摘要：本周，由天澤智云主辦的2019未來工業(yè)智能峰會成功舉行。在主題演講中，中國工程院院士鄔賀銓全方位的匯總并解讀了人工智能應(yīng)用于工業(yè)場景中的各種實際案例，涵蓋設(shè)計仿真、數(shù)字化排產(chǎn)、生產(chǎn)工藝優(yōu)化、個性化生產(chǎn)、質(zhì)量監(jiān)控、預(yù)防性維護(hù)、供應(yīng)鏈和銷售、客服中心、企業(yè)管理等多個環(huán)節(jié)。演講內(nèi)容頗具參考價值，因此本文對有價值的信息進(jìn)行了詳細(xì)整理。

人工智能與工業(yè)互聯(lián)網(wǎng)的結(jié)合是大勢所趨，現(xiàn)在只是剛剛開始。

本周，由天澤智云主辦的2019未來工業(yè)智能峰會成功舉行，我受邀擔(dān)任主持人。在主題演講中，中國工程院院士鄔賀銓全方位的匯總并解讀了人工智能應(yīng)用于工業(yè)場景中的各種實際案例，涵蓋設(shè)計仿真、數(shù)字化排產(chǎn)、生產(chǎn)工藝優(yōu)化、個性化生產(chǎn)、質(zhì)量監(jiān)控、預(yù)防性維護(hù)、供應(yīng)鏈和銷售、客服中心、企業(yè)管理等多個環(huán)節(jié)。演講內(nèi)容頗具參考價值，因此在本文中，我對有價值的信息進(jìn)行了詳細(xì)整理。

需要預(yù)先說明的是，雖然人工智能AI和機器學(xué)習(xí)ML被認(rèn)為是黑科技，但還缺乏事實證明這些技術(shù)可以有效復(fù)用，并使企業(yè)獲得確定性的投資回報。人工智能在工業(yè)領(lǐng)域，也還沒有產(chǎn)生可以量化的重大影響。

如果AI不能在工業(yè)落地，那么人工智能賦能生產(chǎn)力就只會是夢想。

注：以下內(nèi)容由物聯(lián)網(wǎng)智庫編輯整理，轉(zhuǎn)載請保留此句話~

01

人工智能與工業(yè)互聯(lián)網(wǎng)的結(jié)合是大勢所趨

工業(yè)上也有IT技術(shù)，包括傳感器、執(zhí)行器、監(jiān)控與數(shù)據(jù)獲取系統(tǒng)SCADA、制造執(zhí)行系統(tǒng)MES、可編程邏輯控制器PLC。工業(yè)上OT技術(shù)包括材料、機器、方法、測量、維護(hù)、管理、模型，這兩者需要結(jié)合，否則工業(yè)互聯(lián)網(wǎng)還是“兩張皮”。

人工智能AI與工業(yè)互聯(lián)網(wǎng)IIoT、大數(shù)據(jù)分析、云計算和信息物理系統(tǒng)的集成將使工業(yè)以靈活、高效和節(jié)能的方式運作。工業(yè)人工智能中需要融合數(shù)據(jù)技術(shù)（DT）、分析技術(shù)（AT）、平臺技術(shù)（PT）和運營技術(shù)（OT）等技術(shù)。

工業(yè)領(lǐng)域主要以企業(yè)私有數(shù)據(jù)庫為主，規(guī)模有限，要實現(xiàn)人工智能與制造業(yè)的深度融合，就必須要在制造業(yè)領(lǐng)域加強數(shù)據(jù)獲取與整合，企業(yè)必須切實做到數(shù)字化轉(zhuǎn)型，大力發(fā)展工業(yè)互聯(lián)網(wǎng)。

02

人工智能技術(shù)的歸類

人工智能技術(shù)怎么在工業(yè)上應(yīng)用？先要明確AI的應(yīng)用分類。

人工智能我們可以分成感知、理解、行動，具體又包含視覺分析、語音處理、知識表達(dá)、機器學(xué)習(xí)，其目的是為了提升效率、降低成本、改進(jìn)客戶體驗、促進(jìn)技術(shù)創(chuàng)新。

