一條難以逾越的鴻溝正橫跨在人工智能與工業製造之間。
我國是製造業第一大國，2018 年製造業增加值達 26.5 萬億元，佔 GDP 總量的 29.4%，佔比近三分之一。同時我國又是人工智能第二大國，擁有全球第二多的 AI 企業。然而一道「鴻溝」將它們分隔兩地。
2019 年，我國 AI 公司的數量已超過 2000 家，但真正專注工業領域的企業數量卻不足 5%。SAP 公司曾做過一項分析，中國過去三年最大的 300 項人工智能投資項目中，AI+製造業的投資不到 1%。AI 在工業領域投入嚴重不足。
如果 AI 不能夠深入佔 GDP 1/3 的工業領域，不能夠賦能全國 345.1 萬戶工業企業，不能夠服務工業生產線上超 1 億工人，那麼 AI 將很難擔當「第四次工業革命」的重任。
2019 年也是 AI 探索規模落地的一年，在智能安防、智慧金融、智能家居、泛娛樂等領域已初具規模，反觀工業這一「冰山下的戰場」，不僅 AI 投入和資本投入嚴重不足，連 BAT 等互聯網巨頭都攻佔不下。「積貧積弱」的工業智能背後，是什麼阻擋了它落地的步伐，AI+工業的痛點又在哪裡？
為此，機器之心深入工業智能落地的各個環節，從算法、數據、場景、平臺等維度，探究技術落地中的痛點問題，並向產業發出靈魂 10 問。
這一年，工業智能公司相繼完成標杆場景的探索，正迎來規模化落地的前夜。然而工業數據的匱乏，「一機一模型」的算法，都困擾著技術的成熟與產品化；商業領域佔據半邊天的計算機視覺，在工業領域更像是「拿著錘子找釘子」，遠不能直擊工業業務核心；算法人對工藝認知的匱乏，往往導致寸步難行；更為重要的是，傳統工業企業對於這些「外來者」缺乏信任，認知觀念與管理方式都亟待變革。
如果把 AI 落地場景比作一座冰山，工業正是水平面之下隱秘的「寶藏」，它極具規模與潛力，同時又極具挑戰難以攻克。工業智能的落地，註定是一場艱苦的持久戰。
工業：深度時代的「局外人」
2012 年以來，隨著深度神經網絡技術的突破，以計算機視覺為代表的 AI 走到時代前臺，催生了刷臉支付、智能安防、智慧城市等火熱市場，商湯、曠視、依圖、雲從「AI 四小龍」廣受資本追逐。
然而，深度學習的「火種」卻無法穿透工業領域。一個好的算法模型，需要海量數據與算力的支撐，但工業場景數據嚴重匱乏，安裝 GPU 所帶來的算力成本也很難為傳統企業接受。
更關鍵一點是，深度學習的「黑盒」特性，與工業製造追求的精確、可靠與可解釋性存在天然矛盾，很難獲得工業企業的信任。相比較而言，決策樹、分類算法、迴歸分析等經典機器學習算法在工業領域應用更廣。
1、計算機視覺在工業領域是「拿著錘子找釘子」
早在上世紀九十年代，傳統機器視覺已開始落地工業領域，主要應用在自動化檢測、過程控制等領域，半導體以及電子製造業佔據近一半市場，並且主要集中在歐美國家。
深度學習驅動下的計算機視覺雖然在商業領域廣受歡迎，但在工業領域，其價值則需要打一個問號。
2017 年前後，隨著人工智能從技術研發走向商業落地，AI 也悄悄叩響工業製造的大門。最初把 AI 技術遷移到工業領域時，成熟的計算機視覺成為第一塊「敲門磚」，用 AI 代替工人做工業檢測，或者監測工人的異常行為成為最先試水之地。
但在阿里雲智能副總裁、數據智能總裁曾震宇看來，「把計算機視覺拿到工業領域，相當於拿著錘子找釘子。」
不難理解，受限於機器視覺的精準性，它目前主要解決工業領域一些非核心環節、表層的問題，但很難對工業核心業務產生價值。
