政策加码，巨头涌入，AI时代最后一座金矿！【附下载】| 智东西内参

看点：谷歌华为BAT扎堆涌入，第四次工业革命席卷全球！

在AI之火烧遍神州大地、AI企业估值水涨船高、独角兽频频出没的当下；市场对于“落地”的呼声也愈来越高。不论是谷歌、阿里等国际巨头，还是商汤、旷视等准IPO独角兽，无不纷纷将视线瞄准了一个地方——工业智能。

这片广袤的田地有着巨大的市场体量，而且与互联网不同，其数字化与智能化程度仍旧较低，再加上国家政策一再强调AI+工业制造领域。当前线上流量日趋昂贵，“到线下去”、“到工厂去”成了各大AI企业挖掘增量红利的重要路径，引来谷歌、微软、百度、阿里、腾讯、华为等等巨头争相入局，国家也在20个政策文件中一再强调推动AI技术在工业制造领域的应用与融合。

本期的智能内参，我们推荐来自工业互联网产业联盟（AII）的工业智能白皮书，深入解读了工业智能的背景内涵，并分析了工业智能主要类型、应用、技术和产业研究。如果想收藏本文的报告（工业互联网产业联盟-工业智能白皮书），可以在智东西（公众号：zhidxcom）回复关键词“nc349”获取。

以下为智能内参整理呈现的干货：

工业智能是什么？

从定义上来说，工业智能（或工业人工智能）是工业领域中由计算机实现的智能。

依赖于人工智能技术在工业领域中的应用，工业智能可以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、提高设备产品性能的目的。

现代计算机解决工业问题需要三个步骤：

1、采集数据
2、将数据代入机理
3、形成结果

注意，通过既定数据带入已知机理形成预期结果的方式并不是智能。真正的智能化是基于已知结果的梳理自动回答问题，或者通过数据直接形成结果的过程。

当前，深度学习和知识图谱是工业智能实现的两大技术方向：

其中深度学习侧重于解决影响因素较少，但计算高度复杂的问题，如产品复杂缺陷质量检测。

而知识图谱侧重于解决影响因素较多，但机理相对简单的问题，如供应链管理等。

此外，工业领域还存在许多解决问题的其它方法：比如最优化方法、有限元分析、实验等等，但是它们不具备“工业智能”所定义的自适应自学习等智能化特征，不属于工业智能。

紧贴AI，工业智能的三大发展阶段

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，工业智能经历了三个发展阶段。

阶段一：80年代开始的萌芽期

这段时期可概括为基于规则的时代，规则型专家系统逐渐成熟，并应用于工业企业信息系统中，如美国车间调度专家系统ISIS，日本新日铁FAIN专家系统等。

阶段二：90年到21世纪初的渗透期

这段时期可概括为传统人工智能方法渗透应用的时代，通过机器学习、数据科学与工业机理结合解决相对复杂问题。

其典型代表是：以模糊控制、神经网络控制、专家系统控制为代表的智能控制理论，其在工业过程控制和机器人领域的应用；或者将AI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，以神经网络为代表的机器学习方法是一种黑箱方法，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。

阶段三：21世纪初至今

这段时期可概括为数据/知识深度洞察的时代，以深度学习、知识图谱等为代表的新一代人工智能引发工业智能发展浪潮。

这段时期的典型代表应用有：基于工业大数据驱动的优化、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发展并实际应用。

工业智能问题的四个象限

工业智能在工业系统各层级各环节具有广泛应用，其细分应用场景达到数十种，如不规则物体分拣、复杂质量检测、供应链风险管理、融资风险管控、设备运行优化、复杂质量检测等等。

而照制造系统自下而上、产品、商业的维度，这数十种应用场景又可以总结为五大类：

1、生产现场优化
2、生产管理优化
3、经营管理优化
4、产品全生命周期
5、供应链优化

而以上这五大类、数十种应用，又可以根据计算复杂度和影响因素多少而划分为四个象限，如下图所示：

图中横轴为计算的复杂度，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；纵轴是影响因素的多少，与相关问题涉及的变量个数直接相关。

