信通观察丨关于工业智能发展情况和应用场景的研究与建议

摘要：工业智能经历了萌芽期、渗透期和发展期三个阶段，实现了从以规则为基础的专家系统时代、基于统计的机器学习时代到基于复杂计算的深度学习时代的逐步发展。随着工业智能核心赋能技术与工程化关键技术的创新使能，制造业逐步成为工业智能的关键应用方向。

01

工业智能的概念

工业智能是指将人工智能技术与工业各环节深化融合，贯穿于工业领域各环节，实现模仿或超越人类感知、学习、决策和分析等能力的技术、方法及应用系统。工业智能具有三大特点：一是聚焦于工业领域，二是以人工智能为基础，三是具有自感知、自学习、自执行、自决策、自适应等智能特征。工业智能的本质是通过人工智能与工业场景、机理等结合，实现资源配置优化、智能决策、工艺生产系统优化等创新应用，最终达到提升企业问题解决能力、优化生产效率和提高设备产品性能等目的。

02

工业智能发展的背景

当前，新一轮科技产业变革逐步兴起，以人工智能为核心的数据技术已深度融入社会发展的各个领域，对传统的产业形态、商业模式产生了重要影响。一是工业智能拥有巨大的市场潜力推动市场持续走高。工业智能赋能工业制造领域的潜力大，增速动能强劲，获得了部分国家和领先工业企业的认可。工业智能的应用场景不断拓宽，随着产业界的实践锤炼，其部分应用场景得到了广泛认同。二是技术进展逐步同步。工业智能是人工智能技术在工业领域的融合延伸，以深度学习为创新主线，突破了关键技术落地应用的限制。此外，人工智能技术与工业领域融合的时间周期不断缩短。目前，以深度学习为代表的新技术在通用领域的应用不足4年便已经产生了工业领域探索实例。三是人工智能技术体系逐步完善。技术的纵向和横向升级推动工业智能的落地应用和行业应用。以算法、新型传感器、网络工程技术为代表的软硬件技术的发展，为工业智能解决复杂问题、实现工业大数据采集的时效性和可靠性提供了根本保障。四是人工智能应用的溢出效应加速了泛在化人工智能产业体系的形成。制造业是工业智能运用落地最具潜力的领域，工业智能与制造业的融合发展是推动实体经济蓬勃发展的重要抓手，是实现制造业数字化、智能化转型的根本推动力。

目前，工业智能仍处于探索阶段，工业智能在关键技术、应用场景和产业生态和保障机制方面仍存在一系列问题，还需积极探索。

03

工业智能发展的意义

（一）工业智能是制造业智能化转型的重要路径

人工智能通过与制造业相融合，助力制造业解决痛点需求，主要形成智能化、数字化、服务化等应用模式，为制造业提供了数据驱动优化与决策、知识图谱、新兴算法等技术支撑；促进各类资源的合理配置和产业链协通，助力制造业催生新业态、新模型和新产品；形成数字孪生系统等新场景，推动制造业数字化转型。同时增强制造企业的工业数据洞察和分析能力，以解决工业中机理或经验复杂问题。

（二）工业智能是完善工业数据闭环的关键技术

工业智能以全面感知、深度集成和高效处理为基础，形成机器或系统自主建模、决策、反馈的模型，为工业互联网实现智能决策和动态优化提供了技术支撑。工业智能实现了从数据到信息、知识、决策的转化，深入挖掘了数据背后的意义，为决策支持和协调优化提供了量化依据，实现工业数据最大化价值，支撑工业数据闭环完善。

（三）工业智能是推动工业互联网概念落地的重要触点

工业智能技术的不断创新突破，拓展和丰富了工业互联网的能力边界与作用。一是以算法技术、应用技术为代表的工业智能技术更好地支撑了工业智能落地推广，从根本上提高了工业智能解决复杂问题地能力。二是针对特定工业场景的定制化芯片、新型算法与机器学习等技术不断创新突破。三是工业智能技术与工业领域融合延伸，与行业发展的实际需求相衔接。工业智能技术逐步向工业领域知识依赖演进，实现了推理能力的协同。以深度学习为核心持续开展创新挖潜，在降低应用开发门槛的同时，提高了解决复杂的工业系统管控问题的能力，增强了行业应用赋能的价值与潜力。

