感慨於AI的聲勢浩大，千軍萬馬進工業
，希望複製其巨大的商業積累
，然而，工業AI與商業仍然大的不同
，缺乏對工業的了解，會遇到很多坑，工業AI往往是在有具體的物理對象的機器或係統上運行，這與很多純軟件形式的語音
、圖像類的識別的商業AI還是有比較大的差別，物理對象是否能夠如你所願的執行或反饋，那本來就依賴於其自身的機理模型，包括一些不確定的
、幹擾因素會導致的潛在問題，都是工業AI無法像商業AI那樣對待的原因。由於工業AI場景中物理對象的存在使得其本身在數據采集、特征提取
、模型訓練、部署等方麵存在著較大的困難，因此
，必須冷靜的看待AI在工業的發展，才能厘清問題，讓我們避開那些坑，並且知道該如何看待AI的工業發展
，不僅是技術，在企業認知、人才培養等多個方麵都需要予以考慮，才能係統的發展工業AI的應用。

1.工業AI與商業AI的差異

工業數據與商業數據仍然是有較大的差別，這主要體現在以下幾個方麵：

比較項	商業數據	工業數據
數據特點	追求數據量大	追求對問題的還原性
質量需求	用於較為模糊的計算，質量要求不高	數據要求極高 ，需清洗
用途	關聯性分析	尋求模型基礎上的關聯性
結果	準確性要求低	高容錯率
數據類型	非實時數據	實時數據
可解釋性	低可解釋性	高可解釋性
數據源	聲音、視頻、文本、圖像圖片	電流、電壓、振動、能源…
安全性	信息安全（Security）需求	信息安全+功能安全性（Safety）
可靠性	低	高可靠性
準確性	低	高精度需求：控製精度要求
魯棒性	低	高魯棒性需求：

綜上所述
，工業AI與商業AI相比
，還是有很多難度的，但是
，而驅動工業AI發展的因素也在於AI芯片
、軟件方麵的成本下降，工業AI本身是有需求的，隻是受製於工業領域的市場容量

，在商業的芯片與軟件不能降低到合理的成本時，工業AI就無法真正崛起，發揮其價值。

可解釋性在於用戶對於“機器”進行決策背後的原因需要建立“信任”，而很多AI算法卻是一種“黑盒”機製
，使得其不具有透明性
，這使得很難被接受，因為“風險”仍然是存在的
，如果商業AI需要90%準確性，那麼工業需要的99.99%的準確，而這個潛在的“不可解釋”使得模型的信任度降低。

安全性：如果用戶要求供應商一起承擔因為技術所需承擔的潛在安全風險—這zhe無wu論lun對dui工gong業ye還hai是shi商shang業ye來lai說shuo都dou是shi一yi個ge風feng險xian，因yin為wei，你ni可ke能neng是shi賺zhuan的de麵mian粉fen的de錢qian，操cao著zhe白bai粉fen的de心xin，這zhe你ni也ye不bu敢gan接jie受shou吧ba
？但dan是shi

，客ke戶hu不bu管guan這zhe麼me多duo，你ni說shuo你ni的de係xi統tong很hen好hao，但dan是shi，如ru果guo出chu現xian了le安an全quan事shi故gu—那我是不是要找你呢
？或者，你願意承擔這個風險，我才能接受這個產品。

2.模型驅動與數據驅動的優缺點

shujuqudongyumoxingqudongdeyouquedianfenxi
，chuantongdegongyeshengchantongchangshijiyuwulihuohuaxuedeyiyoujilijianmo
，bingjingguoshangbainiandaliangshengchandeceshiyanzheng，namejuyouyidingdechengshuxing，danshi，youyukaolvgengduoshijingjixing，yincizuolefeichangduodexianxinghua、安an全quan值zhi設she定ding，使shi得de其qi仍reng然ran有you挖wa掘jue的de潛qian力li空kong間jian，另ling一yi方fang麵mian
，由you於yu模mo型xing驅qu動dong往wang往wang需xu要yao非fei常chang專zhuan業ye的de人ren經jing過guo大da量liang的de時shi間jian進jin行xing積ji累lei，這zhe個ge過guo程cheng本ben身shen的de成cheng本ben也ye是shi非fei常chang高gao的de，隻zhi是shi在zai很hen多duo年nian中zhong進jin行xing了le分fen布bu
，似si乎hu成cheng本ben很hen低di，而er數shu據ju驅qu動dong的de方fang式shi，在zai於yu發fa現xian新xin的de模mo型xing—naxiezaichuantongdejilifangfazhongwufajinxingwajuedemoxing，shujuqudongdeduiyushujushijikede
，erzhebuyilaiyurendejingyanhedaliangdejilei，jiuxiangtongguoshujujinxingyucexingweihu，keyizaiduanshijianjileidaliangdeshuju
，bingwajuechudaozhizhiliangwentidexiangguanxingfenxi，erzhezaiguoqukenengxuyaoshunian
、數十年的積累。

