论文部分内容阅读
AI应用于工业互联网平台设备层、边缘层、平台层、应用层等四类应用场景，正在推动传统生产模式向实时感知、动态分析、科学决策、精准执行和优化迭代的智能化生产模式转变
当前，以深度学习为主导的人工智能（AI）进入推广培育期，在医疗、金融、零售、安防、交通、能源等领域的探索步伐不断加快，自然语言处理、计算机视觉、精准营销、自动驾驶等人工智能应用市场增长迅猛。但在工业领域，受数据、算法、算力等因素制约，AI应用的广度和深度受到限制。近年来，随着工业互联网平台的快速崛起，其海量的数据、内嵌的高效算法和对算力的强大支撑能力，为AI在工业领域的发展应用提供了土壤。尤其是AI应用于工业互联网平台设備层、边缘层、平台层、应用层等四类应用场景，正在推动传统生产模式向实时感知、动态分析、科学决策、精准执行和优化迭代的智能化生产模式转变，为工业转型升级赋能。
工业互联网平台是人工智能应用的重要载体
工业互联网平台覆盖全流程生产数据。数据是应用人工智能的“燃料”。工业互联网平台从数据“量”和“质”两个维度入手，提升工业场景数据集的广度与深度，为人工智能应用提供支撑。
从“量”的方面看，工业互联网平台汇聚了数以千万计的设备和传感器，对异构系统、运营环境、人员信息等要素实施泛在感知、高效采集和云端汇聚，实现了海量数据的广泛集成。
从“质”的方面看，工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络，充分挖掘实时有效的工业大数据，搭建数据自动流动的赋能体系，为深度学习的模型训练提供优质的训练集、验证集和测试集，切实提高人工智能模型自学习、自决策、自适应的有效性。
工业互联网平台推动工业知识算法化。算法是人工智能应用的关键。工业互联网平台作为工业全要素、全产业链、全价值链连接的枢纽，打通了工业知识向工业算法转化的通路，为构筑工业领域人工智能算法库提供助力。
一方面，工业互联网平台丰富了算法理论来源。依托工业机理基础和数据模型分析，工业互联网平台将隐性的工业技术原理、行业知识和专家经验进行代码化、算法化，重构了工业知识创造和应用体系，面向特定工业场景提供针对性强、鲁棒性高的算法。
另一方面，工业互联网平台降低了算法开发成本。工业互联网平台通过提供开发环境和各类工具，助力开发者打造工业App与微服务体系，将各类工业知识封装成可交易的模块组件，推动工业算法在更大范围、更高频次、更短路径上创造、传播和复用。
工业互联网平台构建协同算力资源池。工业场景具有环境参数复杂、工序步骤精细、实时性要求高等特点，应用人工智能技术对算力要求较高。工业互联网平台基于云架构汇聚企业内外算力资源，根据实际需要统一调配，搭建广泛聚集、高效协作的算力供给体系，为人工智能应用提供稳定的支撑保障。
在企业内部，工业互联网平台汇聚内部算力资源构建算力资源池，针对不同时段、不同用户和不同级别的算力需求，基于大数据分析统筹使用内部设备，提高设备使用效率。
在企业外部，工业互联网平台对接各类算力提供商，通过租借、购买等方式，补充企业内部算力的不足，以提升整体算力水平，缩小人工智能应用需求和实际算力之间的差距。
多维应用场景加快人工智能与工业互联网平台融合
设备层：机器智能构建新型人机关系。企业依托工业互联网平台，在生产、控制、研发等领域的设备上运用人工智能技术，构建人机协同、互促共进的新型人、机、物关系。
一是设备自主化运行，如复杂工料分拣、设备自运行等。机械臂、运输载具和智能机床等产品，通过搭载机器学习算法、路径自动规划等模块，实现对不同工作环境和加工对象的动态适应，提高设备操作的精度和复杂度。
二是人机智能化交互，如动作识别、语音用户界面等。应用语音识别、机器视觉等技术，打造人性化、定制化、高效化的人机交互模式，提升控制装备在复杂工作环境的感知和反馈能力。
