本文對(duì)人工智能技術(shù)的原理、技術(shù)分類及其技術(shù)特征進(jìn)行簡(jiǎn)單的介紹；列舉一些人工智能技術(shù)在工業(yè)典型場(chǎng)景中的應(yīng)用并對(duì)于如何搭建這樣一套工具或者平臺(tái)提出自己的一些建議。

2016年 AlphaGo 橫空出世，人工智能、機(jī)器學(xué)習(xí)技術(shù)名噪一時(shí)。

隨著時(shí)間的發(fā)展，人工智能在工程應(yīng)用上愈發(fā)成熟，車(chē)牌自動(dòng)識(shí)別、智能客服機(jī)器人、廣告推薦等一系列的應(yīng)用在工程和商業(yè)上均取得成功。

而在工業(yè)領(lǐng)域，人工智能也沒(méi)有停下發(fā)展的步伐，預(yù)測(cè)性維護(hù)、質(zhì)量控制、智能化排產(chǎn)等領(lǐng)域也一直在探索工程落地和商業(yè)可行的進(jìn)程中取得長(zhǎng)足的進(jìn)展。大量的科技巨頭和專家預(yù)測(cè)人工智能將帶來(lái)第四次革命，繼農(nóng)業(yè)革命，工業(yè)革命，信息革命后從底層改變我們的工作和生活。

作為當(dāng)前最熱門(mén)的風(fēng)口領(lǐng)域之一，人工智能在工業(yè)場(chǎng)景中的應(yīng)用深度和廣度與消費(fèi)領(lǐng)域相比仍有較大差距。

因?yàn)閳?chǎng)景通用性差、投資建設(shè)成本高等原因，導(dǎo)致商用化上仍局限于部分高端制造的場(chǎng)景，無(wú)法做到像OA、ERP、CRM等系統(tǒng)同水平的普及。

對(duì)于AI+工業(yè)互聯(lián)網(wǎng)融合的產(chǎn)品探索者而言，下一步最關(guān)鍵的問(wèn)題還是具體場(chǎng)景落地和商用化的問(wèn)題。

本文是我從科普的角度，將所學(xué)習(xí)的人工智能技術(shù)以及關(guān)于在工業(yè)場(chǎng)景中的應(yīng)用的思考進(jìn)行一些總結(jié)和整理，如有不對(duì)的地方還請(qǐng)各路大神磚家指正。

一、認(rèn)識(shí)人工智能

1. 以機(jī)器學(xué)習(xí)為例

大到經(jīng)濟(jì)的運(yùn)行，小到蘋(píng)果落在“倒霉”的牛頓頭上，世界上所有事物的發(fā)展都是由客觀規(guī)律驅(qū)動(dòng)的。它大概是這樣一個(gè)模型：

就蘋(píng)果砸腦袋這件事兒而言，萬(wàn)有引力和牛頓力學(xué)是驅(qū)動(dòng)事物發(fā)展的客觀規(guī)律，我們可以通過(guò)它精準(zhǔn)的判斷蘋(píng)果落下來(lái)需要多少秒、砸在腦袋上有多大的動(dòng)量等具體結(jié)果。

對(duì)于經(jīng)濟(jì)問(wèn)題來(lái)說(shuō)，這個(gè)模型就會(huì)復(fù)雜的多了。

比如現(xiàn)在受疫情影響下，我們要討論成都的房?jī)r(jià)漲跌的問(wèn)題。雖然能夠馬上判斷房?jī)r(jià)會(huì)受到了包括了供需平衡等經(jīng)濟(jì)學(xué)模型等客觀規(guī)律的支配；但是很明顯的，即便是我們知道了疫情進(jìn)展、政府投資計(jì)劃、主城5區(qū)新增戶籍人口等所有的詳細(xì)數(shù)據(jù)，我們還是無(wú)法準(zhǔn)確的判斷未來(lái)半年和一年房?jī)r(jià)究竟會(huì)上浮多少，或是下跌多少。

這里就反映出一個(gè)問(wèn)題：系統(tǒng)運(yùn)營(yíng)的規(guī)律越是復(fù)雜，就越難以通過(guò)歸納和推導(dǎo)的手段總結(jié)出客觀存在的規(guī)律。

