當前，以智慧化為核心的產業變革正在興起，人工智慧技術與社會各領域的融合不斷加劇，併成為助推工業智慧化轉型升級的關鍵燃料。
今年4月，工業網際網路產業聯盟（AII）釋出的《工業智慧白皮書》顯示，截止到2019年底，在全球20多個經濟體近三年釋出的100份人工智慧方面的戰略規劃或政策檔案中，涉及與工業結合的超過一半以上。美、日、德、歐盟分別釋出《國家人工智慧研究和發展戰略規劃》《新機器人戰略》《國家工業戰略2030》《歐盟人工智慧》等一系列政策戰略，重點提及產品全生命週期最佳化、先進機器人、自動駕駛、大資料挖掘等在工業領域的應用。
那麼，人工智慧技術與工業的結合，會給工業領域帶來哪些改變呢？現階段發展情況如何？
美國初創公司 Maana 聚焦石油和天然氣領域，推出了Knowledge Platform 的平臺，透過梳理專業知識打造計算知識圖譜，與機器學習計算模型相結合，為 GE、殼牌、阿美等石油巨頭提供決策和流程最佳化建議；
智慧抓取場景中，日本發那科公司基於深度學習賦予機器人抓取混雜零件的功能，並透過強化學習賦予機器人自學習能力，透過自主訓練 8 小時使散件分揀的成功率達到了 90%；
新松機器人公司利用 5G 人工智慧的巡檢機器人，實現了全自動巡檢以及異常問題的自主判斷......
隨著人們對於工業AI的研究不斷深入，逐漸擴充套件了其在工業領域可解問題的效能與邊界。近期，雷鋒網透過和業內人士的交流以及對行業資訊的梳理，整理了有關工業AI領域備受關注的問題，比如工業AI的重要玩家和應用落地情況，行業發展面臨的障礙等。
工業AI，群雄盤踞工業AI，也就是工業智慧，其本質是透過人工智慧技術與工業場景、機理、知識結合，實現設計模式創新、生產智慧決策等應用。
據 Markets 報告預計，2025 年人工智慧製造市場規模將達 172 億美元，預測期 (2018-2025 年 ) 內的年複合增長率為 49.5%。而埃森哲在比較了人工智慧對我國各個行業部門增加值增速的影響後得出，預計到 2035 年，製造業因人工智慧的應用其增加值增速可以提高 2.0% 左右，是所有產業部門中提高幅度最大的。
由此可見，工業AI領域不管是市場容量，還是增速，其表現都足夠出色。也因此，吸引著AI界的科研大牛、科技企業相繼湧入工業領域。
2019年6月，閔萬里從阿里雲離職，並創辦了北高峰資本和坤湛科技兩家公司。在離職信中他透露：
“我創辦了一個風險投資基金，聚焦傳統產業(製造業，農業，醫療)周邊，用雲智慧技術注入和資本加持‘二位一體’的組合型賦能，推動傳統產業實現數字化轉型和智慧升級。”
而賈佳亞，則是在今年年初創立了一家新的 AI 公司——思謀科技（SmartMore）。目前，該公司已經獲 Pre-A 輪融資，並在深圳和香港分別設立了研發中心。此前，他不僅是騰訊傑出科學家，也是優圖實驗室X-Lab負責人。
雷鋒網瞭解到，思謀科技專注於智慧製造（檢測領域）運用人工智慧深度學習演算法和計算機視覺技術，在無需改變產線現有的硬體裝置下，為使用者提供無人自動化缺陷檢測技術。
這兩人的去留，曾一度引起業界的廣泛關注。除了考慮到他們的離開會給原公司帶來一些影響，另一方面，他們在創業時都選擇了工業製造裡面的AI應用這一領域。
而百度，作為國內三大網際網路巨頭之一，他們早在2010年就開始探索發展人工智慧技術，圍繞百度大腦，其AI應用逐漸在多個領域進行試水，從農業到工業，從家庭到汽車，以及翻譯、影象識別和資訊流等產品和服務。
談及百度AI技術在工業製造領域的應用，李彥宏曾表示，現在很多3C產品在組裝的過程當中都需要人的肉眼去檢驗這些零件的質量，而其中很多零件都非常小，比如iPhone組裝插電的器件就很小，要人的肉眼去看是不是質量過關，是一個很費勁的任務。一般來說，熟練的工人幹兩個小時就得下來休息。而百度用計算機視覺的方式做了一個軟硬一體的機器，一臺裝置相當於十個熟練工人能夠做的事情，而且它的質量還比人工要更高。
工業AI應該如何去做，這不僅是BAT系的大佬正在思考的問題，也是工業企業更為關注的事。
在2019年業績交流會上，工業富聯將工業AI作為公司戰略的一部分提到了日程上。工業富聯董事長李軍旗表示：
“在過去的一年當中，工業富聯明確了公司的戰略方向，這個戰略方向我們把它歸結為‘智慧製造 工業網際網路’的雙輪驅動戰略。智慧製造有‘三硬三軟’，從‘三硬’的裝備、工具和材料加上工業大資料、工業AI和工業軟體，形成智慧製造的整體解決方案，軟硬整合的整體解決方案。在這個基礎上搭建了工業網際網路平臺。工業網際網路平臺同時需要硬軟整合，也有三硬三軟，雲網端再加上三軟裡面的工業大資料、工業AI和工業軟體。”
此外，萌生於美國智慧維護系統（IMS）中心的工業智慧公司——天澤智雲，在工業智慧上，他們的理解是“3 4”，即融合工業領域知識、智慧建模技術、計算機科學等3個跨學科的融合領域知識，並且還需要分析技術（AT）、運維技術（OT）、資料技術（DT）、平臺技術（PT）等四大關鍵支撐技術，才能誕生出真正的工業智慧。
而明略科技集團，作為更具行業“Know-how”的新一代資料中臺先行者，致力於探索新一代人工智慧技術在知識和管理複雜度高的行業中的落地。在“AI 工業”方面，他們主要基於裝置和裝備物聯感知動態資料的分析挖掘與智慧應用，幫助大型組織和企業高效運轉和加速創新，聚焦交通、電力、製造業。
有投資人表示，初創公司在人工智慧領域還是有很多機會的，但他們需要往更細分的賽道里去專研，去挖掘，這樣才能避開一些大公司，發揮自己的長處，實現AI與具體工業場景的相結合......
