AI工厂将迎来前所未有的爆发期

    【CPS中安网 cps.com.cn】 AI工厂让人工智能生产正在从手工时代进入工业时代，新基建带动的市场空间则有可能为这一批量生产的算法产品提供更广阔的空间。

　　两者相遇，AI工业化已经不是一个遥远的命题。

　　AI工厂的概念及本质

　　在当今业务体系中，最关键的AI技术在于机器学习算法。

　　如今的AI算法已经在医疗保健、金融、制造以及运输等领域成为重要的解决方案组件。

　　算法的实质属于统计引擎，负责从以往观察到的数据内收集模式，并据此预测新的结果。

　　机器学习算法与其他关键组件（包括数据源、实验与软件等）融合起来就建立起AI工厂，代表一组能够相互连接、促进学习与发展的组件与流程。

　　从内部及外部来源获取高质量数据以训练机器学习算法，再使用算法对特定任务执行预测。

　　在某些情况下，例如疾病诊断与治疗等，这类预测可以帮助人类专家做出准确的判断。

　　AI工厂的算法与数据驱动模型，使得各类组织得以快速测试新的假设，进而推出变更以不断改善自身系统。

　　从本质上讲，AI工厂在用户参与、数据收集、算法设计、预测与改进等环节之间建立起一条完整的良性闭环。

　　AI工厂不是自动化工厂，而是AI人工智能的规模化生产制造工厂。

　　全球AI工厂正逐步成型

　　过去几年，工厂内已经安装了很多传感器。但从今年起，人工智能开始走进工厂，机器开始学习了解工业生产的日常活动。未来基于数据的工业生产变得更加智能。

　　AI工厂是最近正在扩散到全世界的智能工厂的最高进化版本。智能工厂是将传统制造工厂和信息技术（IT）结合，以提高生产效率的工厂。

　　工厂管理AI在制造产品所需的原料库存不足时，会自动在市场价格最低廉的时候大量购买。

　　如果在一般制造工厂的生产线上使用AI，能在生产速度放慢1秒时马上发现问题在哪里，给疲惫的工作人员休息时间或指示修理机器。

　　过去几年在全球研究团队投入算法优化下，人工智能应用已成为企业解决营运困境、优化决策，为消费者提供理财服务，乃至于制造业实践智能制造愿景的重要核心。

　　人工智能的使用能够帮助工厂管理者极大提升决策效率，帮助传统制造业实现转型升级。

　　5G在人工智能应用过程中起到关键作用。像这样的未来工厂内，人工智能就像大脑，5G就像神经。

　　随着工业4．0热潮从德国涌向全球、以及《中国制造2025》的实施，越来越多的国内制造企业开始实施数字化转型。

　　运用人工智能、物联网、大数据和云计算等新兴技术实现工厂等职能升级，以获得快速应对市场的能力，并最大限度提升生产效率和节省成本。

　　制造业想要实现工业4．0得经历三个阶段：精益生产、数字化工厂和智能工厂。

　　目前国内部分企业已处于精益生产向数字化转型的关键时期，而人工智能AI将是未来从数字工厂到智能工厂的核心技术。

　　运用AI方式将变革企业

　　在工厂内部，AI会把各种好处带给生产以及诸如维护、质量与物流等支持职能：

　　生产：连续加工以及离散型生产等环境中，制造商都会利用AI来降低成本提高速度，从而提升生产力。

　　维护：制造商会利用AI减少设备故障提高资产利用，AI会持续分析和学习机器和部件产生的数据。

　　质量：制造商可以利用AI帮助尽早检测出质量问题。视觉系统利用图像识别技术识别缺陷以及产品功能的偏差；同时还可以持续分析和学习由机器和生产环境产生的数据。

　　物流：此物流指的是产内物流和仓储，而不是外部供应链的物流。AI会促进场内材料供应的自动转移和效率，这对于管理制造多种产品衍生和定制产品所带来的日益增长的复杂性是必不可少的。

　　报告：AI系统会根据事件报告建议相应事件的解决方案，而且还会持续分析和学习这些报告。

　　美国公司的高采用水平可能反映出那里的AI技术的广泛普及。

　　即便如此，中国在AI投资上仍压倒了美国，去年中国投资占到了AI初创企业全球投资的将近一半。

　　2017年中国国务院还颁布了《下一代人工智能发展规划》，打算用三步走的策略到2030年达到AI全球领先水平；天津市政府已经设立了300亿元的基金来支持AI产业。

　　其他的新兴国家，比如印度，其态度也类似，将AI采用视为保持其制造业全球竞争力的必要元素，并且对AI进行了大规模投资。

AI工厂各个方面所面临的挑战

　　机器学习算法严重依赖大量数据，但仅大量数据并不能构成好的AI算法。

　　许多公司都坐拥大量数据存储，但是他们的数据和软件存在于单独的孤岛中，存储方式不一致，模型和框架也不兼容。

　　即使客户将企业视为一个统一的实体，但在内部，跨部门和职能的系统和数据通常都是分散的。

　　从而阻止了数据的聚合，延迟了见解的产生，并使得无法利用分析和人工智能的力量。

　　此外，在将数据馈送到AI算法之前，必须对其进行预处理。

　　即使在处理诸如销售记录之类的结构化数据时，也可能存在缺口，信息丢失以及其他需要解决的不准确之处。

　　在其他方面，例如为监督的机器学习算法建立正确的指标和功能，在人类专家见解和AI预测之间找到正确的鸿沟，以及应对运行方面的挑战实验并验证结果。

　　结尾：

　　但与金融等行业相比，虽然人工智能在制造业的应用场景不少，却并不突出，甚至可以说发展较慢。

　　目前，随着越来越多的企业进入人工智能领域，大批成功的人工智能开源软件和平台不断涌入，AI工厂将迎来前所未有的爆发期。