機(jī)器學(xué)習(xí)技術(shù)使得計(jì)算機(jī)可以從海量的案例中通過(guò)訓(xùn)練歸納總結(jié)出其內(nèi)在規(guī)律。

在創(chuàng)新工場(chǎng)CEO李開(kāi)復(fù)著的《人工智能》一書(shū)中，對(duì)機(jī)器學(xué)習(xí)有一個(gè)定義：

機(jī)器學(xué)習(xí)……是一種用數(shù)學(xué)模型對(duì)真實(shí)世界中的特定問(wèn)題進(jìn)行建模，以解決該領(lǐng)域內(nèi)相似問(wèn)題的過(guò)程。這樣的技術(shù)特征使得其在解決很多我們?cè)谏睢⑸a(chǎn)中，用傳統(tǒng)的方法難以解決或解決成本很高問(wèn)題。

2. 人工智能的分類

進(jìn)入九十年代，以概率統(tǒng)計(jì)建模、學(xué)習(xí)和計(jì)算為主的算法潮流開(kāi)始占據(jù)主流。與此同時(shí)，人工智能的研究也開(kāi)始逐漸分化為幾個(gè)主要的學(xué)科：

• 計(jì)算機(jī)視覺(jué)：讓計(jì)算機(jī)看懂世界；
• 自然語(yǔ)言理解和交流（包括語(yǔ)音識(shí)別，合成，包括對(duì)話）：讓計(jì)算機(jī)聽(tīng)懂世界并和世界交流；
• 機(jī)器學(xué)習(xí) （各種統(tǒng)計(jì)的建模，分析工具和計(jì)算的方法），像時(shí)下流行的深度學(xué)習(xí)和AlphaGo涉及的增強(qiáng)學(xué)習(xí)（Re-enforcement Learning）就都是這個(gè)方向的分支；
• 認(rèn)知和推理 （包含各種物理和社會(huì)常識(shí)），讓計(jì)算機(jī)學(xué)會(huì)思考；
• 機(jī)器人學(xué)：包括機(jī)械，控制，設(shè)計(jì)，運(yùn)動(dòng)規(guī)劃，任務(wù)規(guī)劃等等；
• 博弈與倫理 （主要研究多代理人的交互，對(duì)抗與合作，機(jī)器人與社會(huì)融合等議題）。

3. 人工智能的要素

人工智能要解決一個(gè)具體的項(xiàng)目，需要至少三個(gè)關(guān)鍵要素：

1. 海量的數(shù)據(jù)：計(jì)算機(jī)無(wú)法理解和識(shí)別客觀世界的規(guī)律，它需要海量的數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練：人臉識(shí)別需要計(jì)算機(jī)大量在觀看了大量的人臉照片，機(jī)器故障的識(shí)別和預(yù)測(cè)也需要讀取海量的監(jiān)控?cái)?shù)據(jù)。
2. 充足的算力：近年來(lái)人工智能再次迎來(lái)熱潮，很大程度上得益于計(jì)算機(jī)芯片技術(shù)的發(fā)展，按照Nvidia CEO黃仁勛的說(shuō)法，每10年GPU性能增長(zhǎng)1000倍，遠(yuǎn)超摩爾定律。即便是這樣，人工智能計(jì)算的效率仍是遠(yuǎn)低于人腦的，需要大量的芯片提供計(jì)算支撐。
3. 合適的模型：機(jī)器學(xué)習(xí)有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)等多達(dá)幾十種算法模型，每一個(gè)模型均有大量的參數(shù)需要配置。機(jī)器判斷的準(zhǔn)確性高度依賴于選擇正確的算法和參數(shù)的配置。

上述條件是人工智能執(zhí)行一個(gè)成功任務(wù)的基本要求。亞馬遜的Principal Scientist夏威將此比喻為：

如果把一個(gè)成功的人工智能算法比作一只善戰(zhàn)的部隊(duì)的話，數(shù)據(jù)就是糧草，計(jì)算力就是兵力，而模型則是戰(zhàn)略和戰(zhàn)術(shù)指揮的策略；戰(zhàn)略和戰(zhàn)術(shù)的重要性自不必說(shuō)，但沒(méi)有了糧草和兵力，再好的戰(zhàn)略也只是空中樓閣。計(jì)算力可以理解為兵力，有了強(qiáng)大的兵力，才有了實(shí)現(xiàn)戰(zhàn)略的機(jī)動(dòng)性和可能性。