比如，一家大型手機制造商曾引入 AI 做工業質檢，代替人工檢測手機背板的質量問題，如果背板存在劃痕或者不平整即為不合格。儘管在一般情況下，訓練的模型比人的判斷更為穩定，但一些特殊問題仍依賴人工經驗。
更為重要的是，該手機制造商面臨的痛點問題是提升製造工藝和良品率，機器視覺這種「頭痛醫頭腳痛醫腳」的方式，並不能對這一痛點問題帶來改善。
再比如用無人機對風電場風機設備進行故障監測，其做法是通過無人機遠程對設備拍照，然後通過圖像識別，判定設備是否正常運行。但這仍然是一種事後檢測，故障已經發生，相應的損失已不可挽回。
工業場景缺乏標籤數據與圖像識別的事後檢測，讓機器視覺的價值大打折扣。因此有觀點認為，雖然圖像識別在 AI 領域較為成熟，但目前在工業領域應用價值有限。
曾震宇進一步談道，技術公司進入工業領域時，應該把自己清空掉「歸零」，看看行業到底存在怎樣的問題，從業務場景出發選擇最適合的技術。
2、一機一模型，工業算法泛化之痛
工業智能落地的過程中，一個令人頭痛的問題是「一機一模型」，工業算法難泛化。算法泛化至關重要，直接影響其能否稱之為一款產品，畢竟不能產品化，就意味著無法規模化。
以機床刀具的預測性維護為例，機床被譽為「工業母機」，對我國製造業的意義不言而喻，刀具是機械加工的核心部件，用以切削工件，直接影響加工工件的質量。在加工過程中，刀具會伴隨使用逐漸磨損，並造成加工效率和質量的下降，當磨損到一定程度後就需要更換，否則將會導致崩刃、斷刀等生產事故，甚至損壞機床。
機床刀具加工。
因此，對機床刀具進行健康管理與壽命預測便成為行業的一項重要探索。但其工況尤為複雜，比如刀具的材料、結構、型號等不同，加工機床的性能，工件的材料、結構以及場地環境都不同，往往導致一個模型只適用於某種特定工況，放到其他工況下，模型效果就大打折扣。
這背後的核心原因是，工業的複雜度與工藝門檻非常高，而當前可供建模的數據量普遍匱乏且質量不高，缺乏工業知識與機理，僅靠數據驅動的模型很難具備較好的泛化能力。
天澤智雲技術研發副總裁金超總結了其在機床預測性維護方面的探索，核心在於「行業機理模型與機器學習模型的融合」。
他強調工業領域機理的重要性，從建模角度而言，將行業專家的知識、機理模型融合進機器學習模型，往往可以數倍減少所需的訓練數據，同時可使模型對不同環境、工況的適應性更強。從特徵角度而言，提取具有一定機理屬性的特徵，可以增強模型判斷的因果屬性，大幅減少所需的計算量。
「相比不加機理特徵，加入機理特徵通常對模型的準確率有提升，只不過不同場景提升的程度可能不同」，金超總結道。
包括天澤智雲在內的一些技術公司也在嘗試用遷移學習來提升模型的泛化能力，但當下仍處於探索階段，真正走向落地仍需時日。
此外，模型泛化的能力本身也有限，此時還需通過一系列工程化的手段從產品維度進行補足。
工業領域呼喚「黃金數據集」
如果說工業算法是工業智能的核心，那麼數據就是工業智能的基礎。工業領域數據匱乏的現狀已成為制約技術落地的重要瓶頸，這裡不僅有優質數據獲取的困難，還有傳統企業願意開放數據的權重。
工業領域又相對封閉，製造企業不願把自身的數據開放出來進行研究，工業缺乏如同圖像領域的 ImageNet 般的黃金數據集。
3、工業數據匱乏
工業數據匱乏可從兩種維度解釋，一方面相對互聯網場景下動輒 PB 級的大數據，工業領域蒐集的數據量級相對較小；另一方面，面向工業特定建模任務，算法模型很難獲取足夠的數據。
以預測性維護應用為例，