据此可将工业问题分解为四类，一是多因素复杂问题，二是多因素简单问题，三是少因素简单问题，四是少因素复杂问题。

案例解析：物体分拣、产品研发、企业决策……

工业智能四类问题的据计算复杂度、影响因素多少都不相同，其中除了低计算复杂度、少影响因素这类问题比较容易解决之外，另外三类问题则各自需要不同的解法。

1、高计算复杂度、少影响因素：如质量检测、不规则物体分拣等

针对高度复杂问题，深度学习方法能够绕过机理障碍，解决传统方法无法解决的问题，如复杂质量（缺陷）检测、复杂（环境/系统）指标软测量、不规则物体分拣等。

（1）复杂质量（缺陷）检测场景中，利用基于深度学习的解决方案代替人工特征提取，能够在环境频繁变化条件下检测出更微小、更复杂的产品缺陷，提升检测效率，成为解决此问题主要方法。

比如美国机器视觉公司康耐视（COGNEX）开发了基于深度学习进行工业图像分析软件，利用较小的样本图像集合就能够在数分钟内完成深度学习模型训练，能以毫秒为单位识别缺陷，检测效率提升30%以上。

富士康、奥迪等制造企业则利用深度学习，实现电路板复杂缺陷检测、汽车钣金零件微小裂缝检测、手机盖板玻璃检测、酒精质量检测等高质量检测。

（2）不规则物体分拣场景中，通过深度学习构建复杂对象的特征模型，实现自主学习，能够大幅提高分拣效率。

比如慕尼黑公司Robominds开发了Robobrain-Vision系统，基于深度学习与3D视觉相机帮助机器人自动识别各种材料、形状甚至重叠的物体，并确定最佳抓取点，无需任何编程。

发那科利用深度强化学习使机器人具备自主及协同学习技能，能够将零部件从一堆杂物中挑选出来，并达到90%准确率，极大地提升工程师编程效率。

（3）设备自执行场景中，通过机器学习方法对人类行为及语音的复杂分析，能够增强协作机器人的学习、感知能力，提升生产效率。

比如西班牙P4Q公司应用Sawyer机器人组装电路板，实现生产量提高25%；德国Bahlsen应用协作机器人进行食品包装，实现生产效率提升三倍；Novarc焊接协作机器人的应用部署，使吞吐量和生产能力提高四倍。

（4）设备/系统预测性维护场景中，机器学习方法拟合设备运行复杂非线性关系，能够提升预测准确率，减少成本与故障率，是工业智能应用最为广泛的场景之一。

比如德国KONUX结合智能传感器及机器学习算法，能利用除传感器以外的数据源如传感数据、天气数据和维护日志等构建设备运行模型，使机器维护成本平均降低 30%，实际故障率降低70%。纽约创业公司Datadog推出基于 AI 的控制和管理平台，其机器学习模块能提前几天、几周甚至几个月预测网络系统问题和漏洞。

（5）设备/制造工艺优化场景中，采用深度学习方法对设备运行、工艺参数等数据进行综合分析并找出最优参数，能够大幅提升运行效率与制造品质。

比如恒逸石化、天合光能等企业借助阿里云ET工业大脑的机器学习技术识别生产制造过程中的关键因子，找出最优参数组合，提升效率与在制品良品率。经统计，恒逸石化燃煤效率提升2.6%，天合光能生产A品率的测试值提升7%。

TCL格创东智针对液晶面板的成膜工序，通过机器学习算法建立过程数据和膜厚之间的关系模型，实现关键指标的预测与品质优化，使站点抽检比例降低30%，年效益近千万。

2、低计算复杂度、多影响因素：如供应链风险管理、融资风险管控等

针对场景影响因素较多的问题，构建知识图谱能够明确各影响因素相互关系，解决此类问题，包括供应链风险管理和融资风险管控等应用场景

（1）供应链风险管理场景中，通过知识图谱汇集影响供应链各关键环节的因素并提供管理建议，能够实现各类风险预判并保证供应链稳定。

比如华为通过汇集学术论文、在线百科、气象信息、媒体信息、物流采购知识、制造知识、贸易信息等信息资源，构建华为供应链知识图谱，通过企业语义网（关系网）实现供应链风险管理与零部件选型。