比較項	模型驅動	數據驅動
複雜性	複雜-機電軟一體化融合	依靠數據學習
數據需求	小數據驗證接近於大數據分析	大數據
領域知識需求	高	低
成本	高	低
經驗	高	中

bijiaoyouxiaodefangfadangranshishujuyumoxingqudongxianghujiehe，zaimoxingjichushanggoujianxuexideguocheng，jinerlaiyouhuamoxing
，erxiangfuxiangcheng
，cainenggezifahuiqiyoushi，jilimoxingderenbuyuanyichangshishujuqudongdemoxing
，errenweixuexiderenbudonggongyi。

3.工業AI場景

3.1流程工業與離散工業的不同

工業按照生產的連續性
、控製對象大致分為流程與離散製造業
，離散製造業主要以機器與產線的控製為主，例如食品飲料、塑料、電子、造船等工業
，而流程工業從產業來說更傾向於連續型的過程生產，如石化
、製藥
、冶金等。

	機器控製	流程控製
加工任務	物理	化學反應
參數	速度、扭矩 、位置	溫度、壓力、液位、流量
循環周期	μS/mS	10mS/100mS
控製係統	嵌入式係統	DCS/SCADA
安全性	IEC61508	IEC61511/IEC61513
高可用性	冗餘需求較少	雙機熱備/網絡冗餘
生產連續性	離散製造	連續生產

就AI的應用來說
，流程工業由於是連續生產，本身具有“自動”的需求，優化的效果很顯著
，因為1%的能耗降低都是有效的，但是
，流程工業本身的空間也是很難挖掘的—請你相信我
，流程工業在上百年的時間裏，已經用了各種方法在挖掘它的潛力—傳統的機理模型方式已經幹了超出AI所能想象的工作，離散製造業相對比較分散，現在卻像著“連線”生產的模式進發，傳統所謂的機器已經由機器人、輸送係統進行了“連接”
，使得其具有了不停機生產的能力。

3.2工業AI場景

無論是流程工業還是離散製造，針對流程的各個部分
，其實都是有通過AI方式來進行的優化與改善：我們不以具體的技術或場景，而以宏觀的場景來看待整個工業AI的空間—這也是傳統機理的空間：

(1)數字化設計環節

通過數據的閉環迭代，來反映生產中的質量
、成本的不斷約束下的降低，這也是AI算法可以幹的事情。

為個性化生產帶來數據的支撐能力
，無論是早期驗證還是數字孿生對於工藝的智能挖掘，形成新的製程工藝決策支持，這些都是代替了“人的經驗”和隱性知識的功能，否則，人們仍然不能帶來質量的穩定性
、良品率的上升。

diyicijiuzuodui，shijingyishengchanlidelixiangzhuangtai，duiyugongyilaishuo，kaijilangfeibukebimian，ruherangjiqizuikuaidejinruwendingdezhilianggongyizhuangtai，yeshiyigekeyitongguodaliangdexuexilaihuoqude，jingguoleiji，xingchengyigewendingdegongyimoxing，jiushiyizhonghenhaodeyingyong。

生產數據對於設計端的反饋
，無論對於流程還是離散製造業來說
，現場數據對於設計端的反饋是一個非常重要的提升辦法—這些決策支持具有很大的商業價值。

(2)數字化運營環節

--數據驅動的優化：質量優化、參數尋優、作業調度，這些都是可以為AI所(suo)發(fa)揮(hui)力(li)量(liang)的(de)場(chang)景(jing)
，在(zai)質(zhi)量(liang)優(you)化(hua)方(fang)麵(mian)自(zi)然(ran)有(you)極(ji)大(da)的(de)空(kong)間(jian)
，無(wu)論(lun)是(shi)通(tong)過(guo)視(shi)覺(jiao)的(de)缺(que)陷(xian)檢(jian)測(ce)來(lai)尋(xun)找(zhao)質(zhi)量(liang)改(gai)善(shan)的(de)空(kong)間(jian)，還(hai)是(shi)通(tong)過(guo)視(shi)覺(jiao)導(dao)引(yin)為(wei)機(ji)器(qi)人(ren)、AGV等提供快速的定位與指引

