一转眼，已近在眼前
被疫情偷走的这两年，时光更是开启了“静音+快进”的模式
不得不承认，无论人类社会发展进程中遇到怎样的阻碍，科学的进步永远不会停下。近两年物联网、人工智能、5G等新一代电子信息技术与制造业深度融合，正在发生着以智能制造为代表的第四次工业革命，即全面智能化的工业4.0时代，在更深层面、更大范围促进着全社会生产力的发展与转型。
而工业4.0其核心就是——智能制造
这场时代变革的洪流下，机遇和挑战并存
需要我们思考清楚几个问题
究竟什么是工业智能？
我国工业智能未来发展形势如何？
我们到底面临了哪些机遇与挑战？
有没有相应的方法论帮助企业进行决策？
智能制造的新未来是什么模样？
1
//究竟什么是工业智能？
工业智能是人工智能在工业领域的具体表现形式，主要是由计算机实现，具有自感知、自学习、自执行、自决策、自适应等特征。
工业智能的本质是软硬件系统实现的工业场景中的智能应用，它能不断丰富和迭代自己的分析与决策能力，以适应具有高度不确定性的工业环境。工业智能不仅能够提高生产效率、提升设备和产品的性能，最终还能提升企业组织的洞察力、升级和优化产业结构。
四大特性带来机遇和挑战
让工业生产流程更简洁、效能更高
自组织性：能够使工厂与工厂之间不再孤立存在、供应链上的每个个体都互相依赖形成紧密联系的网络。例如随着数字化转型的深入，反向定制等数据驱动的生产协作模式使得相关产业链上的合作更加紧密。
自优化特性：在特定场景下依靠人工智能技术完成的自主决策与自动运行，生产的自动化程度将得到极大的提升。
实时应对特性：能够促进工业数据的进一步汇聚，为数据驱动的生产模式提供基础保障，同时，人工智能技术在生产线的深入应用，也对实时计算能力提出了更高的要求。
环境适应性：人工智能在工业领域的落地中，需要面对复杂的数据条件，在多变的工业场景下完成数据模型的普适化是一项严苛的挑战。
2
//我国工业智能未来发展形势如何？
工业智能技术的应用，目前广受研究者、企业和创投界人士的热捧。诸多咨询机构对工业智能都持有积极的态度，在未来的两到三年，这个领域的应用还将持续升温，而且存在较大的人才缺口。
在全球范围内，地区之间存在一定差异，中国、日本和德国是推动工业智能的积极倡导者。美国在近五年内，相续出台工业智能方面的政策。发布《国家人工智能研究和发展战略规划》、《美国先进制造 领导力的战略报告》，布局产品全生命周期优化、 先进机器人发展、大数据挖掘、制造系统网络安全等内容。日本发布《新机器人战略》、《制造业白皮书》、《日本高级综合智 能平台计划(AIP)》、《人工智能产业化路线图》，聚焦先进机 器人及大数据挖掘领域，推动设备故障智能预测系统的发展。欧盟 年 5 月发布了《数字化工业战略》，重点关注先进机 器人和工业自治系统的研发。1月，英国政府正式推出了以“工业数字化”为核心的《工业战略白皮书-建设适合未来的英国》。为了保证贯彻落实，11月，英国制造技术中心受英国政府委托发布了《让制造更智能-评论》报告，分析英国工业面临机遇与挑战基础上，从加快工业数字技术创新应用、加强人才教育培训、加强组织领导、破除技术应用障碍等四个方面提出了英国在推进工业数字化的路径与政策建议。
是风口，也是洪流
中国这一次激流勇进站在了“风口浪尖”
中国方面，9月工信部、国标管理委员会发布《国家智能制造标准体系建设指南(版)》，主要内容：到，累计制修订150项以上智能制造标准，基本覆盖基础共性标准和关键技术标准。到，累计制修订300项以上智能制造标准，全面覆盖基础共性标准和关键技术标准，逐步建立起较为完善的智能制造标准体系。建设智能制造标准试验验证平台，提升公共服务能力，提高标准应用水平和国际化水平。
，经济大趋势下的基建年，工信部发布《关于推动工业互联网加快发展的通知》，加快新型基础设施建设，明确四项工作：改造升级工业互联网内外网络、增强完善工业互联网标识体系、提升工业互联网平台核心能力、建设工业互联网大数据中心。做强“数字底座”，赋能制造业转型升级。