對于傳統(tǒng)的制造業(yè)企業(yè)來說，如果想做到人工智能的融合落地，企業(yè)首先要收集數(shù)據(jù)，這就需要比較好的傳感器、物聯(lián)網(wǎng)等，但是大部分企業(yè)都不具備。

所以，人工智能與制造業(yè)的深度融合發(fā)展需要以大數(shù)據(jù)作為支撐，與消費環(huán)節(jié)相比，制造環(huán)節(jié)數(shù)據(jù)的可獲得性、可通用性更弱。制造業(yè)機器設(shè)備生成的數(shù)據(jù)通常較為復(fù)雜，有接近一半的數(shù)據(jù)是沒有相關(guān)性的。

傳統(tǒng)制造業(yè)不擅長信息技術(shù)的研發(fā)，但有些信息技術(shù)領(lǐng)域的公司是愿意進(jìn)入傳統(tǒng)產(chǎn)業(yè)領(lǐng)域的，與制造企業(yè)共同為生產(chǎn)力賦能。

人工智能在工業(yè)的應(yīng)用，包括質(zhì)量分析、裝備診斷、能源能效管理、采購管理、制造銷售等環(huán)節(jié)，都可以派上用場，下面依次來談。

03

機器學(xué)習(xí)在工業(yè)的應(yīng)用實例

我們先說一個綜合性的機器學(xué)習(xí)與分析過程的例子。

***中鋼公司，他們引進(jìn)了IBM的Power AI解決方案，用于分析軋鋼過程中的缺陷。為了更好的將27噸的鋼坯，軋到0.5毫米的成品，預(yù)測和分析過程中的缺陷，他們收集了過去一年7000多批次的產(chǎn)品數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗，篩選出了可能影響產(chǎn)品質(zhì)量的特征數(shù)據(jù)，并且轉(zhuǎn)換成了可供機器學(xué)習(xí)使用的數(shù)據(jù)。

這些數(shù)據(jù)中，80%拿來做學(xué)習(xí)，20%拿來做檢驗。然后他們設(shè)計了4種數(shù)學(xué)模型，來看哪種模型更符合實際情況。最后他們根據(jù)模型分析一條產(chǎn)品線產(chǎn)生的2000多個數(shù)據(jù)，發(fā)現(xiàn)爐內(nèi)壓力對缺陷影響最大。

最后中鋼公司在人力資源和鋼坯質(zhì)量方面，都得到了很好的改進(jìn)，成本大幅降低。

04

從機器人到智能機器人

現(xiàn)在我們很多地方會用到工業(yè)機器人，但是工業(yè)機器人買來了，工程師們還需要根據(jù)生產(chǎn)需求來編寫程序，否則機器人是不能完成加工任務(wù)的。

現(xiàn)在一些公司正在研發(fā)帶有自主程序的機器人。比如左圖這個機器手臂，它并沒有預(yù)置程序，而是跟蹤人的手臂運動，人怎么動，它就怎么動。右圖這個機器人也沒有預(yù)先編寫程序，人怎么走，它就怎么走。在這個訓(xùn)練的過程中，機器人自動把編程完成了。

還有人正在嘗試，將工業(yè)機器人的大腦統(tǒng)一配置在云端，由云端來集中管理，而不是為工廠中大量機器人的每一臺都分別配備一個大腦。

05

AI在設(shè)計仿真中的應(yīng)用

我們說大數(shù)據(jù)是從數(shù)據(jù)到建模，而仿真是從模型到數(shù)據(jù)。

仿真中，我們要先做一個模型，然后再做仿真。建模的過程往往并不容易，需要跟企業(yè)的實際相符，需要專業(yè)人員做非常艱苦的工作?，F(xiàn)在仿真模型可以考慮用人工智能技術(shù)來做。