4. 在工業(yè)應(yīng)用中人工智能有哪些優(yōu)勢(shì)和劣勢(shì)

優(yōu)勢(shì)

• 首先是對(duì)所解決問(wèn)題的兼容。機(jī)修鉗工分析設(shè)備故障，熱處理工控制工藝參數(shù)，在技能經(jīng)驗(yàn)上是互不相關(guān)的；而采用機(jī)器學(xué)習(xí)的方法分別解決上述兩個(gè)問(wèn)題，其開(kāi)發(fā)資源和技術(shù)實(shí)現(xiàn)路徑都是幾乎一樣的。
• 其次是AI是忠于客觀的。人的總結(jié)判斷往往有局限，容易忽視一些次要因素。而人工智能并不會(huì)從物理意義或者社會(huì)意義角度來(lái)解釋規(guī)律，它只對(duì)樣本和結(jié)果負(fù)責(zé)，這樣它就可以客觀反映人類通過(guò)正向分析遺漏或誤判的內(nèi)容。

劣勢(shì)

• 首先是對(duì)數(shù)據(jù)的數(shù)量和質(zhì)量高度依賴。而人類只需要簡(jiǎn)單的幾張圖片就能夠辨識(shí)不同品種的貓，而一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)要識(shí)別需要讀取上萬(wàn)張圖片才能做到。
• 此外，我們?cè)诠こ躺汐@取的數(shù)據(jù)通常是異構(gòu)的，這意味要形成機(jī)器學(xué)習(xí)可讀的數(shù)據(jù)源，需要我們投入大量的工程資源進(jìn)行數(shù)據(jù)的治理，這將大幅增加成本。
• 其次是人工智能任務(wù)完成的質(zhì)量是和從業(yè)人員的技能水平高度相關(guān)。上文提到的三大要素中，除了算力外，數(shù)據(jù)、模型都是需要具體從業(yè)人員配置。然而供需不平衡導(dǎo)致市場(chǎng)上充斥著大量的算法工程師都還停留在調(diào)庫(kù)和調(diào)參的層次和水平上，夸張一點(diǎn)講，“參數(shù)基本靠蒙，結(jié)果基本靠試，效果基本靠吹”的情況也是存在的。
• 最后就是成本了。在人工智能熱門(mén)的當(dāng)下，無(wú)論是組建數(shù)據(jù)中心的成本，還是招募算法工程師的成本都居高不下，這導(dǎo)致收益平衡點(diǎn)后移，減少商用的可能。

二、人工智能在工業(yè)應(yīng)用中的場(chǎng)景

1. 工業(yè)場(chǎng)景及痛點(diǎn)

工業(yè)是由眾多的場(chǎng)景組成的，可以從行業(yè)維度（機(jī)加工、電子產(chǎn)品、化工等）、產(chǎn)品的生命周期維度（設(shè)計(jì)、制造、銷(xiāo)售、運(yùn)維）等逐層分解。

即便是每一個(gè)細(xì)分場(chǎng)景，例如針對(duì)機(jī)床的維修保養(yǎng)服務(wù)，也是多人參與的復(fù)雜工作，存在這個(gè)場(chǎng)景特有的痛點(diǎn)：

• 難以找到進(jìn)行設(shè)備保養(yǎng)的合適時(shí)間；
• 難以判斷設(shè)備故障的原因；
• 設(shè)備故障維修的知識(shí)都在各位老鉗工的腦子里，面對(duì)無(wú)法維修的設(shè)備時(shí)，只能通過(guò)人脈和經(jīng)驗(yàn)去尋找維修資源等等；
• 同樣的，在生產(chǎn)計(jì)劃制訂的場(chǎng)景，存在計(jì)劃排程的問(wèn)題；
• 對(duì)于安全管理的場(chǎng)景，存在隱患識(shí)別和排查的問(wèn)題。

