去年年底，我们诚邀了AI行业的各方诸侯就2020年的AI行业与厂商自身发展问题进行提问。他们有产业链前端的芯片厂商、大数据厂商、网络厂商、生产设备系统厂商以及研究所等，这些厂商的产品与技术多少代表了目前行业的算力、算法、大数据以及应用水平。这些厂商在过去一年里在AI行业有怎样的发展？对崭新的一年有怎样的期待？AI如何发展？怎样发展？希望这些回答对目前有意义，更对未来更有意义。

回首2019年，各公司在工业AI领域有怎样的发展？

英特尔中国区物联网事业部首席技术官兼首席工程师张宇博士：2018年，英特尔与阿里云IoT联合推出的云边一体化边缘计算产品，帮助重庆瑞方渝美压铸有限公司以机器视觉+人工智能的视觉检测方案以及边缘计算取代传统人员目检，成功率提升近5倍。2019年3月，基于OpenVINO工具包，英特尔和阿里云IoT于联合发布了视频边缘智能服务产品Link Visual 2.0。上海深视科技在Intel X86 CPU上使用OpenVINO定制开发了针对轮胎行业的智能缺陷检测系统。在其米其林瑕疵检测项目中，搭载了OpenVINO的平台配合英特尔CPU的工控机，在没有GPU的情况下，性能提升10倍，缩短了开发周期。

阿里云首席智联网科学家丁险峰：2019年，阿里云和合作伙伴一起,在工业行业建设了很多能力,比如服装行业的智能排产,钢铁行业的瑕疵检测等等。

日电信息系统（中国）有限公司制造装置解决方案事业部总经理戴高敏：

从2019年来看，公司目前主要还是处于对于中国市场开拓阶段，主要涉及2个方面：可视化/数字化，分析预测。

首先是可视化/数字化：主要针对工业制造涉及的物/人，通过物体识别/人脸识别/语音识别进行物料和作业人员的管控。

其次是分析预测：主要针对工业IoT/大数据的进一步价值挖掘。但是这里实际存在一些业界的课题，比如基于的人工智能模型的工业大数据分析和行业经验模型孰优孰劣；另外工业大数据分析基于相关性分析是否足够，是否需要因果分析，是否具有可解释性也存在一定争论和探究；还有就是基于人工智能的工业大数据分析的成熟的商业模式。

北京天泽智云科技有限公司数据科学家/解决方案副总裁史喆：在2019年公司完善了工业AI DevOps的工业智能产品体系建设，完成了预期目标的工业AI无忧场景落地。公司与东方风电和做的IPACOM智慧风场系统通过认证，并在2019年的风能展正式发布。公司自主研发的数控机加工刀具寿命评估系统MachiningInsight在2019年工博会正式发布，获得市场一致认可。

英博超算（中兴通讯集团一级子公司）总经理田锋：在2019我们推出了面向汽车智能化、轮船和水下潜航器无人化的的工业和车规级域控制器解决方案，并在国内多款量产的车型上成功进行了装车适配，取得了很好的效果。2020年将有相关量产车型上市。 

深视创新（DeepVision）创始人/CEO许琦：深视创新是一家才成立三年的AI技术型创业公司，2018年我们正式推出产品面向工业AI瑕疵检测市场，比较幸运的是受到了国内大多数视觉检测设备制造商的认可，也得到了像美的、富士康、比亚迪、TDK等顶级制造型企业的认同与应用。我们做到了将深度学习技术在工业瑕疵检测应用中的真正落地。虽然刚刚起步，但是收获颇丰。

艾斯本化工行业巿场总监Morse Marie Paige 博士（左），

艾斯本资深高级解决方案咨询顾问竺建敏博士（右）：2019年7月，艾斯本收购了一家物联网数据分析及人工智能技术提供商Mnubo，Mnubo技术可为智慧企业提供可拓展的人工智能（AI）驱动解决方案。通过将一流的工艺模型和深度的流程工艺专业知识与AI功能相结合，以数据支持自动化生产和制定决策，优化工业资产。

 2019年10月，艾斯本推出了Aspen Enterprise Insights，这是一个可视化工作流程管理解决方案，能够帮助资本密集型企业通过对整个资产生命周期和价值链的数据进行分析，向各层级用户提出可执行的方案，提升运营水平。 

瑞萨电子中国物联网及基础设施事业本部工业自动化事业部高级总监徐征：安全、可靠、低成本是瑞萨电子在工业领域主打要点，而工业以太网、互联互通、实时控制、安全以及节能是工业AI的核心技术。2019年，我们在中国国际工业博览会上展示了一套工业网络系统，包含基于RZ/N1的一个主站设备和两个网关。主要应用于主站设备，如PLC、传感集线器、网关；以及从站设备，如通信模块、远程I/O、电机控制等领域。其中RZ/N系列非常适用于工业网络设备，将多种工业网络技术整合于单个芯片中，能够让系统制造商在更短的时间内开发出支持各种工业网络协议和网络冗余协议的系统。

除此之外，我们正在研发一种旋转变压器电机控制解决方案，这个方案是基于RX MCU和旋变信号解码芯片。它不仅可以实现16,000脉冲光学编码器的同等位置控制精度，通过使用旋转变压器控制2轴BLDC电机，还可实现机械臂的高精度定位和同步控制，广泛适用于户外工作的恶劣环境。

ADI公司中国区业务拓展总监王翔：2018年，ADI公司成功收购OtoSense。OtoSense的人工智能平台专用于声音和振动信号的传感解译，不受位置限制，支持对任何资产进行监控。2019年10月，ADI收购Test Motors，这是一家专门从事电机和发电机预测性维护的公司。ADI公司计划将OtoSense的软件与Test Motors的监控功能相结合来创建解决方案，通过捕获潜在故障，为机器提供先进、全面的健康状况监测，为客户提供具备完整的早期异常检测功能的系统，避免代价高昂的意外停机。

