人工智能在制造业多场景落地

    如果前几年业内还在验证人工智能的价值与可行性，现如今人工智能已经成为切实改变世界的革新技术，工业4.0时代的企业也逐渐认识到它对制造业转型升级的巨大价值。随着2020年“新基建”政策以及各种扶持政策的出台，人工智能正在加速与制造业的融合，成为制造业发展的新动能。

    根据中国信息通信研究院披露的信息，2020年全球人工智能产业规模1565亿美元，增长率为12%；中国人工智能产业规模大约3100亿元，同比增长15%。日前国家工业信息安全发展研究中心发布的《2020人工智能与制造业融合发展白皮书》也指出，人工智能正在制造业多场景应用落地，人工智能与制造业的融合正在向更深层次迈进。

    应用场景一直是人工智能技术落地的关键因素。回顾过去的一年，人工智能在细分垂直领域的探索明显加快，许多工业智能公司也相继完成了标杆场景的应用落地，主要包括研发设计、生产制造、管理活动三大方向，应用场景涵盖产品设计、计划排程、生产过程优化、质量检测、园区物流、设备健康管理、营销服务、供应链管理八大领域，具体包括智能语音交互产品、图像识别、人脸识别、图像搜索、声纹识别、文字识别、机器翻译、机器学习、大数据计算、数据可视化等方面。

    细数这些应用场景，我们发现在人工智能加速落地的过程中，很重要的一点是注重机理模型和数学模型相结合。目前，人工智能落地制造业存在一个绕不开的问题——不同工业领域之间存在巨大差异，复杂度与工艺门槛非常高，而当前可供建模的数据量普遍匮乏且质量不高，缺乏工业知识与机理，仅靠数据驱动的模型很难具备较好的泛化能力。

    因此，从建模的角度，将懂know-how的专家知识、机理模型融合进数据模型中，往往可以数倍减少所需的训练数据，同时可使模型对不同环境下的适应性更强。从算法特征角度而言，提取具有一定机理属性的特征，可以增强模型判断的因果属性，大幅减少所需的计算量。以目前比较典型的机器视觉进行产品质检为例，普遍存在瑕疵样本数据不足的问题，通过将产品缺陷一一分类，基于机理模型生成可能造成的缺陷样本，配合决策树的集成学习模型，可以在样本不足的环境下获得较好的训练效果，提升识别精度。

    此外，当前制造业的人工智能应用仍然处于弱人工智能的状态，深度学习有其局限性，主要研究重心仍以感知智能为主，逐渐向认知智能过渡。通过机理模型与数据模型相融合，依托于行业知识与经验的深度学习将产生更多贴近产业核心的认知智能应用，有助于形成以“生产场景需求”为导向的人工智能解决方案，进一步实现人工智能提升生产力，为企业带来切实价值的终极目标。

    如今，在国家对智能制造政策的引导下，更多资本、技术力量、制造企业正在快速涌入，制造业应用场景或将迎来新的爆发式增长。据信通院监测平台数据统计，截至2020年10月，全球共有人工智能企业将近5600家，中国将近1450家。根据艾瑞咨询的预测，2022年国内人工智能核心产业规模将达到1573亿元，复合增速58%，产业有望持续快速增长。

    但同样需要注意的是，目前人工智能落地的场景主要解决的是工业领域一些非核心环节问题，仍然没有涉及到工业核心业务系统。一方面是因为深度学习的“黑盒”特性，与生产制造追求的精确、可靠与可解释性存在天然矛盾，很难获得制造企业的认可。另一方面，一个成熟的模型算法需要海量数据与算力的支撑，但工业场景数据严重匮乏，建设IT基础设施所带来的算力成本也很难为制造企业所接受。同时，我们还应关注人工智能在制造业应用存在的人才匮乏严重问题。由于机理模型和数学模型的结合过程中，不仅需要掌握数据、算法知识，还需对制造业各细分行业的生产特点、流程、工艺有深入理解，相关人才极其匮乏。这也导致了推进人工智能与制造业的深度融合，注定是一场持久战。