（2）融资风险管控场景中，依靠知识图谱将多个对象进行关联分析，能够实现对金融风险的预测及管控。

比如西门子基于知识图谱打破信息孤岛，建立自营、合作伙伴、竞争对手等对象之间的高维关系网络，实现融资过程不可预见事件的风险识别。

3、高计算复杂度、多影响因素：如产品研发、企业决策管理等

针对多影响因素高复杂性问题，利用知识图谱和深度（机器）学习可以将问题简化为少因素问题和（或）低复杂性问题进行解决，如产品研发、企业决策管理等场景。

（1）产品研发场景中，通过知识图谱构建设计方案库，再运用深度学习进行搜索与优化计算，能够实现复杂产品的智能化设计。

例如，UTC联合技术研究中心将知识图谱与深度学习引入设计过程中，依靠知识图谱解决多因素产品研发问题，将产品分解为不同的功能块，构建设计方案库，然后利用深度学习的复杂计算能力进行指标分析和方案评估，通过学习确定最佳设计方案，设计出的换热器重量减轻20%，传热效率提高80%，设计周期加快9倍。

瑞士创业公司Neural Concept开发了人工智能软件并应用于自行车设计，首先构建结构形状库，然后利用深度学习网络对不同设计方案进行空气动力学分析，在几分钟内设计出的产品动力学特性比传统方法高5-20%，并有望应用于无人机、风力涡轮机和飞机等设计过程。

（2）企业决策管理场景中，通过知识图谱与数据科学协同，能够实现企业级优化运营。

比如美国初创公司Maana聚焦石油和天然气领域，打造名为Knowledge Platform的平台，梳理领域知识打造计算知识图谱，与机器学习计算模型相结合，为GE、壳牌、阿美等石油巨头提供决策和流程优化建议。

从AI芯片到知识图谱：起底工业智能关键技术

上文提到，当前，深度学习和知识图谱是工业智能实现的两大技术方向。其中深度学习侧重于解决影响因素较少，但计算高度复杂的问题；而知识图谱侧重于解决影响因素较多，但机理相对简单的问题。

不过，通用技术往往无法满足工业场景与问题的复杂性与特殊性要求，现阶段依然存在大量特性问题需要解决，符合工业领域需求的技术定制化是工业智能两大关键技术未来的发展趋势。

1、深度学习

深度学习基础技术由下至上涵盖芯片、编译器、计算框架和算法四方面。

（1）芯片方面，工业问题的复杂性导致深度学习应用具有极高的算力要求，必须通过AI芯片解决。实时性要求促使专用AI芯片向工业领域延伸，端侧推理需求迫切。

FPGA半定制化芯片解决深度学习在工业领域的算力和实时性等需求，可能成为工业推理芯片发展重点。

（2）编译器方面，工业领域存在可移植性和适配性问题，对编译器需求较为迫切。

工业领域存在大量的实体与模型，框架、模型、软件、硬件都不具备良好适配性。只有兼容性编译器才能满足工业领域可移植性和适配性需求。

通用编译器群雄相争，兼容性编译器可能成为工业应用未来趋势。英特尔、亚马逊、谷歌、Facebook和Khronos Group等企业和机构基于各自优势与竞争考虑打造了相应编译器或模型表示规范。但目前业界并没有统一的中间表示层标准。

（3）训练框架方面，只有面向工业领域开发的专用端侧推断框架才能解决端侧需求。

目前Tensorflow等框架已能满足工业训练应用需求。例如GE的贝克休斯公司基于TF，利用深度学习算法进行震动预测、设备预测性维护、供应链优化和生产效率优化。阿里工业大脑全面支持TensorFlow、Caffe等架构，影响新能源、化工、重工业等不同制造领域。