，都是AI可以發揮空間的地方。降低能耗，提高原料使用效率，優化生產工藝中的參數匹配，自適應能力

；

--參數優化
，包括了在靜態和動態係統建模以便應對環境的不確定性
，實現更為有效的控製工藝，在線過程控製和優化。

--因果關係和相關性（例如質量缺陷），在缺陷檢測中，可以實現對質量相關性分析來對影響質量的關鍵因素進行“發現”並對其進行有效的調節
、控製
，或者根據模型實施更為節省成本的控製策略。

--工藝參數匹配：製(zhi)造(zao)業(ye)無(wu)論(lun)是(shi)流(liu)程(cheng)還(hai)是(shi)離(li)散(san)
，其(qi)本(ben)質(zhi)都(dou)是(shi)對(dui)材(cai)料(liao)進(jin)行(xing)各(ge)種(zhong)化(hua)學(xue)與(yu)物(wu)理(li)的(de)反(fan)應(ying)，這(zhe)個(ge)難(nan)點(dian)在(zai)於(yu)各(ge)種(zhong)材(cai)料(liao)所(suo)具(ju)有(you)的(de)物(wu)理(li)化(hua)學(xue)特(te)性(xing)

，這(zhe)些(xie)在(zai)生(sheng)產(chan)產(chan)品(pin)中(zhong)與(yu)工(gong)藝(yi)流(liu)程(cheng)、控kong製zhi參can數shu會hui形xing成cheng無wu數shu種zhong組zu合he
，傳chuan統tong上shang建jian模mo本ben身shen也ye是shi一yi個ge難nan題ti

，但dan是shi
，即ji使shi有you模mo型xing也ye需xu要yao大da量liang的de驗yan證zheng，而er這zhe種zhong驗yan證zheng基ji於yu物wu理li方fang法fa的de顯xian然ran不bu如ru通tong過guo數shu據ju的de方fang法fa積ji累lei，分fen析xi
，提ti供gong工gong藝yi人ren員yuan以yi決jue策ce支zhi持chi。

--決策支持：信息可用性的提高帶來了決策的支持能力，並且，在更多的AI場景中

，我們可以看到工廠的資源如機器、設備
、材料都有了節省的空間。

(3).數字化維護

對dui於yu工gong廠chang的de設she備bei來lai說shuo

，通tong過guo數shu據ju驅qu動dong可ke以yi形xing成cheng大da量liang的de應ying用yong積ji累lei，使shi得de對dui於yu產chan線xian的de未wei來lai狀zhuang態tai進jin行xing早zao期qi狀zhuang態tai預yu測ce
，能neng夠gou維wei護hu較jiao高gao的de生sheng產chan可ke用yong性xing（OEE指標提升）。

傳統的預測性維護往往基於機理模型
，對於重值設備如飛機
、大型空壓機組
、鼓風機
、風feng力li發fa電dian機ji組zu等deng具ju有you很hen高gao的de必bi要yao性xing，因yin為wei這zhe個ge投tou入ru是shi合he算suan的de，但dan是shi，對dui於yu生sheng產chan線xian上shang的de輕qing值zhi設she備bei
，但dan是shi，個ge性xing化hua生sheng產chan時shi代dai機ji器qi與yu產chan線xian的de健jian康kang狀zhuang態tai又you會hui對dui生sheng產chan品pin質zhi、交jiao付fu能neng力li造zao成cheng較jiao大da的de影ying響xiang

，這zhe個ge時shi候hou就jiu必bi須xu尋xun找zhao更geng為wei經jing濟ji的de運yun營ying維wei護hu方fang式shi
，針zhen對dui複fu雜za多duo變bian的de生sheng產chan場chang景jing尋xun找zhao更geng為wei經jing濟ji的de數shu據ju驅qu動dong解jie決jue方fang案an，代dai替ti傳chuan統tong的de基ji於yu專zhuan家jia多duo年nian積ji累lei的de方fang法fa。

4.工業AI目前需要突破的障礙

盡管我們描述了AIzaigongyedezhongduochangjinghekenengxing，danshi，yaodadaochanyeyingyong
，womenhaibixuduitayougengweiqingxiderenshi
，zhidaokunnanzainali，zhidaotadeqianzaifengxianhetazishenfazhandeguilv，cainenggenghaodeyingyong，yixiajigefangmianshiweilaigongyeAI需要突破的障礙。

