ComputerWeekly管理編輯Cliff Saran日前撰文認為
，隨著製造商開發智能工廠

、數字雙胞胎和部署機器學習，人工智能（AI）將為工業4.0的下一階段提供動力。

Gartner預測人工智能增長正在加速。“四年前
，人工智能實施很少見 - 隻有10％的受訪者表示他們的組織已經部署了人工智能
，或者很快就會這樣做
，”Gartner傑出研究副總裁克裏斯霍華德說。“到2019年，這一數字已躍升至37％ - 四年內增長270％。”

“如果你是一名CIO而你的組織沒有使用人工智能
，那麼競爭對手的機會很高。”

在達沃斯世界經濟論壇（WEF）期間討論的熱門話題之一是人工智能
，特別是工業人工智能
，用於提高可靠性和增強新業務模式的能力。

在世界經濟論壇開始時發表的一篇文章中
，西門子首席技術官Roland Busch寫道：“數字時代成功的關鍵是速度和規模。如果說有一個領域人工智能已經遠遠領先於人類，這個就是處理模型數據
、發現和排除錯誤的速度。簡而言之，人工智能有可能幫助我們避免錯誤並克服巧合。”

西門子一直是工業4.0的先驅
，在工業4.0中


，自動化正用於運行智能工廠。Busch認為工業AI將是傳統製造業重塑的下一階段。

“通過工業4.0
，我們成功地開始了數字化轉型，”他在文章中說。“通過工業AI
，我(wo)們(men)現(xian)在(zai)可(ke)以(yi)把(ba)它(ta)提(ti)升(sheng)到(dao)一(yi)個(ge)全(quan)新(xin)的(de)水(shui)平(ping)。我(wo)們(men)可(ke)以(yi)超(chao)越(yue)錯(cuo)誤(wu)和(he)巧(qiao)合(he)。我(wo)們(men)可(ke)以(yi)推(tui)動(dong)創(chuang)新(xin)。我(wo)們(men)可(ke)以(yi)提(ti)高(gao)效(xiao)率(lv)和(he)生(sheng)產(chan)力(li)。我(wo)們(men)可(ke)以(yi)塑(su)造(zao)技(ji)術(shu)和(he)社(she)會(hui)進(jin)步(bu)。“

監督機器學習的挑戰

飛機裝配的過程複雜，其中扭矩扳手和鉚接工具需要以高度受控的方式在特定設置下使用以將麵板附接到諸如空中客車A320的飛機，可被認為是機器學習的良好候選者。

但空中客車機電一體化和機器人技術領導者SébastienBoria表示：“為了獲得高效的機器學習，您需要有監督的係統 來收集大量數據。”

zaijiqixuexixitongyongyuguancharenleicaozuoyuanruhezhixingtedingshoudonggongneng，yilejieruhezidongzhixingzuoyehuojisuanruhegengyouxiaodizhixingzuoyeshi
，zheyidianzuiweimingxian。

對於Boria來說，挑戰在於AI算法隻能學習人類操作員的工作方式。“監督機器學習的主要問題是，在某些時候，如果你把結果建立在不是最佳表現者的人身上，你最終會得到平均的結果，”他說。

一個人工智能係統可以對所有在這個特定手動過程中工作的人做同樣工作的樣本進行抽樣，很可能得出一個平均答案，但對於Boria來說
，平均值並不一定能轉化為實現相同目標的最佳方法。

“技術不是民主，”他說。“僅僅因為50％的人做了某些事情
，並沒有使其成為正確的解決方案。”更糟糕的是

，他表示，表現最佳者的結果“可能被機器視為異常”。

在更精細的層麵上，需要測量的每個數據點或參數都需要傳感器。“你需要將物理世界與數字世界聯係起來
，”Boria說
，“沒有數據，你就無能為力。這意味著你需要傳感器和電子設備來捕獲數據。”

但根據Boria的說法，根本無法管理飛機製造過程中可以收集的所有可能參數。某些類型的傳感器太昂貴或在大規模部署時效果不佳。

可穿戴設備不具有成本效益

例如，一些數據的收集

，例如使用智能眼鏡來看待正在進行的工作，根本不切實際，Boria說。“可穿戴設備不是具有成本效益的小工具，”他說。“我們正在尋找能夠提供正確用戶體驗的產品。看了市場上的所有眼鏡，我認為人們不想在他們的眼鏡上佩戴這些係統進行8小時的輪班。”

以色列人工智能創業公司Precognize的首席執行官兼聯合創始人陳林切夫斯基參加了一場關於人工智能影響的世界經濟論壇小組討論會。他說：“為了保持競爭力，公司需要采取預測方法來提高質量，改善運營、效率和環境限製。最大化對基於人工智能和人類智能的技術的投資至關重要。從長遠來看，部署生產預測和處理問題的軟件成本更低。“

Precognize結合了人類知識和機器學習，創造了聲稱更自然的結果。

看看受監督的機器學習，Linchevski說：“你不能得到不準確的結果。你需要查看數據背後的其他層，經驗豐富的操作員可以根據他們的知識來實現這一點。”

當被問及Boria的前提是機器平均了解它所學到的東西
，而不是確定最佳實踐時，Linchevski描述了機器如何看待生產輸出以識別黃金批次的想法。“如果你有一個黃金批次並且你有上下文
，你可以采取最好的生產時間
，並從一年的曆史中學習，以了解有些東西在偏離，”他說。“機器學習將知道‘生產運行’不是一個黃金批次。”

專有工業4.0

人們可以看出，機器學習行業的努力似乎正在創建一個專有的工業4.0，公司在他們自己獨特的數字雙模擬軟件上工作
，並收集他們自己的傳感器數據來提供他們的機器學習算法。

可(ke)以(yi)說(shuo)，這(zhe)種(zhong)方(fang)法(fa)不(bu)具(ju)備(bei)可(ke)擴(kuo)展(zhan)性(xing)，當(dang)然(ran)也(ye)不(bu)是(shi)打(da)包(bao)軟(ruan)件(jian)行(xing)業(ye)為(wei)支(zhi)持(chi)常(chang)見(jian)業(ye)務(wu)流(liu)程(cheng)而(er)發(fa)展(zhan)的(de)方(fang)式(shi)。一(yi)些(xie)行(xing)業(ye)專(zhuan)家(jia)認(ren)為(wei)，每(mei)台(tai)機(ji)器(qi)都(dou)是(shi)不(bu)同(tong)的(de)
，這(zhe)意(yi)味(wei)著(zhe)每(mei)台(tai)機(ji)器(qi)都(dou)會(hui)生(sheng)成(cheng)自(zi)己(ji)的(de)一(yi)組(zu)數(shu)據(ju)，以(yi)滿(man)足(zu)自(zi)己(ji)的(de)數(shu)字(zi)雙(shuang)胞(bao)胎(tai)。

在日內瓦HPE新的物聯網創新實驗室開幕之前，惠普企業（HPE）混合IT總裁Phil Davis表示：“我認為客戶的部分問題是他們收集的數據量。如果您碰巧出售存儲設備，那麼永遠不要丟棄任何數據。“戴維斯說
，客戶麵臨的挑戰是知道在數據中尋找什麼。”

HPE副總裁兼總經理Tom Bradicich表示：“人們很害怕，因為有太多的數據。我們不確定數據共享的道德和法律含義

，我認為這是數據共享的強大抑製因素。”

雖然業務負責人和世界領導人聚集在達沃斯聽取工業4.0的發展，但這些示例似乎是針對特定公司的，並且很難看出工業4.0如何擴展，除非行業采用通用的互操作性方法並開始共享數據。