AII-工业智能白皮书（2019讨论稿）-2019.2-42页_3mb

工业智能白皮书（2019 讨论稿）总结

核心内容

《工业智能白皮书（2019 讨论稿）》由工业互联网产业联盟（AII）发布，旨在探讨工业智能的内涵、典型应用、关键技术及产业发展趋势。该白皮书强调工业智能是人工智能技术在工业领域的应用，具有自感知、自学习、自执行、自决策、自适应等特征，主要通过深度学习和知识图谱等技术实现。

主要观点

工业智能的发展背景

• 全球范围内的工业智能化已成为共识，各国政府及组织纷纷出台政策推动人工智能在工业领域的应用。
• 中国在政策层面双侧发力，推动人工智能与制造业融合发展，涵盖多个政策文件。
• 制造业智能化升级需求是工业智能发展的根本驱动力，核心在于基于工业数据的全面感知和深度集成，实现智能化决策与控制。

工业智能的问题分类

• 工业问题按计算复杂度和影响因素数量分为四类：多因素复杂问题、多因素简单问题、少因素简单问题、少因素复杂问题。
• 深度学习适用于少因素高复杂度问题，如复杂缺陷检测。
• 知识图谱适用于多因素简单问题，如供应链管理。
• 多因素复杂问题可通过问题拆解，结合深度学习和知识图谱解决。

工业智能的主要类型

• 工业智能主要包括基于知识图谱的认知科学方法和基于深度学习的数据科学方法。
• 深度学习适用于解决影响因素少但计算复杂的问题，如产品缺陷检测。
• 知识图谱适用于解决影响因素多但机理相对简单的问题，如供应链风险管理。
• 两者结合可拓展解决复杂工业问题的边界。

关键信息

工业智能的典型应用

• 高计算复杂度、少影响因素问题：如产品缺陷检测、设备预测性维护等，深度学习技术已广泛应用于此类场景。
• 低计算复杂度、多影响因素问题：如供应链风险管理、融资风险管控等，知识图谱技术能有效整合多因素信息，提升管理效率。
• 高计算复杂度、多影响因素问题：如产品研发、企业决策管理等，需结合知识图谱与深度学习技术进行复杂问题分解与求解。

工业智能的关键技术

• 深度学习：在工业场景中，FPGA芯片因具备高算力、低功耗和高灵活性，成为工业推理芯片发展的重点。
• 编译器：兼容性编译器成为工业应用的重要方向，以实现不同框架和硬件平台之间的无缝衔接。
• 推断框架：端侧推断框架需求紧迫，谷歌、百度等企业已开发出面向工业应用的框架。
• 知识图谱：技术体系成熟，涵盖知识建模、抽取、融合、存储和计算五大环节，成为解决多因素简单问题的核心工具。
• 可解释性：深度学习算法的可解释性研究逐渐兴起，有助于提升其在高危场景中的可靠性。

产业发展趋势

两横两纵产业视图

• 横向：知识图谱和深度学习两大核心技术。
• 纵向：通用技术与应用集成两方面。
• 主体分类：ICT企业、研究机构、行业协会提供通用技术支持；装备/自动化、软件企业、制造企业、初创企业等在应用层面发挥创新作用。

通用技术产业发展趋势

• ICT巨头主导：在深度学习框架、编译器和芯片等领域占据主导地位，如谷歌、百度、英伟达、英特尔等。
• 研究机构推动：在算法研究、可解释性、前沿技术如胶囊网络、迁移学习等领域持续发力。
• 初创企业崛起：凭借技术与资金优势，成为工业智能细分领域的解决方案提供商，尤其在装备、检测、物流机器人等领域获得大量投资。

工业化与智能化双向渗透

• 装备制造企业：通过合作并购或成立AI研究院等方式提升智能化水平。
• ICT企业与研究机构：依靠技术积累向工业领域输出能力，推动工业智能解决方案的落地。
• 初创企业：成为重要的解决方案提供商，尤其在智能检测、物流机器人等领域获得显著发展。

结论

工业智能正处于快速发展阶段，其技术体系逐步完善，应用场景不断拓展，未来将更多依赖深度学习与知识图谱的协同应用。同时，工业智能的产业发展呈现多样化趋势，ICT巨头、研究机构和初创企业各司其职，共同推动工业智能化进程。