數據是否足夠主要取決於兩個方面：數據量和數據的質量。首先，與其說考慮數據的體量，不如說考慮工況的完整性，以及失效模式（標籤數據）的完整性；第二是標籤數據的質量，即經過驗證的數據。現實情況是，工業領域這兩方面的數據都很匱乏，尤其是驗證過的標籤數據。以鐵路行業的高鐵軸承故障預警項目為例，軸承是關係到高鐵安全運行的一個關鍵部件，在對軸承進行故障建模時，其中最難的點在於變速（進站出站時）情況下，如何準確地對軸承做故障診斷，尤其是在故障早期階段。
這意味著，首先必須有變速狀態下的失效數據，才能驗證技術是否可行。此時相比數據有多大體量，數據的完整性，能否覆蓋所有工況顯得更為關鍵。然而現實是設備的故障樣本往往很少，因為一旦出現故障，企業一般不會允許其持續運轉。
即使有了工業數據的完整維度還不夠，數據標籤的質量也尤為重要。針對設備預測性維護，工業企業的歷史故障維護記錄是一個重要的數據來源，其記錄的質量直接影響標籤質量，但過去工業企業通常做的並不盡如人意。
原因在於，對大多數工業企業而言，設備的維護記錄都是靠人工手寫，記錄時間不準確；即使是用電子化系統來做，設備到底發生了什麼問題往往記錄不準確；同時維護數據記錄質量的好壞也不直接與基層工人「保證設備運行好」的 KPI 掛鉤，在組織管理上，這類崗位沒有動力去關心或者重視數據記錄。
這樣的現象不僅存在於中國企業，國外企業也不例外。原因在於，過去故障記錄並不受重視，更多作為企業管理者管控問題的一環而存在，並不直接支持決策，但隨著數據智能到來，工業企業的認知才逐漸發生變化。
此種情況下做出的數據模型效果堪憂。比如一家鐵路公司曾針對設備故障問題，嘗試用知識圖譜做推薦系統，把之前積累的眾多故障維護、維修記錄，包括行業老師傅的經驗都蒐集起來，放在一起做自然語言處理（NLP），並用知識圖譜串聯起來，但最終模型推薦準確率僅有 50% 左右。它作為一個反例印證了工業數據質量的重要性。
現實中，工業企業往往不願意對標籤數據進行驗證，因為這會帶來額外的成本投入。以風電場的風機維護為例，即使做出設備的故障預測模型，比如檢測到變流器可能存在問題，往往需要工業企業配合驗證，甚至要停機去做風機檢查，這對風電場而言也是不小的成本。因此，工業領域的標籤數據極其寶貴。
面對匱乏的工業數據環境，金超談道，首先需要解決模型在小數據情況下的冷啟動問題；其次要更好的融合機理，以及採用開放式的方法，讓客戶參與工況篩選以輔助模型構建，從而提升模型的可解釋性；最後還可使用工程化的思路對算法進行全生命週期管理，減少重複開發與調整成本。
回到前文高鐵軸承的預測性維護案例中，單純從數據驅動的角度看，冷啟動軸承故障預警模型，不僅需要不同轉速下健康狀態的數據，還需要不同失效模式的充足故障樣本來建立分類模型，但採集不同轉速下不同故障數據往往高成本高耗時。
從傳統旋轉機械故障診斷的角度看，軸承診斷的關鍵在於找到「共振頻率」，它受軸承轉速、故障嚴重程度等因素影響。振動分析師一般會通過觀察頻譜上的「頻率簇」來找「共振頻率」，針對此頻帶濾波解調，再通過軸承規格計算失效模式故障特徵頻率，這樣通常只要少於 1 分鐘的數據就能夠進行診斷。結合數據驅動與機理融合，讓模型按照機理分析的思路發揮作用，這樣即便只有健康狀態的數據，也能夠冷啟動故障預警模型。
4、迷信工業大數據
在工業數據匱乏的另一面，是行業對工業大數據的迷信。把工廠數據全都蒐集起來，匯聚到一個平臺，然後通過數據挖掘做分析，是非常典型的互聯網企業或者 AI 公司的思路，但這種方式在工業領域未必能產生重大價值。