AI正在滲透到更多的工業場景人工智慧是個比較大的話題，包括機器學習、深度學習、計算機視覺等，並且在工業特定領域中有非常多的業務場景和技術應用。
目前，騰訊優圖在工業方面的探索，主要專注在計算機視覺領域。他們曾聯合騰訊云為國內的一家面板生產企業打造了一個工業AI的專案，主要內容是為液晶面板做缺電檢測。
據瞭解，缺電檢測是工業智慧一個比較常見的業務場景，前期他們的很多模型都是靠演算法專家以手工方式去訓練模型。然而，從交付的形態去說，這些是比較輕量級的交付，因為沒有提供攝像頭的硬體裝置，也沒有對客戶生產系統進行調整，僅僅利用視覺AI的演算法做了缺陷檢測產品去替代缺陷質檢的環節。
最終，騰訊優圖上線的這些模型可以保證在跟人的準確率相當的情況下達到70%以上的覆蓋率，能夠替代七成以上的質檢工人。
“我們認為，在人工智慧產業化道路上，業務和技術同樣重要，掌握了好的方法論交付專案才能事半功倍。”騰訊優圖實驗室工業AI專案負責人黃亮表示：
“比如說資料質量，大家都知道資料質量在人工智慧和模型訓練方面的重要性，你的網路再先進，你如果沒有好的資料依然是無法取得好的效果。但是，如何獲取高質量的資料呢？有很多的方法，我們早期也吃了很多虧，就以缺陷檢測為例，生產線上我們可以看到有很多的缺陷，100多種缺陷。但是我們怎麼去採集這些缺陷，我們需要採集多少種缺陷的樣本，每個缺陷我們需要採集多少張圖片，模糊的缺陷我們如何去判定，如果一個圖片有多種缺陷，我們按哪種缺陷判定和標註，這些都是一些很細節的問題，但是會非常影響模型最終的效果。”
除了計算機視覺，人工智慧在工業領域的應用還包括資料智慧、決策方面的一些應用。明略科技依託他們的資料中臺和知識圖譜，探索異地專家如何將經驗進行積累和沉澱。
比如明略科技為某家軸承生產廠商構建了產品的知識圖譜以及智慧問答與選型的系統，用來解決使用者對軸承以及相關產品資訊的諮詢查詢對比和推薦的問題，相比於傳統的基於人工的客戶服務，這一套智慧問答系統能夠取代人工回答60%-80%重複的、常見的問題。
雷鋒網瞭解到，不管是液晶面板的缺電檢測，還是使用者對軸承以及相關產品資訊的諮詢查詢對比和推薦，目前AI主要用在工業領域的應用資料的視覺化分析、預測性維護等，另外還可用於自動分析裝置故障情況等，向著更多細分的工業場景進行滲透。
然而，當每一位創業者、變革者拿起AI的工具叩響工業之門時，撲面而來的不僅有工業機理、工業模型的屏障，還有資料和專業知識缺乏帶來的一些挑戰。
需要突破的障礙儘管我們知道AI在工業領域有眾多場景和可能性，但是，要達到產業級應用，我們還必須對它有更為清晰的認識，知道工業AI存在哪些問題。
英特爾中國區物聯網事業部首席工程師及首席技術官張宇博士表示：
“人工智慧這個詞最早是1956年在達特茅斯會議上出現，其發展可以說是起起伏伏。如果和上世紀90年代——上一次的人工智慧高潮相比，除了算力和資料，我們在某些領域的進步並沒有那麼明顯。”
“算力方面，英特爾一直在摩爾定律的推動下，帶領整個半導體行業前進，其算力不斷地進行更新。比如超算領域定期頒佈的世界500強的超級計算機的榜單，這個榜單第一次釋出在1994年，當時榜單上排名首位的超級計算機浮點運算能力每秒鐘峰值1300億次，而去年年底的榜單排名首位的超級計算機浮點運算能力每秒鐘峰值21億次。算力的提升，對於執行一些比較複雜的演算法是很有幫助的。以前一些網路可能相對比較簡單，層次比較淺，現在可以用我們的算力執行比較複雜的網路模型得到更好的結果，或者我們可以在消耗網路模型下，在更短的時間裡得到結果，實現更快的迭代，算力確實極大的推動了人工智慧的發展。”
