当前，以智能化为核心的产业变革正在兴起，人工智能技术与社会各领域的融合不断加剧，并成为助推工业智能化转型升级的关键燃料。
今年4月，工业互联网产业联盟（AII）发布的《工业智能白皮书》显示，截止到2019年底，在全球20多个经济体近三年发布的100份人工智能方面的战略规划或政策文件中，涉及与工业结合的超过一半以上。美、日、德、欧盟分别发布《国家人工智能研究和发展战略规划》《新机器人战略》《国家工业战略2030》《欧盟人工智能》等一系列政策战略，重点提及产品全生命周期优化、先进机器人、自动驾驶、大数据挖掘等在工业领域的应用。
那么，人工智能技术与工业的结合，会给工业领域带来哪些改变呢？现阶段发展情况如何？
美国初创公司 Maana 聚焦石油和天然气领域，推出了Knowledge Platform 的平台，通过梳理专业知识打造计算知识图谱，与机器学习计算模型相结合，为 GE、壳牌、阿美等石油巨头提供决策和流程优化建议；
智能抓取场景中，日本发那科公司基于深度学习赋予机器人抓取混杂零件的功能，并通过强化学习赋予机器人自学习能力，通过自主训练 8 小时使散件分拣的成功率达到了 90%；
新松机器人公司利用 5G+ 人工智能的巡检机器人，实现了全自动巡检以及异常问题的自主判断......
随着人们对于工业AI的研究不断深入，逐渐扩展了其在工业领域可解问题的性能与边界。近期，雷锋网通过和业内人士的交流以及对行业信息的梳理，整理了有关工业AI领域备受关注的问题，比如工业AI的重要玩家和应用落地情况，行业发展面临的障碍等。
工业AI，也就是工业智能，其本质是通过人工智能技术与工业场景、机理、知识结合，实现设计模式创新、生产智能决策等应用。
据 Markets 报告预计，2025 年人工智能制造市场规模将达 172 亿美元，预测期 (2018-2025 年 ) 内的年复合增长率为 49.5%。而埃森哲在比较了人工智能对我国各个行业部门增加值增速的影响后得出，预计到 2035 年，制造业因人工智能的应用其增加值增速可以提高 2.0% 左右，是所有产业部门中提高幅度最大的。
由此可见，工业AI领域不管是市场容量，还是增速，其表现都足够出色。也因此，吸引着AI界的科研大牛、科技企业相继涌入工业领域。
2019年6月，闵万里从阿里云离职，并创办了北高峰资本和坤湛科技两家公司。在离职信中他透露：
“我创办了一个风险投资基金，聚焦传统产业(制造业，农业，医疗)周边，用云智能技术注入和资本加持‘二位一体’的组合型赋能，推动传统产业实现数字化转型和智能升级。”
而贾佳亚，则是在今年年初创立了一家新的 AI 公司——思谋科技（SmartMore）。目前，该公司已经获 Pre-A 轮融资，并在深圳和香港分别设立了研发中心。此前，他不仅是腾讯杰出科学家，也是优图实验室X-Lab负责人。
雷锋网了解到，思谋科技专注于智能制造（检测领域）运用人工智能深度学习算法和计算机视觉技术，在无需改变产线现有的硬件设备下，为用户提供无人自动化缺陷检测技术。
这两人的去留，曾一度引起业界的广泛关注。除了考虑到他们的离开会给原公司带来一些影响，另一方面，他们在创业时都选择了工业制造里面的AI应用这一领域。
而百度，作为国内三大互联网巨头之一，他们早在2010年就开始探索发展人工智能技术，围绕百度大脑，其AI应用逐渐在多个领域进行试水，从农业到工业，从家庭到汽车，以及翻译、图像识别和信息流等产品和服务。
谈及百度AI技术在工业制造领域的应用，李彦宏曾表示，现在很多3C产品在组装的过程当中都需要人的肉眼去检验这些零件的质量，而其中很多零件都非常小，比如iPhone组装插电的器件就很小，要人的肉眼去看是不是质量过关，是一个很费劲的任务。一般来说，熟练的工人干两个小时就得下来休息。而百度用计算机视觉的方式做了一个软硬一体的机器，一台设备相当于十个熟练工人能够做的事情，而且它的质量还比人工要更高。
工业AI应该如何去做，这不仅是BAT系的大佬正在思考的问题，也是工业企业更为关注的事。
在2019年业绩交流会上，工业富联将工业AI作为公司战略的一部分提到了日程上。工业富联董事长李军旗表示：
“在过去的一年当中，工业富联明确了公司的战略方向，这个战略方向我们把它归结为‘智能制造+工业互联网’的双轮驱动战略。智能制造有‘三硬三软’，从‘三硬’的装备、工具和材料加上工业大数据、工业AI和工业软件，形成智能制造的整体解决方案，软硬整合的整体解决方案。在这个基础上搭建了工业互联网平台。工业互联网平台同时需要硬软整合，也有三硬三软，云网端再加上三软里面的工业大数据、工业AI和工业软件。”
此外，萌生于美国智能维护系统（IMS）中心的工业智能公司——天泽智云，在工业智能上，他们的理解是“3+4”，即融合工业领域知识、智能建模技术、计算机科学等3个跨学科的融合领域知识，并且还需要分析技术（AT）、运维技术（OT）、数据技术（DT）、平台技术（PT）等四大关键支撑技术，才能诞生出真正的工业智能。
而明略科技集团，作为更具行业“Know-how”的新一代数据中台先行者，致力于探索新一代人工智能技术在知识和管理复杂度高的行业中的落地。在“AI+工业”方面，他们主要基于设备和装备物联感知动态数据的分析挖掘与智能应用，帮助大型组织和企业高效运转和加速创新，聚焦交通、电力、制造业。
有投资人表示，初创公司在人工智能领域还是有很多机会的，但他们需要往更细分的赛道里去专研，去挖掘，这样才能避开一些大公司，发挥自己的长处，实现AI与具体工业场景的相结合......
