AI的浪潮不斷的衝擊著人們的眼球，尤其是ChatGPT帶dai來lai的de巨ju大da變bian革ge，以yi及ji現xian今jin大da模mo型xing的de時shi代dai到dao來lai，都dou會hui使shi得de人ren們men確que信xin未wei來lai是shi人ren工gong智zhi能neng的de時shi代dai。它ta也ye同tong樣yang影ying響xiang著zhe製zhi造zao業ye
，產chan業ye裏li不bu斷duan的de尋xun求qiu答da案an—究竟AI能夠為我們帶來哪些改變?但是，對於AI的難題正在於此—換做另一個話題更好
，工業究竟需要什麼樣的AI似乎更為合理。前者是拿著榔頭找釘子，而後者則更符合工業一直以來的技術發展思維，問題需要什麼樣的工具?而不是工具需要什麼樣的問題。

1).簡單易用的AI工具

工業的AI，它需要簡單易用—畢竟
，工業為了解決問題，即使是發展工具
，它也必須與工業本身的機理、編程結合。工業的工程師通常是未經AI專業訓練的，或者即使是來自AI領域的
，在開發項目中，也需要比較好用的工具。這包括如何對數據進行預處理、在配置訓練方法的友好性，操作界麵的易於理解，作為一個工具，如果需要非常複雜的操作話

，那就很難被廣泛推廣。

而且，這個AI工具所集成的訓練方法、模型都得適合工業的特點。因此，這也是現在工業自動化領域的廠商都會將AI集成到原有的係統中。

因此，對於工業領域來說，采用嵌入式AI的集成，以及標準與規範的數據交互接口，要實現在工業自身特定的AI應用任務重，達到快速配置、計算與控製任務融合
、閉環迭代，而這一切又需要簡單
，易於被工程師掌握。

因此，這是工業對AI需求的最為重要的話題—作為工具屬性
，它必須對於工程師來說是友好的。

2).工業需要高可解釋性的AI

因為AI在更多的時候它是一個“黑盒”模式，它不同於機理的白盒—這就存在了“可解釋性”問題。也是商業AI在進入工業後
，比較難的話題。

機ji器qi學xue習xi裏li麵mian可ke解jie釋shi性xing有you多duo種zhong

，現xian在zai一yi般ban實shi際ji使shi用yong的de叫jiao做zuo局ju部bu解jie釋shi，指zhi的de是shi解jie釋shi單dan次ci模mo型xing推tui理li的de決jue策ce依yi據ju。比bi如ru一yi個ge很hen複fu雜za的de神shen經jing網wang絡luo去qu推tui理li表biao格ge數shu據ju，可ke以yi給gei出chu各ge個ge輸shu入ru之zhi間jian的de重zhong要yao性xing關guan係xi。

可解釋性，還有一些在於數據預處理的可解釋性、算法的可解釋性，事後的結果可解釋性
，多個層級來實現。

3).工業需要高精度的AI

對於工業應用而言，模型精度會是一個比較重要的問題-超參數問題、模型結構
、數據預處理等都會影響模型精度。而這個精度會讓推理
、預測出現偏差—工業的任務它往往是容錯空間是比較小的。比如
，時間的偏差、位置的偏差，例如：0.1mm對於商用人形機器人的定位訓練來說就太苛刻了—但對於工業機器人的配合加工來說卻是入門級的。在時間粒度上也是如此，對於時間嚴苛型任務而言，時間在精度上、實時性上，都是比較高要求的。

精簡就是模型要小，因為有硬件算力和成本的限製—通常在嵌入式係統運行的模型推理，它本身就不可能用太強的處理器。

4).小樣本模型訓練

工(gong)業(ye)裏(li)的(de)場(chang)景(jing)，可(ke)能(neng)這(zhe)個(ge)問(wen)題(ti)比(bi)較(jiao)突(tu)出(chu)

