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。

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。