三是生产协同化运作，比如协作机器人、仿生工位等。利用人工智能技术将人机合作场景转变成学习系统，持续优化运行参数，为操作员提供最优的生产环境。例如，德国Festo公司基于仿生协作型机器人开发人机协作生产的智能化工位，可将人从重复性、危险性高的工作中解脱出来，提高了生产效率。
边缘层：边缘智能提升边缘侧实时分析处理能力。边缘智能技术通过协同终端设备与边缘服务器，整合计算本地性与强计算能力的互补优势，从而减少非必要的数据传输、降低模型推理延迟与能耗。
具体有以下三类应用：一是智能传感网络。东方国信、寄云科技等企业通过建设智能网关，动态实现OT与IT间复杂协议的转换，提供安全高速的数据连接与数据采集服务，强化对带宽资源不足和突发网络中断等异常场景的应对能力。
二是噪声数据处理。天云网、海尔集团等通过智能传感器采集多维数据，利用基于人工智能的软件识别减小确定性系统误差，提高数据精度，从而实现物理世界隐性数据的显性化。
三是边缘即时反馈。思科、微软等企业通过分布式边缘计算节点进行数据交换，及时比对云端广播的模型和现场提取的特征值，基于边缘端设备实现本地快速响应和操作优化，减少云端运算压力和处理延迟，实现云端协同。
平台层：大数据分析构建“数据+认知”算法库。工业互联网平台基于PaaS架构，打造由数据存储、数据共享、数据分析和工业模型等组成的整体数据服务链，把基于数据科学和认知科学的两类工业知识经验沉淀在可移植、可复用的人工智能算法库中。
在数据科学领域，企业构建以机器学习、深度学习为核心的数据算法体系，综合利用大数据分析、机器学习和智能控制等算法，通过仿真和推理解决已知的工业问题。例如，美国康耐视公司开发了基于深度学习的工业图像分析软件，能以毫秒为单位识别缺陷，解决传统方法无法解决的复杂缺陷检测、定位等问题，使检测效率提升30%以上。 在认知科学领域，企业从业务逻辑原理出发，通过搭建以知识图谱、专家系统为代表的认知算法体系，解决机理未知或模糊的工业问题，如企业智能决策、风险管理等。实际上，西门子、IBM、华为等公司通过构建供应链知识图谱，汇集气象、媒体、交通和物流等信息资源，大大提高了供应链风险管理效率。
应用层：商业智能提升工业App数据挖掘深度。开发者依托工业互联网平台提供的开发工具和框架，面向不同工业应用场景，开发搭载人工智能的特定工業App，利用人工智能手段赋能现有生产过程，为用户提供各类在平台定制开发的智能化工业应用和解决方案。
主要有以下几类：一是预测性维护。利用机器学习方法拟合设备运行复杂非线性关系，提升预测的准确率，降低运维成本与故障率。德国KONUX公司结合智能传感器及机器学习算法构建设备运行模型，使机器维护成本平均降低了30%。
二是生产工艺优化。依托深度学习绕过机理障碍，通过挖掘数据隐藏特征间的抽象关系建立模型，并找出最优参数组合。TCL格创东智针对液晶面板的成膜工序，通过机器学习算法实现了关键指标的预测与品质优化，年收益达到近千万元。
三是辅助研发设计。通过应用知识图谱、深度学习等技术构建设计方案库，对设计方案提供实时的评估反馈。美国UTC依靠知识图谱解决了多个产品研发问题，设计出的换热器传热效率能提高80%，设计周期仅为原来的1/9。
四是企业战略决策。利用人工智能拟合工业场景中的非线性复杂关系，提取非结构化数据构建知识图谱和专家系统，为企业提供战略方案选择。美国初创公司Maana聚焦石油和天然气领域，协同应用知识图谱与数据科学，为GE、壳牌、阿美等石油巨头提供企业级决策建议。
加快人工智能在工业互联网平台发展的三点建议
夯实产业基础，突破人工智能与工业互联网平台融合的关键共性技术。