04

工业智能国内外发展情况

（一）国外发展情况

工业智能成为了主要发达国家和地区的战略决策重点之一，推动工业智能技术持续更新迭代成为全球共识。美国将工业智能纳入关键与新兴技术国家战略，基于信息技术领先优势，高度重视工业智能、先进制造业等领域，旨在通过发展工业智能抢占市场先机，主导未来产业；英国发布了《英国工业2050战略》和《国家人工智能战略》，重点提及智能制造和规划人工智能系统，支持向人工智能经济转型、确保英国对人工智能技术进行国家和国际治理三大目标；欧盟发布《2030数字罗盘：欧洲数字十年之路》，将工业智能纳入2030年数字罗盘战略，提出了在2030年实现75%的欧盟企业以上使用云计算服务、大数据和人工智能的目标；日本公布《AI战略2021》，是日本首个关于人工智能的战略文件，提出了构建“AI研究开发网络”的目标；韩国发布《基于数字的产业创新发展战略》，重点推动工业智能在各行业的应用，从而实现产品设计与研发、制造工艺创新、新型智能化产品与新概念服务等。

（二）我国工业智能发展情况

我国积极把握新一轮科技产业变革的机遇，高度重视工业智能的发展，相继颁布了推动工业智能发展的政策文件。2022年在《政府工作报告》中提到要加快发展工业互联网，重点发展集成电路、人工智能等数字产业，提升关键软硬件技术创新和供给能力。2020年12月，工信部发布《工业互联网创新发展行动计划（2021-2023年）》，鼓励工业企业综合运用人工智能等技术，发展智能化制造，提升各要素智能化水平，实现全流程动态优化和精准决策。2021年11月，工信部发布《“十四五”信息化和工业化深度融合发展规划》，深化人工智能和工业融合应用，通过全面感知、实时分析、科学决策和精准执行，提升生产效率、产品质量和安全水平。2021年12月，工信部发布《“十四五”智能制造发展规划》，提出加快研发人工智能在工业领域的适用性技术，推动人工智能等新技术在制造环节的深度应用，探索形成“人工智能+”智能场景。

中国人工智能产业获得蓬勃发展，截至2022年底，我国人工智能核心产业规模已经超过4000亿元，企业数量接近4000家，智能芯片、开源框架等关键核心技术取得重要突破，智能传感器、智能网联汽车等标志性产品创新能力持续提升，智能化信息基础设施加快布局。

05

工业智能的系统应用框架与技术架构

（一）系统应用框架

工业智能是人工智能、工业互联网等新一代信息技术的集合体，促进工业生产运行更加智能化、高效、节能与环保，其应用前景十分广阔。工业智能涵盖供应链、生产和销售等环节，涉及内容包括：员工素质与配置、设备情况、车间厂房环境、匹配的物料以及能源消耗等生产基本要素；制造工艺、专业化生产管理、物流调度系统、能效和环保的要求等生产过程要素；在生产过程要素中采集的工业大数据，通过工业智能技术对工业各环节进行智能管理，其中的关键技术包括工业智能的深度学习基础技术、知识图谱技术和相应的应用技术变革等，最后应用到制造业具体场景中，实现智能制造。

目前工业智能未能形成市场和产品链的整体应用，只是在个别环节和技术上有些相关的成功探索，主要包括智能在线检测、设备故障诊断与运行检测、智能决策、智能仓储、人机协作、需求预测与供应链优化等。

