工业互联网+人工智能到底是什么？
2023-03-31新基建带来了新机遇，工业互联网概念逐渐深入每个行业相关者的工作和生活，同时也给无数制造业企业带来了新的希望。工厂，作为人类工业革命之后的技术积累的大成结果，在面对高速发展的互联网和IT技术的冲击之下，显得有点茫然失措。2020年疫情之下，车企寒冬，制造业裁员。而另一方面，是钉钉、飞书、王者荣耀的如日中天。疫情冲击最大的自然是实体行业，实体行业作为国家经济基础，经济动荡也会影响到一部分其他行业。今年虽然人工智能在防疫医疗上发挥了很多作用，但资金缩紧，融资困难的趋势也隐隐显现。AI公司保持持续的竞争力一定是要在对的场景持续创造价值，比如推荐算法，在广告，电商等领域就能创造出巨大价值，可以说成功落地。但总体来说，AI其他应用场景还是相对匮乏。新基建给了制造业一剂强心针，国家也在努力推动制造业数字化转型，所有人都认同这场转型背后会蕴藏巨大的机会，也会创造前所未有的价值。但实现工业互联网面对的挑战有多大，相信每个工业互联网玩家都心里有数，每一家都在摸着石头过河。目前可以感知到的是，工业革命的成果和蓬勃发展的AI技术的结合必定会带来新一场的工业革命。本文带着三个问题出发，入门学习工业互联网+人工智能。
工业互联网+人工智能到底能做什么？
工业互联网+人工智能给行业哪些好处？
工业互联网+人工智能遇到的困难到底有哪些？
工业互联网+人工智能到底能做什么？
工业互联网+人工智能会帮助企业挖掘数据价值，给企业带来全新的工作方式，让设备开始“说话”。
AI+人机交互工作方式
AR远程指导
对于一些简单的场景，原厂专家可以通过实时摄像头共享、3D空间映射、3D增强现实对象与指针，并辅以语音和屏幕注释来远程指导用户完成复杂的操作，对于复杂的场景，则可以工人快速上门求助专家，工人只需要懂简单的维修就可以，极大提升响应速度和维护效率。早在两年前保时捷就已经开始这项技术的变现，而最近也有新闻，TeamViewer AR远程协作开始支持iPad Pro激光雷达特性。
3D数字孪生
根据官方定义，数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。说人话就是在计算机里完全仿真一个实体，这个实体可以是汽车、飞机、高铁也可以是一个小螺丝钉。这项技术起源于工业也赋能给工业制造。而新基建也许数字孪生技术会有更多的发挥之处。国内的很多工业科技企业如树根互联，互联网巨头阿里巴巴都在数字孪生技术赛道上紧密布局。
增强分析
根据Gartner发布的数据分析和商业智能平台魔力象限报告，商业智能（BI）平台关键的差异化因素就在于单一平台上的增强分析。现有的数据分析技术已经很强大，但在传统分析手段上引入增强分析，对数据进行自动化，对分析维度进行延展，进行更精准的模型训练，从已有的结构化数据里挖掘出更大的价值，这是增强分析带来的全新数据体验。
知识图谱
最早是由Google提出的概念，在2012年加入Google搜索，诞生之初是Google的一个知识库，用来优化搜索引擎。知识图谱可以实现现代文本分析，对数据进行高级整合，知识图谱可以提高可靠性，可解释性以及可重用性。这样在和机器学习进行结合，可以完美的解决类似资料不足，可解释性不足的问题。
2. AI+数字化线程的智能决策
运输优化系统
智能补配系统
智能计划排产
智能仓储管理
物流及库存优化
3. AI+设备的透明化管理
设备预测性维护
预测性维护（PdM）技术通过实时监测设备运行情况，提前预估设备剩余使用寿命，避免发生意外停机、缩短计划停机时间，最大限度地延长设备使用寿命。预测性维护能够从关键设备传感器、企业资源规划系统（ERP）、计算机维护管理系统（CMMS）、生产数据等多个系统中快速采集数据。智能工厂管理系统则将数据与先进的预测模块和分析工具相结合，预测设备故障并进行处理，帮助维护人员找到问题的根源。
AI品质检查
