人工智能概念普及的今天，人們談及人工智能首先想到什麼？谷歌的阿爾法狗？微軟小冰？......它們都代表人工智能應用的一種形態，讓人們對人工智能有了廣泛的認識，但並沒有改變現有的生產力。
而推動社會不斷進步的正是生產力的提高。在具體行業中落地應用，改進原有生產力，形成了智能生產力的行業AI更有社會價值。行業AI可以大幅提升生產效率，但在很多工業領域，這樣的人工智能並沒有被廣泛認知。而這些行業，恰恰是人工智能成熟與否的試金石。
比如，一向神秘的炭黑行業。
幾納米的它，可以影響全球？
首先，從基本定義上看，炭黑是碳元素的一種，以納米級粒徑、無定形碳形式存在，是有機物（天然氣、重油、燃料油等）在空氣不足的條件下經不完全燃燒或熱分解而得的產物。
作為人類最早開發、應用和目前產量最大的納米材料，炭黑被國際化學品領域列為二十五種基本化工產品及精細化工產品之一。炭黑工業對汽車產業、新能源產業以及提高民用生活產品質量等方面具有非常重要的意義。
炭黑對我們的日常生活影響有多大？簡單舉個例子。
炭黑也是橡膠工業第二大原料，約90%的炭黑產品應用於橡膠工業，其中炭黑約67%用於汽車輪胎，22%用於其他橡膠製品。因為，汽車市場的產銷又決定了橡膠市場的發展，所以，炭黑市場的需求取決於橡膠行業景氣度，最終受到汽車產銷量的影響。反之，炭黑生產也影響著汽車工業。
例如近期炭黑方面最大的新聞是因為供不應求全球性的漲價潮，就引發了輪胎行情的價格飆升，可見炭黑產業的重要性。
按照相關數據統計，中國炭黑產量約佔全球的40%左右，是世界第一炭黑生產大國。全球著名的炭黑生產商也把重要的生產線放在了中國。從全球範圍來看，近幾年全球炭黑企業的產能排名沒有太大變化。目前全球炭黑前三大企業分別為卡博特、博拉、歐勵隆。
而某家世界級的炭黑巨頭，在中國的生產工廠成立至今已經過30年的發展，現已成為全球唯一的整合型炭黑生產基地。
一納米不是誤差，是事故！
作為一家歷史悠久的炭黑行業領袖，這家公司的生產工廠以諸多全球領先的先進生產工藝，成為了全球的旗艦工廠。這裡出產的炭黑無論從品質、服務及價值上更穩固了其市場領先地位。目前這家公司希望進一步提升產品的品質，同時希望把產線轉產的過程縮短。
通常意義上，炭黑製造方法按照炭黑生成方式分為不完全燃燒法和熱裂解法。不完全燃燒法是在有氧參與的條件下，將烴類化合物進行熱裂解的方法，其中油爐法是最主要的製造方法。熱裂解法是在無氧的條件下進行的，採用這種製造方法生產的炭黑產量僅佔總產量的1%左右。
在不完全燃燒法的工藝當中，在高溫裂解爐內，一系列物理化學反應都在很短時間內完成，不同產品規格從幾毫米到幾百毫秒而不同。所以，對於所有投放和流程的變化控制是確保產品一致性和均勻性的關鍵。
為什麼炭黑顆粒的一致性如此重要，通常炭黑粒子近似球形，基本粒子尺寸大多在10nm-100nm之間。而根據炭黑用途的不同，對粒徑是有嚴格要求的，例如超耐磨炭黑的粒徑在11-19nm之間，高耐磨炭黑粒徑在26-30nm之間，通用炭黑粒徑在49-60nm之間。所以，炭黑產線的均勻和一致性對不同用途的供應非常重要。
為此，該公司希望運用戴爾易安信及相關合作方的現有人工智能的技術和資源對其炭黑生產過程、生產模型以及其中的諸因素（包括（但不限於）原料輸入的成分、指標、過程工藝、操作和控制等）進行分析，對現有的生產模型進行驗證和測試，分析出現有生產模型中各因素與產品各種成分指標的關係，通過調整生產模型、各（參數）因素來降低產品某種成分指標的差異度，提高產品的一致性。
那麼，戴爾易安信是如何抽絲剝繭，逐漸打開了炭黑提升之路的？請往下看。
戴爾易安信如何從方法論走到實踐？
首先，戴爾易安信明確了研發方法：通過對歷史運行數據進行人工智能建模，挖掘產品質量控制規律，實現精確的控制參數推薦。
這個思路就非常清晰了：
● 第一步是數據的收集和治理。
● 第二步是利用數據建模，實現精準控制。
總體目標則是：通過對該公司工廠的某條生產線歷史運行數據進行智能分析，挖掘不同控制變量對產品性能的影響程度，從而實現精準的產品質量控制。
第一階段：
收集該生產線
某一年大概11個月的碳粉生產數據，其中包括：11種不同產品、10個質量指標、40個控制變量。並針對這些數據進行數據治理，比如從已有數據中選出一個產品進行產品品質一致性提升的研究，和產品質量一致性提升：重點包括轉產過程降低OQ，提升質量指標中的關鍵項等等。併成功提出了初步的43個控制參數和12個質量指標的關聯分析。
第二階段：
獲知已有生產控制和模型
有了數據治理的鋪墊，在第二階段，戴爾易安信已經可以從炭黑生產場景和過程，獲知已有生產控制和模型。初步掌握了最佳實踐加深度學習結果修正的解決思路，開發控制軟件。同時，形成《轉鼓炭黑乾燥機理分析》，TGB尾氣燃燒熱交換公式表述，轉鼓內部熱交換公式表述，來建立數學模型。
在深度學習方面，戴爾易安信一方面採用深度相似度量學習策略，挖掘不同控制參數影響。另一方面，採用專門設計的120層長短期記憶網絡（Long Short-Term Memory network），對目標質量指標對應的運行參數進行推薦。並在今年5月，實現了產品一致性提升完成初步模型、控制軟件開發和數據計算。
事實上，經過了這個階段，可以說這套AI的算法和模型已經可以做到在炭黑生產線中落地，整個過程中，戴爾易安信首先通過強大的AI技術能力定義了整個方法論，之後利用數據治理和挖掘，通過深度學習建立了算法模型，為最後的應用落地鋪平了道路。
閱讀更多 至頂網 的文章
