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)今大模型的時代到來，都會使得人們確信未來是人工智能的時代。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能夠為我們帶來哪些改變?但是，對于AI的難題正在于此—換做另一個話題更好，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)本身的機理、編程結(jié)合。工業(yè)的工程師通常是未經(jīng)AI專業(yè)訓練的，或者即使是來自AI領(lǐng)域的，在開發(fā)項目中，也需要比較好用的工具。這包括如何對數(shù)據(jù)進行預處理、在配置訓練方法的友好性，操作界面的易于理解，作為一個工具，如果需要非常復雜的操作話，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(yè)的特點。因此，這也是現(xiàn)在工業(yè)自動化領(lǐng)域的廠商都會將AI集成到原有的系統(tǒng)中。

因此，對于工業(yè)領(lǐng)域來說，采用嵌入式AI的集成，以及標準與規(guī)范的數(shù)據(jù)交互接口，要實現(xiàn)在工業(yè)自身特定的AI應用任務重，達到快速配置、計算與控制任務融合、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AI需求的最為重要的話題—作為工具屬性，它必須對于工程師來說是友好的。

2).工業(yè)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，它不同于機理的白盒—這就存在了“可解釋性”問題。也是商業(yè)AI在進入工業(yè)后，比較難的話題。

機器學習里面可解釋性有多種，現(xiàn)在一般實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)。比如一個很復雜的神經(jīng)網(wǎng)絡(luò)去推理表格數(shù)據(jù)，可以給出各個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，多個層級來實現(xiàn)。

3).工業(yè)需要高精度的AI

對于工業(yè)應用而言，模型精度會是一個比較重要的問題-超參數(shù)問題、模型結(jié)構(gòu)、數(shù)據(jù)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(xiàn)偏差—工業(yè)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對于商用人形機器人的定位訓練來說就太苛刻了—但對于工業(yè)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，對于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制—通常在嵌入式系統(tǒng)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

工業(yè)里的場景，可能這個問題比較突出，因為，通常機器學習需要較大的樣本量，但如果一個風力發(fā)電機組有大量的故障信號，這個機器就不應該銷售給用戶。包括質(zhì)量問題，都是較少的參數(shù)可供學習。因此，工業(yè)里必須考慮這種場景，采用更多的小樣本訓練方法，例如對比方法，τ分布樣本處理。

5).數(shù)據(jù)與機理結(jié)合

這個對于自動化企業(yè)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(xiàn)的交互。

OPC UA事實上，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)與機理融合的工程創(chuàng)建、運營、維護上。

核心的數(shù)據(jù)與機理結(jié)合，則是要發(fā)揮各自的優(yōu)勢。因為，在現(xiàn)實的工程開發(fā)，乃至現(xiàn)實的生產(chǎn)中，機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認知。因此，AI介入主要還是在更優(yōu)的參數(shù)收斂，包括時間、成本的收斂方向，會有一定的作用。但是，AI并不直接參與控制，只是作為離線的學習給出更優(yōu)參數(shù)，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(jié)合的AI

人機結(jié)合，是因為這里有一個重要的背景，即，AI它學習的是什么?

因為AI實際上，除了AI挖掘數(shù)據(jù)中的潛能，在一些場景里，AI本身也是向人學習的—比如，在膠印機里，通過采樣印刷品的品質(zhì)，數(shù)字掃描方式給計算機。然后，計算機同時觀測技師如何調(diào)節(jié)水墨均衡的過程，反饋的參數(shù)來學習，究竟如何來改善印刷品質(zhì)。

這種需求未來也會更多，因為在很多領(lǐng)域如航空航天、半導體領(lǐng)域的高級技術(shù)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(jīng)驗提煉出來，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，在工具的開發(fā)、數(shù)據(jù)連接、處理、特征選擇、訓練、參數(shù)調(diào)整、與實時任務接口、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)特點的AI。