一是构建高质量的公共数据集。鼓励满足条件的工业互联网平台企业开放具备一定规模的生产环境、视频图像、文本对话等数据集，建立高质量的公共测试数据库。
二是加大算法研发应用力度。推动科研院所、行业龙头企业开展协同研发和创新应用，围绕卷积神经网络、递归神经网络等算法开发相关工具，完善开发环境。
三是提升算力支撑能力。引导和培育一批算力提供商和算力交易平台，探索算力租赁、交易、托管等新服务模式。
聚焦场景应用，引导加快面向工业互联网平台的人工智能产品开发。
一是加快重点智能设备研发。加快智能传感控制、智能检测装配、智能物流仓储等重点技术装备的开发，布局和积累一批核心知识产权。
二是突破边缘智能核心技术。重点突破图形处理器、现场可编程门阵列、专用集成电路等一批关键核心技术，提高硬件基础支撑能力，实现围绕边缘设备的感知、控制、决策和执行等功能。
三是加快行业机理模型沉淀。聚焦AI工业应用，建设工业互联网模型算法公共测试验证中心，坚持以测带建、以测促用。
四是培育基于AI的工业App。引导工业互联网平台企业搭建制造业创新中心，开放开发工具和知识组件，构建开放共享、资源富集、创新活跃的工业App开发生态。
完善生态体系，构建工业互联网平台跨界融合新模式。
一是强化示范引领。在现有工业互联网平台相关专项和试点示范中，增添人工智能方向的应用试点，加快推动复杂环境识别、新型人机交互等人工智能技术与工业互联平台融合发展。
二是优化公共服务。面向语音识别、视觉识别、自然语言处理等领域，建设能够提供知识图谱、算法训练、产品优化等共性服务的平台和开源社区。
三是增强人才储备。鼓励高等院校设置人工智能工业应用课程，开展人工智能专题教育和培训，加紧培育一批急需的人工智能人才。
四是加强宣传推广。通过开展现场会、人工智能大赛等形式，凝聚行业共识，提高公众认识，挖掘优秀做法，推广典型案例，积极营造产业发展的良好氛围。
（作者单位：赛迪智库信息化与软件产业研究所。本文来源：赛迪智库）
当前，以深度学习为主导的人工智能（AI）进入推广培育期，在医疗、金融、零售、安防、交通、能源等领域的探索步伐不断加快，自然语言处理、计算机视觉、精准营销、自动驾驶等人工智能应用市场增长迅猛。但在工业领域，受数据、算法、算力等因素制约，AI应用的广度和深度受到限制。近年来，随着工业互联网平台的快速崛起，其海量的数据、内嵌的高效算法和对算力的强大支撑能力，为AI在工业领域的发展应用提供了土壤。尤其是AI应用于工业互联网平台设備层、边缘层、平台层、应用层等四类应用场景，正在推动传统生产模式向实时感知、动态分析、科学决策、精准执行和优化迭代的智能化生产模式转变，为工业转型升级赋能。
工业互联网平台是人工智能应用的重要载体
工业互联网平台覆盖全流程生产数据。数据是应用人工智能的“燃料”。工业互联网平台从数据“量”和“质”两个维度入手，提升工业场景数据集的广度与深度，为人工智能应用提供支撑。
从“量”的方面看，工业互联网平台汇聚了数以千万计的设备和传感器，对异构系统、运营环境、人员信息等要素实施泛在感知、高效采集和云端汇聚，实现了海量数据的广泛集成。
从“质”的方面看，工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络，充分挖掘实时有效的工业大数据，搭建数据自动流动的赋能体系，为深度学习的模型训练提供优质的训练集、验证集和测试集，切实提高人工智能模型自学习、自决策、自适应的有效性。
工业互联网平台推动工业知识算法化。算法是人工智能应用的关键。工业互联网平台作为工业全要素、全产业链、全价值链连接的枢纽，打通了工业知识向工业算法转化的通路，为构筑工业领域人工智能算法库提供助力。