國內一家大型面板廠曾想做線軌的健康狀態監測，並在此前蒐集了幾年的工廠數據，儘管數據體量非常大，但最終發現這些數據對於實際問題並沒有價值。
原因在於，與線軌衰退相關的特徵主要為振動、聲音、溫度、電流、轉速等信號，如果工廠採集的數據採樣率不能反映故障特徵，就是無效數據。
「
我們一直說工業大數據，其實重點不在大，而在工業」，金超說。「在工業場景中，我們最終關心的並不是數據的多與少，或者打破數據孤島，這些都是手段。最重要的是我們能不能夠看到客戶要實現的價值點，痛點到底在哪裡。」
另一方面，隨著「數據即資產」的觀念深入人心，再加上工業企業長期積累的工藝數據是其「命脈」，導致工業企業較為封閉，不願把自身數據開放出來，這一定程度也制約了工業領域先進模型的研發。
正如圖像領域的 ImageNet，為計算機視覺的繁榮提供了一塊「溫床」，工業領域缺少的正是這樣的「黃金數據集」。
場景落地之困
目前，工業智能主要落地在工業質檢/分揀、設備健康管理（預測性維護）、生產過程優化等場景，受限於技術能力、市場規模與領域門檻，又以前兩者為重。
製造業又可以分為離散製造和流程製造，相比而言，工業智能在離散製造業落地較多，流程製造業相對較少。
這源於離散製造業相對容易切入，一旦形成解決方案，往往可以規模複製。以裝備製造為例，比如數控機床，設備單價高壽命長，一旦損壞不僅影響產能，還會帶來更大損失，對其進行預測性維護成為必要；並且機床這一市場規模又較為龐大，僅我國每年就超 2000 億元。
而流程製造業生產過程複雜，工藝門檻更高，典型的代表是鋼鐵行業，這對於 AI 公司或互聯網公司都是難以跨越的門檻，目前解決的多是生產過程中的單點性問題。
技術提供商主要通過工程總承包商、行業集成商、工業互聯網平臺合作等方式，切入工業場景。團隊是否有懂工藝的專家、場景是否可以用數據智能方法解決、市場規模以及項目預算等因素，都決定它們是否切入某一場景。
目前，無論 AI 公司還是互聯網公司相繼完成標杆項目的探索，如何進一步邁過工藝的門檻做深行業，如何產品化、規模化落地，都是更為嚴峻的挑戰。
5、工藝門檻成行業深入之痛
「巧婦難為無米之炊」，對於烹飪來說，食材與配方缺一不可。對於 AI 公司或互聯網公司來說，僅有「食材」（數據和算法）還不夠，工藝這道「配方」同樣重要，併成為落地工業領域一道天然門檻。
儘管阿里雲、百度雲擁有優質的架構、中臺與算法，但在工業領域落地時，往往要藉助行業集成商，才能提供全流程解決方案，核心就在於對工藝理解的匱乏。
以鋼鐵行業為例，其生產流程包括採礦、選礦、燒結 、焦化到鍊鐵、鍊鋼、熱軋、冷軋等，不僅工藝體系複雜，生產環節惡劣，並且需要多專業多協同，基本會涉及 30 多個工程專業，涵蓋 80% 以上的專業學科，綜合性非常強。
阿里雲較早在鋼鐵行業探索「工業大腦」的落地，目前已取得一些成績，比如鍊鋼環節用數據驅動脫硫，熱軋環節通過數據控制加熱爐內的溫度等。但從其切入點來看，還只是鋼鐵生產中的幾個單點，尚未形成覆蓋全流程的解決方案，並且鍊鋼工藝最核心的高爐環節也並未進入。
阿里雲智能副總裁、數據智能總裁曾震宇解釋，未深入核心環節的最大因素是生產安全，因為核心環節一旦出現生產安全故障，影響非常大。
在一位工業企業人士看來，這一現象並非個例，主要原因是互聯網企業對工藝認知不足，受限於投入產出比往往不願投入過多資源。
