感慨于AI技術(shù)發(fā)展的聲勢浩大，千軍萬馬進(jìn)工業(yè)，希望開拓其巨大的商業(yè)機(jī)會，然而，工業(yè)AI與商業(yè)應(yīng)用仍然有很大的不同，缺乏對工業(yè)的了解，會遇到很多“坑”，工業(yè)AI往往是在有具體的物理對象的機(jī)器或系統(tǒng)上運(yùn)行，這與很多純軟件形式的語音、圖像類識別的商業(yè)AI還是有比較大的差別，物理對象是否能夠如你所愿的執(zhí)行或反饋，那本來就依賴于其自身的機(jī)理模型，包括一些不確定的、干擾因素會導(dǎo)致的潛在問題，都是工業(yè)AI無法像商業(yè)AI那樣對待的原因。由于工業(yè)AI場景中物理對象的存在使得其本身在數(shù)據(jù)采集、特征提取、模型訓(xùn)練、部署等方面存在著較大的困難，因此，必須冷靜看待AI在工業(yè)的發(fā)展，才能厘清問題，避開那些“坑”，并且知道該如何看待AI的工業(yè)發(fā)展，不僅是技術(shù)，而且在企業(yè)認(rèn)知、人才培養(yǎng)等多個方面都需要予以考慮，才能系統(tǒng)地發(fā)展工業(yè)AI應(yīng)用。（原文載自微信公眾號：說東道西）

1.工業(yè)AI與商業(yè)AI的差異

工業(yè)數(shù)據(jù)與商業(yè)數(shù)據(jù)有較大的差別，主要體現(xiàn)在如表1所示的幾個方面。

表1工業(yè)數(shù)據(jù)與商業(yè)數(shù)據(jù)之比較

綜上所述，工業(yè)AI與商業(yè)AI相比，還是有很多區(qū)別的，但是，驅(qū)動工業(yè)AI發(fā)展的因素也在于AI芯片、軟件方面的成本下降，工業(yè)AI本身是有需求的，只是受制于工業(yè)領(lǐng)域的市場容量，在商業(yè)的芯片與軟件不能降低到合理的成本時，工業(yè)AI就無法真正崛起，發(fā)揮其價值。

可解釋性在于用戶對于“機(jī)器”進(jìn)行決策背后的原因需要建立在“信任”的基礎(chǔ)上，而很多AI算法卻是一種“黑盒”機(jī)制，使得其不具有透明性，這使得很難被接受，因為“風(fēng)險”仍然是存在的，如果商業(yè)AI需要90%的準(zhǔn)確性，那么工業(yè)AI則需要99.99%的準(zhǔn)確性，而這個潛在的“不可解釋”使得模型的信任度降低。

安全性：如果用戶要求供應(yīng)商一起承擔(dān)因為技術(shù)所需承擔(dān)的潛在安全風(fēng)險——這無論對工業(yè)還是商業(yè)來說都是一樣的，因為，你可能賺的是“面粉”錢，操著的是“白粉”心，誰也不敢接受吧？但是，客戶不管這么多，你說你的系統(tǒng)很好，但是，如果出現(xiàn)了安全事故——那我是不是要找你呢？或者，你愿意承擔(dān)這個風(fēng)險，我才能接受這個產(chǎn)品。

表2 模型驅(qū)動與數(shù)據(jù)驅(qū)動之比較

2.模型驅(qū)動與數(shù)據(jù)驅(qū)動的優(yōu)缺點(diǎn)（表2）

傳統(tǒng)的工業(yè)生產(chǎn)通常是基于物理或化學(xué)的已有機(jī)理建模，并經(jīng)過上百年大量生產(chǎn)的測試驗證，具有一定的成熟性，但是，由于考慮更多的是經(jīng)濟(jì)性，因此做了非常多的線性化、安全值設(shè)定，使得其仍然有挖掘的潛力空間，另一方面，由于模型驅(qū)動往往需要非常專業(yè)的人經(jīng)過大量的時間進(jìn)行積累，這個過程本身的成本也是非常高，只是在很多年中進(jìn)行了分布，似乎成本很低；而數(shù)據(jù)驅(qū)動的方式，在于發(fā)現(xiàn)新的模型——那些在傳統(tǒng)的機(jī)理方法中無法進(jìn)行挖掘的模型，數(shù)據(jù)驅(qū)動對于數(shù)據(jù)是饑渴的，而這不依賴于人的經(jīng)驗和大量的積累，就像通過數(shù)據(jù)進(jìn)行預(yù)測性維護(hù)，可以在短時間積累大量的數(shù)據(jù)，并挖掘出導(dǎo)致質(zhì)量問題的相關(guān)性分析，而這在過去可能需要數(shù)年、數(shù)十年的積累。