一方面，工业互联网平台丰富了算法理论来源。依托工业机理基础和数据模型分析，工业互联网平台将隐性的工业技术原理、行业知识和专家经验进行代码化、算法化，重构了工业知识创造和应用体系，面向特定工业场景提供针对性强、鲁棒性高的算法。
另一方面，工业互联网平台降低了算法开发成本。工业互联网平台通过提供开发环境和各类工具，助力开发者打造工业App与微服务体系，将各类工业知识封装成可交易的模块组件，推动工业算法在更大范围、更高频次、更短路径上创造、传播和复用。
工业互联网平台构建协同算力资源池。工业场景具有环境参数复杂、工序步骤精细、实时性要求高等特点，应用人工智能技术对算力要求较高。工业互联网平台基于云架构汇聚企业内外算力资源，根据实际需要统一调配，搭建广泛聚集、高效协作的算力供给体系，为人工智能应用提供稳定的支撑保障。
在企业内部，工业互联网平台汇聚内部算力资源构建算力资源池，针对不同时段、不同用户和不同级别的算力需求，基于大数据分析统筹使用内部设备，提高设备使用效率。
在企业外部，工业互联网平台对接各类算力提供商，通过租借、购买等方式，补充企业内部算力的不足，以提升整体算力水平，缩小人工智能应用需求和实际算力之间的差距。
多维应用场景加快人工智能与工业互联网平台融合
设备层：机器智能构建新型人机关系。企业依托工业互联网平台，在生产、控制、研发等领域的设备上运用人工智能技术，构建人机协同、互促共进的新型人、机、物关系。
一是设备自主化运行，如复杂工料分拣、设备自运行等。机械臂、运输载具和智能机床等产品，通过搭载机器学习算法、路径自动规划等模块，实现对不同工作环境和加工对象的动态适应，提高设备操作的精度和复杂度。
二是人机智能化交互，如动作识别、语音用户界面等。应用语音识别、机器视觉等技术，打造人性化、定制化、高效化的人机交互模式，提升控制装备在复杂工作环境的感知和反馈能力。
三是生产协同化运作，比如协作机器人、仿生工位等。利用人工智能技术将人机合作场景转变成学习系统，持续优化运行参数，为操作员提供最优的生产环境。例如，德国Festo公司基于仿生协作型机器人开发人机协作生产的智能化工位，可将人从重复性、危险性高的工作中解脱出来，提高了生产效率。
边缘层：边缘智能提升边缘侧实时分析处理能力。边缘智能技术通过协同终端设备与边缘服务器，整合计算本地性与强计算能力的互补优势，从而减少非必要的数据传输、降低模型推理延迟与能耗。
具体有以下三类应用：一是智能传感网络。东方国信、寄云科技等企业通过建设智能网关，动态实现OT与IT间复杂协议的转换，提供安全高速的数据连接与数据采集服务，强化对带宽资源不足和突发网络中断等异常场景的应对能力。
二是噪声数据处理。天云网、海尔集团等通过智能传感器采集多维数据，利用基于人工智能的软件识别减小确定性系统误差，提高数据精度，从而实现物理世界隐性数据的显性化。
三是边缘即时反馈。思科、微软等企业通过分布式边缘计算节点进行数据交换，及时比对云端广播的模型和现场提取的特征值，基于边缘端设备实现本地快速响应和操作优化，减少云端运算压力和处理延迟，实现云端协同。
平台层：大数据分析构建“数据+认知”算法库。工业互联网平台基于PaaS架构，打造由数据存储、数据共享、数据分析和工业模型等组成的整体数据服务链，把基于数据科学和认知科学的两类工业知识经验沉淀在可移植、可复用的人工智能算法库中。
在数据科学领域，企业构建以机器学习、深度学习为核心的数据算法体系，综合利用大数据分析、机器学习和智能控制等算法，通过仿真和推理解决已知的工业问题。例如，美国康耐视公司开发了基于深度学习的工业图像分析软件，能以毫秒为单位识别缺陷，解决传统方法无法解决的复杂缺陷检测、定位等问题，使检测效率提升30%以上。 在认知科学领域，企业从业务逻辑原理出发，通过搭建以知识图谱、专家系统为代表的认知算法体系，解决机理未知或模糊的工业问题，如企业智能决策、风险管理等。实际上，西门子、IBM、华为等公司通过构建供应链知识图谱，汇集气象、媒体、交通和物流等信息资源，大大提高了供应链风险管理效率。
