AI的浪潮不断的冲击着人们的眼球，尤其是ChatGPT带来的巨大变革，以及现今大模型的时代到来，都会使得人们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—究竟AI能够为我们带来哪些改变?但是，对于AI的难题正在于此—换做另一个话题更好，工业究竟需要什么样的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发展思维，问题需要什么样的工具?而不是工具需要什么样的问题。

1).简单易用的AI工具

工业的AI，它需要简单易用—毕竟，工业为了解决问题，即使是发展工具，它也必须与工业本身的机理、编程结合。工业的工程师通常是未经AI训练的，或者即使是来自AI领域的，在开发项目中，也需要比较好用的工具。这包括如何对数据进行预处理、在配置训练方法的友好性，操作界面的易于理解，作为一个工具，如果需要非常复杂的操作话，那就很难被广泛推广。

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

因此，对于工业领域来说，采用嵌入式AI的集成，以及标准与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、计算与控制任务融合、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

因为AI在更多的时候它是一个“黑盒”模式，它不同于机理的白盒—这就存在了“可解释性”问题。也是商业AI在进入工业后，比较难的话题。

机器学习里面可解释性有多种，现在一般实际使用的叫做局部解释，指的是解释单次模型推理的决策依据。比如一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，事后的结果可解释性，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，模型精度会是一个比较重要的问题-超参数问题、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比较小的。比如，时间的偏差、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。在时间粒度上也是如此，对于时间严苛型任务而言，时间在精度上、实时性上，都是比较高要求的。

精简就是模型要小，因为有硬件算力和成本的限制—通常在嵌入式系统运行的模型推理，它本身就不可能用太强的处理器。

4).小样本模型训练

工业里的场景，可能这个问题比较突出，因为，通常机器学习需要较大的样本量，但如果一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。包括质量问题，都是较少的参数可供学习。因此，工业里必须考虑这种场景，采用更多的小样本训练方法，例如对比方法，τ分布样本处理。

5).数据与机理结合

这个对于自动化企业来说，应该是比较擅长的地方。但是，这个需要在软件的接口上达成比较容易实现的交互。

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，分别用于处理如何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。这些主要是解决在数据与机理融合的工程创建、运营、维护上。

核心的数据与机理结合，则是要发挥各自的优势。因为，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系统的优，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，包括时间、成本的收敛方向，会有一定的作用。但是，AI并不直接参与控制，只是作为离线的学习给出更优参数，当然，回到可解释性问题，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，是因为这里有一个重要的背景，即，AI它学习的是什么?

因为AI实际上，除了AI挖掘数据中的潜能，在一些场景里，AI本身也是向人学习的—比如，在胶印机里，通过采样印刷品的品质，数字扫描方式给计算机。然后，计算机同时观测技师如何调节水墨均衡的过程，反馈的参数来学习，究竟如何来改善印刷品质。

这种需求未来也会更多，因为在很多领域如航空航天、半导体领域的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，如何将他们的丰富经验提炼出来，这也同样是产业需要借助AI来解决的问题。

因此，总结来说，工业的AI，需要结合工业本身的特点，在工具的开发、数据连接、处理、特征选择、训练、参数调整、与实时任务接口、云端连接等开发特别聚焦的功能，让用户易用，满足工业特点的AI。