在应用场景中，针对复杂业务的智能辅助成为热点。Gartner的数据显示，AI在辅助决策方面具有巨大的应用价值。传统产业的庞大体量为运用AI进行辅助决策提供了巨大空间[1]。诸多工业智能项目颇具潜力，根据麦肯锡的数据[2]，AI在制造业、能源等行业的应用已经产生一定的规模，特别是在预测性维保、产品质量提升、产品功能拓展、运营效率等方面。
3
//我们到底面临了哪些机遇与挑战？
我国工业智能的发展，既是机遇，也是挑战。我国工业智能未来发展潜力巨大，大数据智能应用推动制造业变革与升级，智能化转型是中国制造业转型升级的战略支点，有望带来年均复合增长率约的显著提升。同时，产业转型也面对诸多挑战，特别是从低附加值向高附加值的转型，从高能耗、高污染向低能耗、低污染的转型，从粗放型向集约型的转型。
我国工业智能市场体量大，受到的影响因素也较为复杂。
在宏观方面，工业体系完整，产业链较为完善，有足够的体量为智能化转型提供发展空间。
在环境方面，工业场景的复杂性，环境因素的多变性，往往使得新技术的研发和落地周期较长，需要各方利益相关者的耐性与长期投入。
在技术方面，工业领域的经验和知识，标准化程度不一，在参数的模型化、知识的结构化方面，需要谨慎的判断技术风险。
总体来看，工业智能在我国的落地和发展，特性问题多，不能照搬照抄国外经验，要求智能技术能够与业务、场景深度融合。
“
机遇成就时代弄潮儿
工业智能新技术带来诸多企业发展机会。从整个行业的维度看，智能化能够推动传统工业的转型。从企业的经营和管理维度看，智能化能够提高决策自动化的程度、提高经营效率向高效节能、绿色环保的智慧工厂转变。以下面三个方向为例，诸多新技术与具体场景的结合，催生新的企业发展机会：
1.闭环设计，提质增效
流程自动化、决策辅助、智能物联网等新技术，结合产品生命周期管理、智慧仓储、智慧物流、智慧能源管理等具体场景，能够有效的提高产品质量和生产效率、降低次品率、降低工厂运营成本。
2.AI加持，强化人的能力
在工艺优化当中，通过机器学习模型进行工艺参数的优化，协同工艺制程，能够有效提高质量和效率。在产品质量管控当中，特别是依靠工业视觉，进行残次品的检测，能够有效的增强质检效率，弥补人工检验低效的缺点。
3.数据驱动，规模化复制
以一条典型的生产线为例，通过数据和智能化技术，能够提高规模生产的效率。例如，将机器学习应用到生产排程中，对作业、投产、备料等环节建模，优化资源调度、辅助进行订单的计划。再如，产线能源管理方面，根据生产耗电的细粒度分析，推荐错峰用电的节能方案；辨识异常耗电的设备，异常的功耗波动，发现存在潜在的用电隐患。
一条工业生产线，可以引入智慧能源管理、溯源技术、传感器技术、排程管理、可视化监控、AR/VR技术、工业视觉等新技术，实现低碳、安全和规模化的生产。
“
挑战转型任重道远
工业智能为产业发展带来新机遇的同时，也面临诸多挑战需要企业提前做好准备与部署：
复杂环境挑战：工业应用面临复杂的环境和场景，对AI的落地带来挑战。工厂生产环境部署的成本往往较高，对AI应用快速进入生产现场带来挑战。
数据价值挑战：环境的复杂性也带来了数据的完整性和质量等问题，碎片化、个性化、专业化的场景，制约了某些AI技术的复制推广和用户接受程度。数据的本地化和隐私保护等问题，制约了数据的流通，限制了数据价值的实现[3]。
人才培养挑战：智能化转型中的企业需要既懂业务场景、工程技术，又善于团队协作的复合型人才。当前我国的人才培养体系与企业的实际生产需求尚有一定的脱节，特别是智能技术的迅速发展，对工业智能人才培养提出了更加迫切的挑战。
和人类社会类同，工业智能化
在不同层级蕴含各式各样的挑战
一个完整的工业环境，从底向上可以如图分为四个层级，在不同层级进行数字化、智能化，需要面对不同的要求和挑战。