不僅流程製造如此，離散製造也不例外。其市場的分散性決定，很難形成一套完整解決方案；並且工況的複雜性，又限制了模型的泛化能力。向行業有經驗的老師傅請教，增強對工藝的理解，將機理特徵融合進模型，是目前較為有效的方法。
6、定位之痛：項目制還是產品化
儘管我國是製造業大國，但約 92% 是小微企業，人數不足 300 人，年收入小於2000 萬，並且信息化大於工業化，工業基礎薄弱。這一工業背景也對企業的定位帶來挑戰。
首先，是做頭部企業還是腰部企業，做離散行業還是流程行業？做頭部企業可能意味著陷入項目制，做腰部或底部企業可能利潤有限。
其次，是做項目制還是產品化？一方面離散製造業標準化產品較多，但更加比拼成本、良率、交期，而流程製造業工藝複雜度高，並受工業企業需求主導，多以項目製為主，難以產品化。
在天澤智雲高級副總裁謝炯看來，To B 行業有它的商業規則和理念，不可能出現爆款產品，首先要對行業有敬畏心。「必須要踏踏實實把項目做好，才能有磨練出產品的可能性。」以風電行業為例，它們通過將近三年智能風場項目，打磨出既能服務於存量市場，又能服務於增量市場的「葉片衛士」產品。
在市場策略上，它們形成相對成熟的「2+2+0.5」戰略打法，頭部、腰部企業兩手抓，但手段不同。其中，第一個「2」指風電和機加工兩個領域，已打通產業鏈上下游，研發出直擊痛點的產品；第二個「2」是已形成解決方案但仍在探索產品化的行業，主要以較大的項目來推動，待成熟後再以產品化的方式推進；最後一個「0.5」則是對未來 3~5 年具有潛力的行業持續做技術儲備。
此外，是做前臺還是做幕後英雄？做集成商意味著較高的領域門檻和技術門檻，做技術提供商又往往投入多利潤微薄。寶鋼工程總經理助理徐凱指出，企業在提供解決方案的過程中要聚焦，要區分「工業和商業」領域，要有自身明確的定位，不能只想做大集成，這樣反而失去了自身的特色。
千家平臺盈利難
一個工廠想要實現智能化，往往需要將工業設備、傳感器與生產管理數據連接起來，通過數據治理將數據匯聚到數據中臺，結合工業 PaaS 平臺和數據中臺，開發者開發出相應的智能化模型。這些正是依託工業互聯網平臺來實現的。
自 2016 年以來，在國家政策支持與高額補貼刺激下，工業互聯網平臺進入發展快車道，尤其是近兩年更呈現井噴之態，形成五大勢力競合之態。
第一類是國內製造企業依託自身工業設備優勢，孵化的工業互聯網平臺，代表企業有航天科工、三一重工、海爾、美的、富士康等；第二類是華為、徐工信息、寶信等，從傳統系統解決方案商轉向平臺解決方案商；第三類是東方國信、用友、金蝶等工業軟件企業；第四類是阿里、百度等互聯網企業向工業領域擴展；第五類是優也、寄雲等創業公司搭建的平臺。
我國主要工業互聯網平臺能力圖譜，數據來自國家工業信息安全發展研究中心。
數據顯示，截至 2018 年 3 月，國內工業互聯網平臺類產品數量已達 269 個，其中由製造企業構建的平臺佔比高達 46%。目前這一平臺數量已經突破上千家。
儘管工業互聯網平臺前景廣闊，2018 年全球市場規模已達 32.7 億美元，預計到 2023 年市場規模增長到 138.2 億美元，但存在平臺間各自為政、多而不強、盈利困難等問題。
7、千家難盈利
對於一個新產業初期，千家湧入看似規模龐大，但寶鋼工程總經理助理徐凱稱，「這一數字其實不多，工業領域核心在於對工藝的理解，誰能把鋼鐵流程行業和汽車離散行業的共性放在一起，形成一家通用的平臺解決方案？往往不能，這就決定了工業領域因為『場景依賴』程度過高，很難形成規模效應。」