Xilinx 公司工业、视觉、医疗及科学(ISM)市场经理翁羽翔（Trevor Weng）：赛灵思在工业AI领域，可以提供全套的系列解决方案，包括通过提供安全性的连接、控制、视觉、线路、

软件和人工智能来帮助客户开发所需产品。

 2019年我们推出了全面支持从边缘到云端全域开发的Vitis统一软件开发平台，包括Vitis AI开发环境、Vitis加速库、Vitis运行时库等等。其中，Vitis AI是人工智能开发平台，适用于在赛灵思硬件上进行AI推理。DSA 提供了针对 AI 模型的硬件实现，开发者可以使用包括 TensorFlow 和 Caffe 等框架对其进行配置与编程。Vitis AI 提供的工具链能在数分钟内完成优化、量化和编译操作，可以在赛灵思器件上高效地运行预先训练好的 AI 模型。此外，Vitis AI 也为从边缘到云端的部署提供了专用 API，实现推断性能与效率。

Achronix公司产品营销总监Bob Siller：Achronix设计量产高端的FPGA器件和嵌入式FPGA（eFPGA）半导体IP，后者可以集成到定制ASIC或SoC器件中。对于工业人AI应用，我们的SpeedcoreeFPGA IP为ASIC和SoC设计人员提供了一种在其设计中嵌入灵活性的新方法。通过将SpeedcoreeFPGA IP嵌入到SoC中，设计人员可以通过简单地对器件内部的硬件进行重新编程以适应不断变化的人工智能工作负载和算法。这种模式可以支持工业系统制造商在不更改系统内部硬件的情况下，将新型智能算法部署到其工业机器中，扩展其设备生命周期。SpeedcoreeFPGA IP已通过我们的Speedster7t独立FPGA器件进行了硬件验证。Speedster7t FPGA器件中的机器学习处理器等架构性创新也可以在SpeedcoreeFPGA设计中获得授权。

安森美半导体亚太区现场应用工程经理彭宗良：机器人视觉正在以两位数快速增长。最新趋势是协作机器人(Cobots)，即人与机器协同工作。这意味着机器将具有视觉功能，可省去人力。摄像机还将为机器人手臂带来3D视觉和深度感知的更多智能。

2019年，安森美半导体开发了系列高能效、高灵敏度和高动态范围图像传感器。ARX3A0能够每秒捕获360帧（fps），性能就像全局快门传感器一样，同时提供与2.2 µm卷帘快门像素格式相同的功耗、尺寸和性能优势，应用领域包括：使用AI来检测特征、工业自动化及导航领域中的的物体和图形识别。 最近，ARX3A0 CMOS图像传感器获“全球电子成就奖”的“年度传感器创新产品”。

我们还提供超可靠的网络联接来传输此类图像传感器数据。公司高性能Wi-Fi方案符合802.11ac标准，提供大覆盖范围和大容量，减少工业环境所需的接入点数量。

如何看待2020年工业AI的发展？

丁险峰（阿里云）:2020年，将是工业互联网蓬勃发展的一年，工业互联网主要解决的是三大集成。第一是把IT和OT软件集成，那么这样就会产品大量的OT数据，从而能够发挥大数据和人工智能的能力；第二是产品的生命周期的数据集成，从设计环节到使用环节，这样也会产生很多样本数据，可以对比使用过程的数据是不是符合设计时的指标，是不是在误差范围之内，有没有经得起温度、湿度、疲劳程度的考验，这些数据将会形成大数据，从而大大发挥人工智能的算法能力，找出以前设计中没有考虑到的问题。第三是产业链上下游整合，产业链上下游整合是数据的交换，结合IT和OT的数据，那么可以更好的预测上下游的订单的变化，也可以预测客户的需求的变化，根据这些变化，可以更好的安排生产，从而更快的满足客户的需求。

德国汉堡科学院院士，汉堡大学多模态智能系统研究所所长张建伟：2020年，国际制造业将产生巨大的竞争压力，企业转型升级、提质增效、去本减存的动力愈加旺盛。跨界人才培养将是2020年工业AI的成功发展的瓶颈问题。后全球化时代的新格局中，将使核心算法、芯片以及核心硬件系统的自主开发愈来愈受到高度重视。工业AI应用的宽度及深度都会有所增加，其发展主要体现在：1.物联网5G技术应用将快速展开；2.企业普遍上云带来多模态丰富的数据；3.AI开源算法日益成熟；4.AI驱动决策将进入普及；5.机器视觉尤其是3D视觉正走向实时应用；6.AI算法与机器人、自动化的模块化快速组合应用，软硬融合。

史喆（北京天泽智云）：工业AI是工业互联网，工业大数据落地的具体形式，也是工业智能化当中最核心的技术，也是价值点所在。2020年企业和社会对工业AI的认识会比2019年更加清晰，企业的需求也会更加明确。2020年会是工业AI快速落地的年份，同时早期开始实施的工业AI场景及产品也会进入产业化阶段。面向制造业对于生产和产品提质、增效、降本、减存的需求，各行各业对于工业智能的需求量会在2020年集中爆发。各省市对于工业大数据，工业互联网，智能制造都提出了各自对2020年的计划，包括智能工厂建设，智能服务平台建设等，按照目前计划，2020年一定会出现对工业智能技术的大需求。2020的工业AI会出现更加百花齐放的场景。

