AI的浪潮不断的冲击着大众的眼球，尤其是ChatGPT带来的巨大变革，以及现今大模型的时代到来，都会使得大众确信未来是人工智能的时代。它也同样影响着制造业，产业里不断的寻求答案—到底AI能够为大家带来哪些改变?然而，对于AI的难题正在于此—换做另壹个话题更好，工业到底需要啥子样的AI似乎更为合理。前者是拿着榔头找钉子，而后者则更符合工业一直以来的技术进步思考，难题需要啥子样的工具?而不是工具需要啥子样的难题。

1).简单易用的AI工具

工业的AI，它需要简单易用—毕竟，工业为了化解难题，即使是进步工具，它也必须和工业本身的机理、编程结合。工业的工程师通常是未经AI专业训练的，或者即使是来自AI领域的，在开发项目中，也需要相对好用的工具。这包括怎样对数据进行预处理、在配置训练方式的友好性，操作界面的易于领会，小编认为是一个工具，如果需要特别复杂的操作话，那就很难被广泛推广。

而且，这个AI工具所集成的训练方式、模型都得适合工业的特征。因此，这也是现在工业自动化领域的厂商都会将AI集成到原有的体系中。

因此，对于工业领域来说，采用嵌入式AI的集成，以及标准和规范的数据交互接口，要实现在工业自身特定的AI应用任务重，达到快速配置、计算和控制任务融合、闭环迭代，而这一切又需要简单，易于被工程师掌握。

因此，这是工业对AI需求的最为重要的话题—作为工具属性，它必须对于工程师来说是友好的。

2).工业需要高可解释性的AI

由于AI在更多的时候它一个“黑盒”玩法，它不同于机理的白盒—这就存在了“可解释性”难题。也是商业AI在进入工业后，相对难的话题。

机器进修里面可解释性有多种，现在一般实际运用的叫做局部解释，指的是解释单次模型推理的决策依据。比如壹个很复杂的神经网络去推理表格数据，可以给出各个输入之间的重要性关系。

可解释性，还有一些在于数据预处理的可解释性、算法的可解释性，事后的结局可解释性，多个层级来实现。

3).工业需要高精度的AI

对于工业应用而言，模型精度会一个相对重要的难题-超参数难题、模型结构、数据预处理等都会影响模型精度。而这个精度会让推理、预测出现偏差—工业的任务它往往是容错空间是相对小的。比如，时刻的偏差、位置的偏差，例如：0.1mm对于商用人形机器人的定位训练来说就太苛刻了—但对于工业机器人的配合加工来说却是入门级的。在时刻粒度上也是如此，对于时刻严苛型任务而言，时刻在精度上、实时性上，都是相对高标准的。

精简就是模型要小，由于有硬件算力和成本的限制—通常在嵌入式体系运行的模型推理，它本身就不也许用太强的处理器。

4).小样本模型训练

工业里的场景，也许这个难题相对突出，由于，通常机器进修需要较大的样本量，但如果壹个风力发电机组有大量的故障信号，这个机器就不应该销售给用户。包括质量难题，都是较少的参数可供进修。因此，工业里必须思考这种场景，采用更多的小样本训练方式，例如对比方式，τ分布样本处理。

5).数据和机理结合

这个对于自动化企业来说，应该是相对擅长的地方。然而，这个需要在软件的接口上达成相对容易实现的交互。

OPC UA事实上，也在建立这种连接和模型交互的规范，AAS资产管理壳、行业信息模型，分别用于处理怎样在不同的软件平台间建立交互的接口，它主要的目的在于降低接口的便利性，避免需要人工为其开发接口。AAS、行业信息模型则在数据采集方面。这些主要是化解在数据和机理融合的工程创建、运营、维护上。

核心的数据和机理结合，则是要发挥各自的优势。由于，在现实的工程开发，乃至现实的生产中，机理并不能完全了解体系的最优，或者效率更高的参数组—本身操作人员也缺乏这个认知。因此，AI介入主要还是在更优的参数收敛，包括时刻、成本的收敛路线，会有一定的影响。然而，AI并不直接参和控制，只是作为离线的进修给出更优参数，当然，回到可解释性难题，那也是需要由人做出判断是否确认被运行。

6).人机结合的AI

人机结合，是由于这里有壹个重要的背景，即，AI它进修的是啥子?

由于AI实际上，除了AI挖掘数据中的潜能，在一些场景里，AI本身也是给人进修的—比如，在胶印机里，通过采样印刷品的质量，数字扫描方法给计算机。接着，计算机同时观测技师怎样调节水墨均衡的经过，反馈的参数来进修，到底怎样来改善印刷质量。

这种需求未来也会更多，由于在很多领域如航空航天、半导体领域的顶级技术人员是极其昂贵的—甚至达到百万级以上的收入，且这样的人又特别少，怎样将他们的丰盛经验提炼出来，这也同样是产业需要借助AI来化解的难题。

因此，拓展资料来说，工业的AI，需要结合工业本身的特征，在工具的开发、数据连接、处理、特征选择、训练、参数调整、和实时任务接口、云端连接等开发特别聚焦的功能，让用户易用，满足工业特征的AI。（作者：贝加莱工业自动化(中国)有限企业 宋华振）

（来源：贝加莱）