AI的浪潮不斷的沖擊著人們的眼球，尤其是ChatGPT帶來的巨大變革，以及現(xiàn)今大模型的時(shí)代到來，都會(huì)使得人們確信未來是人工智能的時(shí)代。它也同樣影響著制造業(yè)，產(chǎn)業(yè)里不斷的尋求答案—究竟AI能夠?yàn)槲覀儙砟男└淖?但是，對(duì)于AI的難題正在于此—換做另一個(gè)話題更好，工業(yè)究竟需要什么樣的AI似乎更為合理。前者是拿著榔頭找釘子，而后者則更符合工業(yè)一直以來的技術(shù)發(fā)展思維，問題需要什么樣的工具?而不是工具需要什么樣的問題。

1).簡單易用的AI工具

工業(yè)的AI，它需要簡單易用—畢竟，工業(yè)為了解決問題，即使是發(fā)展工具，它也必須與工業(yè)本身的機(jī)理、編程結(jié)合。工業(yè)的工程師通常是未經(jīng)AI專業(yè)訓(xùn)練的，或者即使是來自AI領(lǐng)域的，在開發(fā)項(xiàng)目中，也需要比較好用的工具。這包括如何對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、在配置訓(xùn)練方法的友好性，操作界面的易于理解，作為一個(gè)工具，如果需要非常復(fù)雜的操作話，那就很難被廣泛推廣。

而且，這個(gè)AI工具所集成的訓(xùn)練方法、模型都得適合工業(yè)的特點(diǎn)。因此，這也是現(xiàn)在工業(yè)自動(dòng)化領(lǐng)域的廠商都會(huì)將AI集成到原有的系統(tǒng)中。

因此，對(duì)于工業(yè)領(lǐng)域來說，采用嵌入式AI的集成，以及標(biāo)準(zhǔn)與規(guī)范的數(shù)據(jù)交互接口，要實(shí)現(xiàn)在工業(yè)自身特定的AI應(yīng)用任務(wù)重，達(dá)到快速配置、計(jì)算與控制任務(wù)融合、閉環(huán)迭代，而這一切又需要簡單，易于被工程師掌握。

因此，這是工業(yè)對(duì)AI需求的最為重要的話題—作為工具屬性，它必須對(duì)于工程師來說是友好的。

2).工業(yè)需要高可解釋性的AI

因?yàn)锳I在更多的時(shí)候它是一個(gè)“黑盒”模式，它不同于機(jī)理的白盒—這就存在了“可解釋性”問題。也是商業(yè)AI在進(jìn)入工業(yè)后，比較難的話題。

機(jī)器學(xué)習(xí)里面可解釋性有多種，現(xiàn)在一般實(shí)際使用的叫做局部解釋，指的是解釋單次模型推理的決策依據(jù)。比如一個(gè)很復(fù)雜的神經(jīng)網(wǎng)絡(luò)去推理表格數(shù)據(jù)，可以給出各個(gè)輸入之間的重要性關(guān)系。

可解釋性，還有一些在于數(shù)據(jù)預(yù)處理的可解釋性、算法的可解釋性，事后的結(jié)果可解釋性，多個(gè)層級(jí)來實(shí)現(xiàn)。

3).工業(yè)需要高精度的AI

對(duì)于工業(yè)應(yīng)用而言，模型精度會(huì)是一個(gè)比較重要的問題-超參數(shù)問題、模型結(jié)構(gòu)、數(shù)據(jù)預(yù)處理等都會(huì)影響模型精度。而這個(gè)精度會(huì)讓推理、預(yù)測出現(xiàn)偏差—工業(yè)的任務(wù)它往往是容錯(cuò)空間是比較小的。比如，時(shí)間的偏差、位置的偏差，例如：0.1mm對(duì)于商用人形機(jī)器人的定位訓(xùn)練來說就太苛刻了—但對(duì)于工業(yè)機(jī)器人的配合加工來說卻是入門級(jí)的。在時(shí)間粒度上也是如此，對(duì)于時(shí)間嚴(yán)苛型任務(wù)而言，時(shí)間在精度上、實(shí)時(shí)性上，都是比較高要求的。