田锋（英博超算）：工业AI的大趋势不可避免，但目前工业AI解决方案的成本很高，灵活度亦欠缺，所以未来5年都是工业AI打基础的时期。软件算法和硬件算力都需要演进和提升，之后才会迎来工业AI的高歌猛进时期。

许琦（深视创新）：我认为2020年是工业AI特别是深度学习技术在工业视觉中的全面爆发年。过去的工业视觉依赖传统算法技术近20年，在人工成本急剧增加和生产、检测效率急速提升的前提下，遇到了较大的瓶颈，导致若干年停滞不前。经过2017、2018、2019三年多的时间，深度学习技术逐步被传统机器视觉与制造业所认识与接受，海量的应用场景亟待其落地解决，AI不再是飞在天上的概念。2020年以深度学习技术为主的工业AI应用大爆发顺应社会发展趋势，顺应国家战略。

深圳芯视微系统科技有限公司创始人/CEO 洪昌黎博士:制造升级为电子制造业带来的是前期巨大成本，但在这进程之中，电子行业也将迎来大量的市场需求：无论是工业机器人、自动化设备，还是智慧工厂和工业4.0系统，都将对集成电路、电子元器件、传感器、控制板卡、电源模块及嵌入式系统产生大量需求。制造技术带来的转型升级自不必提，单单工业4.0与智慧工厂的落地，就将直接为半导体、元器件、传感器、控制板卡、电源、嵌入式系统等带来巨大的市场商机。

智慧工厂是现代工厂信息化发展的一个新阶段，智慧工厂的核心是数字化、信息化，数字化将贯通生产的各个环节，即融入人工智能的技术，从设计到生产制造之间的不确定性降低，从而缩短产品设计到生产的转化时间，并且提高产品的可靠性与成功率。

人工智能以机器视觉为输入口，算法为基础，通过大数据优化工艺流程，以机器学习的方式，强力促进智能制造与服务，将大幅提高劳动生产率和经济效益，是技术创新发展的重要方向。

 戴高敏（日电信息系统（中国））：2020年我觉得在可视化/数字化方面会是长足进步的一年，结合设备互联真正做到万物互联，真正的工业互联网。在分析预测方面，一方面是设备稼动/维修预测作为成熟领域会进入一个充分竞争的局面。而基于人工智能的工业大数据挖掘还需要一段时间研究和实验实践，尤其是商业模式的创新方面会是一个热点。Morse Marie Paige 博士/竺建敏博士（艾斯本）：工业AI有望成为2020年及以后的化工行业发展的主催化剂。工业AI不但能够感知当前环境，识别模式与场景，还可以根据所收集到的信息进一步作出优化决策。在短期内可通过整合当前操作状态及工艺条件，帮助企业进一步优化未来生产操作，自动适应生产原料、催化剂活性和设备状态等条件的不断变化，提高产能和提升效率。通过整合先前工业资产装置设备的开、停车数据的深度分析，进而提高工作效率和安全性。通过整合机器学习所得出的结果，不但可以有效避免计划外的停机以及排放和安全问题，还可通过优化控制生产来提高企业营收。

 徐征（瑞萨电子）：随着越来越多智能化设备的投入工业生产和日常生活中，我们所处的世界正从模拟量的物质世界转变为智能化的数字世界。设备端、云端、大数据、物联网相辅相成， 使智能化快速发展。因此2020年的工业AI发展前景可期。在未来的工业系统中，IoT技术，以及传感器技术、数据传输、数据管理等不断发展，为智能化技术实施提供了可靠的感知基础。但是我们目前的实际应用中依然大量依赖于以人的决策和反馈为核心，这就导致系统中有很大一部分的潜在价值并没有被释放出来。系统越是复杂，人的学习曲线就会越缓慢，而当人的学习曲线比技术的进步速度慢时，人就会成为制约技术进步和应用的瓶颈。而人工智能为工业带来的第一个革命性的改变，就是摆脱人类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的依据。

王翔（ADI）：在普华永道第22期全球CEO年度调查结果表明，85%的CEO认为未来五年人工智能将极大改变他们的运营方式。人工智能已经逐渐进入到生活和工业的方方面面，实实在在的影响着决策者的运营方式，2020年人工智能的应用必然会继续在落地的加速通道前进。

Bob Siller（Achronix）：得益于将人工智能嵌入到这些系统中的重要价值主张，工业AI在2020年中将继续变得越来越重要。例如，人工智能可以确定预防性维护计划、自动化车队物流、改进质量控制并主动检测系统故障等。这使得工业系统能够更长时间地保持在工作状态，防止意外停机并提高操作人员的安全性。在工业系统中，由于故障和变更的成本非常高，因此人工智能的价值是极其重要的。工业工厂产生大量的结构化和非结构化数据。借助人工智能，大家就有机会对这些数据进行分析并推动自动化和优化，从而提高生产效率并降低成本。

彭宗良（安森美）：制造业极适合应用AI。这从设计流程、生产流程到供应链和管理。AI将改变我们的产品制造方式和我们如何处理工艺材料。AI将应用于智能维护、质量4.0、人机协作和产品改进。2020年工业AI将仍蓬勃发展。需要更多的传感器数据来支持这增长。然后，这些数据将转化为制造大数据，从而使企业能更有效地管理运营。

工业AI的未来将面对怎样的技术与应用挑战？

 丁险峰（阿里云）：工业AI的未来将会面临很多挑战。工业的数据属于不同的个体，那么这些数据如何汇聚到一起，才能做出更好的算法？那么反过来如何把训练过程分发到每一个数据拥有者那边，而不是汇聚起来。这样集腋成裘的方式，如何快速的提高训练效率呢？这将是极其巨大的技术挑战。工业中第二的挑战是应用，今天的很多的应用还主要停留在缺陷检测这些小的案例上，而不是影响整个行业效率的产业链优化上面，而产业链优化，数据尤其稀缺，尤其是实时的，动态的数据稀缺。