应用层：商业智能提升工业App数据挖掘深度。开发者依托工业互联网平台提供的开发工具和框架，面向不同工业应用场景，开发搭载人工智能的特定工業App，利用人工智能手段赋能现有生产过程，为用户提供各类在平台定制开发的智能化工业应用和解决方案。
主要有以下几类：一是预测性维护。利用机器学习方法拟合设备运行复杂非线性关系，提升预测的准确率，降低运维成本与故障率。德国KONUX公司结合智能传感器及机器学习算法构建设备运行模型，使机器维护成本平均降低了30%。
二是生产工艺优化。依托深度学习绕过机理障碍，通过挖掘数据隐藏特征间的抽象关系建立模型，并找出最优参数组合。TCL格创东智针对液晶面板的成膜工序，通过机器学习算法实现了关键指标的预测与品质优化，年收益达到近千万元。
三是辅助研发设计。通过应用知识图谱、深度学习等技术构建设计方案库，对设计方案提供实时的评估反馈。美国UTC依靠知识图谱解决了多个产品研发问题，设计出的换热器传热效率能提高80%，设计周期仅为原来的1/9。
四是企业战略决策。利用人工智能拟合工业场景中的非线性复杂关系，提取非结构化数据构建知识图谱和专家系统，为企业提供战略方案选择。美国初创公司Maana聚焦石油和天然气领域，协同应用知识图谱与数据科学，为GE、壳牌、阿美等石油巨头提供企业级决策建议。
加快人工智能在工业互联网平台发展的三点建议
夯实产业基础，突破人工智能与工业互联网平台融合的关键共性技术。
一是构建高质量的公共数据集。鼓励满足条件的工业互联网平台企业开放具备一定规模的生产环境、视频图像、文本对话等数据集，建立高质量的公共测试数据库。
二是加大算法研发应用力度。推动科研院所、行业龙头企业开展协同研发和创新应用，围绕卷积神经网络、递归神经网络等算法开发相关工具，完善开发环境。
三是提升算力支撑能力。引导和培育一批算力提供商和算力交易平台，探索算力租赁、交易、托管等新服务模式。
聚焦场景应用，引导加快面向工业互联网平台的人工智能产品开发。
一是加快重点智能设备研发。加快智能传感控制、智能检测装配、智能物流仓储等重点技术装备的开发，布局和积累一批核心知识产权。
二是突破边缘智能核心技术。重点突破图形处理器、现场可编程门阵列、专用集成电路等一批关键核心技术，提高硬件基础支撑能力，实现围绕边缘设备的感知、控制、决策和执行等功能。
三是加快行业机理模型沉淀。聚焦AI工业应用，建设工业互联网模型算法公共测试验证中心，坚持以测带建、以测促用。
四是培育基于AI的工业App。引导工业互联网平台企业搭建制造业创新中心，开放开发工具和知识组件，构建开放共享、资源富集、创新活跃的工业App开发生态。
完善生态体系，构建工业互联网平台跨界融合新模式。
一是强化示范引领。在现有工业互联网平台相关专项和试点示范中，增添人工智能方向的应用试点，加快推动复杂环境识别、新型人机交互等人工智能技术与工业互联平台融合发展。
二是优化公共服务。面向语音识别、视觉识别、自然语言处理等领域，建设能够提供知识图谱、算法训练、产品优化等共性服务的平台和开源社区。
三是增强人才储备。鼓励高等院校设置人工智能工业应用课程，开展人工智能专题教育和培训，加紧培育一批急需的人工智能人才。
四是加强宣传推广。通过开展现场会、人工智能大赛等形式，凝聚行业共识，提高公众认识，挖掘优秀做法，推广典型案例，积极营造产业发展的良好氛围。
（作者单位：赛迪智库信息化与软件产业研究所。本文来源：赛迪智库）