近年来，智能制造是很多工业发达国家积极推进和重点发展的领域，美国、欧洲和日本等都将目光转向人工智能等核心技术，并不断取得新的突破和应用。

在人工智能战略布局和时间起点方面，美国、德国、中国和日本都差不多，但相对政府层面而言，中国的规划、支持和执行力度更大，其中工业领域人工智能的应用是美国、德国、中国和日本等国家智库和高科技公司高度关注的焦点，成为公认的提升制造业整体竞争力的国家战略。

人工智能也不断推进到工业领域。工业人工智能是指利用人工智能技术改造工业的生产方式和决策模式，达到系统性的降本、增效、提质的作用，是当前工业发展的重要趋势。

其实质是实现设计模式创新、生产智能决策、资源优化配置和生产过程智能感知等创新应用，使工业系统具备自感知、自学习、自执行、自决策、自适应的能力，以适应复杂多变的工业环境，完成多样化的工业设计生产任务，提高生产效率和产品质量。工业人工智能成为公认的提升制造业整体竞争力的国家战略。

1、人工智能技术创新重点

（一）深度学习试图从多角度融合创新，开启认知时代仍在探索

深度学习仍然是人工智能技术发展的主导路线；业界不断探索深度学习解决问题的边界，推动人工智能进入感知增强时代；深度学习加速探索与多元学习方式、多种技术分支的结合，少量数据训练、弱化人为干预以及多模态学习成为下一时期的发展关键；直面推理理解问题的算法路径尚无定论，距离认知时代到来仍需数年。

（二）任务场景愈加复杂，倒逼学习方式多元化发展

深度强化学习不断演进，加速提升自主决策能力。深度强化学习加速拓展任务边界，突破性解决多人棋牌、即时战略游戏等多智能体非完全信息博弈任务。另一方面，深度强化学习不断提升复杂任务的能力，逐步拓展至芯片设计、音乐编曲等对知识技能要求更高的领域。

（三）深度神经网络理论体系尝试颠覆性创新，多分支融合趋势渐显

深度学习局限性日益凸显，理论体系探索革新；深度神经网络与其他技术分支加速融合发展，人工智能头部企业、高校开始摸索深度神经网络与知识图谱、传统及其学习等分支的融合创新。

（四）预训练模型加速演进，试图实现语言处理领域的通用智能

预训练模型参数已至万亿级，训练成本之高几乎成为业内头部玩家的专属技术路径；预训练模型已进入可直接用于多种自然语言处理任务的“通用”智能阶段。

（五）模型小型化成为提升模型运行效率的关键

深度学习模型效率提升成为应用落地的关键突破点；模型小型化成为提升模型运行效率的主要方向，与此同时，开发框架中的模型压缩功能创新活跃，模型压缩已成为开发框架必不可少的关键能力。

（六）深度学习应用加速推动智能计算革命

深度学习应用加速推动云端计算范式进入高性能计算时代；计算模式走向云边协同，端侧场景化算力成爆发新方向，预计未来三年，面向工业电子、汽车电子和传统消费电子应用等场景化智能计算芯片增长迅速，市场容量年复增长率高达100%以上，成为推动智能芯片产业主要驱动力量。

2、工业人工智能的关键技术

(1)硬件

人工智能必须依靠算力、算法和数据，这些需要硬件为基础，必须具备专门的图像、语音等处理能力强、运算速度高的硬件。在分散处理、现场传感检测时，通常采用专门的人工智能(AI)芯片作为底层硬件，通常称为边缘计算网关。

AI芯片按架构体系分为通用芯片CPU和GPU(图像处理单元)、半定制芯片FPGA、全定制芯片ASIC和模拟人脑的新型类脑芯片;按照应用场景可分为训练芯片、推断芯片、终端计算芯片等。

人工智能先采用训练芯片训练数据得出核心模型，接着利用推断芯片对新数据进行判断推理得出结论，模型和推理也可以从已有的SDK(软件工具开发包)中获取，终端计算芯片主要采用简单实时性能的边缘计算控制输出。

(2)传感

人工智能场景中面对丰富多样和大量的各种数据及相关技术，其中绝大部分数据来源于传感器。传感器能将被测量的各种信息转变成相关数字信号，通常需要将电量、物理量、生物量、视觉、味觉、听觉等进行感知，涉及到感知的精度、速度等。一种新型传感器的发明，往往可以开发出相应的仪器装置。

传感器分为常规传感器和智能传感器:常规传感器可以直接采集转换处理压力、温度、流量、电压等信号;智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具有采集、处理、交换信息的能力，是传感器集成化与微处理机相结合的产物。