企業(yè)是逐利的，所有的問(wèn)題（包括使用體驗(yàn)的問(wèn)題，效率的問(wèn)題，準(zhǔn)確性的問(wèn)題）最終只要影響到企業(yè)收益，都是成立的真實(shí)痛點(diǎn)。

現(xiàn)在上述場(chǎng)景基本都是人去處理的，維護(hù)保養(yǎng)周期靠工人統(tǒng)計(jì)臺(tái)時(shí)判斷，安全隱患識(shí)別也需要大量的人員到現(xiàn)場(chǎng)巡查，或者在監(jiān)控室目不轉(zhuǎn)睛地看著；否則就容易漏掉安全隱患。

如果排程不合理會(huì)導(dǎo)致資源空閑，排程耗費(fèi)的時(shí)間過(guò)長(zhǎng)，投入資源過(guò)多；安全如果出事了，小則整改，大則關(guān)停追責(zé)。

2. 場(chǎng)景分類

在工業(yè)場(chǎng)景中，既有重復(fù)性的、常識(shí)性的腦力勞動(dòng)，也有優(yōu)化等復(fù)雜的腦力勞動(dòng)。

按照需要解決的問(wèn)題的目標(biāo)不同，我們可以將工業(yè)場(chǎng)景AI應(yīng)用分為以下幾個(gè)類別，：

• 系統(tǒng)最優(yōu)的問(wèn)題：生產(chǎn)計(jì)劃排程、結(jié)構(gòu)優(yōu)化、工藝參數(shù)優(yōu)化等；
• 分類或識(shí)別的問(wèn)題：安全隱患的識(shí)別、故障類型的判斷、質(zhì)量問(wèn)題識(shí)別等；
• 推薦和預(yù)測(cè)的問(wèn)題：機(jī)器維護(hù)的預(yù)測(cè)、態(tài)勢(shì)預(yù)測(cè)、輔助決策等；
• 知識(shí)管理的問(wèn)題：知識(shí)識(shí)別和維護(hù)、客服機(jī)器人的應(yīng)用等。

3. 典型場(chǎng)景的分析

因技術(shù)實(shí)現(xiàn)途徑類似，從每個(gè)類別中，各取一個(gè)簡(jiǎn)要分析，其他就不展開(kāi)了。

1）工藝參數(shù)優(yōu)化

從需求有效性方面來(lái)說(shuō)

工藝參數(shù)優(yōu)化對(duì)于很多企業(yè)都是優(yōu)先級(jí)極高的迫切需求，特別是流程化工領(lǐng)域更甚。

舉個(gè)栗子，硝化棉等化工產(chǎn)品的生產(chǎn)工藝過(guò)程就類似于“燒菜”，加“料”（原材料）的多少，“火候”（溫度、壓力、攪拌等）的控制，對(duì)結(jié)果（均勻度、成分含量等）都可能產(chǎn)生影響，但工程上很難準(zhǔn)確判斷各因素對(duì)結(jié)果會(huì)產(chǎn)生何種量化的影響，它本質(zhì)是一個(gè)“黑盒”系統(tǒng)。

傳統(tǒng)的做法就是不斷地試，做新產(chǎn)品要試，換批次要試，一直做到一個(gè)批次質(zhì)量損失可以接受就按這個(gè)方法投產(chǎn)了。

因此，工藝參數(shù)優(yōu)化的問(wèn)題是亟需人工智能技術(shù)來(lái)解決的。

從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)

通常是大量對(duì)過(guò)去生產(chǎn)的批次進(jìn)行分析，其中將投料、工藝參數(shù)數(shù)據(jù)作為自變量，質(zhì)量數(shù)據(jù)作為因變量；進(jìn)行訓(xùn)練，建立模型，從而找到其內(nèi)在的量化關(guān)系。

從商業(yè)價(jià)值角度來(lái)說(shuō)

即便是同一個(gè)產(chǎn)品、同一種工藝，在不同的環(huán)境下，例如海南的化工企業(yè)和甘肅的化工企業(yè)所處環(huán)境溫濕度有很大差異。部分工藝都可能因?yàn)橥饨绛h(huán)境的變化而導(dǎo)致算法準(zhǔn)確度降低或失效，模型需要針對(duì)每個(gè)具體的場(chǎng)景定制，很難復(fù)用。

