|
人工智能自诞生以来，经历了从早期的专家系统、机器学习，到当前持续火热的深度学习等多次技术变革与规模化应用的浪潮。随着硬件计算能力、软件算法、解决方案的快速进步与不断成熟，工业生产逐渐成为了人工智能的重点探索方向，工业智能应运而生。 当前，新一轮科技革命和产业变革蓬勃兴起，工业经济数字化、网络化、智能化发展成为第四次工业革命的核心内容。作为助力本轮科技革命和产业变革的战略性技术，以深度学习、知识图谱等为代表的新一轮人工智能技术呈现出爆发趋势，工业智能迎来了发展的新阶段。通过海量数据的全面实时感知、端到端深度集成和智能化建模分析，工业智能将企业的分析决策水平提升到了全新高度。然而，工业智能仍处于发展探索时期，各方对工业智能的概念、类型、应用场景、技术特点及产业发展等尚未形成共识。 在此形势下，工业互联网产业联盟（简称 AII）携手中国信息通信研究院（简称中国信通院）联合举办“工业互联网成果线上发布会”，会上发布了近期工业互联网领域的重大科研成果之一：《工业智能白皮书》。（文末附下载方式） 注意：本文已获相关授权，如需转载，请查看并遵守工业互联网产业联盟相关声明 工业互联网的核心是数据驱动的智能分析与决策优化。工业互联网从发展之初，就将数据 作为核心要素，将数据驱动的优化闭环作为实现工业互联网赋能价值的关键。在工业互联网体 系架构 1.0 中，明确提出工业互联网核心是基于全面互联而形成数据驱动的智能，即通过数据采 集交换、集成处理、建模分析、优化决策与反馈控制等实现机器设备、运营管理到商业活动的 智能与优化。工业互联网架构 2.0 则进一步强调数据闭环的作用，明确了工业互联网基于感知控 制、数字模型、决策优化三个基本层次，以及由自下而上的信息流和自上而下的决策流构成的工业数字化应用优化闭环实现核心功能。 工业智能是实现工业互联网数据优化闭环的关键。在全面感知、泛在连接、深度集成和高 效处理的基础上，工业智能基于计算与算法，将以人为主的决策和反馈转变为基于机器或系统自主建模、决策、反馈的模式，为工业互联网实现精准决策和动态优化提供更大的可能性。工业智能实现了从数据到信息、知识、决策的转化，挖掘数据潜藏的意义，摆脱传统认知和知识边界的限制，为决策支持和协同优化提供可量化依据，最大化发挥利用工业数据隐含价值，成为工业互联网发挥使能作用的重要支撑。 工业智能的创新突破不断拓宽工业互联网的赋能价值。工业智能技术正迎来多方面创新与突破，为支撑工互联网的数据优化闭环，进一步拓展和丰富工业互联网的能力边界与作用发挥关键作用。一是以深度学习、知识图谱为代表的工业智能技术及相应的新理论新方法百花齐放并相互融合，从根本上提高系统建模和处理复杂性、不确定性、常识性等问题的能力。二是自动化机器学习，聚焦特定功能、采用特殊架构的芯片等工程技术不断突破。三是工业智能技术 与领域知识融合不断加深，更加贴近行业实际需求。工业智能通过技术的持续创新与动态迭代，使工业互联网具备了复杂计算和推理能力，降低了工业互联网应用的开发门槛与成本，增强了行业应用赋能的价值与潜力，成为释放并拓宽工业互联网赋能价值的关键。 1. 提升工业智能化水平成为全球共识与趋势 当前，以智能化为核心的新一轮科技产业变革兴起，人工智能技术与社会各领域不断融合已经是大势所趋，正逐步改变现有产业形态、商业模式和生活方式，并成为助推工业智能化转型升级的关键燃料。据 Markets 报告预计，2025 年人工智能制造市场规模将达 172 亿美元， 预测期 (2018-2025 年 ) 内的年复合增长率为49.5%。Automation Technology 预计到2035年，人工智能对制造业增值占比可达 2.2%，排名社会 16 个主要行业之首。根据麦肯锡报告， 人工智能可以使德国工业部门的生产率每年提高 0.8% 至 1.4%。埃森哲则比较了人工智能对我国各个行业部门增加值增速的影响，预计到 2035 年，制造业因人工智能的应用其增加值增速 可以提高 2.0% 左右，是所有产业部门中提高幅度最大的。 世界主要发达国家政府及组织高度重视，积极出台相关战略政策，提升工业智能化水平成为全球共识与趋势。经统计，截止到 2019 年底，在全球 20 多个经济体近三年发布的 100 份人工智能方面的战略规划或政策文件中，涉及与工业结合的超过一半以上。美、日、德、欧盟分别发布《国家人工智能研究和发展战略规划》《新机器人战略》《国家工业战略 2030》《欧盟人工智能》等一系列政策战略，重点提及产品全生命周期优化、先进机器人、自动驾驶、大数据挖掘等在工业领域应用。 工业是我国国民经济的主导，我国积极抢抓以人工智能为驱动的新一轮科技产业变革的机遇，工业智能成为了国家及业界高度重视的领域方向。我国政府双侧发力，推动人工智能与制造业的融合发展。一方面，将人工智能技术作为制造业创新发展的重要驱动力，在制造业相关政策文件中提及人工智能技术应用的有 20 余篇。另一方面，将工业制造领域作为人工智能落地 应用的重点行业，在《互联网 + 人工智能三年行动实施方案》《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动计划》等 10 余份文件中均提出将制造业作为开展人工智能应用试点示范的重要领域之一。同时，各省市地区积极响应，形成了“国 - 省 - 市 - 区”多级协同的政策体系。