比較有效的方法當(dāng)然是數(shù)據(jù)與模型驅(qū)動相互結(jié)合，在模型基礎(chǔ)上構(gòu)建學(xué)習(xí)的過程，進(jìn)而來優(yōu)化模型，而相輔相成，才能各自發(fā)揮優(yōu)勢，機(jī)理模型的人不愿意嘗試數(shù)據(jù)驅(qū)動的模型，而認(rèn)為學(xué)習(xí)的人不懂工藝。

3.工業(yè)AI場景

3.1流程工業(yè)與離散工業(yè)的不同（表3）

表3 流程工業(yè)與離散工業(yè)之比較

工業(yè)按照生產(chǎn)的連續(xù)性、控制對象大致分為流程與離散制造業(yè)，離散制造業(yè)主要以機(jī)器與產(chǎn)線的控制為主，例如食品飲料、塑料、電子、造船等工業(yè)，而流程工業(yè)從產(chǎn)業(yè)來說更傾向于連續(xù)型的過程生產(chǎn)，如石化、制藥、冶金等。

就AI的應(yīng)用來說，流程工業(yè)由于是連續(xù)生產(chǎn)，本身具有“自動”的需求，優(yōu)化的效果很顯著，因為1%的能耗降低都是有效的，但是，流程工業(yè)本身的空間也是很難挖掘的。流程工業(yè)在上百年的時間里，已經(jīng)用了各種方法在挖掘它的潛力——傳統(tǒng)的機(jī)理模型方式已經(jīng)干了超出AI所能想象的工作，離散制造業(yè)相對比較分散，現(xiàn)在卻向著“連線”生產(chǎn)的模式進(jìn)發(fā)，傳統(tǒng)所謂的機(jī)器已經(jīng)由機(jī)器人、輸送系統(tǒng)進(jìn)行了“連接”，使得其具有了不停機(jī)生產(chǎn)的能力。

3.2工業(yè)AI場景

無論是流程工業(yè)還是離散制造，針對流程的各個部分，其實都是有通過AI方式來進(jìn)行的優(yōu)化與改善：我們不以具體的技術(shù)或場景，而以宏觀的場景來看待整個工業(yè)AI的空間——這也是傳統(tǒng)機(jī)理的空間。

(1)數(shù)字化設(shè)計環(huán)節(jié)

通過數(shù)據(jù)的閉環(huán)迭代，來反映生產(chǎn)中的質(zhì)量、成本的不斷約束下的降低，這也是AI算法可以干的事情。

為個性化生產(chǎn)帶來數(shù)據(jù)的支撐能力，無論是早期驗證還是數(shù)字“孿生”對于工藝的智能挖掘，形成新的制程工藝決策支持，這些都是代替了“人的經(jīng)驗”和隱性知識的功能，否則，人們?nèi)匀徊荒軒碣|(zhì)量的穩(wěn)定性、良品率的上升。

第一次就做對，是精益生產(chǎn)里的理想狀態(tài)，對于工藝來說，開機(jī)浪費(fèi)不可避免，如何讓機(jī)器最快地進(jìn)入穩(wěn)定的質(zhì)量工藝狀態(tài)，也是一個可以通過大量的學(xué)習(xí)來獲取的，經(jīng)過累積，形成一個穩(wěn)定的工藝模型，就是一種很好的應(yīng)用。

生產(chǎn)數(shù)據(jù)對于設(shè)計端的反饋，無論對于流程還是離散制造業(yè)來說，現(xiàn)場數(shù)據(jù)對于設(shè)計端的反饋是一個非常重要的提升辦法——這些決策支持具有很大的商業(yè)價值。

(2)數(shù)字化運(yùn)營環(huán)節(jié)