与一般传感器相比，智能传感器通过软件技术可以实现低成本、高精度的信息采集，具有编程自动化、功能多样化等显著特点，已广泛应用于各种视觉、听觉、物理量和电量等传感检测。

(3)检测

工业人工智能系统的各个环节涉及供应链、产品生产质量、设备状态、能耗、生产环境等，这些需要大量的生产前期各种基础、生产物流、设备和环境等外界状态感知数据收集，并进行数据融合分析。这些检测的精度、速度、可靠性、分析能力等性能以及价格决定了生产应用的基础。

目前成品和部件从离线集中式检测，逐步转变为加工在线、实时、嵌入到生产线及设备内部的检测;从独立的感知和检测转变为多传感器、多元异构数据的融合分析;从当前数据状态转变为数据标准化和溯源。

检测延伸就包含了诊断，当生产过程异常导致产品质量下降或者事故时，利用传感器采集关键设备、生产线运行以及产品质量等获得各种智能检测数据，进行自动特征提取，采用大数据分析、深度学习等方法进行高精度智能诊断及溯源。

(4)数据

人工智能是建立在强大数据分析基础上的，现在计算机的大容量、高速运算能力和网络云平台给大数据应用提供了极大的可行性和便利性。大数据通常用来形容各行各业运行过程中发生的大量不同时序、多元异构的数据，往往看起来这些数据关联性不够紧密，在关系型数据库中分析时需要花费大量时间和资源进行处理。

大数据不只是数据量大，而且数据种类多。要求实时性强。数据所蕴藏的价值大。各行各业均存在大数据，但是众多的信息和咨询是纷繁复杂的，需要搜索、处理、分析、归纳、总结其深层次的规律，获得规律性、有用的数据。

(5)建模

建模是认识生产过程对象和控制方法的最基本环节，不同产品、生产过程和控制要求涉及的模型差异较大，甚至难以找到相关的模型。特定模型包含工业生产过程的机制与知识，表达了生产设备、工艺参数、原材料和产品质量效率间的映射关系，设备或关键部件的退化机制，产线运行状况和工序之间的耦合关系。

人工智能控制对象更加复杂和多样，往往是多输入多输出的多变量系统、非线性系统、时变系统。要求控制系统更快、精、复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。

(6)决策

决策包括优化、调度和控制等。由于产品、工艺和设备等不同，决策的方式差别很大。复杂工业生产通常由多工序、多台套设备和不同加工要求组成，涉及实时市场信息、生产条件以及运行工况，企业目标、计划调度、运行指标、生产指令与控制指令一体化优化等，需要协同企业管理者和生产管理者的知识并进行智能化处理。

以ERP和MES变革为人机合作的管理与决策智能化系统，利用监测设备和产线运行状态的数据，借助智能优化算法，协同调度各个生产工序，控制相关的生产设备和工艺环节，实现生产全流程的产品质量、产量、消耗、成本等综合生产指标控制，保证生产全流程的整体优化运行决策。

自主智能控制系统感知生产条件变化，相互协同，解决多目标冲突、干涉和多尺度现象，兼顾各种因素和权重影响，制定相应的优化决策目标，实现制造与生产全流程全局优化。

(7)预测

预测技术分为模型方法和数据驱动方法，在预测性维护、需求预测、质量预测等方面应用广泛。预测大多用于智能制造中设备维护，但是预测对工业生产整体或者其他关键环节的作用更加重要，比如产品成本价格和质量的趋势、产品原材料成本和质量的趋势、产品销售方式和市场趋势等，这些比起设备维护的预测可能更加重要。

比如最近缺芯事件对汽车产业的影响、原材料涨价对产品的影响等，其影响远远超过制造产品效率的提升。大数据技术、云服务技术和人工智能技术的快速发展促进了预测技术不断提升。

预测性维护可利用工业设备运行数据和退化机制经验知识，预测设备剩余正常工况使用时间并制定维修策略，从而实现高效安全运行。需求预测根据厂商历史订单数据、市场预测及生产线运行状况，调节原料库存、指导生产出货进度，进行风险管理并减少生产浪费。

质量预测通过产线、原料状态及相关生产数据分析产品质量，并将生产流程调整为最佳产出状态以避免残次品，数字孪生技术可以有效促进质量预测。

3、 工业人工智能技术难点

虽然目前工业人工智能还只在特殊的方面应用，但已经体现良好效果，整体生产过程、关键环节的应用还存在很多难点，有很大改善潜力和发展空间，其主要难点在于:

(1)多源异构数据的挖掘与应用

工业生产涉及各行业、不同加工过程、不同环境和不同市场，表现不完全、无标注、无直接关联样本的动态特性和多源异构数据。如何利用人工智能深度学习进行完全标注大样本静态特性的学习，进而进行归类、分析、发掘和多维应用;另外需要采用多源数据机器学习，研究现象、问题和效果的知识发现，这些是工业人工智能的基础和迫切需求。

(2)多目标整体决策与过程优化

其中包含多层次多尺度决策与控制过程集成优化、复杂系统多冲突目标的实施动态求优等。基于各种层次的信息感知，运行决策与控制面向不同时间尺度和空间尺度。

制造过程中的智能决策面临着开放环境、信息不完全、规则不确定等难题。制造过程当中难以建立决策仿真模型，同时最终决策需要权衡质量、效率、消耗和市场等多冲突目标，全局最优解随生产条件和运行工况变化，控制系统设定值会随全局最优解变化。

(3)产品生产全产业链预测

产品生产最终获得的是效益，不只是与产品生产的质量和效率有关，往往物流、市场需求更加重要。比如产品原材料和人力资源成本、产品销售方式和市场趋势等，这些比起单一的设备维护预测、产品生产质量预测更加重要。

比如新冠疫情对相关产业的巨大影响，某些国家对芯片的封锁造成缺芯事件、对汽车产业的影响，经济通胀使原材料大幅涨价对产品的影响等，目前这些都难以建立有效的预测模型，实现较准确的预测控制。

(4)智能制造装备

虽然我国在互联网、物联网、大数据、云计算等数字化技术以及5G的应用上有一定优势地位，但制造最后的执行单元还得是机床设备，我国大部分设备还落后于欧美和日本企业，比如在工业机器人、3D打印、大余量高速切削机床、芯片光刻机、高精度测量测试设备等方面存在很大差距。

而工业人工智能对当前世界的装备则提出了更高要求，必将是一个极具创新的挑战过程。

4、工业人工智能发展趋势

从总体上看，目前大部分制造企业仍处于自动化、数字化阶段，部分龙头企业和智能制造试点示范企业逐步开展智能化应用，人工智能与制造业融合还处于起步期。2021年后人工智能在制造业中的6个应用趋势，现归纳整理如下:

(1)基于深度学习的机器视觉缺陷检测，可以通过单目和双目的2D、3D视觉检测，分析辨别物体属性、表面特征、立体特征、运动趋势等。

(2)通过机器学习预测设备故障。采用预测剩余使用寿命模型、预定时间段内预测故障的分类模型、异常检测模型可以标记设备等方式进行预测。

(3)生产过程的数字孪生技术，生产过程的实时诊断和评估，产品性能的预测和可视化等。可以设计未来产品、模拟其性能。

(4)智能制造的生成设计，其思想是基于机器学习的给定产品的所有可能设计选项，根据约束条件生成独特设计思想的新产品。具有人工智能的设计生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成产品进行分类和区分。

(5)基于人工智能的能耗预测与优化。制造商可以估算能源账单，了解能源的消耗方式，由数据驱动优化生产过程能源消耗。

(6)智能供应链。采用机器学习驱动的认知供应链管理系统，自动分析库存、装运、市场趋势、消费者情绪和天气等数据，具有需求预测、运输优化、物流路线优化、仓库控制、人力资源规划、供应链安全、端到端的透明度等功能。

小结

传统人工智能技术较多应用于大量的、感性的日常生活、社会交流、金融等行业，取得良好效果。工业人工智能用于解决特定工业问题，不仅需要采用AI算法和AI系统，还需要将人工智能、自动化、工业互联网与各种制造领域知识紧密融合。

当前人工智能技术正在飞速发展，也体现出强大的生命力，但是工业人工智能的整体技术、关键技术仍处于起步阶段，工业和工程界的许多实际难题还没有得到有效解决，根据社会发展需求、科技创新发展方向，未来研究方向是将工业人工智能方法体系服务实际工业生产并创造更多价值。

虽然我国建立了工业人工智能相关的顶层设计与政策引导，在制度层面支撑保障体系也不断完善，但是工业人工智能需要大批具有跨学科研究能力的创新型科技领军人才，也需要大批工程技术应用人才。

同时需要加快打造工业人工智能示范项目，建设工业人工智能公共服务平台建设，加快发展工业人工智能单项技术，推动各类人工智能要素向企业数字化领域集聚，加快工业人工智能技术引领，这样才能使我国在工业人工智能的研究与应用走在世界前列，取得巨大的社会和经济效益。

文章来源：人工智能学家，岩泉居释，中国信息通信研究院与中国人工智能产业发展联盟