比如吉利，原本需要經(jīng)過很多次的汽車碰撞實驗，仿真時間很長。現(xiàn)在通過AI技術(shù)，仿真時間可以大大縮短，碰撞的車輛損耗也可以減少。

仿真如果用上VR、AR技術(shù)，就會更加直觀。浙江大學(xué)與某汽輪機廠合作，在網(wǎng)絡(luò)上進(jìn)行汽輪機的設(shè)計與仿真，使得整個過程更直觀、更直接。通過這套設(shè)計與仿真流程，大大節(jié)省了汽輪機產(chǎn)品設(shè)計的時間成本。

06

AI在數(shù)字化排產(chǎn)中的應(yīng)用

工廠中排產(chǎn)過程是必不可少的。比如汽車企業(yè)的沖壓車間，排產(chǎn)的特性是小批次、多邊界、多約束。如果涉及到更換模具，時間長、次數(shù)多，很多時候影響生產(chǎn)效率。而且人工考慮的約束條件常常是不完善的，所以導(dǎo)致排產(chǎn)效率較低。

上汽在傳統(tǒng)沖壓車間，將手工排產(chǎn)轉(zhuǎn)變成數(shù)字排產(chǎn)，減少了物料的存放，快速響應(yīng)了生產(chǎn)需求，提高了生產(chǎn)效率，減少了能耗和物流成本。

07

AI在生產(chǎn)工藝優(yōu)化中的應(yīng)用

在生產(chǎn)上，AI還可以應(yīng)用于生產(chǎn)工藝的優(yōu)化。這里有三個實例。

蘇州協(xié)鑫是做光伏切片的，他們是全球最大的光伏切片供應(yīng)商。光伏切片，切得越薄，成本越低，然而如果越薄，可靠性和成品率都會產(chǎn)生問題，他們的痛點是怎么平衡切片厚度和成品率？根據(jù)蘇州協(xié)鑫積累的大量數(shù)據(jù)，利用工業(yè)大腦，他們從工藝的上千個參數(shù)中，找出60個關(guān)鍵指標(biāo)。通過優(yōu)化流程，良品率提了升了1%。不要小看這1%，它意味著每年的利潤增加一個億。

天合光能也是做光伏電池的，在全世界也是很有名的一家企業(yè)。利用AI技術(shù)他們進(jìn)行了業(yè)務(wù)流程的工藝優(yōu)化，找出了其中最關(guān)鍵的環(huán)節(jié)，成品率提升了7%。

杭州中策是做輪胎的，全世界排名第三，每年生產(chǎn)5000多萬條輪胎。他們每天需要從全世界不同地區(qū)進(jìn)口一千多噸橡膠，質(zhì)量很難保證。他們也是借助于工業(yè)大腦，找出其中最關(guān)鍵的環(huán)節(jié)是粉凝膠環(huán)節(jié)，平均合格率提了3~5%，年增1000萬利潤。

這幾個企業(yè)的AI應(yīng)用之所以能夠成功，實際上得益于他們此前通過工業(yè)互聯(lián)網(wǎng)，積累了大量且有價值的生產(chǎn)數(shù)據(jù)。

08

AI在個性化生產(chǎn)中的應(yīng)用

伴隨個性化生產(chǎn)，出現(xiàn)了一個很有意思的現(xiàn)象。90年代后期，歐美的汽車企業(yè)，從訂單到交付期限是20天，現(xiàn)在是40天，為什么現(xiàn)在反而比原來還長呢？因為現(xiàn)在要求汽車的個性化定制。那么怎么做到個性化？

奧迪跟SAP合作，基于人工智能技術(shù)，把匈牙利的電動汽車的流水線進(jìn)行了改造，做到不同車型的工序和大量零部件的廣泛協(xié)同。這種組合是幾何量級的數(shù)據(jù)，依靠人工根本不可能完成，他們最終通過人工智能將生產(chǎn)效率提升了20%。