各地关于工业智能发展的政策文件超过 30 篇，上海、四川、青岛、中关村等多个省 市及区域已经出台或正在布局人工智能与工业融合创新的政策方案，为工业智能的发展奠定了 完善有力的政策保障。 2. 人工智能技术加速渗透，构建制造业智能化基础 制造业智能化升级需求是工业智能发展的根本驱动。制造业升级的最终目的是从数字化、网络化转而最终实现智能化。当前制造业正处在由数字化、网络向智能发展的重要阶段，核心是要实现基于海量工业数据的全面感知，和通过端到端的数据深度集成与建模分析，实现智能化决策与控制指令。工业智能通过 1. 固化熟练工人和专家的经验，模拟判断决策过程，解决过去工业领域中需要人工处理的点状问题 ;2. 基于知识汇聚实现大规模推理，实现更广流程、更可靠的管理与决策 ;3. 通过构建算法模型，强化制造企业的数据洞察能力，解决工业中机理或经验复杂不明的问题。成为企业转型升级的有效手段，也是打通智能制造最后一公里的关键 环节。 人工智能技术体系逐步完善，推动工业智能快速发展。一方面是技术实现纵向升级，为工业智能的落地应用奠定基础。算法、算力和数据的爆发推动人工智能技术不断深化，使采用多种路径解决复杂工业问题成为可能。传感技术的发展、传感器产品的规模化应用及采集过程自动化水平的不断提升，推动海量工业数据快速积累。工业网络技术发展保证了数据传输的高效性、实时性与高可靠性。云服务为数据管理和计算能力外包提供途径。另一方面是技术实现横向融合。人工智能具有显著的溢出效应，泛在化人工智能产业体系正在快速成型，工业是其涵盖的重点领域之一。 总体来看，工业智能的发展与人工智能技术的演进密切相关，从人工智能概念诞生至今， 工业智能历经了三个发展阶段。 1. 萌芽期 : 基于规则的专家系统时代 自上世纪八十年代开始，规则型专家系统逐渐成熟，通过归纳已有知识形成规则解决问 题，并成功应用于工业企业管控系统中，如美国车间调度专家系统 ISIS，日本新日铁 FAIN 专家 系统等，实质上就是领域专家知识的固化和程序化执行。 2. 渗透期 : 基于统计的传统机器学习时代 90 年代至二十一世纪初可概括为基于统计的传统机器学习时代。该时期统计学派、机器 学习和神经网络等概念 (即“联结主义”) 盛行，人工智能基于传统机器学习 / 模式识别系统等 统计学方法能够解决机理相对模糊的问题，包括以模糊控制、神经网络控制和专家系统控制 为代表的智能控制理论在工业过程控制和机器人领域的应用 ; 将图像处理方法应用于产品视 觉质量检测，使用机器学习进行工业数据的建模分析，形成工业数据模型并指导优化制造过程。然而以神经网络为主的机器学习方法大多是黑箱方法，其可靠性和可解释性问题限制了 此类实际应用的深入推进。 3. 发展期 : 基于复杂计算的深度学习时代 本世纪初至今可以概括为基于复杂计算的深度学习时代。深度学习、知识图谱等更加复 杂多元的 技术出现，新型的算法对于复杂问题的可解度有了显著提升，人工智能技术逐渐发展到可以解决实际问题并完全超越人类的程度。这一时期的典型代表有: 基于数据驱动的优 化与决策、深度视觉质量检测 ; 工业知识图谱解决全局性、行业性问题 ; 人机协作等智能工业机器人蓬勃发展并广泛应用。 1. 工业智能的定义 工业智能 (亦称工业人工智能) 是人工智能技术与工业融合发展形成的，贯穿于设计、生 产、管理、服务等工业领域各环节，实现模仿或超越人类感知、分析、决策等能力的技术、方法、产品及应用系统。可以认为，工业智能的本质是通用人工智能技术与工业场景、机理、知识结合，实现设计 模式创新、生产智能决策、资源优化配置等创新应用。需要具备自感知、自学习、自执行、 自决策、自适应的能力，以适应变幻不定的工业环境，并完成多样化的工业任务，最终达到提升企业洞察力，提高生产效率或设备产品性能等目的。 2. 工业智能的问题分类 为了更好的分析工业智能的技术与应用体系，我们提出了工业智能的基本框架: 构建一个 四象限横纵坐标轴，其中横轴是机理 / 经验不确定度，与人们对问题机理的认识或自身经验的掌握程度直接相关 ; 纵轴为计算的复杂度，是计算机算法的时间复杂度，与工业机理的复杂性 和算法的实现效率直接相关。据此可将工业领域的问题分为低不确定性低计算复杂度问题、高 不确定性低计算复杂度问题、低不确定性高计算复杂度问题和高不确定性高计算复杂度问题四 类。 除上述工业智能四大技术方向外，工业领域还存在许多解决问题的其它方法: 对于可用清 晰的数学模型描述的问题，通常采用最优化方法进行近似甚至精确求解。对于工艺或过程机理 相对模糊、计算复杂度相对较高的问题，通常利用数学近似的方法对真实物理系统 (几何和载 荷工况) 进行模拟，即有限元分析，实质是对工业问题拆分为若干简单问题的近似求解。对于 复杂度极高或是机理极为不清晰的问题，目前仍然主要通过实验方法来解决，比如原材料的配 比。由于以上方法没有体现工业智能所定义的自适应自学习等智能化特征，故不作过多讨论。 工业智能经历了基于规则、基于统计和基于复杂计算的三大阶段。一方面，三大阶段并不 是相互替代的关系，专家系统、传统机器学习、知识图谱、前沿机器学习四类技术同时共存，并不断交织融合互补长短。另一方面，技术演进脉络日益清晰，逐步形成了以知识图谱 为代表的知识工程和以深度学习为代表的数据科学两大方向。
|
|
|
