4 月 23 日，工業互聯網產業聯盟（簡稱 AII）和中國信息通信研究院（簡稱中國信通院）共同組織編寫、北京極客邦科技有限公司提供支持、InfoQ 提供案例支撐的《工業智能白皮書》正式發佈。
本白皮書深入解讀了工業智能的背景內涵，分析了工業智能主要類型，並從應用、技術和產業等方面研究和分析工業智能的發展脈絡和最新狀況，並在一定程度上對未來發展變革方向有所預見。希望能與業內同仁等共享成果，共謀工業智能新發展。 人工智能自誕生以來，經歷了從早期的專家系統、機器學習，到當前持續火熱的深度學習等多次技術變革與規模化應用的浪潮。隨着硬件計算能力、軟件算法、解決方案的快速進步與不斷成熟，工業生產逐漸成爲了人工智能的重點探索方向，工業智能應運而生。
當前，新一輪科技革命和產業變革蓬勃興起，工業經濟數字化、網絡化、智能化發展成爲第四次工業革命的核心內容。作爲助力本輪科技革命和產業變革的戰略性技術，以深度學習、知識圖譜等爲代表的新一輪人工智能技術呈現出爆發趨勢，工業智能迎來了發展的新階段。通過海量數據的全面實時感知、端到端深度集成和智能化建模分析，工業智能將企業的分析決策水平提升到了全新高度。然而，工業智能仍處於發展探索時期，各方對工業智能的概念、類型、應用場景、技術特點及產業發展等尚未形成共識。
在此形勢下，工業互聯網產業聯盟（簡稱 AII）攜手中國信息通信研究院（簡稱中國信通院）聯合舉辦“工業互聯網成果線上發佈會”，會上發佈了近期工業互聯網領域的重大科研成果之一：《工業智能白皮書》。（文末附下載方式）
注意：本文已獲相關授權，如需轉載，請查看並遵守工業互聯網產業聯盟相關聲明
工業智能是工業互聯網釋放賦能價值的關鍵要素
工業互聯網的核心是數據驅動的智能分析與決策優化。工業互聯網從發展之初，就將數據 作爲核心要素，將數據驅動的優化閉環作爲實現工業互聯網賦能價值的關鍵。在工業互聯網體 系架構 1.0 中，明確提出工業互聯網核心是基於全面互聯而形成數據驅動的智能，即通過數據採 集交換、集成處理、建模分析、優化決策與反饋控制等實現機器設備、運營管理到商業活動的 智能與優化。工業互聯網架構 2.0 則進一步強調數據閉環的作用，明確了工業互聯網基於感知控 制、數字模型、決策優化三個基本層次，以及由自下而上的信息流和自上而下的決策流構成的工業數字化應用優化閉環實現核心功能。
工業智能是實現工業互聯網數據優化閉環的關鍵。在全面感知、泛在連接、深度集成和高 效處理的基礎上，工業智能基於計算與算法，將以人爲主的決策和反饋轉變爲基於機器或系統自主建模、決策、反饋的模式，爲工業互聯網實現精準決策和動態優化提供更大的可能性。工業智能實現了從數據到信息、知識、決策的轉化，挖掘數據潛藏的意義，擺脫傳統認知和知識邊界的限制，爲決策支持和協同優化提供可量化依據，最大化發揮利用工業數據隱含價值，成爲工業互聯網發揮使能作用的重要支撐。
工業智能的創新突破不斷拓寬工業互聯網的賦能價值。工業智能技術正迎來多方面創新與突破，爲支撐工互聯網的數據優化閉環，進一步拓展和豐富工業互聯網的能力邊界與作用發揮關鍵作用。一是以深度學習、知識圖譜爲代表的工業智能技術及相應的新理論新方法百花齊放並相互融合，從根本上提高系統建模和處理複雜性、不確定性、常識性等問題的能力。二是自動化機器學習，聚焦特定功能、採用特殊架構的芯片等工程技術不斷突破。三是工業智能技術 與領域知識融合不斷加深，更加貼近行業實際需求。工業智能通過技術的持續創新與動態迭代，使工業互聯網具備了複雜計算和推理能力，降低了工業互聯網應用的開發門檻與成本，增強了行業應用賦能的價值與潛力，成爲釋放並拓寬工業互聯網賦能價值的關鍵。
工業智能的內涵
(一) 工業智能發展背景
1. 提升工業智能化水平成爲全球共識與趨勢