AI质检，通过对数据集的学习，从而能够判断产品质量的好坏。阿里云ET工业大脑实现了全国光伏行业首个AI质检，正泰与阿里云ET工业大脑合作，已经可以实现单、多晶电池片EL（电致发光）缺陷的毫秒级自动判定，相比人工检测速度提升2倍以上。通过深度学习和图像识别算法，集中学习了40000多张样片，将图像转换为机器能读懂的二进制语言，从而能让质检机器实时、自动判断电池片的缺陷。
智能分拣
对仓库物品进行智能分类，结合AGV和机械臂构建完整的仓储自动化系统。
工业互联网+人工智能会给企业带来哪些好处？
场内玩家、投资机构、政府都看到了工业互联网的价值。在历史演进的过程中，可以参考一下美国现在的经济结构，更多的重心在服务，科技行业。人口红利不再的时候，美国已经开始着力提升社会效率，节约撤回成本。这时，一些to B的服务企业有了新机遇，比如绕不开的SaaS的巨头Salesforce。对比国内，工业互联网+人工智能也必然会有一些对应的价值落脚点。
成本节约
降低用工量
数字化，智能化的工厂，工人会向技术岗位迁移，而重复劳动力的岗位会逐渐被机器所替代。
减少停机时间
在工厂生产过程，一条产线停工一分钟都会造成上万元的损失，提前识别设备风险，合理安排停机时间，较少意外停机。
降低能耗
在智能工厂设计之初，将水电能耗考虑进规划方案，合理生产，避免设备空转，提升设备稼动率，降低能耗。
减少质量损失
在生产环节，监控设备健康情况，避免设备不正常工作带来的无效生产。
2. 效率提升
优化业务流程、缩短交付周期
根据历史数据，梳理业务流程，避免无效冗杂环节，有的放矢的优化业务流程。
提高资源利用率、员工效率
工业互联网会带来新的工作模式，在磨合期很多人都会经历一些痛苦的过程，但大方向上应该是会提高员工工作效率，提升资源的利用率。
3. 产品服务提升
缩短研发周期、加速产品迭代
工业场景复杂，但一些业务流程，产品检测，人工智能算法是有一定相同性的，可以总结相同点，避免重复造轮子，缩短研发周期
全生命周期追溯、降低次品率
对产品生产所有环节进行监控，准确追溯产品生命历程，在出现产品问题的时候可以准确定位出错环节，对症下药。
4. 业务模式创新
诞生新的市场营销策略 数据分析即服务
产品形态发生变化，从实际的产品变成虚拟的产品，带来整个市场营销策略的变化，SaaS化再细分可以定义成数据分析即服务。
工业人工智能面临的困难有哪些？
相比于AI在其他场景下落地的困难，AI 在工业场景中也存在价值交付难以实现的困境。
AI 应用开发的门槛高流程长
AI应用开发需要经历：确定应用，收集数据，训练模型，验证模型，部署模型这几个环节。首先需要确定AI在工业里的应用场景，识别这个场景是否是用户真实痛点，需不需要引入AI资源。其次收集数据，收集数据会碰到非常多的问题，首先需要收集多个时间段的大量真实数据，反应不同场景下数据的差异，然后要做好数据集整理，将非结构性数据转换成结构性数据，再统一数据格式，这一过程其实是在完成数据接入和数据预处理。这也是为什么很多数据集都会卖的很贵的原因。将准备好的数据集进行模型训练，训练模型的结果通常是一个或多个机器学习或深度学习模型，模型可以应用到新的数据中，得到预测、评价等结果。训练完成之后，需要把测试数据集放入模型里进行验证，没问题之后才能进行部署。
2. 结果可靠性与可解释性不足
结果可靠性和可解释性不足一直是AI应用落地的通病，特别在工业领域，更多的客户要求是稳定可靠，经过训练完成的模型即使通过了模型验证评估环节，在部署之后也可能会遇到很多问题，甚至还需要引入人工进行复判。
3. 模型泛化能力差迁移成本高（难以复用）
在工业领域，场景的通用性非常的低，甚至同一工艺不同工厂用的产品不同，传感器不同，都会带来非常大的差异，所以模型难以复用。不像一些通用场景，比如人脸识别，就相对好落地实现。
总结
工业互联网+人工智能也许是AI在工业领域的探索，也许是传统制造业对数字化转型的迫切需求，二者既然碰撞了就一定会有一些不一样的火花。但到底发展之后的形态是什么？应该还没有谁可以绝对的预测到。希望自己在这里面可以学到收获到吧。
