在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
如今，人工智能（AI）已经融入社会生活的方方面面，从“刷脸”支付、语音助手等日常应用，到疫情期间发挥重要作用的智能测温系统、智能消毒机器人，都为人们提供着更加便捷和人性化的服务。
与此同时，人工智能也从消费领域拓展到制造业、能源、交通等关系国计民生的关键领域控制工程网版权所有，逐步实现规模化落地。人们都在期许，人工智能与工业场景融合释放出巨大潜能，从而改变工业的未来。
然而，现实却很骨干。工业AI并没有像想象中那样快速落地，真正有实际效益的并不多见www.cechina.cn，那工业AI落地被“卡”在哪里了？工业AI和商业AI有什么不同吗？在工业中应用AI真的可靠吗？
今天，带着这一系列的问题，我们对话对贝加莱工业自动化（中国）有限公司技术传播经理宋华振，进行一场对工业AI的灵魂拷问。
对话人
对话实录
问题一：麦肯锡估计，超过 75% 的工业公司已经试行了某种形式的AI，但只有不到 15% 的公司实现了有意义的、可扩展的影响。当前实施工业AI的挑战和障碍主要有哪些？
对于工业AI而言，其本身发展与商业的AI是并行的，现代控制理论的很多大师其实本身就是属于AI专家，这从卡尔曼、贝尔曼动态规划、Astrom的最小二乘法等都可以看到。因此，麦肯锡所说的75%的工业公司试行了某种形式的AI是有道理的。
但是，工业AI必须不能脱离领域知识、行业特征，因此，在如何将人的经验转化为可复用的知识方面，仍然需要在特征值提取、训练模型方法、泛化等方面的经验—同样，75%的工业AI应用花费的时间在这些由人来定义的部分，因此，它在现阶段仍然需要跨界的专家来构建整体的应用，既要懂AI本身的工具与方法，还要懂行业的知识-包括机械、电气与工艺方面的知识。
所以说，就最大的障碍来说，还是人才的需求-跨界应用总是比较难的。
问题二：经过近几年的推广和应用，工业AI在落地方面呈现出怎样的趋势？离散和过程行业对AI需求有哪些侧重和特点？
就流程工业来说，其AI相对来说基础更好一些，因为流程工业的连续型生产特征对于参数寻优有着天然的需求，而这也的确是AI可以发挥的地方。
另一方面，在离散制造业www.cechina.cn，这方面的发展也很快，比较突出的应用是在视觉的缺陷检测方面的机器学习，因为视觉本身具有较高的数据维度，以及蕴含更多的潜在知识，以及更为有效的检出不良品，因此，基于视觉的缺陷检测这方面的AI应用在离散制造业发展最快。
在参数寻优方面，这又如前所述，还是依赖于工程师跨界的能力，像贝加莱的MITC的研发人员，本身就是机电工程出身，兼具在数据科学方面的训练，就能很好的构建这方面的应用能力。
问题三：一提到AI，很多人都会觉得现在人脸识别、智能机器人、大数据分析等AI应用已经十分普遍了，所以AI在工业中也可以一样应用了。您认为工业AI和我们生活中常见的AI是一回事吗？
工程应用的问题均可归结为数学问题，我们希望机器代替人的工作，那机器就得像人一样的思考，而人的思维主要有演绎法和归纳法，传统我们讲机理建模就是演绎法，基于已有的显性知识（公理、定理、公式）推导，归纳法就是类似数据驱动建模的方法-对数据进行归类分析其规律，获得新知识并被用于演绎。
因此，就本质来说，机理和数据建模只是数学工具的使用与特定场景结合来解决工业中的问题，而AI更擅长解决非线性、不确定的问题，从数学的本质来说，工业AI与商业AI并无不同，只是针对的对象特征不同，商业AI很多处理图形图像、语音、文本类数据，而工业则更多需要处理温度、压力、位置这些低维度的数据，另外就是各自的需求不同，但是，在数学方法的使用上是具有一致性的。
问题四：AI解决的往往是用传统数学方法解决不了的问题，所以往往也是不透明的方法，那AI应用于工业真的可靠吗？ 需要注意哪些问题才能保证AI应用的可靠性？
机理建模它的优势就在于其具有高度可解释性、可预测性，并且算力消耗很低，因此，你会注意到自动化领域它的处理器都要求并不高，就是因为这些已有的机理模型本身不消耗太多的算力，但是AI就对算力要求较高，因为他牵扯到非常多的神经网络计算www.cechina.cn，随着数据量和层级加深，其计算量就会非常巨大。工业需要更高的可解释性，那么，这就需要增强物理建模和数据建模混合的使用，以获得高可解释性和高可靠性。
问题五：专注于工业领域的自动化供应商与专注于商业领域的AI供应商相比，在工业AI架构制定、部署和实施等方面对制造业用户来说有哪些独特的优势？