當前，以智能化爲核心的新一輪科技產業變革興起，人工智能技術與社會各領域不斷融合已經是大勢所趨，正逐步改變現有產業形態、商業模式和生活方式，併成爲助推工業智能化轉型升級的關鍵燃料。據 Markets 報告預計，2025 年人工智能製造市場規模將達 172 億美元， 預測期 (2018-2025 年 ) 內的年複合增長率爲49.5%。Automation Technology 預計到2035年，人工智能對製造業增值佔比可達 2.2%，排名社會 16 個主要行業之首。根據麥肯錫報告， 人工智能可以使德國工業部門的生產率每年提高 0.8% 至 1.4%。埃森哲則比較了人工智能對我國各個行業部門增加值增速的影響，預計到 2035 年，製造業因人工智能的應用其增加值增速 可以提高 2.0% 左右，是所有產業部門中提高幅度最大的。
世界主要發達國家政府及組織高度重視，積極出臺相關戰略政策，提升工業智能化水平成爲全球共識與趨勢。經統計，截止到 2019 年底，在全球 20 多個經濟體近三年發佈的 100 份人工智能方面的戰略規劃或政策文件中，涉及與工業結合的超過一半以上。美、日、德、歐盟分別發佈《國家人工智能研究和發展戰略規劃》《新機器人戰略》《國家工業戰略 2030》《歐盟人工智能》等一系列政策戰略，重點提及產品全生命週期優化、先進機器人、自動駕駛、大數據挖掘等在工業領域應用。
工業是我國國民經濟的主導，我國積極搶抓以人工智能爲驅動的新一輪科技產業變革的機遇，工業智能成爲了國家及業界高度重視的領域方向。我國政府雙側發力，推動人工智能與製造業的融合發展。一方面，將人工智能技術作爲製造業創新發展的重要驅動力，在製造業相關政策文件中提及人工智能技術應用的有 20 餘篇。另一方面，將工業製造領域作爲人工智能落地 應用的重點行業，在《互聯網 + 人工智能三年行動實施方案》《新一代人工智能發展規劃》《促進新一代人工智能產業發展三年行動計劃》等 10 餘份文件中均提出將製造業作爲開展人工智能應用試點示範的重要領域之一。同時，各省市地區積極響應，形成了“國 - 省 - 市 - 區”多級協同的政策體系。各地關於工業智能發展的政策文件超過 30 篇，上海、四川、青島、中關村等多個省 市及區域已經出臺或正在佈局人工智能與工業融合創新的政策方案，爲工業智能的發展奠定了 完善有力的政策保障。
2. 人工智能技術加速滲透，構建製造業智能化基礎
製造業智能化升級需求是工業智能發展的根本驅動。製造業升級的最終目的是從數字化、網絡化轉而最終實現智能化。當前製造業正處在由數字化、網絡向智能發展的重要階段，核心是要實現基於海量工業數據的全面感知，和通過端到端的數據深度集成與建模分析，實現智能化決策與控制指令。工業智能通過 1. 固化熟練工人和專家的經驗，模擬判斷決策過程，解決過去工業領域中需要人工處理的點狀問題 ;2. 基於知識匯聚實現大規模推理，實現更廣流程、更可靠的管理與決策 ;3. 通過構建算法模型，強化製造企業的數據洞察能力，解決工業中機理或經驗複雜不明的問題。成爲企業轉型升級的有效手段，也是打通智能製造最後一公里的關鍵 環節。
人工智能技術體系逐步完善，推動工業智能快速發展。一方面是技術實現縱向升級，爲工業智能的落地應用奠定基礎。算法、算力和數據的爆發推動人工智能技術不斷深化，使採用多種路徑解決複雜工業問題成爲可能。傳感技術的發展、傳感器產品的規模化應用及採集過程自動化水平的不斷提升，推動海量工業數據快速積累。工業網絡技術發展保證了數據傳輸的高效性、實時性與高可靠性。雲服務爲數據管理和計算能力外包提供途徑。另一方面是技術實現橫向融合。人工智能具有顯著的溢出效應，泛在化人工智能產業體系正在快速成型，工業是其涵蓋的重點領域之一。
(二) 工業智能的發展歷程