在边缘层级，重点需要推行标准化规范，解决数据和信号的流转，接口和格式的兼容问题。
在产品层级，由于生产线和场景的复杂性，工业智能产品的部署，需要面对很多特性问题。往往需要定制化的解决方案来配合智能产品的落地。
在企业层级，企业面对大量的生产数据、市场数据，而且对数据的隐私和保护格外重视。因此采取地点灵活的私有云方案，更加适合解决复杂的接入和安全问题。
在协同层级，多方安全计算能够提供保证数据隐私不泄露的前提下，安全的进行数据共享和流通，发挥数据的价值，从而推动产业链的智能化。
工业场景的安全环境危机四伏
工业数据的安全和流通是一对矛盾。根据研究，工业场景的安全威胁，可能来源于以下方面：来自外部的恶意攻击、外部环境登陆、内部员工的接入设备的隐患、内部网络设备的隐患、病毒文件等等。为了充分发挥工业数据的价值，需要在产业链上不同的主体之间共享数据，扩充各自的数据维度，联合建立数据模型；或者扩充各自的数据规模，共同提高模型的可靠度。
解决数据安全共享的一种途径，是联邦学习（Federated Learning）技术。它是一种人工智能基础技术，在 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习框架。
然而联邦学习为了提升机器学习模型的建模效率，过多的暴露了中间计算过程和参数，存在通过中间参数进行反推原始数据，导致原始数据泄露的可能性。因此，采用更加安全的密码学协议保护计算过程中的全部参数，显得更为安全。但是在诸多实时性要求较高、计算成本受限制的场景下，仅仅考虑安全性的诉求是不够的，还需要兼顾计算的效率。多方安全计算（Secure Multi-Party Computation）为这一挑战提供了较为平衡的解决途径。通过针对特定场景设计不同的安全协议，能够在保证数据不泄露的前提下，共享数据资源，发挥数据价值。基于多方安全计算的数据共享方案，往往不需要一个第三方做为中立者来分发密钥，比传统的安全方案更有优势。但是多方安全计算目前仍然面临难以互联互通、难以提供通用方案的诸多挑战[5]。
4
//有没有相应方法论帮助企业进行决策？
在当前的诸多工业场景中，机器人技术、数据驱动的分析技术、溯源、定位与监控技术、工业互联网技术，是采用较多或者成熟度相对较高的几类工业智能技术[4]。企业应该优先考虑采用这几类技术风险相对较低的新技术。
为了全面而有效的评估新技术在工业场景中的落地风险，帮助企业采用最适合的工业智能技术，我们将候选智能技术分为两个类型来分析。
① 感知型—对数据进行信息的直接抽取，以工业视觉为典型代表
针对感知型智能技术，我们从“应用环境复杂度”、“可用数据获取难度”、“模型精度要求”三个维度来评估风险。
对于环境复杂度高的项目，未知因素较多，而目前的感知计算技术，依赖假设前提较多，通用性往往存在缺陷，可能存在较大风险。
对于可用数据不足的项目，以深度学习为代表的统计学习技术，依赖大量人工标注的训练数据，缺少数据将带来根本性的风险。
对于部分精度、可靠度要求特别高的场景，传统的信号分析技术往往比智能技术更加稳定可靠。因此，我们根据环境条件和数据条件，在不同象限中标定了风险的性质，可供企业决策中以作参考。以环境复杂度低、可用数据充足的场景为例，即使对模型精度要求较高，当前的智能技术也有望达成目标。
② 推理型—对知识进行再加工以支持决策，专家系统为其典型代表。
针对推理型的智能技术，我们依然从三个相应的维度来判断风险：“应用环境复杂度”、“专家知识的获取难度”、“知识规则的学习难度”（指机器学习）。
专家知识的获取难度，直接与项目的投入正相关，某些领域的专家知识非常艰深，需要耗费很大的成本，因而带来额外的财务风险。
知识规则的学习难度，也会对项目成本造成直接的影响，例如，对于和人类情绪、直觉相关的业务，往往较难数字化，目前的机器学习技术，还难以很好的对感性规则进行建模与运用。