4.1數據本身的難題需要跨越

(1).數據采集就是需要突破的Know-How：

鑒於AI方法通常都是基於大規模數據並且這些數據必須具有高的可靠性
，因此數據的產生，數據魯棒性、shujuzhiliangheshujufangwen，duiyuliuchenggongyelaishuoxuyaojiaodadegaishan，erlingyifangmian，duiyugongyelaishuo
，congdashujudaozhinengshujufangfa，zhebixujiangdashujudefangfayumoxingqudongfangfajiehe。

jiuxiangzhendongxinhaodecaiji，jiushizaifuzadexiaoxinhaozhongjianquyouyongdexinhao，erqiexuyaojingguoyixiekuaisufuliyebianhuan，baoluoquxiandefenxicainengjianchuyouyongxinhao。

數據源帶來的信號幹擾
，包括信號檢出方式本身就包含了很多工業Know-How在zai裏li麵mian，很hen多duo智zhi能neng傳chuan感gan器qi其qi實shi就jiu是shi依yi賴lai於yu對dui信xin號hao的de處chu理li方fang式shi為wei核he心xin競jing爭zheng力li，如ru果guo純chun粹cui原yuan始shi的de信xin號hao拿na來lai
，就jiu相xiang當dang於yu給gei了le你ni一yi把ba麵mian粉fen和he白bai石shi灰hui混hun合he在zai一yi起qi的de數shu據ju。

(2).你不要以為你有機會迭代：

商業是大數據，而工業是小數據
，有很多故障數據隻有在故障發生的時候才能有
，而這個故障的發生—就意味著設備質量的問題—而這個不被接受，就是在工業裏有一個問題，商業AI說我們可以設定一個期望然後來迭代，但是，工業的用戶說“如果你達不到這個精度，請不要來測試”—這個可能是兩個很大的差別
，商業客戶可以接受迭代的過程，比如識別圖片的能力、語音識別的能力不斷迭代提升，但是，工業的問題就是你如果出現了判斷錯誤—那麼，這個爐子裏的材料就廢了，在很多場景裏

，可能你連測試的幾乎都不會有。

就像圖中所示

，在商業AI裏你就識別一個狗和拖把的區別，在工業裏你可是要識別一個產品是否合格，這兩件事情是完全不同的兩件事情。

(3).在數據工程基礎工作方麵：工業數據在網絡連接

、數據模型、數據安全方麵尚需更多的工作。

就目前而言，在工業數據的獲取方麵，包括網絡連接的統一規範、信息模型、數據安全方麵尚未有統一規範
，OPC UA一直致力於這一工作，然而

，目前OPC UA本身的市場完成度也並不高，在國內也僅有少數的企業開發了OPC UA，如果不開發基於OPC UA的規範
，那麼，各個公司形成的規範仍然會成為障礙，因為大家肯定沒法具有統一性，導致需要大量的接口與轉換工作。

(4).數據源喂入到AI的質量仍然不夠高
，更多的數字化和數據集成仍需努力。

工業AI與商業AI還有就是在數據的需求“價值”方麵

，對於工業AI來說，如果獲得的數據到信息過程出現不可用
、不bu完wan備bei的de情qing況kuang，也ye即ji
，這zhe些xie數shu據ju模mo型xing無wu法fa精jing確que的de描miao述shu一yi個ge物wu理li或huo化hua學xue過guo程cheng
，那na麼me，這zhe個ge數shu據ju就jiu是shi無wu法fa真zhen正zheng使shi用yong或huo發fa揮hui價jia值zhi的de，不bu是shi單dan一yi的de數shu據ju而er是shi數shu據ju集ji，必bi須xu具ju有you一yi定ding的de完wan備bei性xing。

4.2在工業AI應用實現過程中的難題

(1).缺乏數據處理的流程，從源頭獲取數據的質量問題
、數據驗證
、特征提取整個過程而言，目前AI尚未有比較好的自動化方法建立。仍然需要人工對數據進行特征提取、降維
、標定等工作。即使現有的AI軟件已經非常容易使用，但是，對於工業場景而言，仍然有很多不適用的情況。

(2).語義互操作問題：由於數據來源於不同的設備
，那麼就需要統一的語義互操作規範支持。不僅包括了M2M的數據，還包括了OT與IT係統的接口問題，這些都是目前尚未能夠很好解決的問題，對於傳統的模型驅動控製而言，都尚未有完整的解決方案
，因此
，AI的應用就更需時日。