张建伟(汉堡大学):

·感知技术从单维感知技术正在过渡到多模态感知系统，能处理非结构型数据以及非欧几里得数据，工业AI技术需要像人类神经认知系统有效地学习和整合跨模态信息。

• 工业AI系统也必须学会在动态，不确定和嘈杂的现实条件下处理跨模态信息，达到高效鲁棒。

• 使工业AI学习人的感知和工艺学习能力，并将把高精的工艺通过数据化和智能化留在机器里。

• 需要超越多模态深度学习的新计算范例，泛化和预测，自上而下的基于知识的方法。

戴高敏（日电信息系统（中国））：工业AI的未来充满希望，但是和政府金融行业相比存在很大的区别。从应用方面最深刻的一个问题是工业企业的差异性太大，企业规模，行业特性等。比如对于大型企业/标杆企业有实力可以针对一些前沿技术/成套设备或解决方案进行一定的投入，但是针对中小型企业，对于投资效益非常敏感，可以分阶段模块化实施的成熟技术/产品将会更适合他们。从技术角度来看也会是百花齐放，既需要现场毫秒级精度控制技术，也需要海量数据的管理技术，同时工业信息安全等安全技术也急待解决，可以用Real，Remote，Dynamic来归纳这些技术的特点。

 史喆（北京天泽智云）：工业AI还是应当聚焦工业，目前还有很多工业AI产品还是在早期研发阶段，未来的工程化及系统化部署会成为工业AI落地的很大挑战。从技术层面来讲，工业AI会集成很多不同领域的新技术，在技术整合及集成创新方面的技术挑战会更加明显。同时工业智能还会面临工业领域数据不完整，数据获取困难的挑战，需要企业大力支持才能获取高质量，可用的数据集。

许琦（深视创新）：首先，工业AI的未来面临工业应用场景多元化，个性需求多样化，且无法统一的挑战，每一项应用场景的落地对于AI研究者都是一个巨大的研究课题。如果要落地不是一朝一夕能解决的，需要在工业应用场景上有长期的沉淀积累的过程。

其次，工业AI的工业场景落地，还会面临传统深度学习技术本身对样本量的无节制要求与实际样本稀缺的直接冲突。应用技术与底层技术研究者必须要根据工业场景解决此类问题，否则落地会受到较大的阻碍。

田锋（英博超算）：工业AI面对的挑战如同一个潜力巨大的孩子，最大的挑战是自身的发展速度与社会对他的期望和要求之间的矛盾。成本太高，灵活度柔性不足是极需要解决的问题，但社会关注度很高，国家研发投入支持力度很大，我总体看好工业AI的未来发展。

 洪昌黎（深圳芯视微）：制造升级为电子制造业带来的是前期巨大成本，但在这进程之中，电子行业也将迎来大量的市场需求：无论是工业机器人、自动化设备，还是智慧工厂和工业4.0系统，都将对集成电路、电子元器件、传感器、控制板卡、电源模块及嵌入式系统产生大量需求。

制造技术带来的转型升级自不必提，单单工业4.0与智慧工厂的落地，就将直接为半导体、元器件、传感器、控制板卡、电源、嵌入式系统等带来巨大的市场商机。

智慧工厂是现代工厂信息化发展的一个新阶段，智慧工厂的核心是数字化、信息化，数字化将贯通生产的各个环节，即融入人工智能的技术，从设计到生产制造之间的不确定性降低，从而缩短产品设计到生产的转化时间，并且提高产品的可靠性与成功率。

 Morse Marie Paige/竺建敏（艾斯本）：早期实施数字化战略转型的化工企业都已崭露头角，多数企业的数字化转型在高层领导的大力推动下得以实施。实现卓越运营是这些化工企业的早期奋斗目标，但一些企业已经开始拓展基于数字化战略的新业务，其中包括产品在线订单处理以及数字化分析等功能，用以评估产品性能和建议更新生产排产方案等。目前，化工行业数字化普及所面临的主要挑战是企业对于操作安全性、业务复杂度和生产工艺流程复杂性以及对变革的阻力的担忧。

徐征（瑞萨电子）：目前的工业AI技术在工业领域的应用可以粗略的分为两类，一类是传统自动控制相关的业务及技术领域，指利用设备或装置，使机器、设备或生产过程的某个工作状态或参数自动地按照预定的规律运行；另一类，通过对企业生产及服务过程中积累的历史数据，采用深度学习等人工智能的模型算法，发现数据的内在规律及新的价值，用于改善设计、生产及服务等工业业务环节。

工业AI目前面临的挑战有三方面：

其一是机器与深度学习在工业领域的应用与其他领域不同，人工智能的深度学习都是基于完全标准的大样本静态特性学习。而在工业领域，工业AI则需要对不完全、无标准样本的动态特性进行学习，在深度学习技术层面这带来了很大的阻碍。

其二是工业设备、产品质量、能耗以及运行状态的预测与追溯，这是工业AI应用的一个主要方面，同时也存在着各种各样难以解决的痛点。工业生产的过程是一个将物质流、信息流、能源流相互作用的复杂过程，其中的动态特性随工业运行过程不断变化，对这个复杂流程进行准确的预测，目前的工业AI技术还存在着诸多有待完善的地方。