我國工業整體分為 39 個大類，191 箇中類及 525 個小類，工業知識龐大複雜，且市場分散，以 2018 年約 30 萬億元的工業增加值來看，提升效率，進行成本優化，孕育千家平臺並非難事。
儘管市場潛力足夠大，但當下各類互聯網平臺幾乎不盈利。在行業早期，企業都在講自身的工業平臺故事，客戶遠沒有到願意買單的階段。
一位創業公司負責人稱，「我們簽下的很多項目，都需要向客戶承諾技術方案實施後的業務回報數字，有經驗和模型基礎的領域可以這麼籤，但不熟悉的領域，我們只能繼續談繼續打磨方案。」
不僅創業公司如此，那些聲稱連接了大體量設備的平臺，大部分都是靠自身集團企業支撐，真正的客戶少之又少。
這固然與行業所處的早期階段有關，但在工業互聯網平臺難盈利背後，更大的問題是平臺的開放度、數據安全、成本與技術體驗，能否真正產生業務價值，為行業帶來 ROI（投資回報率）的提升。
8、缺乏比肩工業巨頭的平臺
在阿里雲智能副總裁、數據智能總裁曾震宇看來，一個真正的工業互聯網平臺，首先要能把工業的各種數據真正連通起來，從感知到數據的匯聚打通，意味著擁有了一個工業數字化世界；第二要能夠在平臺之上做各種各樣的智能優化，並且不僅只做單點優化，而是做從採購、設計、生產到供應鏈、物流等全局優化，才能真正發揮工業互聯網的價值。
這意味著工業互聯網平臺要有統一的數據標準、體系化的開發工具以及豐富的工業模型，但同時具備這些能力的平臺少之又少。除了工業基礎外，這也是我國無法誕生西門子、GE 之類巨頭平臺的原因。
反觀我國工業互聯網平臺之間，行業各自為政，互不相連，也沒有真正做到開放。比如目前業內沒有統一的數據標準，工業協議數量可達幾百種，主流協議也有 40 餘種，但我國 80% 的平臺不足 20 種。數字化模型也與國外工業互聯網平臺的上百種有較大差距。
具體來看，我國各類工業互聯網平臺劣勢均較為明顯，缺乏真正大而強的平臺。
以製造企業孵化出的平臺為例，比如三一重工、海爾、美的、富士康等，其擁有工業設備與連接優勢，但缺乏智能技術，平臺往往侷限自身所在行業。行業系統提供商所搭建的平臺，也往往復制性與泛化能力不強。
再如阿里、百度等互聯網公司，其工業平臺在技術、架構與中臺上都具有優勢，但核心在於缺乏對工業與工藝的理解，缺乏持續投入，難以將行業打穿。
誰真正能夠把工業互聯網平臺做成標杆，產生被行業認可的業務價值與品牌，這將是一個漫長的考驗。「否則所謂的數據孤島，不過是原來的 5 平方米，變成現在的 500 平方米。」
技術變革背後的管理瓶頸
技術變革的背後往往需要資本方、工業企業、科技企業等共同配合，轉變既有觀念，改變經營理念，既適應工業的既有規則，又能夠推動技術的落地。
以追逐高收益的資本為例，製造業的利潤空間往往在 5% 左右，並且資產重、回報慢，這導致資本不願流入工業領域。而改變這一現狀，除了國家政策的導向外，資本方轉變理念、管理收益預期顯得尤為重要。這只是工業智能化變革中的一個縮影。
9、認知觀念轉變不易
對於傳統工業企業而言，提升產品質量、降本增效，他們慣用的思路是採購新設備、投資新工藝，「先進設備等於先進技術」一定程度代表他們的固有觀念，認同工業智能、數據驅動能夠帶來 ROI，本身就是一個巨大挑戰。
天澤智雲技術研發副總裁金超談道，工業企業固有的觀念是國內智能軟件難做的原因之一，客戶會覺得購買工業智能產品跟採購設備一樣，可以對照「操作說明書」開箱即用，實現某一類功能。
