2024中国工业AI发展洞察与展望白皮书

Insights and Prospects of Industrial AI Development in ChinaWhite Pape 2024 卷首语 今天，席卷而来的 A I 技术浪潮，正在深刻地改变着各行各业的面貌，为国计民生广泛提供支撑的工业领域也不例外。随着计算能力的不断提升、算法的不断优化以及数据获取和处理能力的日益增强，A I 正逐步渗透到工业生产的每一个环节，从制造、物流到维护和质量控制，全面推动着传统工业体系向智能化、自动化的未来模式转型。 备可以通过物联网技术实现互联，实时上传运行数据到云端，由 A I 进行分析和处理，形成闭环的智能管理系统，提升整个生产体系的响应速度和灵活性。 当然，我们也必须看到，工业 A I 在带来巨大机遇的同时，也仍有一系列问题亟待解决和改善。首先，面对在安全可靠性及连续性方面具有极高要求的工业场景，如何提高A I 算法的适用性仍然道阻且长。其次，A I 作为一种前沿数字化技术，其应用的普及也天然伴随着对信息数据安全和隐私保护的更高要求。此外，长期来看，A I 的广泛应用，也将对劳动力需求结构产生深远影响，需要社会和产业在技能培训和职业结构转型方面做出相应的调整和转型。 当前，A I 在制造业中的应用进展可谓日新月异。通过机器学习和数据分析，A I 已经在生产过程实时监控、设备故障预测、生产流程优化等方面得到了诸多应用。例如，通过对传感器数据的分析，A I 可以提前识别出设备的潜在问题，进行预防性维护，减少停机时间，提高生产效率，从而降低人力成本，并提高生产的连续性。除此之外，在物流与供应链、质量控制与检测等生产环节，工业AI 也将大有所为。 不积跬步，无以致千里。尽管发展迅猛，但方兴未艾的工业 A I 的发展仍然处于起步阶段，需要我们不断结合产业实际，持续为其找到更加广阔的发展空间。而面对 A I 带来的深刻变革，广大工业厂商和用户自身亦须不断创新、勇于探索，才能在这场波澜壮阔的工 业 革 命 中 始 终 立 于 不 败 之 地。 我 们 相 信，假以时日，工业 A I 必将在新型工业化体系中承担起更加关键的作用，为构建人与科技水乳交融的美好未来而不断作出新的贡献。 更让人欣喜的是，A I 不仅在具体的生产环节中发挥着重要作用，还在推动整个工业生态系统转型升级的过程中展现出巨大潜力。通过与物联网（I oT）、云计算、大数据等技术的深度融合，A I 正在构建一个智能化的工业互联网平台，使得设备、系统和人之间的互联互通成为可能。例如，智能工厂中的设 2024 年工业 AI 应用现状与趋势调查 今天，随着技术的迅猛发展和创新，A I 技术逐渐开始融入到各种各样的工业场景当中，并逐步实现具体的应用落地。与此同时，越来越多的工业用户也认识到了A I 技术今后在工业领域将要起到的关键作用，并将相关的技术准备或培训等举措提上日程，试图抓住这波创新技术趋势带来的可观机遇。 为了让各行各业的广大用户了解 A I 在工业领域的最新发展态势，更好地制定自身在 A I 方面的投资和应用策略，我们面向读者发起了以下这一针对工业 A I 发展现状的问卷调查，并对调研结果加以分析，希望为广大受众提供有益参考，并促进工业 AI 实现更加迅速和精准的发展。本次调查共收回有效问卷共 632 份，参与调查的用户覆盖 机 械 制 造、 电 子 制 造、 汽 车 制 造、 食 品 饮 料、 冶 金、电力、石油、化工、新能源等行业，有行业最终用户（占56%）、 系 统 集 成 商（28%） 和 自 动 化 供 应 商（16%），具有典型的样本分布。 【问题 4 解读】 面对新兴的技术趋势，人们常常会产生一种“害怕错过”（FOM，即 Fear Of Missing）的心态，这种心态会促使人们对新技术进行主动关注和研究。 谈到关注 A I 的出发点，28.27% 的受访者认为“A I将成为未来竞争的关键”，27% 的受访者认为“A I 将改变产业，必须有技术储备”。