 其三，在工业生产工过程中工业AI所收到的都是小数据，但要通过这些小数据去解决大问题。在数据信息感知层面，制造过程中的AI决策面临着开放环境、获取信息不完全、规则不确定等难题，同时在做出决策时还要平衡质量、效率、消耗等多冲突目标。

王翔（ADI）：未来，人工智能必然会在更多领域获得拓展，就像OtoSense技术的声音和振动专业监测，不仅可以在工厂设备中进行监测，还可以在航空航天、汽车等领域获得广泛应用。当然，不同的领域必然有不同的特征，人工智能需要对特定用例的数据分析和训练，面对更多不同领域的新应用，从信号链到算法都需要面对新的需求挑战，还包括从边缘端的数据采集到云端分析，每个环节的技术都会。正如人的大脑在不断进化一样，AI技术也在不断地演进。

翁羽翔（Xilinx）：工业AI与通用AI本质上没有区别，其实就是各种设备之间的通讯，当采集和计算能力达到一定的要求后，通过软件对这些能力进行整合后加以分析，对工业中出现的具体问题进行自动解决。所以，在技术领域中，第一个面临的挑战是算法算力。不管将AI技术应用到任何领域，对于算法算力的需求都是非常大。现在AI的算法可谓是日新月异，如何针对不同的工业需求通过升级软件、硬件来适应快速变化的算法是一项挑战。

 另一个方面就是工业场景和人工智能深度融合的问题。众所周知，设备之间的通信依靠的就是数据的传递，与消费级的数据相比，工业数据数据采集流程更长，需要更高的准确性和有效性。因为对工业应用来说，对风险控制和响应能力的要求要高的多。工业设备采集的数据往往较为复杂，有接近一半的数据是没有相关性的。因此，安装大量高精度的传感器非常有必要。由于工业环境恶劣，对于元器件自身的包括功耗、耐高温等特性也有很高的要求。 

除此之外，人工智能布局工业是一个漫长的过程，我们常说场景大于数据大于算法。场景不是随便可以找到的，它往往来自对工业和智能技术足够的理解，如果没有专业的知识加持，即使是最智能的算法也是不能发挥作用。一般来说，人工智能的高端人才主要集中在互联网行业，他们可能对于各个工业领域的相关知识掌握不是很准确。因此，培养既掌握行业专业知识又充分了解人工智能的人才也是一个漫长的过程。

Bob Siller(Achronix)：实现工业人工智能系统主要有三个挑战，包括：

1）了解人工智能可以在哪些方面带来真正的商业价值：实施人工智能解决方案的第一步是确定将在哪些方面实现真正的商业价值并取得可衡量的结果。通过使人工智能策略与可衡量的商业影响保持一致，可以在组织内获得支持和资源，以推动该战略向前发展。

2）收集正确的数据以确保合理地创建学习模型：拥有训练人工智能模型的数据至关重要。然而在工业环境中，这些数据是以不同的格式和在不同的垂直领域中创建的。工业人工智能面临的挑战是获取正确的数据并将其转换为可以清晰定义条件的模型；利用这些条件，可以确定哪些是正常行为或者异常行为。如果做得不好，人工智能的价值就不会在一家组织中得以实现。

3）创建一种可在整个工业生命周期的15年及更长时间内持续保持灵活性的解决方案：一旦确定了工业人工智能的实施应用场景的合理性，并指出了如何训练模型，下一步就是找到可以进行推理的技术解决方案。在典型的工业应用中，这一挑战就是如何设计人工智能硬件以支持15年的生命周期。

人工智能的发展演进是如此之快，以至于无法期望从现在起15年内用同一个静态的人工智能平台就足够了。因此，需要仔细考虑以确保在产品生命周期的整个过程中保持灵活性。这是基于FPGA的解决方案的理想之处。通过实施基于Achronix FPGA的人工智能解决方案，可以对硬件进行重新编程，以随着模型和算法的发展纳入未来的变化。硬件的可编程性是下一代工业人工智能系统的必备功能。

彭宗良(安森美)：由于现在需要比以往更多的传感器数据，因此至关重要的是，除要支持这一点，还要同时在赋能AI的传感器中保持非常低的功耗。 数据安全性也是我们需要解决的主要应用挑战之一。

AI是工业4.0革命的关键元素之一。但它不限于用于制造环境中。AI算法还可用于搜索与位置、社会行为、消费者偏好、需求和许多其它因素相关的模式来帮助公司预测市场变化，从而优化制造供应链。

如何看待中国工业AI发展优势、不足？将面临怎样的挑战？

张宇(英特尔中国区)：总的来说，中国的工业AI尤其是工业物联网还处于起步阶段，仍面临很多挑战。

从中国的终端市场来看，制造业企业可以被大致划分为大、中、小三种类型。大型企业可能会更加系统化、结构化地去布局构思设计它的工业数字化、智能化转型的架构或者商业模式，有些大厂甚至会构建自己的工业物联网平台，比如建立自己的私有云系统。他们在数字化、智能化改造的过程中面临的核心问题之一是如何利用物联网技术规模化提升产品质量和良品率，从而降低原材料消耗和人工成本投入。

与此同时，我国拥有众多产值在1000万元以下的中小型制造业企业，面对这些中小型工厂，工业互联网的应用和普及更加具有挑战性。此类工厂缺乏IT基础设施和完备的生产管理流程，对工人操作规范的监督等也缺乏有效的管理手段。

