工业智能白皮书.docx

《工业智能白皮书.docx》由会员分享，可在线阅读，更多相关《工业智能白皮书.docx（48页珍藏版）》请在第一文库网上搜索。

1、一、工业智能发展背景1（一）工业智能化水平不断提升，激活发展新动能1（二）与通用领域A1相比，技术进展逐步同步、产业错位现象更加凸显2（三）落地推进仍存在一系列问题4（四）工业智能创新发展的体系框架6二、工业智能技术进展与趋势8（一）演进规律与现状：四个发展阶段逐步清晰，当前新技术应用不及预期9（二）趋势一：面向更复杂问题更高性能需求的核心赋能技术创新11（三）趋势二：面向工业部署落地的工程化突破.16三、工业智能产业发展现状及趋势22（一）跨界合作：围绕AI核心能力的两类典型合作模式逐步成型22（二）新竞争者涌入：咨询公司渗透布局，以定制化智能解决方案优势扩大市场占有23（三）新环节分化与新

2、主体诞生：行业数据标注与A1服务型企业成为典型代表24（四）核心技术产品：现有产品体系格局下开展融合创新25四、工业智能应用进展29（一）发展规律：由技术导向的点状场景应用向需求导向的综合智能应用演进29（二）应用模式：机理知识相关性决定不同模式的应用成熟度与潜力30（三）应用场景：生产管理智能优化是最主要场景，AI已经与生产机理实现初步融合35（四）国内外应用：应用重点与需求差异性突出，我国在深度与创新性方面有待提高37（五）行业应用：电子信息、汽车、能源电力渗透度最高40五、总结与展望45一、工业智能发展背景（一）工业智能化水平不断提升，激活发展新动能1、工业A1成为全球共识与趋势工业A1

3、成为主要国家政策战略重点之一，推进人工智能创新成为技术创新与融合应用的核心和共识。美国将工业AI纳入关键与新兴技术国家战略，充分发挥信息技术领先优势，高度重视AI、先进制造业等领域，旨在通过工业AI发展抢占先机，主导未来产业；欧盟则将工业AI纳入欧洲2030数字罗盘战略，并发布人工智能白皮书，提出了在2030年实现75%欧盟企业使用云计算、大数据和人工智能的目标；日本将工业A1纳入其第6期科技创新基本计划，发布制造业白皮书，以人工智能技术为基础，构建智能时代“5.0社会”的未来蓝图；韩国发布基于数字的产业创新发展战略，推广不同行业应用A1实现产品设计与研发、制造工艺创新、新型智能化产品与新概念

4、服务等。2、工业AI巨大价值潜力推动市场持续走高工业AI已经获得部分国家地区及领先工业企业的认可。一是高价值高增速，A1赋能工业制造领域的潜力大、增速动能强劲，据埃森哲统计，预计到2035年A1应用使制造业总增长值增长4万亿美元，年增长率可达4.4%。二是高普及，工业A1在欧美等工业发达地区已经实现较高的普及率，据凯捷统计，欧洲顶级制造企业A1应用普及率达到了51%,其中德国有69%的制造商部署AI；日本制造企业AI应用率达到30%；美国制造企业A1应用率达到28%。三是高认可，工业A1的应用场景不断拓宽，而随着产业界的实践锤炼，在部分场景形成了相对一致价值共识，据M1T报告显示，工业A1应用

5、场景认可度前三位是质量管控、库存管理和监控诊断，应用普及率分别达到59%、44%和32%。（二）与通用领域A1相比，技术进展逐步同步、产业错位现象更加凸显技术演进规律总体同步，工业领域跟随性逐步增强。一方面，技术创新应用探索工程化的大路径一致。技术层面来看，工业智能是人工智能技术在工业领域的融合延伸，而本阶段均以深度学习为创新主线，目前均处于以工程化落地能力突破为主的阶段。另一方面，人工智能技术创新和工业领域融合应用之间的滞后周期不断缩短。专家系统诞生与工业领域应用间隔近20年；统计机器学习的工业领域应用基本在10年左右；而深度学习、生成对抗网络等新技术于2012年后在通用领域开展应用，不足4