在工業裏OPC UA即扮演這樣一個角色，提供結構性的數據

，為數據在地址空間的存儲提供了統一的結構
、類型、屬性等標準，並支持各種通信模式，以及提供了行業信息模型的集成。

(3).數據安全性問題：在整個數據的采集

、傳遞、處理
、運行、部署過程中
，數據的安全性（Security）
，以及對生產運營的安全性（Safety）都是工業企業必須予以考量的要素。

4.3就企業本身對於AI的障礙

對於AI企業和用戶而言，尚有一些障礙

(1).用戶過高的期望
，以及不可計量的AI期望值

對於用戶而言
，AI是個好東西，但是
，客戶需要先驗性的收益分析—就是“不見兔子不撒鷹”的投資方式，收益不明確、缺乏有說服力的案例
、業務模式的匹配、對AI的局限性缺乏了解
，較難以說服用戶。

(2).即或AI
，也需要AI的運行機製和體係支撐

AI並非像買一個軸承
，即使是軸承也需要維護人員專業的知識，而AI同樣如此

，總不能就像買個東西裝上即可使用，而在應用中如何調整、迭(die)代(dai)本(ben)身(shen)也(ye)需(xu)要(yao)用(yong)戶(hu)自(zi)身(shen)來(lai)完(wan)成(cheng)
，否(fou)則(ze)，花(hua)費(fei)一(yi)筆(bi)錢(qian)就(jiu)得(de)到(dao)供(gong)應(ying)商(shang)無(wu)限(xian)的(de)服(fu)務(wu)支(zhi)持(chi)
，或(huo)者(zhe)如(ru)果(guo)需(xu)要(yao)支(zhi)持(chi)服(fu)務(wu)費(fei)用(yong)
，這(zhe)也(ye)是(shi)一(yi)筆(bi)不(bu)小(xiao)的(de)長(chang)期(qi)開(kai)銷(xiao)
，必(bi)須(xu)予(yu)以(yi)考(kao)慮(lv)。

因此，對於AI而(er)言(yan)
，必(bi)須(xu)要(yao)有(you)清(qing)晰(xi)的(de)認(ren)識(shi)
，要(yao)有(you)長(chang)期(qi)的(de)規(gui)劃(hua)和(he)人(ren)才(cai)培(pei)養(yang)計(ji)劃(hua)與(yu)之(zhi)匹(pi)配(pei)
，否(fou)則(ze)，可(ke)能(neng)就(jiu)是(shi)一(yi)個(ge)項(xiang)目(mu)，為(wei)了(le)獲(huo)得(de)一(yi)些(xie)所(suo)謂(wei)的(de)資(zi)金(jin)支(zhi)持(chi)，拿(na)到(dao)一(yi)些(xie)補(bu)貼(tie)，但(dan)是(shi)，相(xiang)對(dui)於(yu)企(qi)業(ye)所(suo)投(tou)入(ru)來(lai)說(shuo)

，往(wang)往(wang)也(ye)是(shi)得(de)不(bu)償(chang)失(shi)。

(3).企業文化對於AI應用的支持：在一些企業中存在著對AI的抵觸，因為，他們會認為AI會代替他們的工作
，就像在高速公路休息站地方的自動售貨機總是會無緣無故的故障一樣，因為自動售貨機裏2.5一瓶的礦泉水和商店裏5塊一瓶的水相比

，他們更希望機器有故障。

AIdeyingyongbenshenyeshiyizhongchuangxin，xuyaokuaxuekeronghedetuanduihezuo，yishichuangxinwenhua
，ershituanduihezuodewenhua

，ruguodajiazangzheyezhe，namezhegejihuajiuwufashixian
，yinwei
，AIxuyaogongyirenyuanjiangyinzangzaiqidanaozhongdezhishinachulaifenxiang，bingxingchengbuyilaiyurendemoxingyusuanfa，zhebenshenjiushiyounandu

，erqiezaizhenggexiangmuzhongdegongxianruguowufalianghaopingjia，jiuhuichanshengduikangyudichuqingxu。

4.4法律倫理與商業上的問題

除了4.1-3所述的問題，在商業上，目前對於工業AI還缺乏“標準化”的應用
，以解決可複用的問題，而這是商業AI與工業人必須共同解決的問題。AI在項目質量上、標準化方麵還需要借助於軟件工程來實現更好的複用性，包括在上行和下行的互操作方麵—因為采集和部署都是要跨平台來實施的。

數據的歸屬權也是要考慮的問題，就像你來自End User的數據，那麼這個數據用來訓練了模型，那麼這個數據的所有權、模型的所有權就是問題，或者利益的劃分問題如何解決，是否有法律保障
？

工業領域還有非常多的安全
、審計追蹤等特殊的行業需求，這些都是工業AI應用時所需考慮的
，而這些在商業AI中可能不會出現。