感慨于AI技術發(fā)展的聲勢浩大，千軍萬馬進工業(yè)，希望開拓其巨大的商業(yè)機會，然而，工業(yè)AI與商業(yè)應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器或系統(tǒng)上運行，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理模型，包括一些不確定的、干擾因素會導致的潛在問題，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據采集、特征提取、模型訓練、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，而且在企業(yè)認知、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)數據與商業(yè)數據有較大的差別，主要體現在如表1所示的幾個方面。

表1工業(yè)數據與商業(yè)數據之比較

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“機器”進行決策背后的原因需要建立在“信任”的基礎上，而很多AI算法卻是一種“黑盒”機制，使得其不具有透明性，這使得很難被接受，因為“風險”仍然是存在的，如果商業(yè)AI需要90%的準確性，那么工業(yè)AI則需要99.99%的準確性，而這個潛在的“不可解釋”使得模型的信任度降低。

安全性：如果用戶要求供應商一起承擔因為技術所需承擔的潛在安全風險——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，如果出現了安全事故——那我是不是要找你呢？或者，你愿意承擔這個風險，我才能接受這個產品。

表2 模型驅動與數據驅動之比較

2.模型驅動與數據驅動的優(yōu)缺點（表2）

傳統(tǒng)的工業(yè)生產通常是基于物理或化學的已有機理建模，并經過上百年大量生產的測試驗證，具有一定的成熟性，但是，由于考慮更多的是經濟性，因此做了非常多的線性化、安全值設定，使得其仍然有挖掘的潛力空間，另一方面，由于模型驅動往往需要非常專業(yè)的人經過大量的時間進行積累，這個過程本身的成本也是非常高，只是在很多年中進行了分布，似乎成本很低；而數據驅動的方式，在于發(fā)現新的模型——那些在傳統(tǒng)的機理方法中無法進行挖掘的模型，數據驅動對于數據是饑渴的，而這不依賴于人的經驗和大量的積累，就像通過數據進行預測性維護，可以在短時間積累大量的數據，并挖掘出導致質量問題的相關性分析，而這在過去可能需要數年、數十年的積累。

比較有效的方法當然是數據與模型驅動相互結合，在模型基礎上構建學習的過程，進而來優(yōu)化模型，而相輔相成，才能各自發(fā)揮優(yōu)勢，機理模型的人不愿意嘗試數據驅動的模型，而認為學習的人不懂工藝。

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)主要以機器與產線的控制為主，例如食品飲料、塑料、電子、造船等工業(yè)，而流程工業(yè)從產業(yè)來說更傾向于連續(xù)型的過程生產，如石化、制藥、冶金等。

就AI的應用來說，流程工業(yè)由于是連續(xù)生產，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，已經用了各種方法在挖掘它的潛力——傳統(tǒng)的機理模型方式已經干了超出AI所能想象的工作，離散制造業(yè)相對比較分散，現在卻向著“連線”生產的模式進發(fā)，傳統(tǒng)所謂的機器已經由機器人、輸送系統(tǒng)進行了“連接”，使得其具有了不停機生產的能力。

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方式來進行的優(yōu)化與改善：我們不以具體的技術或場景，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)機理的空間。

(1)數字化設計環(huán)節(jié)

通過數據的閉環(huán)迭代，來反映生產中的質量、成本的不斷約束下的降低，這也是AI算法可以干的事情。

為個性化生產帶來數據的支撐能力，無論是早期驗證還是數字“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“人的經驗”和隱性知識的功能，否則，人們仍然不能帶來質量的穩(wěn)定性、良品率的上升。

第一次就做對，是精益生產里的理想狀態(tài)，對于工藝來說，開機浪費不可避免，如何讓機器最快地進入穩(wěn)定的質量工藝狀態(tài)，也是一個可以通過大量的學習來獲取的，經過累積，形成一個穩(wěn)定的工藝模型，就是一種很好的應用。

生產數據對于設計端的反饋，無論對于流程還是離散制造業(yè)來說，現場數據對于設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)數字化運營環(huán)節(jié)

數據驅動的優(yōu)化：質量優(yōu)化、參數尋優(yōu)、作業(yè)調度，這些都是可以為AI所發(fā)揮力量的場景，在質量優(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量改善的空間，還是通過視覺導引為機器人、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)化生產工藝中的參數匹配，自適應能力。

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

因果關系和相關性（例如質量缺陷），在缺陷檢測中，可以實現對質量相關性分析來對影響質量的關鍵因素進行“發(fā)現”并對其進行有效的調節(jié)、控制，或者根據模型實施更為節(jié)省成本的控制策略。

