工業智能落地推進存在哪些問題？

近一年來，以ChatGPT為代表的大模型技術引發通用人工智能新一輪發展熱潮，成為改變世界競爭格局的重要力量。圍繞人工智能治理的議題探討顯著增多，全球人工智能治理體系加速構建。與此同時，人工智能加速向各產業滲透，已成為促進新興產業與傳統產業、技術與社會跨界融合發展不可忽視的動力。

伴隨第四次工業革命以及工業數字化、網絡化、智能化發展的大浪潮，工業制造業持續深化探索人工智能融合創新及應用：深度學習、大模型等技術創新、組合賦能和工程化落地不斷加速；產業爆發期臨近，老玩家不斷推陳出新、新玩家入局積極活躍；一批新應用場景涌現，并不斷向研發、生產等核心環節滲透賦能，在更大范圍內發揮更核心的作用。

工業互聯網產業聯盟組織產業界系統梳理了相關內容，展開工業智能系列科普活動。

Q1 問 工業智能落地推進存在哪些問題？

從企業應用實踐來看，工業智能發展還面臨很多切實問題與困難。

一是工業 AI技術方案實施的資金及人力投入大，企業難以負擔成本。

二是深度學習的可解釋性不強。深度學習這種“聯結主義”算法本質是一個端到端的黑箱系統，模型很難對推理結果做出解釋，導致歸因溯源、異常排查等變得十分困難限制核心環節或直接決策應用。

三是模型無法滿足現場計算更新實時性的需求，部分高節拍的生產流程對工業智能模型的推理及參數更新效率提出較高要求，邊緣設備算力有限，未經優化裁剪的原始模型往往無法滿足。

四是適合訓練的樣本數量不足，深度學習模型性能在相當程度上取決于有效數據量的多少但工業普遍存在樣本數據獲取困難和高質量標注等問題，小樣本下的學習建模成為常態。

五是硬件適配不足，工業領域的芯片終端等硬件種類多，軟件框架往往很難跟上工業芯片的發展從而導致底層芯片和軟件框架的不適配。

六是模型與方案復制推廣難。行業、產品、一藝等維度的差異性，導致工業 AI面對的場景及其需求差異化較大，任務多樣性明顯，不同行業1產品工藝的需要重新建模、訓練、部署。

七是作業環境惡劣加劇型落地應用難度。工業生產環境經常面臨高溫、高壓、濕度大等極端物理情況，同時光照不均、高強度振動等因素也極大影響模型的使用效果。

八是應用開發周期慢，當前還無法擺脫人工調參、模型訓練的模式，應用開發/維護需要算法工程師深度參與。

九是數據模型的安全與知識產權問題有待解決。工業部分智能化場景存在數據集共建、數據流通共享及模型應用共建的需求，但當前面臨企業顧慮多、技術還不成熟、法規尚未健全等問題。

Q2 問 上述困難與問題的本質原因是什么？

導致上述困難與問題的本質原因可歸結為三大方面:一是關鍵融合技術尚未突破，主要指以深度學習為核心的AI算法及軟硬件配套技術在可解釋性、實時性、數據可用性、易用性與適配性四方面還沒有實現突破性進展;二是應用場景缺乏進一步識別，需要進行高價值高需求場景或可復制推廣場景的梳理及遴選。三是產業生態與保障機制還不完善，主要是數據共建共享機制、模型知識所屬權界定等問題

審核編輯：劉清