一、工業(yè)互聯(lián)網平臺是人工智能應用的重要載體
工業(yè)互聯(lián)網平臺覆蓋全流程生產數(shù)據(jù)。數(shù)據(jù)是應用人工智能的“燃料”。工業(yè)互聯(lián)網平臺從數(shù)據(jù)“量”和“質”兩個維度入手，提升工業(yè)場景數(shù)據(jù)集的廣度與深度，為人工智能應用提供支撐。
從“量”的方面看，工業(yè)互聯(lián)網平臺匯聚了數(shù)以千萬計的設備和傳感器，對異構系統(tǒng)、運營環(huán)境、人員信息等要素實施泛在感知、**采集和云端匯聚，實現(xiàn)了海量數(shù)據(jù)的廣泛集成。
從“質”的方面看，工業(yè)互聯(lián)網平臺通過構建設備、產品、系統(tǒng)和服務全面連接的數(shù)據(jù)交流網絡，充分挖掘實時有效的工業(yè)大數(shù)據(jù)，搭建數(shù)據(jù)自動流動的賦能體系，為深度學習的模型訓練提供**的訓練集、驗證集和測試集，切實提高人工智能模型自學習、自決策、自適應的有效性。
工業(yè)互聯(lián)網平臺推動工業(yè)知識算法化。算法是人工智能應用的關鍵。工業(yè)互聯(lián)網平臺作為工業(yè)全要素、全產業(yè)鏈、全價值鏈連接的樞紐，打通了工業(yè)知識向工業(yè)算法轉化的通路，為構筑工業(yè)領域人工智能算法庫提供助力。
一方面，工業(yè)互聯(lián)網平臺豐富了算法理論來源。依托工業(yè)機理基礎和數(shù)據(jù)模型分析，工業(yè)互聯(lián)網平臺將隱性的工業(yè)技術原理、行業(yè)知識和**經驗進行代碼化、算法化，重構了工業(yè)知識**和應用體系，面向特定工業(yè)場景提供針對性強、魯棒性高的算法。
另一方面，工業(yè)互聯(lián)網平臺降低了算法開發(fā)成本。工業(yè)互聯(lián)網平臺通過提供開發(fā)環(huán)境和各類工具，助力開發(fā)者打造工業(yè)ＡＰＰ與微服務體系，將各類工業(yè)知識封裝成可交易的模塊組件，推動工業(yè)算法在更大范圍、更高頻次、更短路徑上**、傳播和復用。
工業(yè)互聯(lián)網平臺構建協(xié)同算力資源池。工業(yè)場景具有環(huán)境參數(shù)復雜、工序步驟精細、實時性要求高等特點，應用人工智能技術對算力要求較高。工業(yè)互聯(lián)網平臺基于云架構匯聚企業(yè)內外算力資源，根據(jù)實際需要統(tǒng)一調配，搭建廣泛聚集、**協(xié)作的算力供給體系，為人工智能應用提供穩(wěn)定的支撐保障。
在企業(yè)內部，工業(yè)互聯(lián)網平臺匯聚內部算力資源構建算力資源池，針對不同時段、不同用戶和不同級別的算力需求，基于大數(shù)據(jù)分析統(tǒng)籌使用內部設備，提高設備使用效率。
在企業(yè)外部，工業(yè)互聯(lián)網平臺對接各類算力提供商，通過租借、購買等方式，補充企業(yè)內部算力的不足，以提升整體算力水平，縮小人工智能應用需求和實際算力之間的差距。
二、應用場景加快人工智能與工業(yè)互聯(lián)網平臺融合
設備層：機器智能構建新型人機關系。企業(yè)依托工業(yè)互聯(lián)網平臺，在生產、控制、研發(fā)等領域的設備上運用人工智能技術，構建人機協(xié)同、互促共進的新型人、機、物關系。
一是設備自主化運行，如復雜工料分揀、設備自運行等。機械臂、運輸載具和智能機床等產品，通過搭載機器學習算法、路徑自動規(guī)劃等模塊，實現(xiàn)對不同工作環(huán)境和加工對象的動態(tài)適應，提高設備操作的精度和復雜度。
