伴隨數(shù)字化浪潮洶涌而至，作為核心驅(qū)動力的人工智能迎來飛速發(fā)展，從賦能千行百業(yè)到追逐星辰大海，人工智能已悄然融入世界的方方面面。相比商業(yè)應用的深度和廣度，目前人工智能在工業(yè)領域的潛力仍需持續(xù)挖掘。隨著人工智能步入發(fā)展新階段，推進人工智能與工業(yè)場景融合以釋放巨大潛能，將成為產(chǎn)業(yè)關注的重點。

工業(yè)人工智能的起點是客戶痛點和需求

站在新一輪工業(yè)科技革命和中國加快轉(zhuǎn)變經(jīng)濟發(fā)展方式的歷史性交匯處，工業(yè)人工智能已經(jīng)成為當代工業(yè)企業(yè)邁向未來、實現(xiàn)工業(yè)高質(zhì)量發(fā)展的必答題，人工智能也成為了越來越多行業(yè)提升競爭力的選擇。

那么，什么是工業(yè)人工智能？工業(yè)人工智能是實現(xiàn)工業(yè)大數(shù)據(jù)轉(zhuǎn)化為有效信息、抽象為模型、輔助人類進行精準決策、高效執(zhí)行的過程，它基于算法與模型挖掘工業(yè)世界中的“隱性知識”。

盡管人工智能已經(jīng)被熱議多年，但人工智能在工業(yè)領域一直面臨“落地難”的窘境，究其原因還是在于其落地過程常常容易走入一個誤區(qū)，那就是一談到工業(yè)數(shù)據(jù)賦能就會想成是大平臺，而往往忽略了數(shù)據(jù)能為客戶創(chuàng)造哪些切實的價值。數(shù)據(jù)是人工智能的基礎，但工業(yè)人工智能的出發(fā)點并不是數(shù)據(jù)，而是客戶痛點和需求。這正是工業(yè)人工智能和泛化人工智能之間最核心的區(qū)別所在。

工業(yè)向智能化轉(zhuǎn)型升級是跨領域多學科的系統(tǒng)工程，而工業(yè)各領域都經(jīng)過了長達數(shù)十年乃至數(shù)百年的發(fā)展，因此工業(yè)人工智能技術之于工業(yè)，絕不應該是“顛覆者”，而應是“融入者”，因此以工業(yè)客戶的痛點和需求作為切入點，將智能化技術導入工業(yè)生產(chǎn)過程才是行之有效的手段。

以設備預測性維護為例，我們需要結(jié)合領域經(jīng)驗，用結(jié)果倒推的方式來設計整個技術方案：首先根據(jù)客戶需要，選取合適的目標故障設備和故障類型，要知道不同的故障類型開展預測性維護的價值也不同，因此不同的行業(yè)、不同的企業(yè)、不同的時間階段，客戶的痛點和需求都不盡相同。而后，提取與痛點相關的數(shù)據(jù)，而不是全量數(shù)據(jù)，比如關鍵設備的關鍵故障類型的相關數(shù)據(jù)，同時需要充分結(jié)合生產(chǎn)運行過程中環(huán)境干擾以及復雜工況等影響因素，建立有效的預測預警模型。同時針對識別到的潛在故障風險，進行相應診斷，并為現(xiàn)場工程師提供檢維修方案或措施建議，只有這樣才能為工業(yè)客戶真正解決實際問題。

工業(yè)人工智能構建“蘊含知識”的模型

近年來，工業(yè)領域中依賴專家經(jīng)驗代代傳承的模式正遭遇巨大挑戰(zhàn)，利用人工智能將核心經(jīng)驗與知識固化下來變?yōu)榭蓚鞒械馁Y產(chǎn)，將成為大勢所趨。而在此過程中，關鍵問題在于如何將數(shù)據(jù)特征和機理特征（行業(yè)經(jīng)驗）深度融合在一起，將制造知識和“老師傅”的經(jīng)驗轉(zhuǎn)換為能夠被數(shù)字世界理解的“蘊含知識“的模型，從而捕捉那些難以規(guī)則化但“老師傅”或行業(yè)專家能夠感性認知的復雜特征，進而洞察并預測制造過程中還未發(fā)生的不可見問題，幫助企業(yè)規(guī)避潛在風險、實現(xiàn)降本增效。

以某流程行業(yè)典型動設備故障預警功能的實現(xiàn)為例，通過實驗我們發(fā)現(xiàn)，采用純數(shù)據(jù)驅(qū)動的方式建模，訓練數(shù)據(jù)需要至少3-6個月，且生成的模型仍會較大地受到環(huán)境影響，易出現(xiàn)誤報。而采用結(jié)合經(jīng)驗與機理的建模方式，通過譜峭度、機械特征參數(shù)、環(huán)境參數(shù)等機理輸入，并引入工況經(jīng)驗，對人工智能技術進行有效引導，構建設備健康狀態(tài)預警模型，而這種方式將所需訓練數(shù)據(jù)量降低達1個月左右，其最終的預測效果也更為理想。