中國青島的紅領(lǐng)，在西服制衣領(lǐng)域，他們有個性化的服裝數(shù)據(jù)庫，利用人工智能算法，優(yōu)化了整個生產(chǎn)過程。所以紅領(lǐng)的個性化生產(chǎn)只比批量生產(chǎn)的成本提高10%，但是回報翻番。

09

AI在生產(chǎn)質(zhì)量監(jiān)控中的應(yīng)用

AI在生產(chǎn)質(zhì)量監(jiān)控中的應(yīng)用案例也很多。

韓國的浦項鋼鐵公司，鋼板上要鍍鋅。鍍鋅鍍厚了沒好處，還多花成本。鍍得太薄了，又達(dá)不到質(zhì)量標(biāo)準(zhǔn)。怎么能準(zhǔn)確掌握鍍層的指標(biāo)呢？最終他們利用人工智能技術(shù)，浦項將原來人工控制鍍鋅，每平方米7克的重量，減少到每平方米0.5克。

普銳特公司與寶鋼合作，控制1580熱軋機上熱軋板的寬度。我們都知道鋼鐵越扎越薄，越薄就越長。怎么控制這個過程中的張力和壓力，減少偏差？這個過程是一套比較復(fù)雜的數(shù)學(xué)模型，過去靠專家的人為經(jīng)驗，現(xiàn)在通過AI實現(xiàn)精軋機的動態(tài)寬度控制，提高了成品率。

印度塔塔鋼鐵公司也是個大型的鋼鐵企業(yè)，他們利用人工智能發(fā)現(xiàn)汽車用帶鋼的表面缺陷。PCB板的生產(chǎn)過程現(xiàn)在很成熟，線條非常密集，依靠員工的檢測，很難知道不該連的線是不是連了，該連的線是不是沒連上。清華跟英業(yè)達(dá)合作，利用包含人工智能的機器視覺，發(fā)現(xiàn)人工無法檢測的PCB板故障，每年增加上億元的效益。

華星光電通過機器學(xué)習(xí)與快速訓(xùn)練，對LED面板進(jìn)行檢驗。識別出哪些是合格的LED，節(jié)省了60%人力。

10

AI在預(yù)防性維護(hù)中的應(yīng)用

我們都在講預(yù)防性維護(hù)，為什么呢？根據(jù)分析，82%的故障是隨機發(fā)生的，很難預(yù)先發(fā)現(xiàn)。而18%的故障是可以利用傳統(tǒng)方法預(yù)防的。如果我們拋開傳統(tǒng)方法，能不能把82%的故障也實現(xiàn)預(yù)防？現(xiàn)在利用人工智能技術(shù)，這是有可能的。

清華大學(xué)跟金風(fēng)科技合作，提升風(fēng)機的效率。如果葉片對不準(zhǔn)風(fēng)向，則發(fā)電效率大大下降。如果在北方地區(qū)，葉片結(jié)冰了，不但效率下降，整個風(fēng)機還有可能損壞。這種情況靠人工巡查是比較困難的，利用傳感器、大數(shù)據(jù)和人工智能算法，能夠很好地建立風(fēng)機設(shè)備的健康評估模型，整個維護(hù)成本可以降低50%。

數(shù)字孿生是個大家越來越熟悉的概念。右圖是機器人在網(wǎng)上的鏡像，也就是數(shù)字孿生，它掌握了左圖中實際運行產(chǎn)品的所有參數(shù)。一旦數(shù)字孿生發(fā)現(xiàn)正常運行的參數(shù)發(fā)生了變化，產(chǎn)生異常，就可以通過網(wǎng)絡(luò)的遠(yuǎn)程控制進(jìn)行調(diào)整。

利用數(shù)字孿生可以實現(xiàn)預(yù)防性維護(hù)。GE公司管理的數(shù)字風(fēng)場，也是利用了這樣的技術(shù)，預(yù)先發(fā)現(xiàn)問題，能夠提升20%的效率。