總體來看，工業智能的發展與人工智能技術的演進密切相關，從人工智能概念誕生至今， 工業智能歷經了三個發展階段。
1. 萌芽期 : 基於規則的專家系統時代
自上世紀八十年代開始，規則型專家系統逐漸成熟，通過歸納已有知識形成規則解決問 題，併成功應用於工業企業管控系統中，如美國車間調度專家系統 ISIS，日本新日鐵 FAIN 專家 系統等，實質上就是領域專家知識的固化和程序化執行。
2. 滲透期 : 基於統計的傳統機器學習時代
90 年代至二十一世紀初可概括爲基於統計的傳統機器學習時代。該時期統計學派、機器 學習和神經網絡等概念 (即“聯結主義”) 盛行，人工智能基於傳統機器學習 / 模式識別系統等 統計學方法能夠解決機理相對模糊的問題，包括以模糊控制、神經網絡控制和專家系統控制 爲代表的智能控制理論在工業過程控制和機器人領域的應用 ; 將圖像處理方法應用於產品視 覺質量檢測，使用機器學習進行工業數據的建模分析，形成工業數據模型並指導優化製造過程。然而以神經網絡爲主的機器學習方法大多是黑箱方法，其可靠性和可解釋性問題限制了 此類實際應用的深入推進。
3. 發展期 : 基於複雜計算的深度學習時代
本世紀初至今可以概括爲基於複雜計算的深度學習時代。深度學習、知識圖譜等更加復 雜多元的 技術出現，新型的算法對於複雜問題的可解度有了顯著提升，人工智能技術逐漸發展到可以解決實際問題並完全超越人類的程度。這一時期的典型代表有: 基於數據驅動的優 化與決策、深度視覺質量檢測 ; 工業知識圖譜解決全局性、行業性問題 ; 人機協作等智能工業機器人蓬勃發展並廣泛應用。
(三) 工業智能的定義及內涵1. 工業智能的定義
工業智能 (亦稱工業人工智能) 是人工智能技術與工業融合發展形成的，貫穿於設計、生 產、管理、服務等工業領域各環節，實現模仿或超越人類感知、分析、決策等能力的技術、方法、產品及應用系統。可以認爲，工業智能的本質是通用人工智能技術與工業場景、機理、知識結合，實現設計 模式創新、生產智能決策、資源優化配置等創新應用。需要具備自感知、自學習、自執行、 自決策、自適應的能力，以適應變幻不定的工業環境，並完成多樣化的工業任務，最終達到提升企業洞察力，提高生產效率或設備產品性能等目的。
2. 工業智能的問題分類
爲了更好的分析工業智能的技術與應用體系，我們提出了工業智能的基本框架: 構建一個 四象限橫縱座標軸，其中橫軸是機理 / 經驗不確定度，與人們對問題機理的認識或自身經驗的掌握程度直接相關 ; 縱軸爲計算的複雜度，是計算機算法的時間複雜度，與工業機理的複雜性 和算法的實現效率直接相關。據此可將工業領域的問題分爲低不確定性低計算複雜度問題、高 不確定性低計算複雜度問題、低不確定性高計算複雜度問題和高不確定性高計算複雜度問題四 類。
除上述工業智能四大技術方向外，工業領域還存在許多解決問題的其它方法: 對於可用清 晰的數學模型描述的問題，通常採用最優化方法進行近似甚至精確求解。對於工藝或過程機理 相對模糊、計算複雜度相對較高的問題，通常利用數學近似的方法對真實物理系統 (幾何和載 荷工況) 進行模擬，即有限元分析，實質是對工業問題拆分爲若干簡單問題的近似求解。對於 複雜度極高或是機理極爲不清晰的問題，目前仍然主要通過實驗方法來解決，比如原材料的配 比。由於以上方法沒有體現工業智能所定義的自適應自學習等智能化特徵，故不作過多討論。
工業智能經歷了基於規則、基於統計和基於複雜計算的三大階段。一方面，三大階段並不 是相互替代的關係，專家系統、傳統機器學習、知識圖譜、前沿機器學習四類技術同時共存，並不斷交織融合互補長短。另一方面，技術演進脈絡日益清晰，逐步形成了以知識圖譜 爲代表的知識工程和以深度學習爲代表的數據科學兩大方向。
獲取完整版報告請戳：《工業智能白皮書》