人工智能是个比较大的话题，包括机器学习、深度学习、计算机视觉等，并且在工业特定领域中有非常多的业务场景和技术应用。
目前，腾讯优图在工业方面的探索，主要专注在计算机视觉领域。他们曾联合腾讯云为国内的一家面板生产企业打造了一个工业AI的项目，主要内容是为液晶面板做缺电检测。
据了解，缺电检测是工业智能一个比较常见的业务场景，前期他们的很多模型都是靠算法专家以手工方式去训练模型。然而，从交付的形态去说，这些是比较轻量级的交付，因为没有提供摄像头的硬件设备，也没有对客户生产系统进行调整，仅仅利用视觉AI的算法做了缺陷检测产品去替代缺陷质检的环节。
最终，腾讯优图上线的这些模型可以保证在跟人的准确率相当的情况下达到70%以上的覆盖率，能够替代七成以上的质检工人。
“我们认为，在人工智能产业化道路上，业务和技术同样重要，掌握了好的方法论交付项目才能事半功倍。”腾讯优图实验室工业AI项目负责人黄亮表示：
“比如说数据质量，大家都知道数据质量在人工智能和模型训练方面的重要性，你的网络再先进，你如果没有好的数据依然是无法取得好的效果。但是，如何获取高质量的数据呢？有很多的方法，我们早期也吃了很多亏，就以缺陷检测为例，生产线上我们可以看到有很多的缺陷，100多种缺陷。但是我们怎么去采集这些缺陷，我们需要采集多少种缺陷的样本，每个缺陷我们需要采集多少张图片，模糊的缺陷我们如何去判定，如果一个图片有多种缺陷，我们按哪种缺陷判定和标注，这些都是一些很细节的问题，但是会非常影响模型最终的效果。”
除了计算机视觉，人工智能在工业领域的应用还包括数据智能、决策方面的一些应用。明略科技依托他们的数据中台和知识图谱，探索异地专家如何将经验进行积累和沉淀。
比如明略科技为某家轴承生产厂商构建了产品的知识图谱以及智能问答与选型的系统，用来解决用户对轴承以及相关产品信息的咨询查找对比和推荐的问题，相比于传统的基于人工的客户服务，这一套智能问答系统能够取代人工回答60%-80%重复的、常见的问题。
雷锋网了解到，不管是液晶面板的缺电检测，还是用户对轴承以及相关产品信息的咨询查找对比和推荐，目前AI主要用在工业领域的应用数据的可视化分析、预测性维护等，另外还可用于自动分析设备故障情况等，向着更多细分的工业场景进行渗透。
然而，当每一位创业者、变革者拿起AI的工具叩响工业之门时，扑面而来的不仅有工业机理、工业模型的屏障，还有数据和专业知识缺乏带来的一些挑战。
尽管我们知道AI在工业领域有众多场景和可能性，但是，要达到产业级应用，我们还必须对它有更为清晰的认识，知道工业AI存在哪些问题。
“人工智能这个词最早是1956年在达特茅斯会议上出现，其发展可以说是起起伏伏。如果和上世纪90年代——上一次的人工智能高潮相比，除了算力和数据，我们在某些领域的进步并没有那么明显。”英特尔中国区物联网事业部首席工程师及首席技术官张宇博士表示：
“算力方面，英特尔一直在摩尔定律的推动下，带领整个半导体行业前进，其算力不断地进行更新。比如超算领域定期颁布的世界500强的超级计算机的榜单，这个榜单第一次发布在1994年，当时榜单上排名首位的超级计算机浮点运算能力每秒钟峰值1300亿次，而去年年底的榜单排名首位的超级计算机浮点运算能力每秒钟峰值21亿次。”
“算力的提升，对于运行一些比较复杂的算法是很有帮助的。以前一些网络可能相对比较简单，层次比较浅，现在可以用我们的算力运行比较复杂的网络模型得到更好的结果，或者我们可以在消耗网络模型下，在更短的时间里得到结果，实现更快的迭代，算力确实极大的推动了人工智能的发展。”
对于另一个推动因素——数据，张宇博士则是这样理解的。他表示：
