AI的浪潮不斷的沖擊著人們的眼球，尤其是ChatGPT帶來的巨大變革，以及現今大模型的時代到來，都會使得人們確信未來是人工智能的時代。它也同樣影響著制造業，產業里不斷的尋求答案—究竟AI能夠為我們帶來哪些改變?但是，對于AI的難題正在于此—換做另一個話題更好，工業究竟需要什么樣的AI似乎更為合理。前者是拿著榔頭找釘子，而后者則更符合工業一直以來的技術發展思維，問題需要什么樣的工具?而不是工具需要什么樣的問題。

1).簡單易用的AI工具

工業的AI，它需要簡單易用—畢竟，工業為了解決問題，即使是發展工具，它也必須與工業本身的機理、編程結合。工業的工程師通常是未經AI訓練的，或者即使是來自AI領域的，在開發項目中，也需要比較好用的工具。這包括如何對數據進行預處理、在配置訓練方法的友好性，操作界面的易于理解，作為一個工具，如果需要非常復雜的操作話，那就很難被廣泛推廣。

而且，這個AI工具所集成的訓練方法、模型都得適合工業的特點。因此，這也是現在工業自動化領域的廠商都會將AI集成到原有的系統中。

因此，對于工業領域來說，采用嵌入式AI的集成，以及標準與規范的數據交互接口，要實現在工業自身特定的AI應用任務重，達到快速配置、計算與控制任務融合、閉環迭代，而這一切又需要簡單，易于被工程師掌握。

因此，這是工業對AI需求的為重要的話題—作為工具屬性，它必須對于工程師來說是友好的。

2).工業需要高可解釋性的AI

因為AI在更多的時候它是一個“黑盒”模式，它不同于機理的白盒—這就存在了“可解釋性”問題。也是商業AI在進入工業后，比較難的話題。

機器學習里面可解釋性有多種，現在一般實際使用的叫做局部解釋，指的是解釋單次模型推理的決策依據。比如一個很復雜的神經網絡去推理表格數據，可以給出各個輸入之間的重要性關系。

可解釋性，還有一些在于數據預處理的可解釋性、算法的可解釋性，事后的結果可解釋性，多個層級來實現。

3).工業需要高精度的AI

對于工業應用而言，模型精度會是一個比較重要的問題-超參數問題、模型結構、數據預處理等都會影響模型精度。而這個精度會讓推理、預測出現偏差—工業的任務它往往是容錯空間是比較小的。比如，時間的偏差、位置的偏差，例如：0.1mm對于商用人形機器人的定位訓練來說就太苛刻了—但對于工業機器人的配合加工來說卻是入門級的。在時間粒度上也是如此，對于時間嚴苛型任務而言，時間在精度上、實時性上，都是比較高要求的。

精簡就是模型要小，因為有硬件算力和成本的限制—通常在嵌入式系統運行的模型推理，它本身就不可能用太強的處理器。

4).小樣本模型訓練

工業里的場景，可能這個問題比較突出，因為，通常機器學習需要較大的樣本量，但如果一個風力發電機組有大量的故障信號，這個機器就不應該銷售給用戶。包括質量問題，都是較少的參數可供學習。因此，工業里必須考慮這種場景，采用更多的小樣本訓練方法，例如對比方法，τ分布樣本處理。

5).數據與機理結合

這個對于自動化企業來說，應該是比較擅長的地方。但是，這個需要在軟件的接口上達成比較容易實現的交互。

OPC UA事實上，也在建立這種連接和模型交互的規范，AAS資產管理殼、行業信息模型，分別用于處理如何在不同的軟件平臺間建立交互的接口，它主要的目的在于降低接口的便利性，避免需要人工為其開發接口。AAS、行業信息模型則在數據采集方面。這些主要是解決在數據與機理融合的工程創建、運營、維護上。

核心的數據與機理結合，則是要發揮各自的優勢。因為，在現實的工程開發，乃至現實的生產中，機理并不能完全了解系統的優，或者效率更高的參數組—本身操作人員也缺乏這個認知。因此，AI介入主要還是在更優的參數收斂，包括時間、成本的收斂方向，會有一定的作用。但是，AI并不直接參與控制，只是作為離線的學習給出更優參數，當然，回到可解釋性問題，那也是需要由人做出判斷是否確認被運行。

6).人機結合的AI

人機結合，是因為這里有一個重要的背景，即，AI它學習的是什么?

因為AI實際上，除了AI挖掘數據中的潛能，在一些場景里，AI本身也是向人學習的—比如，在膠印機里，通過采樣印刷品的品質，數字掃描方式給計算機。然后，計算機同時觀測技師如何調節水墨均衡的過程，反饋的參數來學習，究竟如何來改善印刷品質。

這種需求未來也會更多，因為在很多領域如航空航天、半導體領域的技術人員是極其昂貴的—甚至達到百萬級以上的收入，且這樣的人又特別少，如何將他們的豐富經驗提煉出來，這也同樣是產業需要借助AI來解決的問題。

因此，總結來說，工業的AI，需要結合工業本身的特點，在工具的開發、數據連接、處理、特征選擇、訓練、參數調整、與實時任務接口、云端連接等開發特別聚焦的功能，讓用戶易用，滿足工業特點的AI。