AI的浪潮不斷的衝擊著人們的眼球，尤其是ChatGPTdailaidejudabiange，yijixianjindamoxingdeshidaidaolai
，douhuishiderenmenquexinweilaishirengongzhinengdeshidai。tayetongyangyingxiangzhezhizaoye
，chanyelibuduandexunqiudaan—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。

jiqixuexilimiankejieshixingyouduozhong

，xianzaiyibanshijishiyongdejiaozuojubujieshi，zhideshijieshidancimoxingtuilidejueceyiju。biruyigehenfuzadeshenjingwangluoqutuilibiaogeshuju，keyigeichugegeshuruzhijiandezhongyaoxingguanxi。

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、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。

hexindeshujuyujilijiehe

，zeshiyaofahuigezideyoushi。yinwei
，zaixianshidegongchengkaifa，naizhixianshideshengchanzhong，jilibingbunengwanquanlejiexitongdezuiyou，huozhexiaolvgenggaodecanshuzu—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—biru
，zaijiaoyinjili
，tongguocaiyangyinshuapindepinzhi
，shuzisaomiaofangshigeijisuanji。ranhou，jisuanjitongshiguancejishiruhetiaojieshuimojunhengdeguocheng，fankuidecanshulaixuexi，jiujingruhelaigaishanyinshuapinzhi。

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。