同時(shí)，工藝參數(shù)優(yōu)化會(huì)明顯受到生產(chǎn)規(guī)模和批次的制約——生產(chǎn)規(guī)模越大，單批次產(chǎn)量越高，產(chǎn)品單位價(jià)值越高或者質(zhì)量損失風(fēng)險(xiǎn)越高，使用AI進(jìn)行工藝優(yōu)化就越可行。

網(wǎng)上可以找到眾多的相關(guān)成功案例。

以下案例來(lái)源于中國(guó)工程院院士鄔賀銓的演講。

“臺(tái)灣中鋼公司，他們引進(jìn)了IBM的Power AI解決方案，用于分析軋鋼過(guò)程中的缺陷。為了將27噸的鋼坯，軋到0.5毫米的成品，預(yù)測(cè)和分析過(guò)程中的缺陷，他們收集了過(guò)去一年7000多批次的產(chǎn)品數(shù)據(jù)。經(jīng)過(guò)數(shù)據(jù)清洗，篩選出了可能影響產(chǎn)品質(zhì)量的特征數(shù)據(jù)，并且轉(zhuǎn)換成了可供機(jī)器學(xué)習(xí)使用的數(shù)據(jù)。

這些數(shù)據(jù)中，80%拿來(lái)做學(xué)習(xí)，20%拿來(lái)做檢驗(yàn)。然后他們?cè)O(shè)計(jì)了4種數(shù)學(xué)模型，來(lái)看哪種模型更符合實(shí)際情況。最后他們根據(jù)模型分析一條產(chǎn)品線產(chǎn)生的2000多個(gè)數(shù)據(jù)，發(fā)現(xiàn)爐內(nèi)壓力對(duì)缺陷影響最大。最后中鋼公司在人力資源和鋼坯質(zhì)量方面，都得到了很好的改進(jìn)，成本大幅降低?！?/p>

2）安全隱患識(shí)別

從需求的角度來(lái)說(shuō)

工廠很多危險(xiǎn)行為（如違規(guī)操作設(shè)備、爭(zhēng)斗打架等）是通過(guò)現(xiàn)場(chǎng)檢查和視頻監(jiān)控才能發(fā)現(xiàn)的，如果能通過(guò)視頻圖像識(shí)別的話，就能夠?qū)崟r(shí)發(fā)現(xiàn)隱患并處理。

從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)

其實(shí)現(xiàn)大致流程就是做算例→配算法→訓(xùn)練→嵌入框架程序用于應(yīng)用。嵌入框架程序有兩種，一種是嵌入硬件的嵌入式程序，一種是服務(wù)端的web程序。此外，車(chē)牌識(shí)別，人臉識(shí)別，安全隱患識(shí)別是高度依賴于場(chǎng)景的。

同樣的行為，角度不同、背景不同，都可能產(chǎn)生誤判，以為著需要針對(duì)場(chǎng)景定制。

從商業(yè)價(jià)值角度來(lái)說(shuō)

受限于危險(xiǎn)行為場(chǎng)景異常復(fù)雜，無(wú)法復(fù)用且需要定制，短期內(nèi)很難做到類似車(chē)牌識(shí)別系統(tǒng)的產(chǎn)品化，導(dǎo)致其可用場(chǎng)景其實(shí)非常有限的。

3）設(shè)備維護(hù)預(yù)測(cè)

從需求的角度來(lái)說(shuō)

企業(yè)的設(shè)備類似于車(chē)輛，需要定期保養(yǎng)，更換零部件。一般汽車(chē)廠家為了免責(zé)而規(guī)定要求五千或者一萬(wàn)公里保養(yǎng)一次，而一般老司機(jī)是不按這個(gè)來(lái)的，他們會(huì)根據(jù)行駛工況選擇合適的保養(yǎng)時(shí)機(jī)。

用于生產(chǎn)的機(jī)械設(shè)備通常是按工時(shí)來(lái)保養(yǎng)的，有的企業(yè)甚至連工時(shí)都無(wú)法統(tǒng)計(jì)（上下游標(biāo)準(zhǔn)不一或缺乏手段），導(dǎo)致錯(cuò)過(guò)保養(yǎng)時(shí)間使得設(shè)備故障頻發(fā)。如果能夠根據(jù)實(shí)際工況給出維護(hù)保養(yǎng)建議，便能有效解決這個(gè)問(wèn)題。