（二）关键技术框架

工业智能技术包含深度学习和知识图谱两大方向，具体包含工业智能两大技术本身的适配性以及与工业机理和工业场景节后产生的应用技术变革。

1.深度学习基础性技术

深度学习基础性技术由底层至上主要包含芯片、编译器、计算机框架和算法四方面。

一是工业定制化的AI芯片才能满足工业需求。由于工业领域的复杂计算导致对数据处理能力和对工业终端计算实时性有极高要求，对专业高端芯片需求更为急迫。

二是FGPA半定制化芯片与工业机器人的结合是未来主要趋势。FGPA半定制化芯片主要是为了解决了深度学习在工业领域的算力和实时性需求，相比CPU、GPU、ASIC，FGPA都具有相对优势。目前，FGPA已逐步融入机器人操作系统中，为机器人的应用和普及奠定了基础。

三是兼容性编译器能满足复杂的工业需求。目前，通用编译器虽发展已久，但仍未形成统一的中间表示层标准，模型底层表示，存储及计算优化等方面同样更是如此。兼容性编译器能够不断拓展框架支持种类，解决工业领域中存在的可移植性和适配性问题。

四是工业智能框架是上承差异化工业应用、下接多样化工业硬件的关键。目前，TensorFlow、PyTorch成为国内工业领域应用范围较广的工业智能框架。通过不断完善工业端硬件适配，实行定向适配，根据不同的硬件类型进行属性优化，保证端侧模型部署与推理速度。TFRT通过提供统一、可扩展的基础架构层，支持 ML模型在不同硬件上构建和部署，提升生产环境中模型训练与维护性能。

五是场景定制化深度学习算法能解决工业可靠性和可解释性需求。目前深度学习、知识图谱、生成对抗网络等技术创新应用大多处于理论层面，且主要运用于低危、辅助等工业化场景中，面对新技术的实际落地推广和工业机理知识解释还需工业场景定制的深度学习算法。

2.相应的应用技术变革

一是质量检测技术。质量检测复杂程度和要求不断加大，深度学习发挥着重要作用，在各类的检测场景中，已探索出成熟的技术方案，深度学习在解决问题的复杂度中发挥着重要作用，与其他技术融合成为未来处理复合型难题的的主要手段。

二是故障建模技术。技术演进分为机理模型发挥主导作用、数理统计模型发挥主导作用和深度网络模型发挥主导模型三个阶段，随着不同阶段的推进，深度学习技术重要度与设备故障预测效果也在不断推进。

三是人机协作技术。深度学习赋能机器人拥有复杂的功能，能够进行语音图像识别和环境识别，不断增强机器人的学习能力，提升、控制人机交互水平和解决关键问题的能力。

3.知识图谱技术体系

知识图谱以规范化和算法为核心，构建工业领域的知识体系解决问题。一是知识图谱体系在工业领域具有通用性。依托于知识建模、抽取、融合、存储和推理五大环节，知识图谱体系发展较为成熟，为其在工业领域的通用奠定了基础。二是统一的行业标准体系。在用途方面，工业知识图谱主要有行业知识图谱和业务知识图谱两大板块。行业知识图以行业内的查询检索为主，要求具备行业通用性，行业技术体系的规范化标准化是知识图谱的构建基础。业务知识图谱主要围绕某类具体的工业问题，应用成本是关键问题，不具备通用性，高效建模是解决成本问题的关键方法。

06

制造业企业的应用场景和路径

工业智能是提升制造业整体竞争力的核心支撑，智能制造成为制造业转型升级的重要转型方向。目前，工业智能在制造业企业的主要应用场景如下：

（一）智能检测

基于自主判断、机器视觉、语音识别、图象识别和定位相关缺陷等智能手段，打造智能在线检测模式，提升产品的优良率。重庆英业达通过利用人工智能视觉硬件组件的设计搭建和图像识别算法开发，可实现对产品外观质量快速、准确的智能化检测。

（二）人机协同作业

基于对人类行为、语音和图像的复杂分析，进行机器人动力学建模、外界交互环境建模，机器人动力学建模、外界交互环境建模，提升控制人机交互水平。重庆华峰氨纶车间现场工人及系统控制人员负责人和智能生产设备之间的匹配和个别异常数据查看调整，通过人机交互界面，了解智能设备工作情况，实现工人和装备的衔接。在后台系统中，通过前端数据采集，能实时反馈各生产物料的存量、需求、在制品等数据。