11

AI在供應(yīng)鏈和銷售環(huán)節(jié)中的應(yīng)用

制造企業(yè)的產(chǎn)品銷售很多是經(jīng)過代理商的，難以直接獲得最終用戶的情況。

聯(lián)想利用全球數(shù)據(jù)中心掌握的數(shù)據(jù)，根據(jù)國際市場狀況，與寶鋼合作建立了鋼鐵的銷量預(yù)測系統(tǒng)，預(yù)測精度是92.2%，庫存周轉(zhuǎn)期減少20%。

賣羽絨服的波司登，在全國有3000多家門店。門店的衣服到底是賣光了，還是有庫存，過去很難掌握?，F(xiàn)在他們也是利用了人工智能的管理技術(shù)，減少了存貨損失。

蒙牛利用AI，貫穿于從奶源、運輸、倉儲、生產(chǎn)、銷售的整套環(huán)節(jié)，建立了全流程可追溯的系統(tǒng)。產(chǎn)品周轉(zhuǎn)率提高30~40%，效率提高36%。

亞馬遜，大家都知道，他很早就利用了與用戶產(chǎn)品屬性相關(guān)聯(lián)的知識圖譜，既向用戶做個性化推薦，也向銷售商提供建議，令其增加了10~30%的附加利潤。

12

AI在客服中心的應(yīng)用

客服中心也可以用到AI技術(shù)。菜鳥經(jīng)過統(tǒng)計分析，發(fā)現(xiàn)每個快遞員每天要送150到200個包裹，每遞送一個包裹要打一次電話。一個電話大概半分鐘到一分鐘，這樣統(tǒng)計下來，每天光打電話就要3個小時。

于是阿里設(shè)計了語音助手，幫助快遞員打電話。這個助手具備基本的人工智能，可以跟用戶約定送貨地點和時間，提高快遞員的工作效率。

印度的Infosys也是類似的情況，他們原來的客服中心里有8000多個座機員，現(xiàn)在被人工智能“接線員”取代。日本的保險公司也采用了人工智能技術(shù)，相當(dāng)于代替了34名保險經(jīng)紀(jì)人，每年節(jié)約110萬美元的開支。

13

AI在企業(yè)管理中的應(yīng)用

華為的管理水平，一直是企業(yè)的樣板，但是華為仍然在不斷發(fā)現(xiàn)問題解決問題的過程中。華為開發(fā)了很多手機，具有不同的品牌、不同的開發(fā)團(tuán)隊。這些手機型號之間的技術(shù)關(guān)聯(lián)性不大，沒有考慮手機代碼的可復(fù)用性，耗費研發(fā)人員大量的時間，影響了研發(fā)的效率。

華為本身的業(yè)務(wù)很多，還包括很多的合作方。最多的時候，華為的一個交付人員，在交付產(chǎn)品之前要打開20多個IT系統(tǒng)，實際上很影響效率。另外，2014年華為的賬實一致率只有78%，也就是有600多億元的帳與貨是對不上的，要花大量的人力物力去核對。2016年華為進(jìn)行轉(zhuǎn)型，這個財務(wù)的轉(zhuǎn)型是孟晚舟女士牽頭做的，現(xiàn)在賬實一致率達(dá)到了98.62%，很多會計工作完成了由人到機器操作的轉(zhuǎn)變。

華為這么多的員工，每年的報銷量是120萬單。現(xiàn)在華為基本不是靠會計人員來做報銷，都是機器報銷。華為認(rèn)為未來數(shù)字化轉(zhuǎn)型要瞄準(zhǔn)5個方面的需要：客戶、消費者、合作伙伴、供應(yīng)商、員工，做到實時的按需服務(wù)，通過將人工智能技術(shù)引入管理，來提升五方體驗和提高客戶滿意度。

