人工智能在制造业应用初步认识和思考

人工智能的概念

      人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能的定义对人工智能学科的基本思想和内容作出了解释，即围绕智能活动而构造的人工系统。人工智能是知识的工程，是机器模仿人类利用知识完成一定行为的过程。–《人工智能标准化白皮书（2018版）》中对人工智能的定义，相对比较全面。

图示：人工智能技术进化三个阶段

人工智能的特征：由人类设计，为人类服务，本质为计算，基础为数据。本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。能感知环境，能产生反应，能与人交互，能与人互补。人工智能系统应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作（控制执行机构）等必要的反应，甚至影响到环境或人类。有适应特性，有学习能力，有演化迭代，有连接扩展。人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力；并且，能够在此基础上通过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主体的演化迭代，以使系统具有适应性、鲁棒性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。

人工智能的分类：从其应用范围上可分为专用人工智能(ANI)与通用人工智能(AGI)。专用人工智能，即在某一个特定领域应用的人工智能，比如会下围棋并且也仅仅会下围棋的AlphaGo；通用人工智能是指具备知识技能迁移能力，可以快速学习，充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。通用人工智能是众多科幻作品中颠覆人类社会的人工智能形象，但在理论领域，通用人工智能算法还没有真正的突破，在可见的未来，通用人工智能还看不到其成为现实的技术路径。专用人工智能才是真正在这次人工智能浪潮中起到影响的主角，我们报告的讨论范围将聚焦在更具有现实应用意义的专用人工智能技术，具体讨论现有专用人工智能技术能带来的商业价值。

人工智能，机器学习、深度学习的关系：人工智能（AI）的研究范畴：自然语言处理、知识表现和推理、机器学习、智能搜索、感知问题、模式识别、人工生命、神经网络…；机器学习（ML）是从人工智能技术中产生的一个重要学科分支。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎；深度学习（DL）事实上仅仅是机器学习的一个小分支。伴随云计算、大数据时代的到来，机器的计算能力大幅度提升，使得深度学习在语音识别、自然语言处理和计算机视觉等领域取得了较大成功。

人工智能与物联网、大数据、云计算的关系：人工智能与物联网的关系：物联网的终端可以对环境进行感知与交互，为人工智能核心程序提供传感器与执行器感知数据，人工智能为物联网传感器与执行器回馈【识别与预测】数据。物联网终端不限于包括机器人、手机、穿戴式设备、无人飞机、自动驾驶汽车等等。人工智能与大数据的关系：机器学习本身需要使用大量的数据进行训练，训练好的机器学习模型会产生【识别与预测】的数据，所有这些数据都需要大数据分布式存储与大数据计算技术支持。人工智能与云计算的关系：机器学习模型在训练时与实际使用时所使用的计算资源需要云计算来支持，需要计算力。

图示：人工智能与物联网、大数据、云计算的关系示意图

人工智能的关键技术

《人工智能标准化白皮书（2018版）》中给出人工智能参考框架，参考框架适合于通用人工智能领域，从“智能信息链”（水平轴）和“IT 价值链”（垂直轴）两个维度阐述了人工智能系统框架。“智能信息链”反映从智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，智能信息是流动的载体，经历了“数据—信息—知识—智慧”的凝练过程。“IT 价值链”从人工智能的底层基础设施、信息（提供和处理技术实现）到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

人工智能参考框架中的“IT 价值链”维度，也是人工智能的产业结构层次，从下游、中游到上游的具体组成部分，分为三层：基础层、技术层和应用层。

      基础层，是人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。计算能力由智能芯片（CPU、GPU、ASIC、FPGA 等硬件加速芯片以及其它智能芯片）等硬件系统；与外部世界的沟通通过新型传感器；基础平台包括分布式计算框架及网络平台保障和支持，即包括云存储和计算、互联互通网络等。

技术层，数据资源的感知涉及到图形、图像、语音、文本等等的感知识别技术支撑，智能信息处理需要计算框架、模型及通用技术，例如一些深度学习框架和机器学习算法模型等功能进行支撑；智能信息表示与形成需要对智能信息建模、抽取、预处理、训练数据等人工智能技术支撑。

应用层，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，如，智能客服、智能助理、无人机、无人驾驶、机器人、机器翻译等等，其应用领域主要包括：智能制造、智能交通、智能家居、智能医疗、智能安防等等。

图示：人工智能产业结构图

以下对人工智能关键技术，机器学习，深度学习，知识图谱，自然语言处理，人机交互，计算机视觉，生物特征识别，虚拟现实/增强现实做总结整理。

1）机器学习：机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。

根据学习模式可以将机器学习分为监督学习、无监督学习和强化学习等。

根据学习方法可以将机器学习分为传统机器学习和深度学习。

根据学习算法可以将机器学习分为迁移学习、主动学习和演化学习等。

2）深度学习：是建立深层结构模型的学习方法，典型的深度学习算法包括深度置信网络、卷积神经网络、受限玻尔兹曼机和循环神经网络等。深度学习源于多层神经网络，其实质是给出了一种将特征表示和学习合二为一的方式。深度学习的特点是放弃了可解释性，单纯追求学习的有效性。卷积神经网络常被应用于空间性分布数据；循环神经网络在神经网络中引入了记忆和反馈，常被应用于时间性分布数据。深度学习框架是进行深度学习的基础底层框架，一般包含主流的神经网络算法模型，提供稳定的深度学习API，支持训练模型在服务器和GPU、TPU 间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运行的移植能力。目前主流的开源算法框架有TensorFlow、Caffe/Caffe2、CNTK、MXNet、Paddle-paddle、Torch/PyTorch、Theano 等。

