荐文章 | Article
开发者需要知道的有关软件架构的五件事
阿里盒马领域驱动设计实践
观点 | Opinion
今天我们还需要关注 DDD 吗?
专题 | Topic
中小型研发团队架构实践：如何规范公司所有应用分层?
特别专栏 | Column
一次 Serverless 架构改造实践: 基因样本比对
评论