周永良博士/文  腾讯云工业AI首席架构师

从德国工业4.0的概念开始，工业和信息化结合的情况就多起来，产业界也热闹异常。从“智能制造”，到“中国制造2025”，再到“工业互联网”，优秀的理念层出不穷。

但这只是事情的一面。事情的另外一面是，虽然大家的热情很高，但除了政府有补贴的项目外，能真正实现大范围引起行业变革的技术应用还不多，智能制造在工业行业的落地还不够充分。

如何深入分析这个情况？如何实现真正的智能制造？未来工业AI怎样落地？笔者作为“工业+AI”的老兵，想谈谈个人对这些事情的看法。

工业AI的概念和互联网

智能制造作为一个泛泛的、广义的概念，现在基本上是所有信息化技术、IoT技术、互联网技术和传统工业结合的应用，都可以说成是智能制造。如果我们把智能制造限定到狭义的概念，也就是智能技术在工业的应用，或者说就是工业AI，再看看它具体定义。工业AI，就是AI技术在工业的应用。AI，更正式一点说，就是机器代替人的思考的过程和结果。这个定义是工业AI的广义定义，有时人们为了更简单直接，把工业AI认为是智能算法在工业应用，这是工业AI的相对狭义的概念。

图1 工业AI的定义

当下AI的技术主要是互联网行业牵头和推动的。AlphaGo战胜人类的围棋高手的事情发生后，人们对AI的关注更是空前的。人脸识别、语音识别、自然语言理解等方面的技术，也是一夜之间凭借移动互联网的春风刮到了每个人的眼前，对人们生活的便利性提供了很大的帮助。这背后，以神经网络为代表的机器学习、深度学习技术，以遗传算法为代表的智能搜索技术，为各种问题的解决提供了技术基础。

同时，受2C型AI应用发展的影响，工业领域的人也对AI兴趣倍增，经常也会有人感觉到智能制造指日可待、工业AI前景大好。

AI和工业结合的特点

笔者看起来，互联网推动的几种主要技术，云、IoT、AI都不可避免的会影响工业领域。但不同于传统的消费互联网，在工业领域，由于行业碎片化特征，连接的难度会增加、价值会打折扣，云和IoT对工业的影响没有想象的大。相反，AI在工业存在有广泛场景的可能。从和AI结合的角度分析工业，有如下特点：

l  碎片化。 每个子工业领域，都有相当深的专业性需求；都有可能有各自不同的痛点问题，可以需要用智能的方法解决；所以关于AI应用需求场景会很多，或者说工业AI市场非常广阔、大有前途。但这个工业AI市场的需求不统一、只有部分的可复制性，所以这类项目更适合小团队运作，和经典的一统天下的互联网模式（类似微信）有明显不同。

l  已发展。对于每个工业的细分领域，都是有一定技术积累和已经发展过的。形成了各自的领域知识和已经形成结论的问题，未解决的问题都会有一定难度。AI代表的互联网技术要想在这些领域取得成功，必须要有自身的突破同时还要有可行的验证。互联网技术不会在工业领域包治百病。

AI切入工业的角度

不同的人讲工业AI有不同的角度。雾里看花后，AI介入工业，我认为有两个不同的角度：

l  自上而下。是传统咨询公司的套路。

l  自下而上。从场景出发，不谈理念、只谈需求。考虑用新技术的方法，真正的实际解决问题。这种思路发展比较慢，有后劲。传统工业技术发展是这个模式，互联网技术服务2C用户也是这个逻辑，但是互联网业者思路更开阔、更愿意快速尝试。

工业AI的落地应用

落地应用

目前看工业AI的发展还在早期，应用还在发展中，现在的总结也不一定充分。笔者收集了部分实际落地性好、应用价值高的领域。

第一类是通用AI技术，或者是2C的AI技术，迁移应用到工业领域的应用。具体的例子也不少，比如，园区闸机的人脸识别，操作员的语言输入，工业仪表的OCR识别，都是通用AI技术在工业的落地。

第二类是AI技术应用到工业的核心-生产领域。如果把工业分成设计、生产、物流、销售、后服务的话，生产是工业的核心。客户希望的工业AI应用的最主要环节是生产，真正能解决大问题、产生大效益。但互联网人，对工业生产内容了解最少。此领域的AI应用，落地还是有相当难度。

笔者经过了多年实践，尝试了多行业不同需求，经历了多次失败后，总结出AI在工业的应用有三个层面：

第一个层面：感知应用。具体来说，基于深度学习的机器视觉产品外观质量检测是典型方面。面板、光伏、PCB的缺陷检测是一个最主要的应用领域。而且只适合瑕疵类缺陷，和传统的视觉技术应用还有不同。比如，腾讯云在华星光电的缺陷检测就起到了真正替代大量操作员的效果。

第二个层面：分析应用。典型的就是用机器学习解决生产中的不良根因追溯问题。电子高科技行业的数据多（比传统的工业行业数据多很多），经过验证可以用建模的方法找到顽固不良的原因。台积电、中芯国际等企业专门培养了内部的大数据应用部门。

第三个层面：决策应用。典型的就是智能自动排产，或者说是APS。笔者博士就是做运筹学优化，后来做了很多失败的APS项目。现在发现面板、PCB、半导体可以做到智能排产的。原因就是，AI只适合解决封闭场景的问题。

图2 工业AI应用的三个层次

如上的三个工业AI落地的例子，都是电子高科技制造业为主要的业务领域。这背后和高科技制造业产业规模大、IT新技术应用广泛、数据集中、产量大、产线自动化规范化程度高有很大的关系。

伪需求

我们经常看到工业AI的应用案例，有些案例在笔者看来是不真实的，举两个例子：

l  能源优化。在大多数生产中，能源只是公用辅助工程，是为生产服务的。只有先保证了生产，才能看节能。比如家里的电灯永远不开，最节能，但现实中不能这么节能；而是先把人的需求满足好，再考虑节能。所以，不先谈生产优化，而直接谈节能优化，就是个伪命题；或者说能源优化只能是生产优化的一个子命题，不能独立存在。如果谈到生产优化，又是一个大话题，各个行业的生产差异很大，APC也是一个很受限的应用。

l  预测性维护。很多年前就看到Dell、IBM在提PdM。现实中，工厂设备上装的和健康状态核心相关的传感器很少，大多数没有。发展不错的是大型转动设备的振动研究，但一般也没有很多故障状态的数据，很难建模。所以，基于数据驱动的预测性维护基本是很难落地的伪命题。

背后的本质

前面说了工业AI的落地例子和伪命题例子。那么什么样工业AI场景需求才容易落地？背后的本质是：

l  所提的问题要封闭。比如下棋问题AI解决的好，自动驾驶问题AI解决的还不成熟。工业应用也一样。

l  提供的技术要有突破。比如深度学习的引入、优化技术的成熟。工业所有遗留下来的待解问题，都有一定难度，要慎重考虑。

l  操作的人要真正理解业务。基础性的条件，互联网人有时缺乏关注。

笔者抛砖引玉，希望看到更深层次的分析。

展望

工业AI的场景很多、潜力巨大，尤其电子高科技制造业的会是工业AI应用的领头羊；所有的技术人可以以实在的业务需求为对象、重视技术突破落地，一定能将工业AI落到实处。中国是世界最大的工业生产国，工业技术也在快速迭代的过程中，必将是全球工业AI应用的主战场。