3）知识图谱：知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。

4）自然语言处理：自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。

5）人机交互：人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。

6）计算机视觉：计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。

7）生物特征识别：生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，将提取的特征与存储的特征进行比对分析，完成识别。生物特征识别技术涉及的内容，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。下面将对指纹识别、人脸识别、虹膜识别、指静脉识别、声纹识别以及步态识别等技术进行介绍。

8）虚拟现实（VR）/增强现实（AR）：虚拟现实（VR）/增强现实（AR）是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势。

各大公司在人工智能方面的布局情况

各大公司在人工智能方面战略布局，各巨头公司分别成立AI实验室，投入大量资金、引进高端AI专家，开展AI领域技术预研、产品转化和商业化应用，抢占人工智能领域市场。

谷歌–AI优先战略：2016 年4 月，谷歌第一次明确的提出AI 将优先作为公司大战略。谷歌以深度学习技术为依托，涉足语言理解、人机交互、机器人等人工智能核心技术应用领域，全方位布局人工智能产业。

微软–牛津计划：微软研究院是最早开始从事人工智能研究的机构之一，首先发布了Cortana和Skype ranslator 等一系列产品。在2015 年5 月初发布了人工智能领域的牛津计划，由一系列基于云端的机器学习相关的API、SDK 和相关服务等组成，目的是让开发人员们不需要繁复的机器学习背景也能开发跨平台的更智能和更交互的应用。

Facebook–开源战略：Facebook 积极组建人工智能实验室，并通过开源技术平台等方式来获取更大的成功。Facebook目前有两大实验室，一个是重点发展基础研究的Facebook AI（FAIR）项目；二是AML（应用机器学习部门）更专注于人工智能产品应用。

IBM Waston–AI中的IP：IBM 在认知计算平台Waston 项目上持续投入，并成立专门部门推动Watson 商业化。目前Waston 海量内容的分析能力已在医疗和金融领域率先应用。

国内–阿里：阿里凭借着电商、支付和云服务的资源优势，人工智能目前的应用，更集中在电商领域，而阿里云的基础优势，也让其具有深厚潜力。

国内–百度：百度布局百度最早，技术积累也最强的百度，则更多地将人工智能转化为基础能力，植入自身的产品与业务，所以很多进展，在外部反而不易察觉，但对百度自身的产品与服务改善，却效果明显。

国内–腾讯：腾讯相对最为"开放"，更多地采用投资与不同团队的方式，来快速完成人工智能的创新与技术累积。而应用层面，在电商、媒体、游戏等领域也相对领先。

表：各大公司在人工智能方面的布局情况

表：人工智能不同技术领域的商业化程度

人工智能在制造业的应用初步认识和思考

通过以上关于人工智能概念及发展历史，人工智能产业结构及关键技术总结，人工智能技术发展趋势及布局情况的了解，人工智能技术已经在各个行业，在制造、家居、金融、交通、安防、医疗、物流等行业的推广应用，并产生一定的商业价值，在制造企业，结合智能制造转型升级，以及新旧动能转换的实施规划，借力人工智能等新技术，帮助传统制造企业，把握机遇，抓住战略机会，提质增效，以及价值链各环节上的寻找新市场突破口，新商业应用模式，增加企业核心竞争力，新业务增长点。

人工智能在制造企业布局策略：以“应用”为主，采用成熟验证过的人工智能技术，采用成熟算法模型。重点采用人工智能“开源”技术成果，+AI模式，新技术业务应用场景转化，利用人工智能大公司提供的第三方平台产品和技术，结合企业现有业务场景，围绕制造企业产品全生命周期各个阶段，在产品规划，工艺设计，生产制造，生产物流，产品营销，产品服务等业务环节，改变原有传统业务场景交互方式，采用“+AI”模式解决企业各业务环节存在的瓶颈问题，创新求变，转变思维观念，接受新技术，寻求新突破，新发展，在未来的市场中保持竞争优势。

      由于人工智能新技术涉及专业领域比较多，对人员要求比较高，企业实施和采用人工智能，大数据等新技术，企业首先要转变思维模式，要用人工智能、数字化等新思维模式思考企业发展变革，企业要积极关注新技术发展趋势，紧跟国家推行智能制造2025，新旧动能转换等相关政策举措，积极学习人工智能，大数据等相关知识，并借力外部咨询专家、信息化服务商，梳理企业业务流程改造，+AI模式识别和解决企业瓶颈问题，与时俱进，寻求创新发展。企业必须要全面推行所有业务数字化，数据是企业发展过程中的新资本形式，逐步积累和收集企业所有业务过程所产生的数据，数据是企业新资产，为人工智能，大数据等新技术全面应用做好数据基础储备。

如何在制造企业快速有效推进人工智能、大数据等新技术，逐步带动业务应用创新变革，产生商业价值，建议应该结合企业痛点问题，核心是“要解决什么业务问题？”针对企业特定瓶颈问题（质量，成本，效率等方面），识别和设定关键数据参数变量，通过计算机视觉、人机交互、自然语言处理等AI新技术感知或获取数据，通过获取的历史数据以及收集实时产生的大量数据，采用机器学习，深度学习技术，训练算法模型，能够准确地预测、识别到产品质量、成本、效率等方面的指标和相关问题趋势，及时进行预防性解决，解决企业特定瓶颈问题，达到提质增效目的，以及新业务模式创新等。