精簡就是模型要小，因?yàn)橛杏布懔统杀镜南拗?mdash;通常在嵌入式系統(tǒng)運(yùn)行的模型推理，它本身就不可能用太強(qiáng)的處理器。

4).小樣本模型訓(xùn)練

工業(yè)里的場景，可能這個(gè)問題比較突出，因?yàn)椋ǔC(jī)器學(xué)習(xí)需要較大的樣本量，但如果一個(gè)風(fēng)力發(fā)電機(jī)組有大量的故障信號(hào)，這個(gè)機(jī)器就不應(yīng)該銷售給用戶。包括質(zhì)量問題，都是較少的參數(shù)可供學(xué)習(xí)。因此，工業(yè)里必須考慮這種場景，采用更多的小樣本訓(xùn)練方法，例如對(duì)比方法，τ分布樣本處理。

5).數(shù)據(jù)與機(jī)理結(jié)合

這個(gè)對(duì)于自動(dòng)化企業(yè)來說，應(yīng)該是比較擅長的地方。但是，這個(gè)需要在軟件的接口上達(dá)成比較容易實(shí)現(xiàn)的交互。

OPC UA事實(shí)上，也在建立這種連接和模型交互的規(guī)范，AAS資產(chǎn)管理殼、行業(yè)信息模型，分別用于處理如何在不同的軟件平臺(tái)間建立交互的接口，它主要的目的在于降低接口的便利性，避免需要人工為其開發(fā)接口。AAS、行業(yè)信息模型則在數(shù)據(jù)采集方面。這些主要是解決在數(shù)據(jù)與機(jī)理融合的工程創(chuàng)建、運(yùn)營、維護(hù)上。

核心的數(shù)據(jù)與機(jī)理結(jié)合，則是要發(fā)揮各自的優(yōu)勢。因?yàn)?，在現(xiàn)實(shí)的工程開發(fā)，乃至現(xiàn)實(shí)的生產(chǎn)中，機(jī)理并不能完全了解系統(tǒng)的最優(yōu)，或者效率更高的參數(shù)組—本身操作人員也缺乏這個(gè)認(rèn)知。因此，AI介入主要還是在更優(yōu)的參數(shù)收斂，包括時(shí)間、成本的收斂方向，會(huì)有一定的作用。但是，AI并不直接參與控制，只是作為離線的學(xué)習(xí)給出更優(yōu)參數(shù)，當(dāng)然，回到可解釋性問題，那也是需要由人做出判斷是否確認(rèn)被運(yùn)行。

6).人機(jī)結(jié)合的AI

人機(jī)結(jié)合，是因?yàn)檫@里有一個(gè)重要的背景，即，AI它學(xué)習(xí)的是什么?

因?yàn)锳I實(shí)際上，除了AI挖掘數(shù)據(jù)中的潛能，在一些場景里，AI本身也是向人學(xué)習(xí)的—比如，在膠印機(jī)里，通過采樣印刷品的品質(zhì)，數(shù)字掃描方式給計(jì)算機(jī)。然后，計(jì)算機(jī)同時(shí)觀測技師如何調(diào)節(jié)水墨均衡的過程，反饋的參數(shù)來學(xué)習(xí)，究竟如何來改善印刷品質(zhì)。

這種需求未來也會(huì)更多，因?yàn)樵诤芏囝I(lǐng)域如航空航天、半導(dǎo)體領(lǐng)域的高級(jí)技術(shù)人員是極其昂貴的—甚至達(dá)到百萬級(jí)以上的收入，且這樣的人又特別少，如何將他們的豐富經(jīng)驗(yàn)提煉出來，這也同樣是產(chǎn)業(yè)需要借助AI來解決的問題。

因此，總結(jié)來說，工業(yè)的AI，需要結(jié)合工業(yè)本身的特點(diǎn)，在工具的開發(fā)、數(shù)據(jù)連接、處理、特征選擇、訓(xùn)練、參數(shù)調(diào)整、與實(shí)時(shí)任務(wù)接口、云端連接等開發(fā)特別聚焦的功能，讓用戶易用，滿足工業(yè)特點(diǎn)的AI。