工业智能落地推进存在哪些问题？

近一年来，以ChatGPT为代表的大模型技术引发通用人工智能新一轮发展热潮，成为改变世界竞争格局的重要力量。围绕人工智能治理的议题探讨显著增多，全球人工智能治理体系加速构建。与此同时，人工智能加速向各产业渗透，已成为促进新兴产业与传统产业、技术与社会跨界融合发展不可忽视的动力。

伴随第四次工业革命以及工业数字化、网络化、智能化发展的大浪潮，工业制造业持续深化探索人工智能融合创新及应用：深度学习、大模型等技术创新、组合赋能和工程化落地不断加速；产业爆发期临近，老玩家不断推陈出新、新玩家入局积极活跃；一批新应用场景涌现，并不断向研发、生产等核心环节渗透赋能，在更大范围内发挥更核心的作用。

工业互联网产业联盟组织产业界系统梳理了相关内容，展开工业智能系列科普活动。

Q1 问 工业智能落地推进存在哪些问题？

从企业应用实践来看，工业智能发展还面临很多切实问题与困难。

一是工业 AI技术方案实施的资金及人力投入大，企业难以负担成本。

二是深度学习的可解释性不强。深度学习这种“联结主义”算法本质是一个端到端的黑箱系统，模型很难对推理结果做出解释，导致归因溯源、异常排查等变得十分困难限制核心环节或直接决策应用。

三是模型无法满足现场计算更新实时性的需求，部分高节拍的生产流程对工业智能模型的推理及参数更新效率提出较高要求，边缘设备算力有限，未经优化裁剪的原始模型往往无法满足。

四是适合训练的样本数量不足，深度学习模型性能在相当程度上取决于有效数据量的多少但工业普遍存在样本数据获取困难和高质量标注等问题，小样本下的学习建模成为常态。

五是硬件适配不足，工业领域的芯片终端等硬件种类多，软件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。

六是模型与方案复制推广难。行业、产品、一艺等维度的差异性，导致工业 AI面对的场景及其需求差异化较大，任务多样性明显，不同行业1产品工艺的需要重新建模、训练、部署。

七是作业环境恶劣加剧型落地应用难度。工业生产环境经常面临高温、高压、湿度大等极端物理情况，同时光照不均、高强度振动等因素也极大影响模型的使用效果。

八是应用开发周期慢，当前还无法摆脱人工调参、模型训练的模式，应用开发/维护需要算法工程师深度参与。

九是数据模型的安全与知识产权问题有待解决。工业部分智能化场景存在数据集共建、数据流通共享及模型应用共建的需求，但当前面临企业顾虑多、技术还不成熟、法规尚未健全等问题。

Q2 问 上述困难与问题的本质原因是什么？

导致上述困难与问题的本质原因可归结为三大方面:一是关键融合技术尚未突破，主要指以深度学习为核心的AI算法及软硬件配套技术在可解释性、实时性、数据可用性、易用性与适配性四方面还没有实现突破性进展;二是应用场景缺乏进一步识别，需要进行高价值高需求场景或可复制推广场景的梳理及遴选。三是产业生态与保障机制还不完善，主要是数据共建共享机制、模型知识所属权界定等问题

审核编辑：刘清