“另一個推動因素是資料方面，還是以ImageNet為例，ImageNet裡已經包含了超過1400萬張經過標註的圖片，所以有了這麼多大量的圖片，就可以訓練網路，得到一個可以執行的比較理想的結果。在資料增長的背後，實際上它的基礎是我們在儲存領域以及通訊領域技術的提升。以儲存領域為例，可以看到上世紀90年代，那時候移動儲存的介質是用磁碟，一個磁碟的容量不過幾個M，而現在用隨身碟，隨便一個隨身碟就是幾個T的容量。也就是說，我們的儲存技術擁有了百萬倍的提升，這些提升都推動了人工智慧的發展。”
4月23日，在工業網際網路產業聯盟（AII）釋出的《工業智慧白皮書》中提到，當前工業智慧的應用以點狀場景居多、普及範圍有限、還存在許多問題尚無法解決，仍處在發展的初級階段。工業智慧應用面臨的四大問題分別是：
實時性問題。現有通用計算架構與晶片尚無法滿足工業實時性所帶來的計算要求，端側推理需求迫切。
可靠性問題。電商平臺的推薦系統達到 60%-70% 的準確率已經算是比較高的精準度，而部分工業領域、部分工業核心環節對推薦引數的準確性要求是 100%，一旦引數出現任何問題，將對生產、製造等環節，甚至生命財產安全產生巨大影響。
可解釋性問題。在冶煉、核電等工業領域核心環節所面臨的問題如果期望 透過資料技術解決，則此類問題的解決必須建立在可靠的工程 / 科學突破上，即需要能夠明確 解釋其背後機理。
適應性問題。通常包括模型間互動、軟硬體適配與演算法的資料、任務適配三類問題。
“就工業智慧來說，總的判斷還是處於起步階段，還沒有達到成熟。”張宇表示：
“重要的原因是，現在的人工智慧還是實驗科學，不是一個理論科學。雖然能夠有一些網路證明它在處理某些問題的時候是有效的，但是還不能夠說明它為什麼有效，以及有效的機理是什麼。人工智慧網路對我們來說還像一個黑盒子，我們不能預測它有效的原因以及如何進一步最佳化的方向，這些都是我們現在需要進一步提升的地方。如果這些問題不能達到進一步的完善，那麼人工智慧還不能稱為成熟。同樣地，工業也是一樣，工業不過是人工智慧的一個分支，在大背景環境下可以看到有些人工智慧網路可以開始越來越多用到工業領域，透過我們拿到的一些工業資料來訓練它，讓它在某些特定環境下能夠有效，但是，這個有效也是區域性有效而不是全域性，因此我們需要不斷地用更多資料進一步完善和推廣。
工業領域的難點在於工業領域的應用場景比較碎片化，和我們熟知的交通領域、安防領域有很大不同。交通領域、安防領域識別的物體相對比較固定，場景也比較固定，這樣可以針對這些場景可以收集大量的資料，得到一些網路模型以後，可以在這些場景裡大面積推廣；而工業場景的碎片化很明顯，比如在紡織工廠裡做一個產品的識別，在半導體工廠裡也做產品的識別，但是它們要檢測的目標是不一樣的，那帶來的問題是需要不同的樣本和設計不同的網路結構，在設計方面要用不同的方法進行調優，同時工業本身對準確度的要求很高，因而，在工業領域推廣人工智慧的話還有很長的路要走。”
而創立了思謀科技的賈佳亞表示：“越是基礎設施、關係到國家社會生產力的部分，越是需要我們的綜合科技能力去全面落地解決經濟生產裡的缺人力、淺智慧的問題。實現全面系統化、智慧化、自動化是思謀瞄準的解決方案。思謀的企業目標是擺脫單個演算法領域的資料侷限，以系統化體系架構開創AI 2.0時代。”
現如今，AlphaGo已經是世界頂尖人工智慧科技了，要研發出比AlphaGo複雜一個數量級的，能夠替代運營管理任務的人工智慧，看上去還是很久遠的事情。就如《1%的征程——阿里雲工業大資料解決方案》中所述，人工智慧科學家們已經在某個輸出指標維度有了一定研究，並且誰也不知道未來的增長是線性的，還是指數性的？全面的研究成果是百年之後得出，還是十年之後得出？
有專家分析，工業AI之所以一直都被看做是最難的、也最複雜的應用領域，原因就在於，一方面行業外延十分廣泛，細分領域很多，要求的專業知識也很廣泛，因此一直沒能誕生能夠吃透整條產業鏈的巨頭玩家，而AI技術企業想要深入進去更是會遇到各種各樣意想不到的難題。
那麼，誰將摘下工業AI這頂“王冠”，成為這個領域的獨角獸企業？