（4）算法方面，工业可靠性和可解释性需求急需场景定制化深度学习算法与透明化研究。

神经网络等算法的本质导致了可靠性问题的存在，限制其在工业场景的深入应用，高计算能力场景定制化算法成为迫切需求。需要针对工业场景定制的深度学习算法，使其在高危等场景中的可靠性得到保障。

虽然当前神经网络仍旧处在“黑盒”状态，但是人工智能可解释性相关研究早已出现，深度学习具备可解释基础，技术透明化在未来可能实现。

2、知识图谱

知识图谱方面，由于其技术体系较为成熟，在工业领域具有通用性。工业知识图谱按用途分为两类，技术需求不同。

一是行业知识图谱，以行业内的查询检索功能为主，具有行业通用性要求。

二是业务知识图谱，遵循提出问题、业务分析、图谱构建和部署应用的步骤，以解决单点或某类工业问题为主，应用成本是关键问题，通常不具有行业通用性。

不过，通用知识图谱异常巨大，极为耗费计算资源，如百度知识图谱拥有亿级实体、千亿事实，依托于约3W台服务器；谷歌知识图谱规模已经达700亿左右，依靠超过45W台服务器。成本约束是核心。

工业智能产业链

总的来说，当前工业智能尚未形成明确并具规模性的商业化应用，基于工业智能两大关键技术架构梳理形成现阶段工业智能产业结构。

每类技术的产业结构包含上下两层：底层是基础技术研究的相关主体，上层是将技术与主要工业场景问题结合形成工业智能应用的集成主体。

当前，工业智能产业视图体现为“两横两纵”，横向为知识图谱和深度学习两大关键技术，纵向为通用技术和应用集成两方面。

ICT企业、研究机构及相关行业协会三类主体为工业智能提供通用技术支撑；在应用层面，装备/自动化与软件企业、制造企业、ICT企业和初创企业四类主体通过应用部署与创新实现工业智能价值。

其中ICT企业，提供几乎涵盖知识图谱、深度学习的所有通用技术研究与工程化支持。

比如谷歌、阿里等在知识图谱算法研究领域开展研究；英伟达、AMD、英特尔、亚马逊、微软、赛灵思、莱迪思、美高森美等开展GPU、FPGA等深度学习芯片研发；微软、Facebook、英特尔、谷歌、亚马逊等开展了深度学习编译器研发；谷歌、亚马逊、微软、Facebook、苹果、Skymind、腾讯、百度等开展深度学习框架研究；谷歌、微软等开展了可解释性、前沿理论算法研究。

值得一提的是，初创企业凭借技术与资金优势成为细分领域重要的解决方案提供商。一是大数据技术初创企业为中小垂直领域企业提供知识图谱解决方案。二是装备领域成为初创企业深度学习应用的主要切入领域，吸引大量投资。

例如，智能检测系统方面，创新奇智专注于提供AI+B2B企业服务，应用人工智能技术打造智能质检等解决方案，融资过亿；Landing AI目前集中于企业AI质量检测应用，获1.75亿美元投资。物流机器人、协作机器人方面，旷视全资收购艾瑞思机器人，发力制造业，打造智能仓库等等。

智东西认为，对于工厂而言，设备限制、硬件限制、生产周期限制等问题使得它们难以像互联网企业一样“迅速转身”，因而在数字化与智能化浪潮中一直难以领先。然而，这一行业又对效率提升有着极为明确的需求，有时哪怕是1%的提升也能为工厂省下巨量资源。

因而，在线上流量日趋昂贵的当下，工业与智能一拍即合，无数巨头与创企争相涌入，“到线下去”、“到工厂去”成了众人的口号。随着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，已经成为当前第四次工业革命的核心内容。

如果想收藏本文的报告（工业互联网产业联盟-工业智能白皮书），可以在智东西（公众号：zhidxcom）回复关键词“nc349”获取。