二是人機智能化交互，如動作識別、語音用戶界面等。應用語音識別、機器視覺等技術，打造人性化、定制化、**化的人機交互模式，提升控制裝備在復雜工作環(huán)境的感知和反饋能力。
三是生產協(xié)同化運作，比如協(xié)作機器人、仿生工位等。利用人工智能技術將人機合作場景轉變成學習系統(tǒng)，持續(xù)優(yōu)化運行參數(shù)，為操作員提供生產環(huán)境。例如，德國Ｆｅｓｔｏ公司基于仿生協(xié)作型機器人開發(fā)人機協(xié)作生產的智能化工位，可將人從重復性、危險性高的工作中解脫出來，提高了生產效率。
邊緣層：邊緣智能提升邊緣側實時分析處理能力。邊緣智能技術通過協(xié)同終端設備與邊緣服務器，整合計算本地性與強計算能力的互補優(yōu)勢，從而減少非必要的數(shù)據(jù)傳輸、降低模型推理延遲與能耗。
具體有以下三類應用：一是智能傳感網絡。東方國信、寄云科技等企業(yè)通過建設智能網關，動態(tài)實現(xiàn)ＯＴ與ＩＴ間復雜協(xié)議的轉換，提供安全高速的數(shù)據(jù)連接與數(shù)據(jù)采集服務，強化對帶寬資源不足和突發(fā)網絡中斷等異常場景的應對能力。
二是噪聲數(shù)據(jù)處理。天云網、海爾集團等通過智能傳感器采集數(shù)據(jù)，利用基于人工智能的軟件識別減小確定性系統(tǒng)誤差，提高數(shù)據(jù)精度，從而實現(xiàn)物理世界隱性數(shù)據(jù)的顯性化。
三是邊緣即時反饋。思科、微軟等企業(yè)通過分布式邊緣計算節(jié)點進行數(shù)據(jù)交換，及時比對云端廣播的模型和現(xiàn)場提取的特征值，基于邊緣端設備實現(xiàn)本地快速響應和操作優(yōu)化，減少云端運算壓力和處理延遲，實現(xiàn)云端協(xié)同。
平臺層：大數(shù)據(jù)分析構建“數(shù)據(jù)＋認知”算法庫。工業(yè)互聯(lián)網平臺基于ＰａａＳ架構，打造由數(shù)據(jù)存儲、數(shù)據(jù)共享、數(shù)據(jù)分析和工業(yè)模型等組成的整體數(shù)據(jù)服務鏈，把基于數(shù)據(jù)科學和認知科學的兩類工業(yè)知識經驗沉淀在可移植、可復用的人工智能算法庫中。
在數(shù)據(jù)科學領域，企業(yè)構建以機器學習、深度學習為核心的數(shù)據(jù)算法體系，綜合利用大數(shù)據(jù)分析、機器學習和智能控制等算法，通過仿真和推理解決已知的工業(yè)問題。例如，美國康耐視公司開發(fā)了基于深度學習的工業(yè)圖像分析軟件，能以毫秒為單位識別缺陷，解決傳統(tǒng)方法無法解決的復雜缺陷檢測、定位等問題，使檢測效率提升３０％以上。
在認知科學領域，企業(yè)從業(yè)務邏輯原理出發(fā)，通過搭建以知識圖譜、**系統(tǒng)為代表的認知算法體系，解決機理未知或模糊的工業(yè)問題，如企業(yè)智能決策、風險管理等。實際上，西門子、ＩＢＭ、華為等公司通過構建供應鏈知識圖譜，匯集氣象、媒體、交通和物流等信息資源，大大提高了供應鏈風險管理效率。
應用層：商業(yè)智能提升工業(yè)ＡＰＰ數(shù)據(jù)挖掘深度。開發(fā)者依托工業(yè)互聯(lián)網平臺提供的開發(fā)工具和框架，面向不同工業(yè)應用場景，開發(fā)搭載人工智能的特定工業(yè)ＡＰＰ，利用人工智能手段賦能現(xiàn)有生產過程，為用戶提供各類在平臺定制開發(fā)的智能化工業(yè)應用和解決方案。
主要有以下幾類：一是預測性維護。利用機器學習方法擬合設備運行復雜非線性關系，提升預測的準確率，降低運維成本與故障率。德國ＫＯＮＵＸ公司結合智能傳感器及機器學習算法構建設備運行模型，使機器維護成本平均降低了３０％。