，因(yin)為(wei)，通(tong)常(chang)機(ji)器(qi)學(xue)習(xi)需(xu)要(yao)較(jiao)大(da)的(de)樣(yang)本(ben)量(liang)，但(dan)如(ru)果(guo)一(yi)個(ge)風(feng)力(li)發(fa)電(dian)機(ji)組(zu)有(you)大(da)量(liang)的(de)故(gu)障(zhang)信(xin)號(hao)，這(zhe)個(ge)機(ji)器(qi)就(jiu)不(bu)應(ying)該(gai)銷(xiao)售(shou)給(gei)用(yong)戶(hu)。包(bao)括(kuo)質(zhi)量(liang)問(wen)題(ti)，都(dou)是(shi)較(jiao)少(shao)的(de)參(can)數(shu)可(ke)供(gong)學(xue)習(xi)。因(yin)此(ci)，工(gong)業(ye)裏(li)必(bi)須(xu)考(kao)慮(lv)這(zhe)種(zhong)場(chang)景(jing)，采(cai)用(yong)更(geng)多(duo)的(de)小(xiao)樣(yang)本(ben)訓(xun)練(lian)方(fang)法(fa)，例(li)如(ru)對(dui)比(bi)方(fang)法(fa)
，τ分布樣本處理。

5).數據與機理結合

這個對於自動化企業來說，應該是比較擅長的地方。但是，這個需要在軟件的接口上達成比較容易實現的交互。

OPC UA事實上，也在建立這種連接和模型交互的規範，AAS資產管理殼、行xing業ye信xin息xi模mo型xing，分fen別bie用yong於yu處chu理li如ru何he在zai不bu同tong的de軟ruan件jian平ping台tai間jian建jian立li交jiao互hu的de接jie口kou，它ta主zhu要yao的de目mu的de在zai於yu降jiang低di接jie口kou的de便bian利li性xing，避bi免mian需xu要yao人ren工gong為wei其qi開kai發fa接jie口kou。AAS、行業信息模型則在數據采集方麵。這些主要是解決在數據與機理融合的工程創建、運營、維護上。

核he心xin的de數shu據ju與yu機ji理li結jie合he，則ze是shi要yao發fa揮hui各ge自zi的de優you勢shi。因yin為wei，在zai現xian實shi的de工gong程cheng開kai發fa

，乃nai至zhi現xian實shi的de生sheng產chan中zhong，機ji理li並bing不bu能neng完wan全quan了le解jie係xi統tong的de最zui優you，或huo者zhe效xiao率lv更geng高gao的de參can數shu組zu—本身操作人員也缺乏這個認知。因此，AI介入主要還是在更優的參數收斂，包括時間、成本的收斂方向，會有一定的作用。但是
，AI並不直接參與控製
，隻是作為離線的學習給出更優參數，當然，回到可解釋性問題，那也是需要由人做出判斷是否確認被運行。

6).人機結合的AI

人機結合，是因為這裏有一個重要的背景，即，AI它學習的是什麼?

因為AI實際上


，除了AI挖掘數據中的潛能，在一些場景裏
，AI本身也是向人學習的—比(bi)如(ru)，在(zai)膠(jiao)印(yin)機(ji)裏(li)，通(tong)過(guo)采(cai)樣(yang)印(yin)刷(shua)品(pin)的(de)品(pin)質(zhi)，數(shu)字(zi)掃(sao)描(miao)方(fang)式(shi)給(gei)計(ji)算(suan)機(ji)。然(ran)後(hou)

，計(ji)算(suan)機(ji)同(tong)時(shi)觀(guan)測(ce)技(ji)師(shi)如(ru)何(he)調(tiao)節(jie)水(shui)墨(mo)均(jun)衡(heng)的(de)過(guo)程(cheng)，反(fan)饋(kui)的(de)參(can)數(shu)來(lai)學(xue)習(xi)，究(jiu)竟(jing)如(ru)何(he)來(lai)改(gai)善(shan)印(yin)刷(shua)品(pin)質(zhi)。

這種需求未來也會更多，因為在很多領域如航空航天、半導體領域的高級技術人員是極其昂貴的—甚至達到百萬級以上的收入

，且這樣的人又特別少，如何將他們的豐富經驗提煉出來，這也同樣是產業需要借助AI來解決的問題。

因此，總結來說，工業的AI，需要結合工業本身的特點
，在工具的開發、數據連接、處理、特征選擇、訓練、參數調整、與實時任務接口、雲端連接等開發特別聚焦的功能，讓用戶易用
，滿足工業特點的AI。