數(shù)據(jù)驅(qū)動的優(yōu)化：質(zhì)量優(yōu)化、參數(shù)尋優(yōu)、作業(yè)調(diào)度，這些都是可以為AI所發(fā)揮力量的場景，在質(zhì)量優(yōu)化方面自然有極大的空間，無論是通過視覺的缺陷檢測來尋找質(zhì)量改善的空間，還是通過視覺導(dǎo)引為機(jī)器人、AGV等提供快速的定位與指引，都是AI可以發(fā)揮作用的地方。降低能耗，提高原料使用效率，優(yōu)化生產(chǎn)工藝中的參數(shù)匹配，自適應(yīng)能力。

參數(shù)優(yōu)化，包括了在靜態(tài)和動態(tài)系統(tǒng)建模以便應(yīng)對環(huán)境的不確定性，實現(xiàn)更為有效的控制工藝、在線過程控制和優(yōu)化。

因果關(guān)系和相關(guān)性（例如質(zhì)量缺陷），在缺陷檢測中，可以實現(xiàn)對質(zhì)量相關(guān)性分析來對影響質(zhì)量的關(guān)鍵因素進(jìn)行“發(fā)現(xiàn)”并對其進(jìn)行有效的調(diào)節(jié)、控制，或者根據(jù)模型實施更為節(jié)省成本的控制策略。

工藝參數(shù)匹配：制造業(yè)無論是流程還是離散，其本質(zhì)都是對材料進(jìn)行各種化學(xué)與物理的反應(yīng)，這個難點(diǎn)在于各種材料所具有的物理化學(xué)特性，這些在生產(chǎn)產(chǎn)品中與工藝流程、控制參數(shù)會形成無數(shù)種組合，傳統(tǒng)上建模本身也是一個難題，但是，即使有模型也需要大量的驗證，而這種驗證基于物理方法的顯然不如通過數(shù)據(jù)的方法積累、分析，提供工藝人員以決策支持。

決策支持：信息可用性的提高帶來了決策的支持能力，并且，在更多的AI場景中，我們可以看到工廠的資源如機(jī)器、設(shè)備、材料都有了節(jié)省的空間。

(3)數(shù)字化維護(hù)

對于工廠的設(shè)備來說，通過數(shù)據(jù)驅(qū)動可以形成大量的應(yīng)用積累，使得對于產(chǎn)線的未來狀態(tài)進(jìn)行早期狀態(tài)預(yù)測，能夠維護(hù)較高的生產(chǎn)可用性（OEE指標(biāo)提升）。

傳統(tǒng)的預(yù)測性維護(hù)往往基于機(jī)理模型，對于重值設(shè)備如飛機(jī)、大型空壓機(jī)組、鼓風(fēng)機(jī)、風(fēng)力發(fā)電機(jī)組等具有很高的必要性，因為這個投入是合算的，但是，對于生產(chǎn)線上的輕值設(shè)備，個性化生產(chǎn)時代機(jī)器與產(chǎn)線的健康狀態(tài)又會對生產(chǎn)品質(zhì)、交付能力造成較大的影響，這個時候就必須尋找更為經(jīng)濟(jì)的運(yùn)營維護(hù)方式，針對復(fù)雜多變的生產(chǎn)場景尋找更為經(jīng)濟(jì)的數(shù)據(jù)驅(qū)動解決方案，代替?zhèn)鹘y(tǒng)的基于專家多年積累的方法。

4.工業(yè)AI目前需要突破的障礙

盡管描述了AI在工業(yè)應(yīng)用的眾多場景和可能性，但是要達(dá)到產(chǎn)業(yè)應(yīng)用，還必須對它有更為清晰的認(rèn)識，知道困難在哪里，知道它的潛在風(fēng)險和它自身發(fā)展的規(guī)律，才能更好的應(yīng)用，以下幾個方面是未來工業(yè)AI需要突破的障礙。

4.1數(shù)據(jù)本身的難題需要跨越

(1)數(shù)據(jù)采集就是需要突破的Know How

鑒于AI方法通常都是基于大規(guī)模數(shù)據(jù)并且這些數(shù)據(jù)必須具有高的可靠性，因此數(shù)據(jù)的產(chǎn)生，數(shù)據(jù)魯棒性、數(shù)據(jù)質(zhì)量和數(shù)據(jù)訪問，對于流程工業(yè)來說需要較大的改善，而另一方面，對于工業(yè)來說，從大數(shù)據(jù)到智能數(shù)據(jù)方法，這必須將大數(shù)據(jù)的方法與模型驅(qū)動方法結(jié)合。