從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)

其技術(shù)實(shí)現(xiàn)路徑大致和工藝參數(shù)優(yōu)化一樣，不同的是自變量變成了設(shè)備的檢測(cè)到工況參數(shù)，因變量變成了故障統(tǒng)計(jì)數(shù)據(jù)集。

從商業(yè)價(jià)值角度來(lái)說(shuō)

其面臨的問(wèn)題和工藝參數(shù)優(yōu)化一樣，受到無(wú)法復(fù)用的限制，需要大量的同類型設(shè)備才能減少邊際成本。一旦成功應(yīng)用，可以極大節(jié)省設(shè)備運(yùn)營(yíng)和維護(hù)成本。

以下案例來(lái)源于富士康：

由于銑刀在高轉(zhuǎn)速下進(jìn)行不連續(xù)切削，刀具磨損迅速且難于監(jiān)測(cè)，并且刀具磨損嚴(yán)重影響加工精度與產(chǎn)品質(zhì)量。針對(duì)高速銑削刀具磨損難以在線預(yù)測(cè)，提出了一種基于深度學(xué)習(xí)的高速銑削刀具磨損預(yù)測(cè)的新方法。通過(guò)小波包變換提取銑削力信號(hào)，在不同頻段上的能量分布，作為初始特征向量。采用無(wú)監(jiān)督學(xué)習(xí)對(duì)稀疏自編碼網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)，并將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò)。最后，利用有監(jiān)督學(xué)習(xí)對(duì)整個(gè)深度網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練，建立銑削刀具磨損預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，所提出的方法對(duì)刀具磨損狀態(tài)預(yù)測(cè)準(zhǔn)確率達(dá)到93.038%。

4）知識(shí)識(shí)別維護(hù)

從需求的角度來(lái)說(shuō)

傳統(tǒng)的知識(shí)管理軟件依賴于數(shù)據(jù)庫(kù)的設(shè)計(jì)，系統(tǒng)無(wú)法識(shí)別語(yǔ)義，我們只能按照預(yù)設(shè)的數(shù)據(jù)結(jié)構(gòu)，在一個(gè)系統(tǒng)中實(shí)現(xiàn)增刪改查操作。而知識(shí)產(chǎn)生的時(shí)間往往和錄入的時(shí)間是不一樣的，我們往往得重復(fù)錄入一次。

例如某產(chǎn)品未通過(guò)測(cè)試需要進(jìn)行設(shè)計(jì)更改，其通常會(huì)走一個(gè)變更申請(qǐng)，由項(xiàng)目負(fù)責(zé)人、總工程師等人層層審批。若能夠直接就審批材料進(jìn)行語(yǔ)義分析，直接抽象測(cè)試未通過(guò)的要素、更改的方式方法等要素，就不需要再人為錄入了。下一次遇到類似于的問(wèn)題，相關(guān)工程師就可以查詢解決方案。

從技術(shù)可實(shí)現(xiàn)性來(lái)說(shuō)

可以利用自然語(yǔ)言識(shí)別技術(shù)，從業(yè)務(wù)系統(tǒng)中直接獲取大量的文本，解析出事件執(zhí)行主體、執(zhí)行對(duì)象、執(zhí)行方法、執(zhí)行結(jié)果主要要素，再各要素語(yǔ)義量化解析。

從商業(yè)價(jià)值角度來(lái)說(shuō)

無(wú)論是企業(yè)的技術(shù)知識(shí)庫(kù)，還是服務(wù)機(jī)器人的應(yīng)用，都可以減少對(duì)人員培訓(xùn)和素質(zhì)水平的依賴。結(jié)合PDM、GIT等軟件，能夠構(gòu)成企業(yè)完整的知識(shí)管理體系。

三、我們要怎么樣去構(gòu)建工業(yè)的人工智能應(yīng)用

重視基礎(chǔ)條件建設(shè)，數(shù)據(jù)先行。

前面案例已經(jīng)分析到了，樣本數(shù)據(jù)的數(shù)量和質(zhì)量是保障人工智能任務(wù)完成的先決條件。故障預(yù)測(cè)需要大量的工況數(shù)據(jù)，危險(xiǎn)行為識(shí)別需要大量的圖像算例。