值得注意的是，工业领域和传统的其他物联网领域不一样，尤其是和消费类物联网相比有很大不同：第一，它对实时性要求非常多，为什么我们谈自动化（OT），一般在消费领域不谈OT，在消费领域谈的都是信息化（IT），只有在工业领域才涉及到OT的问题，这直接涉及到对于产量信息的控制管理。而对机器控制管理，往往都是毫秒级甚至在微秒级，所以它对实时性的要求更高。第二，我们看到在跟产线上的工厂的一些用户进行交流的时候，他们对于可靠性方面的要求也更高，对产品监控质量往往都是很高的。在其他的物联网领域，如果有一些小的差错，客户也许是能够容忍的，但是工业领域的要求是不一样的，工业领域对技术方面，包括芯片的算力、可靠性，以及软件相应的功能、可靠性都提出了更高要求。

工业物联网的平台，平台的基本属性是可复制、可规模化部署，在工业物联网里面，场景非常复杂，怎么样能够从这些场景里抽象出共性的功能，从而平台化，这是未来工业物联网能否在国内市场普及的非常重要的问题。

丁险峰(阿里云)：中国工业AI在缺陷检测这类的工作上取得了长足的进展，但是因为中国企业长期以来不重视机理模型，或者说只有国营企业才比较能够投资那些仿真软件，长时间研究机理模型，如果不是在机理模型的基础之上，再来研究人工智能的算法的话，那么即使算出来的结果，工业企业也是很敢用。人工智能很擅长分析各种工业指标的，比如Cycle time、精度、误差，分析这些指标都是基于机理模型的。目前除了机理模型就是回归算法，但是基于深度学习的算法，应该可以发现更有意思的问题，对于工艺改良，流程改进，等方面都有极其巨大的帮助。

张建伟(汉堡大学):中国利用信息通讯技术迭代快、工程师红利等优势,政策实用灵活，已经实现了在代工到制造的转变，在智能制造的部分领域已经凸显应用领先的兆头。中国已经形成了研发、制造、服务、后市场完整产业链，培育了完整的供应商体系和代理商体系，产品种类和制造能力的全覆盖国家,正在改变世界制造装备产业的格局。

各类企业差别巨大，工业2.0、3.0的企业与工业 4.0的企业共存，低端开发应用重复较多，高端研发和企业不足。传统对IP及软件的忽视，付费伦理较弱。

l中国工业AI应该充分利用智能物联网(AIoT )等高新技术的新时机，赋能智能装备+工业软件，围绕机器人AI智能装备创新应用的重点，软硬并驱发展。

l在政府搭台推动下，产学研深度合作，创造各类各行业最优实践。

l做好人才培养与高层次人才引进，对接海外科研、产业、人才等，成立联合实验室、孵化器等,实现工业AI关键核心算法库及集成关键技术的突破及其储备，实现工业AI重大技术和高端装备自主发展，过自主创新打造出更多的自主产品、品牌。

l扎实推进国际化步伐，参与“一带一路”建设的重点产业，重视以德国为代表的制造强国的有效合作及对接，梳理国际品牌，实现国际业务与国内业务平衡、匹配、可持续。

史喆(北京天泽智云)：我们的优势是有大量的设备使用，这就有很好的数据基础，这是我们的优势。但是我们在工业软件，工业高附加值产业上的不足会成为工业AI面临的挑战。

 洪昌黎博士(深圳芯视微)：中国人工智能技术攻关和产业应用虽然起步较晚，但在国家多项政策和科研基金的支持与鼓励下，近年来发展势头迅猛。

尽管中国在一些人工智能关键技术尤其是核心算法方面与发达国家水平相当，但中国人工智能整体发展水平与发达国家相比仍有较大差距，比如在高精尖零部件、技术工业、工业设计、大型智能系统、大规模应用系统以及基础平台等方面。另外，中国人工智能技术发展还面临着体制机制、创新人才、基础设施等方面的挑战。

 徐征(瑞萨电子)：中国的一直都是传统的工业强国，庞大的工业规模与人口基数造就了全球最大的工业需求市场。有市场空间、有消费能力，这就给工业AI的发展带来了无限的可能性。另外值得提到的一点便是中国政府对于工业人工智能发展在政策上所给予的大量支持。中国提出的“十三五规划纲要”将大数据和云计算急速、高端工业领域以及配套的人工智能技术作为重要的突破点，为了支持工业AI技术的快速发展，不断有相关的利好政策出台。

众所周知，工业智能化并不是一撮而就的，需要一个长期发展的过程。目前中国处于的便是工业智能化一个重要的转型期。目前中国所面临的便是核心技术与相关复合型人才的缺失。

翁羽翔（Xilinx）：自全球都在谈论第四次工业革命即将到来，中国也在积极转型。虽然中国经济发展和一些发达国家相比较晚。但是在工业AI上还是具有自己独特的优势，首先，政策的推动。据统计，从1981年开始，中国在科技产业投入了非常大，人工智能连续三年被写入总理政府工作报告，并成为促进新兴产业加快发展的新动能。这使得不少新兴科技类公司快速崛起，只有政府完善人工智能基础设施的建设，才能让技术稳步落地。其次，中国的有很多大的工业数据，可以堪称“世界工厂”，并且从数据获取程度和相对难易程度来讲，中国是相对简单的。

尽管人工智能的燃料是数据，但是中国在一些核心技术上较发达国家还是有很大差距。第一个，基础算法差距表较大，算法的迭代速度非常快，中国要做的不只是学习，更要在算法的基础上做到扩展延伸。第二个，人工智能相关的高端芯片、传感器技术比较薄弱，虽然在政策的推动下中国有一些本土的企业，但是在功能特性上与国外还有一些差距，不仅是硬件，在软件上也有明显不足，目前为止，中国还没有形成一个有影响力的人工智能开源开放平台。还有一点就是核心人才的短缺，虽然中国在政策的推动下，很注重人才的培养，但目前阶段大部分人才也还是在培养阶段，核心人才数量较发达国家有一定差距。

