2019-12-26 13:27

　　我分享的是工业智能的应用与发展的基本情况。

　　什么是智能？智能就是逐步降低数据挖掘价值中人的脑力占比。我们可以看到从人工智能的专家系统一直延伸到我们深度学习的算法，数据全流程的价值挖掘过程中，人的脑力占比其实是在逐步下降的，而机器所占的比重是越来越多的，我觉得这个就是智能一个根本的特点。

　　人工智能进入了基于大数据的自主学习和大知识全面感知的新的时代，从两大方向来影响制造业，一方面就是优化现有的流程和系统，另一方面是催生智能的产品和新兴的业态。

　　很多的咨询机构研究的报告都分析得到了人工智能对于制造业的作用，未来是潜力非常的巨大。所以工业智能成为了全球各国的一个普遍的共识和发展的重点方向，比如说美国从信息技术侧推动，日本重点聚焦的是装备产业产品的智能化。欧洲是从工业生产端切入，而我们中国是从工业和信息技术双侧发力，推动工业人工智能的发展。

　　总体来看，工业智能其实是经历了三个大的发展阶段，由80年代的萌芽期，主要代表是专家系统的这种基于规则的时代；90年代到本世纪初的人工智能初步渗透期，就是基于传统统计机器学习方法的一个统计时代；一直到现在这么一个发展期，就是基于深度学习、知识图谱两大技术复杂计算的时代。

　　具体技术应用，人工智能的技术本质，我们认为就是解决分类回归两个大的问题，比如说图片识别、语音识别，机器的问答检索等，是一系列的分类问题。回归就是我们股票的预测、房价的预测、用户需求预测都是连续变量回归的问题。而比如说我们的游戏应用、围棋的应用都是一系列的回归和分类综合性的问题。

　　所以说我们工业里的需求能够拆分为这两大问题，就是一个工业智能基础实施的基础阶段或者必要阶段。一些复杂的应用比如说产品的智能研发、自动驾驶、机械等等，就是一些组合性的问题。发动机的燃烧原理、机床加工的精度等等，这种工业基础理论，制造技术、工艺标准，它们不能拆分为这两类问题，所以不能通过人工智能的技术解决。

　　那么工业需求的数字化和抽象化，就是两大核心步骤，数字化就是让系统有处可用，也就是把数据能够采上来，抽象化就是使系统有法可依，能够使用相应的方法进行设计，比如预测性维护早期是基于统计信号的预测性维护，基于震动数据相应的分析，得到故障的判定结果。当前工业智能阶段预测性维护是将历史数据、故障看作一种模式，通过模型训练，通过它的测试验证和部署，抽象成了连续化的问题和离散化的问题，也就是说设备剩余时间有多少，这是连续化的问题，设备是否出现故障这是离散化的问题，然后通过人工智能的技术进行解决。

　　总体来看人工智能主要应用于十大场景，首先专家系统，沉淀已有的知识，解决低不确定性、低计算复杂度的问题，比如说车间调度、生产管理、故障诊断、参数优化。

　　传统的机器学习方法基于数据跨越机理的障碍，占据当前应用其实是很大一部分比例，集中在这种产品的缺陷质量检测等等场景，也有相应的一些实例。

　　深度学习绕过机理障碍，解决传统方法没有办法解决的高计算度问题，通过数据深度挖掘分析，解决工业领域的疑难杂症，是当前的一个热点。比如缺陷的大小在变化，缺陷的位置变化，光照条件变化，比如缺陷的种类甚至都未知，包括设备复杂控制的这个场景，包括生产安全的一些应用场景。

　　知识图谱基于全新的知识组织方式，实现更全面可靠的管理和辅助决策，主要集中在供应链的风险管理以及商业智能的两大场景，比如说华为利用知识图谱，就是对它自己手机的供应链和产品的零部件的一个管理。西门子它有一个专门的工业知识图谱的平台，为其他企业提供金融方面的商业智能方面的一些服务。

　　不同的人工智能通过横向的组合，就是数据科学体系之内的组合以及纵向的组合，刚才是数据科学和知识工程不同体系的组合和纵向的组合，包括深得学习、强化学习、迁移学习的组合，深得学习成为它们共性的一个选择。

　　工业智能正在不断催生智能装备与产品很新兴的业态，这里面以机器人举例，包括它机器人本体形态的变革以及功能的变革，功能的变革又分为两方面，单体执行能力的加强，以及协同智能化的加强，本题朝着柔性模块化的方向去发展，传统的刚性一体化的过渡性逐渐被打破了，柔性模块化的新装备不断涌现。

　　功能方面首先是单体执行任务能力全面加强，包括指令的解析，包括基于视觉的定位于抓取。第二方面协同的智能化不断增强，彻底改变了传统的人机关系，还有机器与机器之间的关系，这种协同化群体化的机器人智能时代已经到来了。包括人机关系，就是人机协作，自动化编程等等。

　　比如说现场监控的问题和生产性服务业拓展问题，以及它们不同行业具有不同的特性的一些需求。我们建立了一个应用的分析体系，把这个相应场景填充到体系里面，总体得到了两个观点，一个就是呈现出分析深化，另一个呈现出服务延伸的这么两大发展的路径，分析深化以钢铁为例，就是从设备侧切入，实现安防管理和设备的维护。向服务环节延伸，我们就是以汽车行业为例，通过与人工智能技术结合，从增值服务切入，实现生产服务、非生产服务全面的覆盖，这是我们行业一些应用的分析。

　　当前应用发展主要面临四个问题：实时性，现在的人工智能处理的速度还是比较慢；可靠性，人工智能在消费领域，比如说用户推荐，我可以40%的正确率，50%甚至30%都可以，但是在高危的核心环节必须达到100%；可解释性，在围棋游戏这种以最终表现为评价的场景是可以应用的，但是在核电，在冶炼方面，现在是没有办法去使用的；适应性，我们同样的算法、同样的模型在同样场景下但是不同工况下是没法匹配的。

　　所以说通用技术的突破和工业化的适配就是解决四类主要问题的关键。我们拿适应性来举例，需要这个算法的迁移学习，生成对抗网络算法的突破。实时性方面需要工业端测推理的规划，以及推理的芯片，这是我们整个技术应用部分的一些分析。

　　最后给出了一些建议，就是从供给侧、需求侧、支撑侧多面发力，加快形成我们工业智能整个创新的体系。

　　这是工业智能方面一些初步的成果，谢谢大家！