14

僅有神經(jīng)網(wǎng)絡(luò)還不夠

神經(jīng)網(wǎng)絡(luò)是一種以輸入為導(dǎo)向的算法，優(yōu)質(zhì)的結(jié)果取決于接近無窮量的數(shù)據(jù)。實際上，工業(yè)企業(yè)長期收集全面高質(zhì)量的數(shù)據(jù)，是很難做到的。數(shù)據(jù)模型往往因為參數(shù)和數(shù)據(jù)的復(fù)雜度，使得擬合過程失去的物理意義。尤其是經(jīng)過深度學(xué)習(xí)算法得出的結(jié)論，可能知其然，不知其所以然。通常這個結(jié)果缺乏透明性和可解釋性，這是工業(yè)企業(yè)不愿看到的。為了讓人工智能的結(jié)果具備可解釋性，需要實施神經(jīng)網(wǎng)絡(luò)的反向工程。

另外，機器學(xué)習(xí)根據(jù)大量統(tǒng)計數(shù)據(jù)得出結(jié)論，但在臨界點可能會發(fā)生誤判。所以只有神經(jīng)網(wǎng)絡(luò)，這是不夠的。

15

目前的人工智能=人工+機器智能

工業(yè)智能需要利用AI，但更需要創(chuàng)造“人”和“AI”協(xié)同工作的環(huán)境。

機器學(xué)習(xí)著重于通過有限的輸入數(shù)據(jù)流，來了解環(huán)境，而人類能夠同時洞悉各種不同的環(huán)境。

基于大數(shù)據(jù)導(dǎo)出的數(shù)學(xué)模型，未必就優(yōu)于制造業(yè)基于長期積累，對建模對象客觀規(guī)律的理解所得到的模型。不見得一開始機器模型就比人工的模型好。

在牽涉權(quán)衡利弊的復(fù)雜情況的時候，AI對沒有先例可循的非連續(xù)性變化束手無策。

群體學(xué)習(xí)是人類與生俱來的交際能力，電腦是不具備的。AI很難跟對方，無論對方是人還是物，進(jìn)行深層次的交流。

人工智能還遠(yuǎn)遠(yuǎn)不能完全達(dá)到人的能力。日本曾經(jīng)研究過，某些連續(xù)的重復(fù)性工作崗位，不到一半能被AI取代，但有一半以上還是沒辦法用機器取代。

16

工業(yè)智能時代更需要重視信息安全

人工智能要在工業(yè)領(lǐng)域真正落地，工業(yè)企業(yè)必須切實做到數(shù)字化轉(zhuǎn)型，大力發(fā)展工業(yè)互聯(lián)網(wǎng)，此外還要注重信息安全等問題。

工業(yè)互聯(lián)網(wǎng)有可能將企業(yè)的生產(chǎn)數(shù)據(jù)暴露到外部，盡管是內(nèi)網(wǎng)，但還是躲不過病毒。工業(yè)互聯(lián)網(wǎng)中大量使用到傳感器和物聯(lián)網(wǎng)設(shè)備，目前防病毒能力還是比較弱的，有可能被木馬侵占，產(chǎn)生拒絕服務(wù)攻擊。

工業(yè)智能時代更需要重視網(wǎng)絡(luò)安全、軟件安全與數(shù)據(jù)可信。

一周以前，委內(nèi)瑞拉大部分地區(qū)經(jīng)歷了長達(dá)9小時的停電，到現(xiàn)在有部分地區(qū)還在停電。什么原因呢？委內(nèi)瑞拉東南部的一個水電站，提供了他們?nèi)珖娏?yīng)的70%。這個水電站可能受到網(wǎng)絡(luò)攻擊了。

3月10日，埃航的飛機墜毀了。實際上不到5個月前，印尼獅航的飛機也墜海了。這兩架都是波音737 MAX8，機齡一個3個月，一個4個月，一個起飛6分鐘，一個起飛13分鐘。