“以ImageNet为例，ImageNet里已经包含了超过1400万张经过标注的图片，所以有了这么多大量的图片，就可以训练网络，得到一个可以运行的比较理想的结果。在数据增长的背后，实际上它的基础是我们在存储领域以及通信领域技术的提升。”
4月23日，在工业互联网产业联盟（AII）发布的《工业智能白皮书》中提到，当前工业智能的应用以点状场景居多、普及范围有限、还存在许多问题尚无法解决，仍处在发展的初级阶段。工业智能应用面临的四大问题分别是：
实时性问题。现有通用计算架构与芯片尚无法满足工业实时性所带来的计算要求，端侧推理需求迫切。
可靠性问题。电商平台的推荐系统达到 60%-70% 的准确率已经算是比较高的精准度，而部分工业领域、部分工业核心环节对推荐参数的准确性要求是 100%，一旦参数出现任何问题，将对生产、制造等环节，甚至生命财产安全产生巨大影响。
可解释性问题。在冶炼、核电等工业领域核心环节所面临的问题如果期望 通过数据技术解决，则此类问题的解决必须建立在可靠的工程 / 科学突破上，即需要能够明确 解释其背后机理。
适应性问题。通常包括模型间交互、软硬件适配与算法的数据、任务适配三类问题。
“就工业智能来说，总的判断还是处于起步阶段，还没有达到成熟。”张宇表示：
“重要的原因是，现在的人工智能还是实验科学，不是一个理论科学。虽然能够有一些网络证明它在处理某些问题的时候是有效的，但是还不能够说明它为什么有效，以及有效的机理是什么。人工智能网络对我们来说还像一个黑盒子，我们不能预测它有效的原因以及如何进一步优化的方向，这些都是我们现在需要进一步提升的地方。如果这些问题不能达到进一步的完善，那么人工智能还不能称为成熟。”
“同样地，工业也是一样，工业不过是人工智能的一个分支，在大背景环境下可以看到有些人工智能网络可以开始越来越多用到工业领域，通过我们拿到的一些工业数据来训练它，让它在某些特定环境下能够有效，但是，这个有效也是局部有效而不是全局，因此我们需要不断地用更多数据进一步完善和推广。”
另外，雷锋网了解到，工业领域的难点在于工业领域的应用场景比较碎片化，这和我们熟知的交通领域、安防领域有很大不同。交通领域、安防领域识别的物体相对比较固定，场景也比较固定，这样可以针对这些场景可以收集大量的数据，得到一些网络模型以后，可以在这些场景里大面积推广。而工业场景的碎片化很明显，比如在纺织工厂里做一个产品的识别，在半导体工厂里也做产品的识别，但是它们要检测的目标是不一样的，那带来的问题是需要不同的样本和设计不同的网络结构，在设计方面要用不同的方法进行调优，同时工业本身对准确度的要求很高，因而，在工业领域推广人工智能的话还有很长的路要走。
而创立了思谋科技的贾佳亚表示：“越是基础设施、关系到国家社会生产力的部分，越是需要我们的综合科技能力去全面落地解决经济生产里的缺人力、浅智能的问题。实现全面系统化、智能化、自动化是思谋瞄准的解决方案。思谋的企业目标是摆脱单个算法领域的数据局限，以系统化体系架构开创AI 2.0时代。”
现如今，AlphaGo已经是世界顶尖人工智能科技了，要研发出比AlphaGo复杂一个数量级的，能够替代运营管理任务的人工智能，看上去还是很久远的事情。就如《1%的征程——阿里云工业大数据解决方案》中所述，人工智能科学家们已经在某个输出指标维度有了一定研究，并且谁也不知道未来的增长是线性的，还是指数性的？全面的研究成果是百年之后得出，还是十年之后得出？
有专家分析，工业AI之所以一直都被看做是最难的、也最复杂的应用领域，原因就在于，一方面行业外延十分广泛，细分领域很多，要求的专业知识也很广泛，因此一直没能诞生能够吃透整条产业链的巨头玩家，而AI技术企业想要深入进去更是会遇到各种各样意想不到的难题。
那么，谁将摘下工业AI这顶“王冠”，成为这个领域的独角兽企业？
正在生成分享图...
nebula