6、年便已经产生了工业领域探索实例。总体来看，由于人工智能技术可用性的增强以及工业信息化水平的提升，通用技术的工业落地间隔由20年逐步缩短至5年。I1kAI图11：人工智能VS工业智能工业极度碎片化场景和特异性需求进一步放大A1原有差异性。一是工业A1与通用人工智能的创新重点不同。工业A1高价值应用通常集中在与机理强融合的场景，如设备预测性维护、生产过程控制优化、基于知识的综合决策等，与具体行业、企业甚至工厂产线的实际情况紧密相关，差异性较强，当前人工智能在语音、自然语言处理(N1P)等应用技术层面的创新和大模型构建等不是工业A1探索重点。二是工业对A1可解释性等严苛要求导致技术创新与应用落地错位

7、更加严重。目前深度学习、GAN、知识图谱等相对前沿的技术创新与应用多数停留在理论验证层面，实际落地推广成效不及预期。（三）落地推进仍存在一系列问题从企业应用实践来看，工业智能发展还面临很多切实问题与困难。一是工业A1技术方案实施的资金及人力投入大，企业难以负担成本。二是深度学习的可解释性不强。深度学习这种“联结主义”算法本质是一个端到端的黑箱系统，模型很难对推理结果做出解释，导致归因溯源、异常排查等变得十分困难，限制核心环节或直接决策应用。三是模型无法满足现场计算更新实时性的需求，部分高节拍的生产流程对工业智能模型的推理及参数更新效率提出较高要求，边缘设备算力有限，未经优化裁剪的原始模型往往无

8、法满足。四是适合训练的样本数量不足，深度学习模型性能在相当程度上取决于有效数据量的多少，但工业普遍存在样本数据获取困难和高质量标注等问题，小样本下的学习建模成为常态。五是硬件适配不足，工业领域的芯片终端等硬件种类多，软件框架往往很难跟上工业芯片的发展，从而导致底层芯片和软件框架的不适配。六是模型与方案复制推广难。行业、产品、工艺等维度的差异性，导致工业A1面对的场景及其需求差异化较大，任务多样性明显，不同行业/产品/工艺的需要重新建模、训练、部署。七是作业环境恶劣加剧模型落地应用难度。工业生产环境经常面临高温、高压、湿度大等极端物理情况，同时光照不均、高强度振动等因素也极大影响模型的使用效果。

9、八是应用开发周期慢，当前还无法摆脱人工调参、模型训练的模式，应用开发/维护需要算法工程师深度参与。九是数据模型的安全与知识产权问题有待解决。工业部分智能化场景存在数据集共建、数据流通共享及模型应用共建的需求，但当前面临企业顾虑多、技术还不成熟、法规尚未健全等问题。导致上述困难与问题的本质原因可归结为三大方面：一是关键融合技术尚未突破，主要指以深度学习为核心的AI算法及软硬件配套技术在可解释性、实时性、数据可用性、易用性与适配性四方面还没有实现突破性进展；二是应用场景缺乏进一步识别，需要进行高价值高需求场景或可复制推广场景的梳理及遴选。三是产业生态与保障机制还不完善，主要是数据共建共享机制、模型

10、知识所属权界定等问题。白皮书将针对工业A1落地推广过程中面临的各个问题，结合下文提出的发展体系，系统研究当前工业智能在技术层面、产业层面、应用层面上的最新进展与趋势，为工业的智能化发展提供一些启示与指引。（四）工业智能创新发展的体系框架点工U阡节应用通用应用技术Y1f1H&St.N1P.tftfi工ik点应用模式iR;H./*研发生产99MT2iSK限性与产业化相关技术敏鹏可用小样本）.J1f）.一孕效一仪应用技术工翟化.SiBa术ns”法：轨学习犷由学习技术知识工程率奈姚WH1!探索技术4I11开源计算框架ISRM（齿丽/专用）图1-2：工业智能体系视图如上图所示，从功能、业务及实施维度考虑