獅航的故障已經(jīng)基本查明，737是波音的主力機型，737 MAX8采用了更省油的CFM大發(fā)動機，這是GE與法國合資的公司生產(chǎn)的。發(fā)動機大，雖然省油，但發(fā)動機大，意味著半徑大，裝在飛機翅膀底下，起落架高度不夠。所以一方面要把發(fā)動機做扁，一方面要把發(fā)動機盡量往飛機前面裝。安裝到飛機前端，發(fā)動機頭部翹起來，飛機大迎角，受風(fēng)力比較大。波音已經(jīng)考慮到這個問題，所以他們設(shè)計了把飛機從抬頭變成俯沖的失速配平系統(tǒng)。

波音在機頭旁邊裝了3個迎角傳感器，檢測飛機是否抬頭。結(jié)果迎角傳感器判斷錯誤，給出了錯誤的指令，自動把飛機的頭往下壓。飛行員把機頭拉起來，系統(tǒng)繼續(xù)往下壓，人機大戰(zhàn)，飛行員打不過自動化，結(jié)果發(fā)生飛機墜毀的悲劇。

實際上波音是工業(yè)互聯(lián)網(wǎng)的先驅(qū)，波音在生產(chǎn)飛機的過程中，用到8000多種軟件，1000種是外購的，7000種是自主開發(fā)的。波音說自己是軟件公司，非常重視大數(shù)據(jù)的收集與應(yīng)用。但盡管如此，如果數(shù)據(jù)不準(zhǔn)確，軟件有缺陷，自動化也會失控。

17

工業(yè)人工智能的相關(guān)結(jié)論

人工智能推動企業(yè)向智能制造和智能運營發(fā)展，但人工智能需要跟大數(shù)據(jù)、移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算協(xié)同，而且需要與企業(yè)的運營技術(shù)緊密結(jié)合。

基于人工智能的智能制造的實現(xiàn)是個長期的過程，現(xiàn)在僅僅是開始。

目前的工業(yè)智能，實際上還是人工+機器智能。在人工智能時代，企業(yè)的工程師、工匠精神與經(jīng)驗，仍將發(fā)揮不可取代的作用。

安全不能完全交給機器去做，對工業(yè)的安全要有敬畏之心。

與其他領(lǐng)域相比，AI在制造業(yè)的應(yīng)用會產(chǎn)生較大的效益。但目前我國AI的投資還主要在消費領(lǐng)域，在制造業(yè)的投資只占AI投資的1%，需要重視工業(yè)智能的研發(fā)與創(chuàng)新。

----寫在最后----

調(diào)查顯示，人工智能在工業(yè)領(lǐng)域的滲透明顯較慢。

根據(jù)中國信通院2018年9月發(fā)布的報告，在各類垂直行業(yè)中，人工智能滲透較高的領(lǐng)域包括醫(yī)療健康、金融、商業(yè)、教育和安防等。其中，醫(yī)療健康領(lǐng)域占比居前，達(dá)22%；金融和智能商業(yè)領(lǐng)域占比分別為14%和11%。但在制造業(yè)和工業(yè)領(lǐng)域，卻面臨著融合不足的挑戰(zhàn)。

人工智能在工業(yè)落地之所以緩慢，一方面因為相比于數(shù)據(jù)算法的迭代，硬件升級創(chuàng)新相對周期較長，從而導(dǎo)致滯后。另一方面，工業(yè)中應(yīng)用人工智能要格外小心，因為工業(yè)中使用的人工智能與消費領(lǐng)域的人工智能有本質(zhì)區(qū)別。

工業(yè)人工智能是一門嚴(yán)謹(jǐn)?shù)南到y(tǒng)科學(xué)，它專注于開發(fā)、驗證和部署各種不同的機器學(xué)習(xí)算法，以實現(xiàn)具備可持續(xù)性能的工業(yè)應(yīng)用。因此人工智能應(yīng)用于工業(yè)，必須根據(jù)制造業(yè)的具體場景進(jìn)行定制，簡單照搬模板化的人工智能解決方案并不可行。