國內的情況不瞭解，本人在東京從事人工智能的工作，日本這邊人工智能技術應用於工業界的比較多，隨便舉幾個例子吧：
(1)代替肉眼檢查作業，實現製造檢查智能化和無人化
例如工程巖體的分類，目前主要是通過有經驗的工程師通過仔細鑑別來判斷，效率比較低，並且因人有不同的判斷偏差。通過採用人工智能，把工程師的經驗轉化為深度學習算法，判斷的淮確率和人工判斷相當。得到對應的權值後開發出 app，這樣現場工程人員在使用 tablet 拍照後，就可以通過 app 自動得到工程巖體分類的結果，高效且淮確率高。
還有汽車零部件廠商，目前檢查生產出的零件磨損種類與等級情況時，多是有經驗的人工。同樣，通過採用深度學習算法，可以把人工的檢測經驗轉化為算法，從而實現無人化檢測。
(2)大幅改善工業機器人的作業性能，提升製造流程的自動化和無人化
例如 bin picking 機器人，工業上有許多需要分撿的作業，如上圖所示的零件分撿，採用人工的話，速度緩慢且成本高，而且還需要提供適宜的工作温度環境(夏天的空調，冬天的暖氣等)，如果採用工業機器人的話，可以大幅減低成本，提高速度。但是，一般需要分撿的零件是沒有整齊擺放的，機器人雖然有 camera 看到零件，但卻不知道如何把零件成功的撿起來。這種情況下，使用機器學習，先讓工業隨機的進行一次分撿動作，然後告訴它這次動作是成功分撿到零件還是抓空了，經過多次訓練之後，機器人會知道按照怎樣的順序來分撿，會有更高的成功率，如下圖。
(上面的圖片顯示，經過機器學習後，機器人知道了分撿時夾圓柱的哪個位置會有更高的撿起成功率)
(上面的圖片表明通過機器學習後，機器人知道按照按照怎樣的順序分撿，成功率會更高，圖中數字是分撿的先後次序)
(上面的圖片顯示，經過 8 個小時的學習後，機器人的分撿成功率可以達到 90%，和熟練工人的水平相當)
(3)工業機器人異常的提前檢知，從而有效避免機器故障帶來的損失和影響
這方面和 IoT(Internet of Things)結合比較多。例如在製造流水線上，有大量的工業機器人。如果其中一個機器人出現了故障，當人感知到這個故障時，可能已經造成大量的不合格品，從而帶來不小的損失。如果能在故障發生以前就檢知的話，可以有效做出預防，減少損失。例如下圖的工業機器人減速機和主軸，如果給它們配上 sensor，並提前採取它們正常/不正常工作時的波形，電流等信息，用於訓練機器學習系統，那麼訓練出來的模型就可以用來提前預警，實際的數據也表明人工智能會比人更早地預知到故障，從而降低損失。
(上圖表明，經過機器學習後，模型通過觀測到的波形，可以檢知到人很難感知到的細微的變化，並在工業機器人徹底故障的之前的數星期，就提出有效預警)
(上圖是利用機器學習來提前預警主軸的故障，一般人都是主軸出現問題後才知道)
(4)例如工業上的 3D 模型設計完成後，需要根據 3D 模型中參數，尋找可對應的現實中的零件，用於製造實際的產品。使用機器學習來完成這個任務的話，可以快速，高匹配率的找出符合 3D 模型參數的那些現實零件。
(上圖是根據 3D 模型設計的參數，機器學習模型計算各個現實零件與這些參數的類似度，從而篩選出匹配的現實零件。沒有使用機器學習時，篩選的匹配率大概是 68%，也就是説，找出的現實零件中有 1/3 不能滿足 3D 模型設計的參數，而使用機器學習後，匹配率達到了 96%)
(5)PCB 電路板的輔助設計
任何一塊印製板，都存在著與其他結構件配合裝配的問題，所以，印製板的外形和尺寸，必須以產品整機結構為依據，另外還需要考慮到生產工藝。層數方面，也需要根據電路性能要求，板尺寸和線路的密集程度而定。如果不是經驗豐富的技術人員，很難設計出合適的多層板。通過機器學習，可以將技術人員的經驗轉化為模型，從而提升 PCB 設計的效率與成功率。
除了以上的例子，機器學習在日本還有各種各樣的應用，如下圖中利用機器學習來進行糖尿病的診斷等，準確率很高。
總結一下，國內的話，人工智能應用於互聯網的情況比較多，日本這邊的人工智能技術更多是用來服務於製造業的。許多日本製造業公司正在通過人工智能實現製造智能化、最大程度減少人力、提升製造品質。