11、，构建涵盖技术、应用、产业三个视角的工业智能发展体系视图。1技术视角：核心赋能技术与工程化关键技术共同使能工业A1的技术体系由基础支撑、算法技术、应用技术和工业适配技术四个层级组成，可划分为算法技术+应用技术的核心赋能技术，以及基础支撑+工业适配的工程化技术两大类别。核心赋能技术通过两类方式赋能工业。主要包括以机器学习、深度学习和其他学习方式为主的数据科学；以专家系统、知识图谱为代表的知识工程；以人机、类脑为代表的探索技术；以机器视觉、N1P和语音识别为代表的应用技术。一是基于算法技术针对工业具体环节和问题进行赋能，通过数据建模分析或知识图谱构建等方式，解决工业领域的个性化场景问题，如生产制造

12、过程参数优化、设备预测性维护、工业供应链优化等；二是通用应用技术的工业迁移，将视觉、语音等相对成熟应用技术直接迁移到工业领域，解决相似的工业问题，如表单识别、产品表面检测、安全巡检等。工程化技术主要解决核心赋能技术落地推广的关键问题：一是基础支撑层，主要包括数据、芯片与计算模块、开源计算框架等，涵盖人工智能算法、算力、数据三大要素的后两个，为工业算法模型提供软硬件支持。二是工业适配技术，具体指为了适应工业领域特殊需求、解决前文所述融合技术问题、实现产业化相关的技术，如数据可用性、可解释性、实时性与自动训练等，工业适配层面的技术是驱动AI实际落地工业的关键。2 .产业视角：关键融合产品、方案与服

13、务A1与工业供给产业融合形成的核心产品、方案与服务，是A1赋能工业的主要载体。主要包括四个方面，按层级关系可分为基础软硬件、智能工业装备、自动化与边缘系统、平台/工业软件与方案。其中，基础软硬件是指各类芯片/计算模块、A1框架、工业相机等相对通用的软硬产品；智能工业装备是融合智能算法能力的机器人、AGV、机床等通用/专用的工业生产制造装备；自动化与边缘系统主要指融合了智能算法的工业控制系统；平台/工业软件与方案既包括传统单机软件与A1融合升级，也包含各类具有AI能力的工业互联网平台及其衍生的解决方案、智能应用服务。3 .应用视角：面向工业全环节的核心应用模式与场景以工业Sm库和知识BB道构建应

14、咫为主rZZZZZZZZZZZZZZZ2、rIMMOim肛图1-3：工业智能应用场景分布工业智能形成三类核心应用模式。工业智能已经在研发、生产、管理与服务等全环节形成各类智能化场景。一是识别类应用，与工业智能的应用技术相对应，包括工业视觉检测、表单识别和工业语音信号识别等；二是数据建模优化类应用，与通用算法技术中的数据科学相对应，如基于机器学习、深度学习技术的智能排产、设备运维、工艺参数优化等；三是知识推理决策类应用，与通用算法技术中的知识工程相对应，如冶炼专家系统、设备故障诊断专家系统、供应链知识图谱等。二、工业智能技术进展与趋势（一）演进规律与现状：四个发展阶段逐步清晰，当前新技术应用不及

15、预期工业智能技术逐步由数据依赖向工业领域知识依赖演进。阶段一是以被动式工业小数据小知识为核心的萌芽期，实现工人操作能力的替代。在该阶段，由于企业信息化水平低下，生产数据无法有效采集，只能被动通过少量数据进行建模分析，同时工业视觉和自动化专家控制系统在此阶段得到初步应用，替代工人的生产控制、产品质量分拣等简单决策操作。阶段二是以工业大数据小知识为核心的感知时代，实现关联能力的补充。以深度学习算法为核心的暴力计算方式出现，解决工业图像识别、语音识别等问题，同时基于工业数据融合建模与知识图谱浅层应用，挖掘隐含关系、实现分析优化；阶段三是以工业小数据小知识为核心的感知增强+工程突破阶段，进一步提升关联分析能力。包括面向动态、深度识别分析等各类复杂工业任务的技术适配，以及围绕小数据、实时性、可解释性等各类技术落地推广问题的突破，是当前所处的阶段。阶段四是以工业大知识为核心的认知提升阶段，实现推理能力的协同。体现为构建全局性工业知识图谱/工业大模型解决具有常识性、经验性的推理问题。专左系就*tI勃决康N1nnft9.统计的”习nTAiR别总作知时代*WGAN.比fin.WiRa的大EM等侪技术的工业成刖慢少梅窿*决面向aaMK