就像振動信號的采集，就是在復(fù)雜的小信號中撿取有用的信號，而且需要經(jīng)過一些快速傅里葉變換、包絡(luò)曲線的分析才能檢出有用信號。

數(shù)據(jù)源帶來的信號干擾，包括信號檢出方式本身就包含了很多工業(yè)Know How在里面，很多智能傳感器其實就是依賴于對信號的處理方式為核心競爭力，如果純粹原始的信號拿來，就相當(dāng)于給了你一把面粉和白石灰混合在一起的數(shù)據(jù)。

(2)不要以為你有機(jī)會。商業(yè)是大數(shù)據(jù)，而工業(yè)是小數(shù)據(jù)，有很多故障數(shù)據(jù)只有在故障發(fā)生的時候才能有，而故障的發(fā)生就意味著設(shè)備質(zhì)量的問題——這個是不被接受的，就是在工業(yè)里有一個問題，商業(yè)AI說我們可以設(shè)定一個期望然后來迭代，但是，工業(yè)的用戶說“如果你達(dá)不到這個精度，請不要來測試”——這個可能是兩個很大的差別，商業(yè)客戶可以接受迭代的過程，比如識別圖片的能力、語音識別的能力不斷迭代提升，但是，工業(yè)的問題就是你如果出現(xiàn)了判斷錯誤，那么，這個爐子里的材料就廢了，在很多場景里，可能你連測試的機(jī)會都不會有。

(3)在數(shù)據(jù)工程基礎(chǔ)工作方面：工業(yè)數(shù)據(jù)在網(wǎng)絡(luò)連接、數(shù)據(jù)模型、數(shù)據(jù)安全方面尚需更多的工作。

就目前而言，在工業(yè)數(shù)據(jù)的獲取方面，包括網(wǎng)絡(luò)連接的規(guī)范、信息模型、數(shù)據(jù)安全方面尚未有統(tǒng)一規(guī)范，OPC UA一直致力于這一工作，然而，目前OPC UA本身的市場完成度也并不高，在國內(nèi)也僅有少數(shù)的企業(yè)開發(fā)了OPC UA，如果不開發(fā)基于OPUA的規(guī)范，那么，各個公司形成的規(guī)范仍然會成為障礙，因為大家肯定沒法具有統(tǒng)一性，導(dǎo)致需要大量的接口與轉(zhuǎn)換工作。

(4)數(shù)據(jù)源“喂入”到AI的質(zhì)量仍然不夠高，更多的數(shù)字化和數(shù)據(jù)集成仍需努力。

工業(yè)AI與商業(yè)AI在數(shù)據(jù)的需求“價值”方面，對于工業(yè)AI來說，如果獲得的數(shù)據(jù)到信息過程出現(xiàn)不可用、不完備的情況，也即這些數(shù)據(jù)模型無法精確描述一個物理或化學(xué)過程，那么，這個數(shù)據(jù)就是無法真正使用或發(fā)揮價值的，不是單一的數(shù)據(jù)而是數(shù)據(jù)集，必須具有一定的完備性。

4.2在工業(yè)AI應(yīng)用實現(xiàn)過程中的難題

(1)缺乏數(shù)據(jù)處理的流程，從源頭獲取數(shù)據(jù)的質(zhì)量問題、數(shù)據(jù)驗證、特征提取整個過程而言，目前AI尚未有比較好的自動化方法建立，仍然需要人工對數(shù)據(jù)進(jìn)行特征提取、降維、標(biāo)定等工作。即使現(xiàn)有的AI軟件已經(jīng)非常容易使用，但是，對于工業(yè)場景而言，仍然有很多不適用的情況。

(2)語義互操作問題：由于數(shù)據(jù)來源于不同的設(shè)備，那么就需要統(tǒng)一的語義

互操作規(guī)范支持。不僅包括了M2M的數(shù)據(jù)，還包括了OT與IT系統(tǒng)的接口問題，這些都是目前尚未能夠很好解決的問題，對于傳統(tǒng)的模型驅(qū)動控制而言，尚未有完整的解決方案，因此，AI的應(yīng)用就更需時日。