人工智能落地需要人與技術的結(jié)合

雖然我們對人工智能賦能工業(yè)充滿期待，但必須承認人工智能黑盒式的“一鍵美顏”解決方案很多時候并不適用于工業(yè)場景。技術落地過程中的可信任度和安全性對于企業(yè)非常重要，因此人工智能在工業(yè)落地的重點在于人與技術相結(jié)合，即通過客戶的參與，共創(chuàng)適合企業(yè)的蘊含知識的模型，由此將人工智能在計算和記憶力、感知方面的優(yōu)勢，以及人類在認知、推理方面的獨特能力有機結(jié)合起來，左右腦互用，提供一種透明的“理解”算法，讓工業(yè)人工智能切實發(fā)揮其作用。

預測性運維系統(tǒng)SiePA就是西門子與客戶讓人工智能在工業(yè)落地的一次積極探索。SiePA基于工業(yè)人工智能技術和西門子深耕工業(yè)積淀的行業(yè)知識，通過預測預警模塊與智能排查診斷模塊，對設備運行風險、故障診斷及維護策略進行判斷，并給出推薦方案。對于客戶，SiePA相當于提供了一個分析模板，在此基礎上客戶將工廠的實際狀態(tài)和行業(yè)知識映射到模板中固化成模型，然后應用到具體業(yè)務場景。此外，SiePA還可以隨著新需求不斷升級迭代，實現(xiàn)對人工智能模型的全生命周期管理，形成持續(xù)優(yōu)化的閉環(huán)。SiePA體現(xiàn)的這種人工智能+人類智能的“白盒”特征已在包括石油化工、水泥、城市供水、冶金等多個行業(yè)落地，并得到了行業(yè)專家的高度認可，目前西門子也在積極探索與設備生產(chǎn)廠商及設備服務商等企業(yè)的合作模式。

除了機理特征維度的合作共創(chuàng)，西門子在推進工業(yè)人工智能落地過程中還采取不同的互動方式，賦能于人。例如，西門子一直著力于構建工業(yè)人工智能的共創(chuàng)生態(tài)圈，通過更為深入的合作共創(chuàng)與溝通，針對不同行業(yè)中一些典型的場景，幫助客戶更好地梳理相關場景中的需求、共同尋求合適的方案、實現(xiàn)“數(shù)據(jù)變現(xiàn)”，西門子愿與合作伙伴一起讓人工智能真正在工業(yè)場景落地生根。

三大應用場景落地工業(yè)未來可期

除預測性維護這一重要的應用領域，從工業(yè)的行業(yè)特點和人工智能技術路徑來看，工業(yè)人工智能在強化感知、銳化運營、優(yōu)化控制三個典型應用場景中將大有可為。

強化感知體現(xiàn)為從傳感到認知的變化。以往工廠只注重數(shù)據(jù)的采集和存儲，人工智能算法通過對大量數(shù)據(jù)的分析，洞悉出數(shù)據(jù)背后的邏輯從而支持工廠的決策，將無序的二進制數(shù)據(jù)變?yōu)檎嬲母邇r值數(shù)據(jù)資產(chǎn)。銳化運營則是專業(yè)基礎上的協(xié)同能力。專業(yè)領域間通常存在清晰的界定，但工業(yè)環(huán)境中的實際問題常常需要跨領域的經(jīng)驗才能解決。企業(yè)迫切需要利用人工智能打通不同領域的壁壘，將知識和經(jīng)驗融合，固化并用來指導生產(chǎn)。優(yōu)化控制讓現(xiàn)代工廠中無處不在的自動化控制完成從準確向最佳的跨越，助力企業(yè)實現(xiàn)智能升級。

西門子針對三大典型應用場景一直在進行積極探索，并推出了相關產(chǎn)品和創(chuàng)新解決方案。在強化感知層面，預測性維護結(jié)合APS系統(tǒng)將工廠的強化感知能力進一步擴展到閥門等更多細節(jié)。在銳化運營層，SiePA利用自然語言處理以及失效故障與影響分析（FMEA）等，為客戶提供將經(jīng)驗固化、傳承的數(shù)字化手段。圍繞優(yōu)化控制，西門子已落地了一些典型應用場景，例如水行業(yè)的泵站設備控制和基于工業(yè)數(shù)據(jù)的泵組優(yōu)化，在冶金行業(yè)可以利用人工智能算法和數(shù)據(jù)，將用料配比、參數(shù)配置等高度依賴專家經(jīng)驗的環(huán)節(jié)轉(zhuǎn)化為可以傳承的知識，讓人類智能在數(shù)字化時代得以擴展和延伸。 

幾十年來，大概很少有一項技術能像人工智能一樣承載著人類如此多的憧憬和想象力。而只有將人工智能置于實際應用場景中才能真正打開它的價值觸點，讓科技有為。正如西門子股份公司總裁兼首席執(zhí)行官博樂仁博士所言：“沒有一個國家或組織能夠憑一己之力實現(xiàn)數(shù)字化轉(zhuǎn)型，或釋放人工智能的全部潛能。人工智能的落地需要不同企業(yè)，不同組織的創(chuàng)新和協(xié)作，而這個任務也屬于這個時代的你、我以及每個人。”