工业自动化领域的优势在于几个方面，首先，数据源的问题，因为，工业闭环控制本身就会需要采集、存储实时和历史数据，因此，它是离数据源最近的，并非最为丰富，除了信号转换的数据，也包括由控制器本身程序计算产生的中间数据，并且这些数据有非常好的结构-在OPC UA中就包含了基础的信息模型和垂直行业的信息模型，而这一直是工业领域在进行的工作。
其次，工业控制本身有机理建模，在原有的PID循环我们增加观测器对其实时数据进行观测，并通过成本函数来约束—获得在节拍、质量工艺相关参数、材料消耗、能源消耗等方面的规律和最优值，因此，自动化厂商实现这个会更为便捷。
这两个独特优势使得自动化厂商也可以更快的为用户建立AI应用解决产业问题。
问题六：得益于边缘计算技术的进步，AI已经向物联网边缘发展。AIoT将为制造业用户带来哪些新的应用方向和价值提升？
AIoT的作用仍然在于解决制造业最为关切的问题，即，品质的提升、时间的缩短-提升交付能力、成本的下降-寻找优化成本的角度。
边缘架构对于很多离散制造企业，即，终端生产企业有非常大的价值。通过全局的数据获取到边缘侧，终端生产企业可以建立其品质相关的学习模型，这使得其自身可以掌握制造的Know-How，如何改善品质，通过边缘计算架构，获得数据并分析，推理引发品质的因素，并动态的改善，这就可以提升自身的良品率，这对于其在产业横向竞争中处于领先很重要。
边缘计算经常的商业价值就是这样的体现，否则，如果从纯粹实现数据的采集存储传输视角，边缘计算与传统的SCADA并无区别，而一旦将应用分析能力集成，则就具有了全局的价值发挥。
问题七：部署工业AI对现有的制造业人才提出了怎样的挑战？在AI人才培养方面有哪些建议？
的确如此，人才是关键，而且工业相对于商业AI来说，人才需求更难获得，因为他们不仅要了解AI本身的算法、开发工具和软件工程能力，还得具备机电控制方面的经验—这的确非常之难。大学里也同样遇到这样的难题，因为传统自动化、机电控制专业较少涉及这方面的课程，而现在新开设了很多智能专业缺乏在工业AI方面的师资，包括教材都是欠缺的，因此，难度的确挺大。
在AI的人才培养方面，还是得考虑从原有的工程师中选择具有较强算法和软件工程能力的人进行培养，另外就是引入在本科阶段机电工程而硕士阶段数据科学类专业背景的人。另外，就是团队型培养，即，团队由机电工程和数据科学专业两个方向的人共同构成团队，然后协同工作，在这个过程中相互掌握各自的方法和工具，思想和认知，这样可以同时培养出两个这样复合型人才—否则，很难进行，因为，原有的师傅带徒弟，你得有师傅，才能带徒弟。
问题八：很多时候，在工业领域工作的自动化专家、AI专家和数据分析师等都是各自为政的，他们之间少有合作。如何构建一个高效协同的工业AI团队？
这就在于项目型团队的构建上下功夫，因为很难存在一个完全跨界的复合型人才来掌控全局。而且，不能以理论教学，工业就必须“以赛代练”—在应用项目中去培养人才控制工程网版权所有，但是，团队的组织能力却是共性的-因为无论是哪种工程师，开发项目的流程，从需求到模块、标准与规范却是一致的。
因此，团队必须是高效运营管理支撑的。其实，采用团队方式就是因为应用本身就是横向集成的，项目本身需要大家协作来解决问题，打破各自为政才能完成。
高效团队就得有很好的项目管理，这样才能不至于造成项目混乱，拖延交付。
问题九：您觉得AI在工业上未来发展前景如何？属于锦上添花还是必不可少？
工业AI并非锦上添花，实际上，我们谈机理模型，谈演绎推理，但是，要知道，人类对世界的规律认知是极为有限的，而且，线性是特殊情况，而非线性才是世界的本质。
现有的控制它更多是建立在安全值范围的控制，并非是最优的，但是，基于AI的寻优不仅受制于AI自身的成熟度，也受制于其昂贵的算力成本，以及人才—而人才这个问题并非是仅AI存在，因此，AI并非为了锦上添花。
但是，你说它必不可少就目前来说-也并非是必不可少。更确切的说，如何让自身获得持续竞争力，企业要有不断的技术创新的动力，并通过机理与数据融合的方式，工程创新解决问题—关注问题，至于选择什么工具和方法，这是一种智慧（Wisdom）,或者是否发展AI也是智慧，因为，本质上说，在于我们对于解决问题的实现路径的判断力。
.jpg)
每个联接都经得起时间考验-Moxa有奖调查.jpg)
AVEVA InTouch Unlimited试用版下载
福禄克三大“法宝”帮您搞定过程仪表校准难题
2024年度最佳产品奖颁奖典礼会后报道
2024全球自动化和制造主题峰会会后报道