（三）设备监测与故障维护

通过构建以设备运行/故障记录为核心，涵盖视觉图像、生产过程等各类数据的综合图谱，辅助处理质量管理、设备状态维护等一线问题。提取、组织和关联生产制造环境中的结构化和非结构化数据，基于知识图谱技术，构建领域知识模型，将碎片化知识变为支撑决策的依据，提升制造过程质量管理与设备状态维护效率。

（四）需求预测和供应链优化

基于知识图谱和深度学习，通过语义关联提升知识获取效率，建立精准的需求预测模型，实现企业的订单、维护、原料需求预测，做出以需求导向的决策。同时，通过深度挖掘企业外部信息，制定库存策略，进行上游供应商评估，优化供应链。

（五）智能决策

智能决策是人工智能和决策支持相结合，利用专家系统技术，使决策系统能够充分吸纳人类的知识。如重庆蓝黛动力传动机械股份有限公司使用机器学习算法，开发出针对设备运行效率、工业改进等应用的大数据决策支持模型和算法，开发出了设备监控与大数据分析系统软件，为车间、工厂智能化运行、管理提供决策支持。

（六）智能仓储

通过AI、射频识别、智能传感与仓储设备，仓储管控系统的融合，实现仓储的智能化管理，并在仓储过程中实现可视化管路和自适应优化。华邦制药全流程数字化工厂，在车间布局、生产全过程控制、仓储管理、设备互联等场景实现数字技术的在线应用。

（七）设备或制造工艺优化

设备或制造工艺优化主要是运用 GAs、CNN 等机器学习算法，优化和解释工艺参数与产品质量的关系，从众多工艺参数及组合中寻找最优的工艺参数集。从而能够提升生产效率，减少生产消耗和提高产品质量。

（八）风险管控

基于知识谱图的构建，通过企业语义关联提升知识获取效率，提供定制化知识服务，对供应链风险进行有效管控。在融资风险中，依靠知识图谱将各个对象进行关联和分析，打破信息孤立状态，识别融资过程中不可预见的风险，从而提高融资风险预测的准确率和便于进行有效管控。

（九）生产/制造管理

在缺陷监测/质量控制方面，运用ML算法处理传感器探测/捕获到的各类信号，进行异常信号识别、缺陷分类及缺陷追踪定位。在制造规划方面，利用ML技术预测产品的可制造性，辅助增材制造规划，提高成品率。

07

工业智能应用过程中存在的问题

（一）硬件的适配不足，应用开发周期慢

目前，工业领域的芯片终端等硬件种类多，现有计算机框架往往很难跟上工业芯片的发展，从而导致底层芯片和软件框架的不适配。目前仍然以人工调参、模型训练的模式为主，在应用开发/维护阶段仍离不开算法工程师的深度参与，从而增加了应用的开发周期。

（二）模型无法满足实时性需求

在特定的工业场景中，由于计算量大，计算复杂，模型无法满足现场计算更新实时性的需求。特别是在部分高节拍的生产流程过程中，对工业智能模型的推理及参数更新效率有相对较高的要求，但由于边缘设备算力有限，未经优化的原始模型往往无法满足其要求。

（三）深度学习的解释性不强

以深度学习为代表的“联结主义”算法是一个端到端的黑箱系统，模型对推理结果的解释效果较差，不能提供明确的原理解释。导致追本溯源、异常排查等变得十分困难，限制了核心环节和直接决策的应用。特别是在某些行业中，若希望通过数据技术解决面临的复杂问题时，那就需要对推理结果和背后机理做出明确的解释。

（四）模型与方案复制推广难，应用成本高

由于不同行业、不同产品、相关工艺等维度的差异性较大，算法模型与应用方法的复制推广存在一定的难度，导致工业智能面对的差异化的场景及其需求时，任务多样性明显增强，在不同行业、产品以及工艺中需要重新建模、训练和部署。同时由于工业智能技术投入的人力、物力较大，导致企业难以负担其应用成本。