彭宗良(安森美)：工业AI的发展无疑将为中国制造智能化做出积极贡献。它将帮助制造商高效地管理工厂。 许多公司面临的主要挑战是初始启动成本和投资回报率(ROI)，这可能需要5年时间，以及如何为工人进行再培训以执行更高级别的设计、编程或维护工作。

在工业AI的生态系统中，公司提供怎样的解决方案？发展前景如何？面临哪些问题？如何解决？

张宇(英特尔中国)：工业互联网产业迅猛发展，而带宽的增长速度已经无法匹配工业互联网领域所产生的大量的数据，针对边云协同的产业趋势，英特尔凭借其领先的边缘计算和人工智能技术推出了适用于边缘计算，涵盖芯片、板卡以及软件工具的人工智能产品的全栈解决方案。这套解决方案可以被应用在从智能摄像机，智能网络视频存储器到智能视频服务器的各种设备中。基于这一全栈式解决方案，英特尔正通过“边缘计算+人工智能”化解大型工厂、中小型制造业企业在信息化和自动化转型过程中的难题。

此外，英特尔还联合国内顶级合作伙伴，在汽车相关产业链、电子和纺织等行业，实现了基于边云协同的计算平台，切实将机器学习和深度学习技术应用于工厂产品质量检测。

英特尔Movidius Myriad X视觉加速芯片：英特尔在2018年推出了Movidius Myriad X视觉加速芯片，这一面积仅有8.8x8mm，功耗仅有2W的视觉加速芯片，能够提供1T的计算能力。通过该芯片，AI视觉模组VisionSeed在AI应用开发过程中能够直接对画面进行实时推理，并给出分析结果。

英特尔OpenVINO工具包：英特尔于2018年推出了OpenVINO（开放视觉推理及神经网络优化）工具包。其中囊括了英特尔深度学习部署工具包，具有模型优化器和推理引擎，以及面向OpenCV*和OpenVx*的优化计算机视觉库，增强视觉系统功能和性能。

丁险峰(阿里云)：阿里巴巴给工业算法企业提供全栈的大数据能力和人工智能的平台能力，包括标注工具，训练工具，还有边缘智能工具，可以让这些公司快速的部署算法和应用。

戴高敏(日电信息系统)：我们公司将基于日本NEC的先进技术，针对中国市场提供以我们MES解决方案（M-MES模块组合式MES）为核心的NEC DXFactory的工厂数字化转型解决方案群。包括人脸识别，语音识别，物体识别的IoT/AI解决方案；基于5G网络的AR远程支援解决方案；也包括工业大数据解决方案，并提供基于人工智能模型的数据挖掘服务等多种解决方案。

 史喆(北京天泽智云)：公司提供工业AI DevOps研发及应用产品体系，一直针对场景的工业AI闭环解决方案，如针对风力发电的WindInsight，针对机加工的MachineInsight等。目前工业AI从基础平台到解决方案还处于起步及早期阶段，市场仍然巨大。未来公司会面临工程化及大量部署后的运营维护的挑战，这样就需要我们和客户之间紧密合作，不断磨合，甚至创造新的商业模式来支撑未来发展。

田锋(英博超算)：在工业AI的生态系统中，英博超算提供核心的车规级和工业级与控制器基础解决方案，提供黑盒、灰盒、白盒等三种开放的合作模式。我们提供基于自主研发的中间价的通用快速开发接口，并且提供全能的数字积木硬件开发平台，可以有效地满足各行各业工业AI应用开发和项目实施的需求。

许琦(深视创新)：深视创新是一家以深度学习底层技术为核心，工业视觉瑕疵检测为落地应用的计算型企业。公司提供的Galileo系列平台，针对企业在工业生产过程中的瑕疵质检环节进行全面AI化。

第一、面向质检视觉设备商提供Galileo-X深度学习算法建模平台，与Galileo-T通用工业视觉检测控制平台。解决设备中核心算法大脑与控制软件的问题。

第二、面向工业生产企业，提供工业瑕疵检测视觉套件。将核心深度学习算法与检测控制平台、视觉成像系统、AI解析芯片进行全方位整合，提供整体的产线AI瑕疵检测解决方案。

第三、针对工业检测智能化过程中遇到的样本量问题，推出Galileo-D工业瑕疵样本库。向企业提供海量瑕疵样本，快速解决AI瑕疵检测的实施速度。

洪昌黎(深圳芯视微)：要真正实现工业4.0，我们还需要让人工智能装置“看见”。目前市面上的工业级深度摄像头动辄十几万到几十万，精度高至微米级，居高不下的单价一直让3D深度感知领域居于一个高精细工业利基市场等级，无法普及到更多的应用场景。

我们推出的OPUS芯视微基于自主核心技术的MEMS微振镜芯片。我们还成功研发出三维深度摄像头AP-1，它可以在0.5米感测距离内达到0.2毫米的精度，价格仅为千元等级，该产品将在2020年量产，可应用于抓取分拣、仓库分类归位等。

藉由AI+5G技术，OPUS芯视微将坚持用自主创新的MEMS微振镜芯片技术，去赋予包含工业级视觉机械手臂、工业级高精度检测、工业机器人等智能移动终端装置深度视觉感知。

徐征(瑞萨电子)：瑞萨电子对于工业AI的发展前景持有较强信心，但是目前的半导体市场并不是风平浪静，也存在着诸多挑战，同时，瑞萨电子早已布局工业领域。

2017年，瑞萨收购了美国Intersil。2019年3月，瑞萨又完成了对美国模拟器件供应商IDT的收购。前者是为了补强自身的电源管理相关技术，而后者则补充了传感器和连接等相关技术及产品线，再配合瑞萨本身的传统优势MCU和片上系统SoC，这让瑞萨能够为客户提供更全面的解决方案，涵盖了从输入到输出整条半导体产品信号链。

