2019-07-05_中国信通院_工业智能白皮书（2019讨论稿）_42页_3mb

工业智能白皮书（2019 讨论稿）总结

核心内容

《工业智能白皮书》（2019 讨论稿）由工业互联网产业联盟（AII）联合多家企业编写，旨在探讨工业智能的发展背景、主要类型、关键技术及产业发展趋势。白皮书指出，工业智能是人工智能技术在工业领域的应用，具有自感知、自学习、自执行、自决策和自适应等特征，能够提升企业的分析决策水平，实现智能制造。

主要观点

1. 工业智能发展背景

• 全球共识与趋势：工业智能化已成为全球共识，各国政府及组织纷纷出台战略政策，推动人工智能在工业制造中的应用。
• 技术加速渗透：随着人工智能技术体系的完善，工业智能正逐步成为制造业智能化升级的核心驱动力。
• 智能化升级需求：工业智能的核心目标是实现基于海量工业数据的全面感知与端到端深度集成，从而实现智能化决策与控制。

2. 工业智能的主要类型

• 定义：工业智能是人工智能在工业领域中的应用，通过计算机实现智能，具有自感知、自学习等特征。
• 问题分类：
  • 多因素复杂问题：如产品研发，需结合知识图谱与深度学习进行求解。
  • 多因素简单问题：如供应链风险管理，依赖知识图谱进行信息整合。
  • 少因素简单问题：如不规则物体分拣，依赖传统优化方法。
  • 少因素复杂问题：如产品缺陷检测，依赖深度学习进行高精度识别。

3. 工业智能的关键技术

• 深度学习：适用于少因素高复杂度问题，如质量检测、设备预测性维护等。
• 知识图谱：适用于多因素低复杂度问题，如供应链管理、企业决策优化等。
• 技术适配：
  • FPGA芯片：具备高算力与低功耗，适合工业端侧推理。
  • 兼容性编译器：促进不同框架与芯片之间的适配，推动工业应用。
  • 专用推断框架：满足工业终端的实时性与可靠性需求。
  • 可解释性研究：提升深度学习算法的透明度，增强其在工业场景中的可靠性。

关键信息

1. 工业智能的典型应用

• 高计算复杂度、少影响因素问题：

  • 复杂质量检测：如康耐视基于深度学习进行图像分析，提升检测效率。
  • 设备预测性维护：如KONUX利用传感器与机器学习，提升设备维护效率。
  • 工艺优化：如西门子利用机器学习优化风机性能，提升发电效率。

• 低计算复杂度、多影响因素问题：

  • 供应链风险管理：华为构建供应链知识图谱，实现风险预判。
  • 融资风险管控：西门子利用知识图谱建立高维关系网络，识别融资风险。

• 高计算复杂度、多影响因素问题：

  • 产品研发：UTC利用知识图谱与深度学习优化产品设计。
  • 企业决策管理：Maana平台结合知识图谱与机器学习，提供决策优化建议。

2. 工业智能的产业发展

• 产业视图：工业智能形成“两横两纵”产业视图，横向为知识图谱与深度学习，纵向为通用技术与应用集成。
• 技术主体：
  • ICT企业：如谷歌、阿里、微软等，提供算力、算法与框架支持。
  • 研究机构：如加州大学、清华、MIT等，推动前沿算法研究与理论探索。
  • 制造企业：如西门子、富士康、ABB等，推动AI技术与制造场景的结合。
  • 初创企业：如Landing AI、旷视、FogHorn等，聚焦细分领域提供解决方案。

3. 产业发展趋势

• ICT巨头主导：深度学习框架、编译器及芯片市场由ICT巨头主导，但工业适配化程度不一。
• 研究机构推动理论与前沿技术：研究机构在算法可解释性与前沿算法（如胶囊网络、强化学习）方面取得进展。
• 工业化与智能化双向渗透：装备制造企业与ICT企业双向融合，推动工业智能化发展。
• 初创企业崛起：初创企业凭借技术与资金优势，在工业智能领域发挥重要作用，尤其在装备与机器人领域。

结构总结

工业智能发展背景

• 全球各国政府高度重视工业智能发展。
• 人工智能技术加速渗透，推动制造业智能化升级。

工业智能的主要类型

• 分为四类：多因素复杂、多因素简单、少因素简单、少因素复杂。
• 深度学习与知识图谱是主要技术方向，分别解决不同类别的工业问题。

工业智能的关键技术

• 深度学习：用于高复杂度、少影响因素问题，如质量检测与设备维护。
• 知识图谱：用于多影响因素、低复杂度问题，如供应链管理与决策优化。
• 技术适配：包括FPGA芯片、兼容性编译器、专用推断框架与可解释性研究。

工业智能的产业发展

• 形成“两横两纵”产业视图，涵盖通用技术与应用集成。
• 企业主体包括ICT企业、研究机构、制造企业和初创企业。
• 各类技术主体在工业智能领域发挥不同作用，推动技术落地与应用创新。

总结

《工业智能白皮书》全面分析了工业智能的发展背景、技术分类、关键技术和产业现状，为工业智能化发展提供了理论支持与实践方向。工业智能作为人工智能在工业领域的延伸，正逐步成为推动制造业升级的重要手段。深度学习与知识图谱作为核心技术，分别针对不同复杂度与影响因素的问题提供解决方案。未来，随着技术的不断演进与应用的深入，工业智能将在更多领域实现突破，并推动工业系统的智能化转型。