以环境复杂度高、专家知识获取较难的场景为例，无论其规则学习算法是否成熟，都不建议企业采用此类技术，失败的风险较大。在复杂的、大量的业务场景中花费高昂的代价梳理专家经验知识，会对项目造成极大风险。
此外，成功落地的工业智能技术往往需要主导者具有一定的耐心，虽然短周期迭代可以降低风险，但是对于可用数据或者专家知识较难获取的项目，要有足够长远的规划。
针对新技术的风险，对企业采用AI的核心建议：
重点投入尝试成本小，复制推广能力强的项目，验证成功将会产生规模效应；
更广泛的尝试，逐步增加投入。
5
//智能制造的新未来是什么模样？
1.反向定制
反向定制（Customer to Manufacture，C2M）用通俗的话来说就是按需生产，是当下消费者更加熟悉的一种生产方式。C2M包括消费者数据驱动、产品开发设计、按需生产制造，以及个性化的服务等环节。在个性化需求的驱动下，通过数据驱动的生产计划，工厂自动化和柔性化能力得到提升；通过直连去除流通环节中过剩的产能，既可以减轻库存压力，又可以满足个性化的需求，将价值回归消费端。
以消费者的需求指导生产，对技术研发、产业协同提出了更高要求，需要较强的供应链整合能力，需要零售商、上游制造商和品牌商协同开发。在获取用户需求数据的过程中，需要注意个人隐私数据的保护，在不泄露原始数据的前提下，通过联邦学习、多方安全计算等技术，获得定制化产品的信息。
2.智慧工厂
智慧工厂是人工智能和其它前沿技术在工业环境下深度融合的产物。一间传统的工厂可以在以下环节引入AI：原料入厂、产线生产、质量检测、仓储管理、成品出厂、设备维保、计划排程。智能技术并不是孤立的发生作用，而是在特定的场景下与云计算、物联网、5G、芯片、传感器等技术深度耦合，在打通信息孤岛、利用生产数据、优化工艺参数、提升管理水平等方面产生合力。
在原料入厂时
可以进行扫码登记，通过5G网络进行原料的生产过程的追溯；通过AGV机器人、外骨骼机器人等辅助工具提高搬运效率。
在产线生产中
可以通过数据驱动的工艺参数优化，提高产品质量；通过传感器、物联网等技术获取生产过程数据；通过机器视觉、机械臂提高生产效率。
在质量检测中
采用信号检测、机器视觉等技术，辅助或替代人工进行高精度、高效率的质检；通过5G网络及远程监控技术，实时掌握现场质检情况；追溯质量问题的源头，反馈生产工艺成效，形成数据驱动闭环。
在仓储管理中
预测库存“水位”，优化生产排期，降低库存成本，提高利用率和周转率；采用AGV、机械臂等自动化技术，优化仓储管理。
在成品出厂时
扫码能够展示各生产要素和关键环节的数据，对整个生产流程进行数字化呈现；可以引入区块链等溯源和认证技术。
在质量检测中
在设备维保方面，采用预测性维保技术，降低维保成本；通过多传感器监控设备运行数据，诊断故障及预测风险概率，避免停机停产风险；采用数字孪生等技术，提升设备运维和检修水平。
在计划排程方面
汇聚生产数据，智能优化排程，提高生产效率、降低安全风险；实时掌握生产进度，可视化排程信息。
3.数字孪生与设备健康度管理
数字孪生技术，采用软件与数字化的方式，呈现物理世界的真实对象或系统，并且复现对象或系统的真实运行情况，是数字技术、传感器技术、人机交互技术的交叉融合。
基于数字孪生，我们可以对工业设备进行有效的监控和管理。通过数字孪生进行设备健康度的管理，能够挖掘数据的价值，洞察设备与生产问题；结合预测性维保技术，延长设备寿命，减低定期维护成本；通过可视化和虚拟现实技术，提高检修效率，从而降低停机、停产风险。
对故障的预测，是设备健康度管理的重要环节。在故障预测的算法方面，主要包括，模糊理论、支持向量机、粗糙集、灰色理论、深度学习等技术方向。通过传感器获取的数字孪生，不仅能够反映系统运行情况，还能够预测故障的风险。