（五）产业生态与保障机制亟需完善

工业智能在场景应用中存在这数据共建共享，模型应用共建等需求，但由于企业之间竞争较大，企业顾虑多，且面临着共享技术还不成熟，法规尚未健全等问题。除此之外，还存在产业化问题突出，未能实现产品指标的标准化和统一化。

08

推动工业智能发展建议

人工智能正逐步深入到经济社会生活的各个领域，重庆需抓住人工智能与制造业融合发展变革的关键时点与历史性机遇，政府、企业和高校形成合力，积极推动人工智能与工业制造的融合创新，提升关键技术和产品的创新和应用，创新应用模式，推动产业链整体创新突破、价值链向高端水平跃升。

（一）夯实重庆工业智能产业发展保障

一是加大政策扶持力度。积极实行新建智能化项目享受智能化技改项目优惠政策。对新建项目，从源头上引导企业在工艺流程、装备购置上实施智能化高端建设，实行优先要素供给政策。对原有老企业，以智能化改革为抓手，通过正向激励、反向倒逼，引导企业开展智能化改造数字化转型。二是积极布局和完善重庆新型网络基础设施。积极践行国家相关政策，推动大数据、区块链、物联网、云计算等新型网络基础设施建设，在强化重庆主城新型网络基础设施的同时，统筹兼顾，布局重庆主城以外的新型网络基建，完善整个重庆的新型网络基础设施。三是搭建好服务平台。聚焦工业智能服务领域，培育和引进一批适应本地需求的工业智能服务平台，为工业企业智能制造提供智力支持。同时建立重庆市工业智能专项基金，积极引进社会资金注入其中，支撑技术攻关，为工业智能实现技术研发创新提供资金支持。

（二）加快数字化智能化融合培育新标杆

一是树立标杆应用。积极引导行业头部企业与互联网企业合力打造解决方案，打造一批行业工业人工智能标杆应用。同时培育新增一批重庆市级、区县级示范智能工厂、智能车间，引领、带动和整体促进全市产业智能化生产水平。二是建立智能化改造企业“培育库”。组织专家团队开展智能化诊断服务，“一企一策”制定智能化改造实施方案。充分运用物联网、大数据、5G网络赋能企业智能化改造，降低企业云上门槛。

（三）推动工业智能关键技术突破

一是推进工业智能关键技术研发突破。围绕工业智能的算法、硬件与系统，推动汽车、电子、装备、医疗、材料、消费品等行业龙头企业与科研院所加快关键技术突破。二是鼓励创新技术的成果转化。围绕工业智能技术的创新性要求，加强适配性芯片、框架、算法及产品的协调研发与实验测试，拓宽工业智能在制造业各环节的深入应用，推动重庆智能制造的发展。三是组建联合研发中心和孵化器、加速器等各类创新平台。积极组建工业智能联合研发中心，鼓励和支持企业与高校、院所对接合作，实现关键技术创新发展，有效提升企业核心竞争力。

（四）加强工业智能相关领域人才培养

一是智能化人才培养。坚持产业需求为指引，鼓励制造业企业与智能领域相关高等院校、科研院所共建实验室、研究院或实训基地，培养高素质应用型、复合型、创新型智能化领域技术技能人才，优化工业智能人才体系。二是加强专业领域人才引进。依托“重庆英才计划”、“鸿雁计划”等平台，加大政策协调和支持力度，围绕工业智能核心技术创新，集聚一批高层次人才，全面增强重庆工业智能发展源动力。三是积极开展人才培训活动。面向全市工业领域，组织行业专家学者、龙头企业信息部门负责人等，通过线上分享、现场调研等方式打造工业智能专题系列培训活动。

声明：本文由中国信通院西部分院原创发布，转载请注明出处。

校 审丨刘彦鹏

编 辑丨刘 洁

作 者丨徐嘉良

01

02

03

04

国家高端专业智库产业创新发展平台