事实上，这两个选项具有类似的含义，它们均是受访者对 A I 技术抱有 FO M 心态的集中体现，这也是目前一种较为普遍的心态。 【问题 1-3 解读】 可 以 看 到， 借 助 于 今 天 信 息 时 代 的 各 种 传 播 方 式，工业界各个领域、各个岗位的从业人员都已经对工业 A I产 生 了 关 注 的 兴 趣， 并 拥 有 了 不 同 程 度 的 了 解。 然 而，真正会使用 A I 工具来进行分析和应用开发的人群仍然比例不高。 与此同时，“从企业自身的技术规划”来聚焦 A I 的受访者占比则相对较低，也揭示了国内业界对待 A I 整体略显被动的心态。能够将 A I 和企业自身技术战略规划相结合，在现阶段尤为难得。 当然我们相信，相对各行各业的社会大众人群而言，工业领域人士深入接触和使用 A I 工具的比例仍然是非常高的，这也让我们看到了工业 AI 未来发展的广阔前景。 【问题 6 解读】 【问题 5 解读】 关于 A I 的应用场景，选择比例最高的“生产调度与排程”实际上是一个约束条件下的效率最优问题。对于复杂产品、长流程生产而言，排程的准确度、精确度以及时间粒度，都决定了生产系统的效率。在大规模生产阶段，这个排程是很容易实现的 ；生产排程在今天变得越来越重要的原因，恰恰在于“产品变化”越来越频繁，生产的柔性要求与日俱增。 目 前， 有 21.94% 受 访 者 的 企 业 已 经 在 部 分 应 用 上对 A I 进行了验证 , 而 A I 进入实际现场应用阶段的受访者所在企业达到了 8.02%。而真正从策略和规划层面出发、组建 AI 团队并制定 AI 路线图的受访者所在企业还仅仅不到 1%。 从这一结果可以看到，A I 目前在工业领域的实际现场应用和规模化应用尚处于初始阶段。在此基础上，结合受访者对 A I 的关注都是属于 FO M 阶段，显示出 A I 在工业的应用在整体上仍属于前期了解阶段，并未进入实质性应用阶段。 位列其后的两个选项——“预测性维护”、“缺陷检测与良率提升”，显然也与工厂对于运行效率和良品率的追求有关，这些仍然是制造业的基准性需求。其它较常见的需求还包括对于人员、能耗以及控制参数进行优化，这些都是企业迫切解决成本效率挑战的体现。 【问题 7 解读】 任何企业投资研发一个技术应用，都会有清晰的回报需求。对 A I 的投资是否有回报，在很多时候尚无法有效评估，这也是 AI 应用被阻碍的原因之一。 同时，企业一旦缺乏 A I 的应用基础，也很难专门为A I 方案进行数据准备，或进行数据治理的规划。“数据治理”本身就是一个随着大数据、信息化、A I 等技术的发展而被关注的话题。显然，大多数企业仍然缺乏对数据治理的基本概念，以及在这方面的专业实践。 【问题 8 解读】 聚 焦 于 人 才、 工 具 平 台 和 数 据 安 全 等 方 面 的 担 忧，同样是 A I 应用的阻碍之一。目前，最为紧俏的人才可能并非负责 AI 编程的技术性人才，而是拥有横向集成能力，从而可以在管理、A I 应用、业务三者之间构建完整关联并制定 AI 战略的管理人才。 从 反 馈 的 第 一 板 块 来 看， 数 据 采 集 的 策 略 和 定 义、合 适 的 算 法 和 模 型 选 择、 数 据 清 洗 与 特 征 提 取 的 难 题，这三个问题都与 A I 的工业应用紧密相关，它们共同构成了解决品质、效率、成本等问题的关键。要解决这些问题，需要工程上的拆分，针对品质、效率、成本建立相应的因果、相关模型。 因此，一旦将 A I 视为企业发展的驱动源或推进器之一， 就 需 要 进 行 有 序、 有 组 织 的 战 略 规 划， 而 非 孤 立、随意地开展 AI 方面的工作。要厘清 AI 该如何发展，还需要引入专业的咨询企业，辅助企业来构建数据治理结构、技术战略与路径，以及业务发展的完整框架。 