二是生產工藝優(yōu)化。依托深度學習繞過機理障礙，通過挖掘數(shù)據(jù)隱藏特征間的抽象關系建立模型，并找出參數(shù)組合。ＴＣＬ格創(chuàng)東智針對液晶面板的成膜工序，通過機器學習算法實現(xiàn)了關鍵指標的預測與品質優(yōu)化，年收益達到近千萬元。
三是輔助研發(fā)設計。通過應用知識圖譜、深度學習等技術構建設計方案庫，對設計方案提供實時的評估反饋。美國ＵＴＣ依靠知識圖譜解決了多個產品研發(fā)問題，設計出的換熱器傳熱效率能提高８０％，設計周期僅為原來的１／９。
四是企業(yè)戰(zhàn)略決策。利用人工智能擬合工業(yè)場景中的非線性復雜關系，提取非結構化數(shù)據(jù)構建知識圖譜和**系統(tǒng)，為企業(yè)提供戰(zhàn)略方案選擇。美國初創(chuàng)公司Ｍａａｎａ聚焦石油和天然氣領域，協(xié)同應用知識圖譜與數(shù)據(jù)科學，為ＧＥ、殼牌、阿美等石油巨頭提供企業(yè)級決策建議。
三、幾點建議
夯實產業(yè)基礎，突破人工智能與工業(yè)互聯(lián)網平臺融合的關鍵共性技術。一是構建高質量的公共數(shù)據(jù)集。鼓勵滿足條件的工業(yè)互聯(lián)網平臺企業(yè)開放具備一定規(guī)模的生產環(huán)境、視頻圖像、文本對話等數(shù)據(jù)集，建立高質量的公共測試數(shù)據(jù)庫。
二是加大算法研發(fā)應用力度。推動科研院所、行業(yè)龍頭企業(yè)開展協(xié)同研發(fā)和**應用，圍繞卷積神經網絡、遞歸神經網絡等算法開發(fā)相關工具，完善開發(fā)環(huán)境。
三是提升算力支撐能力。引導和培育一批算力提供商和算力交易平臺，探索算力租賃、交易、托管等新服務模式。
聚焦場景應用，引導加快面向工業(yè)互聯(lián)網平臺的人工智能產品開發(fā)。一是加快**智能設備研發(fā)。加快智能傳感控制、智能檢測裝配、智能物流倉儲等**技術裝備的開發(fā)，布局和積累一批核心知識產權。
二是突破邊緣智能核心技術。**突破圖形處理器、現(xiàn)場可編程門陣列、專用集成電路等一批關鍵核心技術，提高硬件基礎支撐能力，實現(xiàn)圍繞邊緣設備的感知、控制、決策和執(zhí)行等功能。
三是加快行業(yè)機理模型沉淀。聚焦ＡＩ工業(yè)應用，建設工業(yè)互聯(lián)網模型算法公共測試驗證中心，堅持以測帶建、以測促用。
四是培育基于ＡＩ的工業(yè)ＡＰＰ。引導工業(yè)互聯(lián)網平臺企業(yè)搭建制造業(yè)**中心，開放開發(fā)工具和知識組件，構建開放共享、資源富集、**活躍的工業(yè)ＡＰＰ開發(fā)生態(tài)。
完善生態(tài)體系，構建工業(yè)互聯(lián)網平臺跨界融合新模式。一是強化示范引領。在現(xiàn)有工業(yè)互聯(lián)網平臺相關專項和試點示范中，增添人工智能方向的應用試點，加快推動復雜環(huán)境識別、新型人機交互等人工智能技術與工業(yè)互聯(lián)平臺融合發(fā)展。
二是優(yōu)化公共服務。面向語音識別、視覺識別、自然語言處理等領域，建設能夠提供知識圖譜、算法訓練、產品優(yōu)化等共性服務的平臺和開源社區(qū)。
三是增強人才儲備。鼓勵高等院校設置人工智能工業(yè)應用課程，開展人工智能專題教育和培訓，加緊培育一批急需的人工智能人才。
四是加強宣傳推廣。通過開展現(xiàn)場會、人工智能大賽等形式，凝聚行業(yè)共識，提高公眾認識，挖掘做法，推廣典型案例，積極營造產業(yè)發(fā)展的良好氛圍。