在工業(yè)里OPC UA即扮演這樣一個角色，提供結(jié)構(gòu)性的數(shù)據(jù)，為數(shù)據(jù)在地址空間的存儲提供了統(tǒng)一的結(jié)構(gòu)、類型、屬性等標(biāo)準(zhǔn)，并支持各種通信模式，以及提供了行業(yè)信息模型的集成。

(3)數(shù)據(jù)安全性問題：在整個數(shù)據(jù)

的采集、傳遞、處理、運(yùn)行、部署過程中，數(shù)據(jù)的安全性（Security），以及對生產(chǎn)運(yùn)營的安全性（Safety）都是工業(yè)企業(yè)必須予以考量的要素。

4.3就企業(yè)本身對于AI的障礙

對于AI企業(yè)和用戶而言，尚有以下一些人為障礙。

(1)用戶過高的期望，以及不可計量的AI期望值

對于用戶而言，AI是個好東西，但是，客戶需要先驗性的收益分析就是“不見兔子不撒鷹”的投資方式，收益不明確、缺乏有說服力的案例、業(yè)務(wù)模式的匹配、對AI的局限性缺乏了解，都將較難以說服用戶。

(2)即或AI，也需要AI的運(yùn)行機(jī)制和體系支撐

AI并非像買一個軸承，即使是軸承也需要維護(hù)人員專業(yè)的知識，而AI同樣如此，總不能就像買個東西裝上即可使用，而在應(yīng)用中如何調(diào)整、迭代本身也需要用戶自身來完成，否則，花費(fèi)一筆錢就得到供應(yīng)商無限的服務(wù)支持，或者如果需要支持服務(wù)費(fèi)用，這也是一筆不小的長期開銷，必須予以考慮。

因此，對于AI而言，必須要有清晰的認(rèn)識，要有長期的規(guī)劃和人才培養(yǎng)計劃與之匹配，否則，可能就是一個項目，為了獲得一些所謂的資金支持，拿到一些補(bǔ)貼，但是，相對于企業(yè)所投入的來說，往往也是得不償失。

(3)企業(yè)文化對于AI應(yīng)用的支持：在一些企業(yè)中存在著對AI的抵觸，因為，他們會認(rèn)為AI會代替他們的工作，就像在高速公路休息站地方的自動售貨機(jī)總是會無緣無故地出現(xiàn)故障一樣，因為自動售貨機(jī)里2.5元一瓶的礦泉水和商店里5元一瓶的水相比，他們更希望機(jī)器有故障。

AI的應(yīng)用本身也是一種創(chuàng)新，需要跨學(xué)科融合的團(tuán)隊合作，一是創(chuàng)新文化，二是團(tuán)隊合作的文化，如果大家藏著掖著，那么這個計劃就無法實現(xiàn)，因為，AI需要工藝人員將隱藏在其大腦中的知識拿出來分享，并形成不依賴于人的模型與算法，這本身就有難度，而且在整個項目中的貢獻(xiàn)如果無法良好評價，就會產(chǎn)生對抗與抵觸情緒。

4.4法律倫理與商業(yè)上的問題

除了上述問題之外，在商業(yè)上，目前對于工業(yè)AI還缺乏“標(biāo)準(zhǔn)化”的應(yīng)用，以解決可復(fù)用的問題，而這是商業(yè)AI與工業(yè)人必須共同解決的問題。AI在項目質(zhì)量上、標(biāo)準(zhǔn)化方面還需要借助于軟件工程來實現(xiàn)更好的復(fù)用性，包括在上行和下行的互操作方面——因為采集和部署都是要跨平臺來實施的。

數(shù)據(jù)的歸屬權(quán)也是要考慮的問題，就像來自End User的數(shù)據(jù)，這個數(shù)據(jù)用來訓(xùn)練了模型，那么這個數(shù)據(jù)的所有權(quán)、模型的所有權(quán)就是問題，或者利益的劃分問題如何解決，是否有法律保障？

此外，工業(yè)領(lǐng)域還有非常多的安全、審計追蹤等特殊的行業(yè)需求，這些都是工業(yè)AI應(yīng)用時所需要考慮的，而這些在商業(yè)AI中可能不會出現(xiàn)。