但對於數據驅動的模型，一開始模型的部署效果可能只有六七十分，需要數據不斷迭代優化，才能達到相對精準的效果。這意味著工業企業需要改變對軟件的看法，並在模型初期給予足夠的包容度。
這一認同缺失背後，除了工業企業的固有觀念與對數據、算法的能力邊界認知不清晰外，技術成熟度不足，比如「一機一模型」的現狀，技術只能在邊緣場景中試探難以進入工業核心環節等，都決定了工業企業難以真正信任科技公司，以至於要簽訂業務回報承諾。
10、經營理念亟待變革
對於 AI 公司或互聯網企業而言，切入工業領域首先意味著理性看待與制定合適的 ROI。製造業的利潤空間往往在 3%~5%，而對於互聯網企業來說，低於 20% 的利潤基本可以判定為失敗項目。這之間巨大的利潤率鴻溝直接決定著科技公司進入工業領域做什麼，能否持續投入。
對此寶鋼工程總經理助理徐凱建議，AI 公司或互聯網公司進軍工業領域，一定要有耐心，工業 AI 與商業 AI 不同，工業場景的複雜性決定技術落地的不易，需要科技企業耐心持續投入，要加深對工業工藝的理解，要看重穩定持續的回報，而不是短期、高回報。
對於傳統工業企業而言，改變經營管理理念同樣重要。
一家民營鋼廠通過技術服務商做了一套煤氣管網平衡的智能化系統，以此優化能源使用效率。
其背景是，高爐鍊鐵環節會產生大量的高爐煤氣，它可以做為燃料供下游的軋鋼、電廠、鍋爐等單位使用。由於高爐產氣波動不可預知，且每個用戶各自的用氣節拍不協調，導致管網產氣和用氣一直處於不平衡狀態。如果某一單位送氣過多，又會造成煤氣放散率（流失）過高，浪費能源汙染環境。通過該系統（就像導航系統一樣），可以智能分配每個單位的煤氣使用量，將管網平衡穩定率從 77% 提升到 95% 以上，並把放射率降到零，大幅提升燃料使用率。
但這套系統卻很難在鋼廠推廣下去，原因在於該智能化系統和之前的系統處於平行狀態，鋼廠沒有通過管理機制自上而下的推廣，也沒有將智能化系統的使用與員工 KPI 掛鉤。此外，這一智能化系統也沒有和控制系統打通，只是將輸出結果推薦給鋼廠，仍需工人操作。
可見，即使有一套高效的智能化系統，但其落地仍需要工廠整合組織的配合。另一方面，技術服務商也應不斷降低系統的上線門檻，並將智能系統與控制系統打通，形成業務閉環。
結語
行文至此，不禁要問工業領域最適合 AI 落地的場景是什麼？
綜合行業各種觀點來看，從技術維度說，強數據、強機理是 AI 的絕佳試煉之地，即擁有較好的數據基礎，並且設備運作方式、領域知識沉澱豐富的場景，反之則未必適合落地。
從場景維度來看，發生頻率高、結果影響嚴重的問題未必適合AI來解決，更適合行業從工藝、設計、製造端改善；而發生頻率低、結果影響小的問題，通過傳統的巡檢方式就能解決；至於發生頻率高、結果影響不大的問題，也能夠通過精益管理去解決；而發生頻率低、結果影響重大的問題是行業尚未很好解決的，也是AI最有可能展現價值的場景。
面向複雜的工業場景，數據問題、模型泛化問題、行業工藝門檻等，使工業智能技術尚未成熟，這又近一步造成技術服務商與傳統工業企業間的信任問題。
面對傳統工業企業認同缺失的現狀，技術提供商必須以場景為王，將工業與智能深度融合，帶來實際的業務價值，才能構建信任的橋樑，改變難以盈利的現狀。
但另一方面，作為一個新生事物，工業智能不可避免面臨種種挑戰。如今在國家對智能製造政策的引導下，更多資本、技術力量、製造企業正在湧入，驅動工業互聯網蓬勃發展，一場變革正在上演。
閱讀更多 機器之心Pro 的文章
