关于工业AI应用与人才培养的调研结果-电子发烧友网

最近有计划要和老师们交流关于产业的AI应用看人才培养话题，觉得有必要做个调研。但是，设计调研问卷同样是一个典型的工程问题：信息的完备性-我们是否对可能的选项进行了穷尽—或者约束为尽可能覆盖大部分关键问题。其次，如何把问题清晰，且拆解为可被清晰理解的选项，并且如何避免选项中的不清晰描述带来理解的偏差。这是很难的，所以拖了一段时间觉得写不了这个问卷。

后来决定还是咨询一下各位专业人士，包括了华中科技大学冰老师、穆海华博士、上海交通大学D老师、海克斯康欧阳先生、C博士、成博士、冯少辉博士等一众朋友的建议和意见。其中，穆海华博士不但给了非常详细的修改，并“批准”最终的调研稿。

截至12月3日14:00共计回收115份参考反馈，采用问卷星客户端进行了问卷的输入、发送。本人并不能看到相关填写人信息-因此，算是纯无记名投票形式。众人参与，众人有权利获得结果，因此，撰文对这个结果进行反馈给大家，并做了些解读。

第1题您的企业在目前实施AI的目的主要在哪方面考虑？

解读

在这个结果中，有一些指向了“AI是未来方向，需预先技术储备”，说明重视AI是一种行为，但也同时说明另一个隐藏的可能，即，并非有显著的需求支撑，而是为了AI而AI的潜在可能。当然，这也并不重要—对于工业场景来说，AI的应用比较零散，一直处于一个初级阶段。

“通过AI提升品质与成本效率“-这应该是真实的AI工业应用需求。在产业中，任何“炫技”是没有意义的，只有带来真实的回报才是AI技术应用的王道。

第2题您的企业目前对于AI的应用主要在哪些场景？

解读：

从目前来看，在工业里，采用机器视觉进行缺陷检测、机器导引（例如为机器人的拣取提供视觉检测）。相对于商业AI的语音、图像、视频、文本而言，工业里可能就视觉的数据比较大，适合AI发挥其野蛮的算力。

至于“生产调度与排程”，有老师质疑是否其采用AI。

第3题目前您的企业在AI的应用方面，主要觉得哪方面的障碍是比较大的？

解读：

其实，在产业的工程技术里，寻找品质或成本问题背后的原因，本身也是一个较为复杂的问题-有时候，这就像在一个不见五指的黑暗世界里的探索。也如C博士所说“AI像是在一团迷雾中探索”的感觉。从与产业用户的交流的确感觉到了“数据表征与特征提取难题”是AI产业应用的第一道关。获得有效的、有价值的数据是关键。但是，究竟什么是“有效”数据，其实，也是需要工程师的“智慧”—就是一种直觉的判断力，AI本身擅长于那些不确定性、无法直接被数学表达的问题。但是，物理的机电、声光、电磁学等还是会给出一些潜在的方向的，或者基于“人机料法环”的大框架给出方向。有了方向，方法就会变得简单。因此，在很多现场人员的反馈，获得有效数据，表征问题，比如缺陷及引发缺陷的原因，潜在的，无法直接测量而采用的间接测量、或者方法，这是第一步的障碍。

当然，这些都是因为缺乏能够将现场与AI结合的人才。

人才本身就是问题，首先，人才的初级需求就是指擅长使用工具来开发代码、进行训练和测试的，而人才的第二个层级，则是基于AI方法与工具与制造过程本身结合的。而第三个层级的人才需求，就是能够掌控项目的，能够对整个目标进行规划，并协调资源，并顺利推动项目达成任务的规划型人才。

第三个在于“AI的可复制性较差，投资回报不高“也是一个重要的原因—当然，AI训练的模型的确很难具有广泛的适用性。不过，有一次冯恩波博士在线谈AI的研讨会提到，引发问题背后的原因如果有10个，那么其中1-2个是关键的因果，而其它则是相关性。相关性也分为高相关与低相关性，从商业意义来说，解决1-2个因果问题并不能形成竞争的胜负手，而在于那些相关性问题—解决高相关性，一个问题，就能带来较大的商业回报。

第4题在AI的工业应用中，您觉得工程师哪方面的能力是至关重要的？

解读：

工程师能力在工业AI应用中，大家仍然把最高的评价给了“对复杂问题的拆解与模块化设计能力“—显然，这符合现实逻辑。即，能力比工具重要，形成一种”以不变应万变“的解决问题的能力，比掌握Python、Java的编程本身重要。而工程师思维就是要”化繁为简“、”解构与重构“。也即，在机理方式还是数据方式解决问题—本身这个工程师思维本身仍然是安身立命之本。

当然，对于工业AI的应用来说，对物理场的理解、AI工具的有效性边界、组合，以及将问题与工具结合的能力。这些肯定是对工程师的能力本身的具体要求。

其实，有朋友反馈，现实中的确需要AI的人才，但是，非常之难，难就在如何将AI与制造现场的场景结合，有所谓的各种神经网络、卷积神经网络、强化学习、ChatGPT…各种热词，但是，他们究竟如何与工业的应用需求结合？这种关联，流程对于大部分自动化类工程师是缺乏的。而计算机类专业也是缺乏现场对象的了解的。这也是工业AI比较难的原因。

第5题您觉得大学自动化类专业在AI方面的教学应该有哪些侧重？

解读：

“对工业对象的建模能力基础“在自动化类AI教学成为侧重，这说明工业界的人仍然认为对对象的特性缺乏理解，是目前工程师缺乏的基础知识。同时，这个基础也被认为是AI应用同样需要掌握和重要的。

当然，如何灵活选择合适的AI算法、对于算法原理、优缺点、差异、组合应该有灵活的介绍。这个对于大学教师的提醒在于，学生可能不需要了解太深的关于具体算法的编写，但对于横向的比较、适用性的洞察，是快速让其选择合适工具和形成思路的关键。而一旦解决在全局层面认知达到了，具体开发过程你可以不用教了—相信他们的聪明。

第6题您觉得工程师在解决工程问题方面的素养有哪些需要提升的？(最多3项）

解读：

这还是再一次说明了分析问题的思路和方法，这个工程经验的重要性。产品思维与用户价值理解，这就是企业的工程师与科研不同在于必须“产品思维”。AI应用同样是，它要达到易用性、模块化可移植、易维护升级等User-friendly的设计、

第7题您的企业在推进AI的工业场景应用中，倾向于采取与谁展开合作？

解读：

显然，企业都愿意与AI类企业合作开发其AI应用。这个可能会是一个潜在的认识问题。可能工业AI的场景，以及投资额，包括纯AI对于现场的认知会是个难题。但，另一方面来说，也代表大家对于自动化专业和企业解决的AI水平缺乏了解，或者不大认同。尽管，我们认为自动化类企业和专业具有解决工业场景AI应用的优势，但就当前认知层面来说，可能专业还需要加强工业AI的人才培养。

另一个问题在于教材的问题，个人阅读了很多相关的教材。基本上都缺乏对工业场景的介绍，以及应用的分析，这说明工业AI本身市场较小，也未得到有效的重视。当然，也可以理解为工业AI的应用太过于碎片、个性化，很难具有可推广性的，写成教材比较稀缺。

但是，从教材开发视角，如何把AI与工业结合，解决产业问题—这类教材的确是极其匮乏的，甚至比人才更匮乏。

第8题最近3-5年，新招入自动化相关专业的学生，他们在您企业的表现是否让你们满意？