首先在因果性的机理模型方面，然后是在相关性的数据建模方面，通过两者的结合，我们可以定义出所需的 参 数、 数 据 采 集 的 精 度、 时 间 粒 度、 单 位、 格 式， 以及 选 择 相 应 的 算 法 和 模 型 训 练 数 据 的 基 本 方 法、 流 程。这样，我们才能更好地利用数据来训练和优化模型，使其成为可用于实际推理的可用模型。 语义规范、稳定与可靠、实时性问题是工业 A I 与商业 AI 相比的显著区别点。语义规范是因为在处理“信息”时，如果信息的语义规范标准不统一，处理就会遇到难题。为了解决这个问题，我们可以参考 O P C UA 作为一个广泛被工业应用的语义互操作规范，将其作为与 A I 集成方面的接口。然而，OPC UA 规范的成熟性以及如何构造与其 A I 工具 / 平台间“简单”的接口也是我们需要考虑的问题。 实时性、稳定性是与 A I 构成的应用架构——可持续运行的运行时系统相关。在 AI 应用架构中，从实时的采集、分析、推理构成的工业 A I 闭环中，其架构流程应该是一个自动被构造的过程。控制系统有其自身的运行时系统，那么它与 A I 系统间能否形成匹配的 R u n t i m e 机制？这也是我们需要考虑的问题。 总的来说，要解决这些问题并实现 A I 的工业应用，需要制定规范和标准，建立匹配的接口和规范，并确保系统的实时性和稳定性。这对于大型集团企业来说可能 能来自 I /O）、通信网络的配置、数据的清洗、标定、数据特征的定义、训练模型选择及其参数定义、评估、优化等流程中的“可视化”和“提示”，应该有一个能够自动构造、配置、优化的流程型工具，帮助非 A I 专业工程师进行 AI 的开发。 可行，但对于 A I 企业和自动化企业来说，如何实现更为规范和标准的接口，如何自动构造 A I 应用架构，如何确保其可持续运行等问题仍然需要我们进一步探索和研究。 对于自动化企业来说，可以在其系统配置 AI 的插件，以便与编程平台进行“耦合”，以实现 A I 任务与控制任务 之 间 的 动 态 交 互， 或 者 依 据 人 工 确 认， 构 成 应 用 流。人机结合、机理与数据结合也是工业用户希望达到的应用场景。人机结合的目的是挖掘隐藏在人脑中的“经验”这种非显性知识。人机结合也重视发挥人在方向的直觉性判断、非结构性思考方面的能力，同时结合机器本身的“算力”强项来发挥作用。 与此同时，机理与数据结合也是工业 AI 比较看重的，出于工业对确定性和可解释性的需求，工业机理更能直观、准确地描述机械、电气、工艺之间的相互作用关系。然而，工业机理模型在准度（相关性的方向性）和对关系描述的精确性方面需要不断的迭代，这时候则需要 A I的数据方法来帮助实现这种迭代。这些结合方式是符合AI 在工业应用的实际情况和需求的。 【问题 9 解读】 可以看到，大部分受访者认为，简单易用、适合工业场景的工具是工业所需的 A I 关键点，这是符合常识的判断。毕竟，对于生产制造型企业来说，其核心在于自身的业务或产品和技术，而 A I 作为一种辅助工具，必须能够提供一个易用的平台。否则，会给 AI 的应用带来障碍，因为如果要为企业配置 A I 团队，请一批数据科学、机电工程相关的博士、专家来做这件事情，对大型企业来说可能比较难，更不用说大多数的中小型企业了。 在工业 A I 应用中，对于数据采集的配置和定义（可 【问题 10 解读】 在这个问题中，“对复杂系统问题的拆解与架构能力”在 52.74% 的 反 馈 者 中 得 到 了 认 同， 这 表 明 工 业 领 域 的人员对于工业的基本能力需求具有共识。这种能力实际上是通过长期工程开发、实践形成的解决问题的“套路”，即把复杂的、模糊的、不确定的工业现场问题解析为具有确定的、可被测量和控制的独立问题，然后对其进行模块化的开发、测试验证，再进行重组。拆分模块需要具有独立性和完备性，即能够在编程上形成高内聚、低耦合的模块的能力。 【