例如，在配电网的数字孪生中，变压器外部短路、绝缘受潮、分接开关触头接触不良等原因都会导致故障的发生，通过加装传感器，检测油内溶解气体的含量、三相不平衡等参数能够诊断和预测故障的发生。
再如，光伏电站的数字孪生中，通过检测电压电流和发电功率，能够发现逆变器等关键器件的故障或健康状态，发现并网时电压不稳定等异常情况，从而辅助光伏电站运维。
写在最后
随着智能技术在诸多工业应用场景中趋于成熟，技术将形成新合力，多技术协作将成为重要的工业智能实现途径。
技术的合力推动工艺的发展。工艺是制造企业的看家本领，在紧密铸造、焊接、加法制造方面，都可能出现推动智能制造的新突破点，实现“更高、更好、更快、更小、更强、更美”的智能新工艺。
技术的合力还将推动智能决策的成熟。在工业智能的场景中，AI技术的成熟将带来智能工具到智能决策的转变，知识图谱、辅助决策、决策自动化等新技术的趋于成熟，将催生人机协同的智能决策新形态，对工业的各个环节、各个场景产生重大影响。同时，新的服务模式将带来产业转型和升级的新机遇，工业产品与电子商务的结合、艺术设计与反向定制的结合、数据流通与密码技术的结合等等，诸多新技术与新场景的结合，将催生新的企业发展机会。
参考资料
1. Gartner Research, Forecast: The Business Value of Artificial Intelligence, Worldwide, -2025，
/en/documents/3868267/forecast-the-business-value-of-artificial-intelligence-w0
2. McKinsey Analytics，The stateof AI in ，
/business-functions/mckinsey-analytics/our-insights/global-survey-the-state-of-ai-in-#
3. 中国信通院云计算与大数据研究所，《数据流通关键技术白皮书（1.0版）》，
4. Capgemini，Smart Factories at Scale，
/wp-content/uploads//11/Report-%E2%80%93-Smart-Factories.pdf
5. 中国信通院云计算与大数据研究所，《隐私计算白皮书》，
作者简介
黄程韦
黄程韦博士目前在之江实验室交叉创新研究院从事AI赋能数字经济的研究，包括智能制造、数字健康、智能教育等方向。曾担任苏州大学光电信息学院副教授、中科曙光南京研究院首席科学家、苏宁技术研究院高级研究员。
黄程韦博士具有多年的人工智能技术研究和工程经验，在《IEEE Transactions on Affective Computing》、《IEEE Transactions on Instrumentation and Measurement》等刊物发表科研论文60余篇，《5G零售行业应用白皮书》、《隐私计算白皮书》作者。目前在智能计算领域申请发明专利27件，授权发明专利16件。在情感计算方面的成果获得度江苏省科学技术奖二等奖。
个人主页：
/index.php?m=content&c=index&a=show&catid=246&id=94
王俊杰
英国普资茅斯IT经验管理硕士、东南大学仪器科学与技术博士。曾任苏宁零售技术研究院院长、大润发/飞牛网首席技术官。亚太智慧零售产业联盟理事长、江苏省互联网协会可信区块链工作委员会副主任。获中国企业数字化联盟“全国优秀CIO”、CTDC首席技术官领袖联盟度最具影响力技术领袖奖；参与编写的《中国智慧零售门店数字化白皮书》获中国管理实践至高荣誉——拉姆·查兰管理实践奖。全球著名创业实践项目“Startup Weekend”导师、上海大学生基金会评委；中欧国际商学院、上海交通大学客座教授。