工藝參數匹配：制造業(yè)無論是流程還是離散，其本質都是對材料進行各種化學與物理的反應，這個難點在于各種材料所具有的物理化學特性，這些在生產產品中與工藝流程、控制參數會形成無數種組合，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據的方法積累、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器、設備、材料都有了節(jié)省的空間。

(3)數字化維護

對于工廠的設備來說，通過數據驅動可以形成大量的應用積累，使得對于產線的未來狀態(tài)進行早期狀態(tài)預測，能夠維護較高的生產可用性（OEE指標提升）。

傳統(tǒng)的預測性維護往往基于機理模型，對于重值設備如飛機、大型空壓機組、鼓風機、風力發(fā)電機組等具有很高的必要性，因為這個投入是合算的，但是，對于生產線上的輕值設備，個性化生產時代機器與產線的健康狀態(tài)又會對生產品質、交付能力造成較大的影響，這個時候就必須尋找更為經濟的運營維護方式，針對復雜多變的生產場景尋找更為經濟的數據驅動解決方案，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)應用的眾多場景和可能性，但是要達到產業(yè)應用，還必須對它有更為清晰的認識，知道困難在哪里，知道它的潛在風險和它自身發(fā)展的規(guī)律，才能更好的應用，以下幾個方面是未來工業(yè)AI需要突破的障礙。

4.1數據本身的難題需要跨越

(1)數據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)模數據并且這些數據必須具有高的可靠性，因此數據的產生，數據魯棒性、數據質量和數據訪問，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，從大數據到智能數據方法，這必須將大數據的方法與模型驅動方法結合。

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

數據源帶來的信號干擾，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，就相當于給了你一把面粉和白石灰混合在一起的數據。

(2)不要以為你有機會。商業(yè)是大數據，而工業(yè)是小數據，有很多故障數據只有在故障發(fā)生的時候才能有，而故障的發(fā)生就意味著設備質量的問題——這個是不被接受的，就是在工業(yè)里有一個問題，商業(yè)AI說我們可以設定一個期望然后來迭代，但是，工業(yè)的用戶說“如果你達不到這個精度，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，可能你連測試的機會都不會有。

(3)在數據工程基礎工作方面：工業(yè)數據在網絡連接、數據模型、數據安全方面尚需更多的工作。

就目前而言，在工業(yè)數據的獲取方面，包括網絡連接的規(guī)范、信息模型、數據安全方面尚未有統(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，在國內也僅有少數的企業(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，導致需要大量的接口與轉換工作。

(4)數據源“喂入”到AI的質量仍然不夠高，更多的數字化和數據集成仍需努力。

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

4.2在工業(yè)AI應用實現過程中的難題

(1)缺乏數據處理的流程，從源頭獲取數據的質量問題、數據驗證、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，仍然需要人工對數據進行特征提取、降維、標定等工作。即使現有的AI軟件已經非常容易使用，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：由于數據來源于不同的設備，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的數據，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)的模型驅動控制而言，尚未有完整的解決方案，因此，AI的應用就更需時日。

在工業(yè)里OPC UA即扮演這樣一個角色，提供結構性的數據，為數據在地址空間的存儲提供了統(tǒng)一的結構、類型、屬性等標準，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)數據安全性問題：在整個數據

的采集、傳遞、處理、運行、部署過程中，數據的安全性（Security），以及對生產運營的安全性（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的運行機制和體系支撐

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，而在應用中如何調整、迭代本身也需要用戶自身來完成，否則，花費一筆錢就得到供應商無限的服務支持，或者如果需要支持服務費用，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總是會無緣無故地出現故障一樣，因為自動售貨機里2.5元一瓶的礦泉水和商店里5元一瓶的水相比，他們更希望機器有故障。

AI的應用本身也是一種創(chuàng)新，需要跨學科融合的團隊合作，一是創(chuàng)新文化，二是團隊合作的文化，如果大家藏著掖著，那么這個計劃就無法實現，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如果無法良好評價，就會產生對抗與抵觸情緒。

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“標準化”的應用，以解決可復用的問題，而這是商業(yè)AI與工業(yè)人必須共同解決的問題。AI在項目質量上、標準化方面還需要借助于軟件工程來實現更好的復用性，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。

數據的歸屬權也是要考慮的問題，就像來自End User的數據，這個數據用來訓練了模型，那么這個數據的所有權、模型的所有權就是問題，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應用時所需要考慮的，而這些在商業(yè)AI中可能不會出現。