在工业AI及自动化领域，瑞萨也带来了多套解决方案。其中最为前沿的技术为嵌入式人工智能（e-AI）解决方案。瑞萨电子e-AI解决方案是利用嵌入式人工智能单元使现有设备有望通过终端实现智能化，包括在终端上使用人工智能进行AI推理执行，包括数据收集、存储、分析及控制。通过该解决方案制造商们能够了解到如何将e-AI技术直接集成到现有工厂设备中，从而显著提高生产率。e-AI支持异常状态的准确故障预判，并在提高产品质量的同时实现预测性维护。

王翔(ADI)：像人工智能在工业状态监控中的应用一样，人工智能应用不是单一技术，而是结合了技术和方案的系统级解决方案。ADI公司的技术产品解决方案在MEMS（微机电系统）传感器、灵活的信号调理和数据转换技术、带电源组合的处理和通信解决方案等方面都有所突破，可提供经优化的无线和有线状态监控解决方案。将这些技术集成到可部署的解决方案中需要专业领域的知识，包括资产和应用见解、机械设计和附件等考量因素，以及将信息转换为诊断算法的能力。

ADI积极拥抱“超越摩尔定律”的战略思维，即在先进信号链技术解决方案基础上为客户提供更加完整、系统化的解决方案。比如，ADI从振动信号采集拓展开来，加强振动数据解析算法研究，并通过收购TestMotors和OtoSense硬件监测平台与人工智能系统技术提供商，形成从信号链到完整方案的系统化解决方案。未来ADI将为全球工业4.0的落地提供更多的融合人工智能的系统化解决方案。

Morse Marie Paige 博士/竺建敏博士(艾斯本)：复杂的特种化学品企业需要具有创新力的供应链及计划优化解决方案，帮助企业管理生产以及满足跨多个地区和终端用户需求。艾斯本的供应链解决方案通过一个共同协作平台实现无缝连接的操作，使供应链和企业内部运营得以互相协同并做出前瞻性决策。

例如全球领先的硅树脂和先进材料集团Momentive采用了Aspen Schedule Explorer软件重新设计其北美的供应链网络，使厂区库存减少25%的同时订单交付率（OTIF）提高了20%。多变量分析提高了生产厂商的产品质量，提升了产能，减少浪费，提升了利润率，并确保了交货时间的准点率。这种解决方案在生产工艺复杂、产品利润率高的特殊化学品领域极其重要。

散装化学品厂商经常使用先进控制技术来保证工艺装置操作的稳定性，并确保大量资产的投入可以最大限度地增加产能和提升操作效率。自适应先进控制技术能够通过自动适应和优化日新月异的生产条件帮助用户提高产能、增加高价位产品收率、节能降耗和提升产品质量。Aspen DMC3的这种深度“学习”能力还可以加速先进控制项目的实施，加快多变量控制器上线投运时间，并通过稳定工艺装置操作来提高能效。

机器学习软件可以预先检测到设备可能出现的故障，并提前发出故障预警。欧洲一家聚合物生产厂商通过应用Aspen Mtell预防性维护软件提前27天发现设备即将发生故障并发出预警，该软件为用户安排设备停车并建立适当的库存赢得了时间。

翁羽翔（Xilinx）：目前我们赛灵思已经在包括工业机器人、I/O模块和智能传感器、人机接口、机器和计算机视觉、工业智能视频监控等工业AI相关应用领域都有着配套的产品与解决方案。

 未来工业AI的进入自适应计算时代是一种必然的趋势，为适应未来趋势，我们推出了一系列平台与工具。

 在硬件方面，我们的Versal 自适应计算平台( ACAP )为各种应用提供了简便的编程方式、优化且灵活应变的硬件加速,已经交付客户。Alveo加速器卡产品可以用来大幅提升云端和本地数据中心中标准服务器的性能，适用于工业机器人的控制。在软件方面，我们推出的Vitis统一软件平台能够让开发者在无需深入掌握硬件专业知识的情况下，即可通过软件或算法代码来自动适配。Vitis 也解决了统一云端与边缘计算不同场景下的代码部署问题，支持软硬件开发者更有效地利用所有可用的计算资源，大幅提高开发效率。

 Bob Siller(Achronix)：AchronixSpeedcore嵌入式FPGA解决了工业人工智能设计师面临的几大挑战。一个关键的挑战是如何跟上人工智能算法快速变化的步伐和工业设备典型的长生命周期。每次开发了新的算法时，就要在工厂车间内进行硬件更换是不可行的。通过部署一个eFPGA解决方案，工业设计人员只需对设备内部的硬件进行重新编程即可实现新功能。这扩展了产品生命周期，并支持在现有工业人工智能系统中快速部署全新功能。

彭宗良(安森美)：我们提供图像传感器用于工业AI，如XGS系列使制造商利用单个摄像机设计实现多个产品分辨率和速度等级，可实现多个像素功能。我们面临的挑战之一是客户的上市时间跟不上不断变化的市场需求。为此，安森美半导体与第三方合作伙伴提供整体方案，帮助客户加快上市。例如，安森美半导体、WISeKey和Tatwah合作开发了首款物联网(IoT)安全信标器件，是基于我们的RSL10 SIP。

 随着工业4.0、质量4.0、人机协作和其他AI革命的扩大发展，对各种传感器的需求将会增加，安森美半导体将持续开发图像传感器、激光雷达(LiDAR)和其他传感器。