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

gongyelidechangjing，kenengzhegewentibijiaotuchu
，yinwei，tongchangjiqixuexixuyaojiaodadeyangbenliang，danruguoyigefenglifadianjizuyoudaliangdeguzhangxinhao，zhegejiqijiubuyinggaixiaoshougeiyonghu。baokuozhiliangwenti，doushijiaoshaodecanshukegongxuexi。yinci，gongyelibixukaolvzhezhongchangjing，caiyonggengduodexiaoyangbenxunlianfangfa
，liruduibifangfa，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
、xingyexinximoxing，fenbieyongyuchuliruhezaibutongderuanjianpingtaijianjianlijiaohudejiekou
，tazhuyaodemudezaiyujiangdijiekoudebianlixing，bimianxuyaorengongweiqikaifajiekou。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。