對(duì)于企業(yè)而言，需要具備自動(dòng)化、數(shù)字化等基礎(chǔ)條件，

對(duì)于行業(yè)和政府而言，需要全行業(yè)或全地域企業(yè)具備基本的自動(dòng)化、數(shù)字化基礎(chǔ)。消費(fèi)領(lǐng)域之所以AI做得風(fēng)生水起關(guān)鍵是各應(yīng)用都大量埋點(diǎn)，獲得了大量行為數(shù)據(jù)。

明確各自定位，參與分工。工業(yè)場(chǎng)景之多，復(fù)雜度之深，行業(yè)壁壘之高，意味著這不是一個(gè)贏者通吃的壟斷的市場(chǎng)，需要構(gòu)建生態(tài)并由多方參與。

人人都搞AI的時(shí)代并不是因?yàn)槿祟愡M(jìn)化都變聰明了，而是tesorflow、opencv等AI工具的誕生。對(duì)算法的高度封裝使得我們可以專注于解決業(yè)務(wù)問(wèn)題，算法從深?yuàn)W的數(shù)學(xué)問(wèn)題變成了”調(diào)庫(kù)和調(diào)參“+業(yè)務(wù)洞察的基本操作。

下圖是tensorflow的操作頁(yè)面——前端配置頁(yè)面已經(jīng)高度成熟，算法的配置可以通過(guò)對(duì)模塊的拖拉拽就能實(shí)現(xiàn)，甚至連調(diào)庫(kù)的操作都不需要。

未來(lái)工業(yè)AI領(lǐng)域?qū)⒅饾u形成分工是大概率事件，參與者主要包括底層框架開(kāi)發(fā)者和場(chǎng)景貢獻(xiàn)者。

框架開(kāi)發(fā)者軟件、AI技術(shù)背景更強(qiáng)，他們搭建全行業(yè)通吃的應(yīng)用框架，各行各業(yè)傳統(tǒng)的服務(wù)商基于框架構(gòu)建場(chǎng)景。這樣企業(yè)就能以更低的成本獲取場(chǎng)景，市場(chǎng)也各司其職，實(shí)現(xiàn)價(jià)值最大化。

尊重業(yè)務(wù)，深入業(yè)務(wù)。

與AI、互聯(lián)網(wǎng)日新月異的技術(shù)和商業(yè)模式的發(fā)展相比，工業(yè)的發(fā)展顯得相對(duì)緩慢和笨重；然而，工業(yè)無(wú)論是設(shè)計(jì)、工藝還是制造過(guò)程管理的知識(shí)和經(jīng)驗(yàn)，都是由各個(gè)工業(yè)國(guó)家在經(jīng)過(guò)數(shù)以百年的實(shí)踐總結(jié)而來(lái)的，消費(fèi)領(lǐng)域?qū)π枨蠛蜆I(yè)務(wù)的處理方式無(wú)法直接復(fù)用在工業(yè)場(chǎng)景中。

工業(yè)互聯(lián)網(wǎng)也好，工業(yè)AI也好，產(chǎn)品經(jīng)理需要深入理解工業(yè)場(chǎng)景和業(yè)務(wù)。

四、小結(jié)

人工智能技術(shù)在解決眾多工業(yè)問(wèn)題場(chǎng)景中有獨(dú)特的優(yōu)勢(shì)，但目前工業(yè)場(chǎng)景與人工智能還缺乏深入融合，應(yīng)用的范圍甚至還不到消費(fèi)領(lǐng)域的1%。

對(duì)于工業(yè)互聯(lián)網(wǎng)從業(yè)者而言，以工程化和商用化為目標(biāo)，還應(yīng)深度關(guān)注業(yè)務(wù)和場(chǎng)景落地的問(wèn)題，同時(shí)還需要探索降低場(chǎng)景制訂邊際成本方法。

如果你覺(jué)得這篇文章對(duì)你有幫助，請(qǐng)戳下面二維碼關(guān)注我的公眾號(hào)：烏鴉產(chǎn)品客

本文由 @吳躍 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議