王哲 安暉

日本已涌現(xiàn)出一批面向制造業(yè)需求的人工智能企業(yè)，它們多以知識圖譜和深度學習為基礎技術，面向制造業(yè)領域典型應用場景開發(fā)人工智能產品與服務，并已在化解制造業(yè)領域人工智能應用面臨的問題方面積累了一定經驗。我國可以借鑒日本經驗，加強技術供給能力定制和工業(yè)需求特點適配，推動人工智能與制造業(yè)深度融合。

從實踐看，日本企業(yè)注重分場景

部署人工智能技術

從2019日本人工智能展（AI EXPO TOKYO 2019）的情況看，人工智能技術在制造業(yè)的應用集中在設備、生產線、供應鏈等場景，能夠實現(xiàn)生產現(xiàn)場協(xié)作優(yōu)化、產品質量監(jiān)測管理、物流供應能力優(yōu)化;所展現(xiàn)的人工智能與制造業(yè)創(chuàng)新，大多以知識圖譜和深度學習技術為基礎，開發(fā)能夠滿足設備監(jiān)測、質量管理、生產協(xié)作、產能優(yōu)化、生產經營管理、產品全生命周期優(yōu)化等需求的產品或服務。制造業(yè)系統(tǒng)包含設備級、車間級、企業(yè)級、協(xié)同級等層級，其對應的關鍵從實踐看，日本企業(yè)注重分場景

部署人工智能技術

從2019日本人工智能展（AI EXPO TOKYO 2019）的情況看，人工智能技術在制造業(yè)的應用集中在設備、生產線、供應鏈等場景，能夠實現(xiàn)生產現(xiàn)場協(xié)作優(yōu)化、產品質量監(jiān)測管理、物流供應能力優(yōu)化;所展現(xiàn)的人工智能與制造業(yè)創(chuàng)新，大多以知識圖譜和深度學習技術為基礎，開發(fā)能夠滿足設備監(jiān)測、質量管理、生產協(xié)作、產能優(yōu)化、生產經營管理、產品全生命周期優(yōu)化等需求的產品或服務。制造業(yè)系統(tǒng)包含設備級、車間級、企業(yè)級、協(xié)同級等層級，其對應的關鍵技術環(huán)節(jié)和重點應用場景也呈現(xiàn)一定的規(guī)律性分布。

一方面，知識圖譜在處理工業(yè)機理明確、精確度高、關聯(lián)性強的問題上效果良好。例如，NTT推出的生產管理優(yōu)化工具“WinActor”、SOPPRA開發(fā)的供應鏈管理系統(tǒng)“AgentSOPPRA”、 Macnica.ai推出的企業(yè)經營管理優(yōu)化工具“企業(yè)語義網(wǎng)”，均利用知識圖譜技術，優(yōu)化了制造企業(yè)或大型生產組織的生產和管理效率。由此可見，知識圖譜是解決已知工業(yè)機理問題的重要手段，適用于工業(yè)企業(yè)庫存管理、生產成本優(yōu)化、用戶需求管理、供應鏈優(yōu)化等場景。

另一方面，深度學習能提升對工業(yè)機理模糊、計算高度復雜問題的解決能力。例如，伊藤忠株式會社開發(fā)的生產過程模擬軟件“WITNESS”采用深度學習方法，對生產設備運行、工藝參數(shù)等數(shù)據(jù)進行綜合分析，找出最優(yōu)參數(shù)，量化生產指標隨時間的變化，大幅提升運行效率與工業(yè)品質量;富士集團通過收集工業(yè)互聯(lián)網(wǎng)和傳感器等數(shù)據(jù)，利用深度學習算法，挖掘更深層次隱藏結構與特征的抽象關系，精準識別工業(yè)質量指標，打破傳統(tǒng)機器學習模型的泛化能力界限，實現(xiàn)對物體的分析和識別;AI Hayabusa幫助中小制造業(yè)企業(yè)在生產線上安裝人工智能檢測系統(tǒng)及鏡面檢測機器人，通過深度學習算法擬合設備運行復雜非線性關系，提升設備故障預測準確率，減少設備故障率，降低損耗成本。從日本企業(yè)的實踐中可以發(fā)現(xiàn)，深度學習適用于工業(yè)品復雜缺陷質量檢測、設備微小故障的檢測和預測性維護、設備自執(zhí)行、不規(guī)則物體分揀、制造工藝優(yōu)化、流水線指標軟測量等場景。

從供需匹配看，技術定制化是發(fā)展“AI+制造”的關鍵

知識圖譜和深度學習是兩大主要技術抓手。制造業(yè)領域發(fā)展人工智能有“一強一弱”兩方面的現(xiàn)實約束。“一強”指制造業(yè)各環(huán)節(jié)具有專業(yè)性強、關聯(lián)性強、流程性強、時序性強等特點，對制造工藝精確度的要求高、約束性強，需要嚴謹、可控、透明的系統(tǒng)科學加以支撐;“一弱”指工業(yè)領域的數(shù)據(jù)輸入有限，工業(yè)數(shù)據(jù)處理過程參數(shù)量大，工業(yè)機理隱匿。從日本實踐來看，知識圖譜基于專家系統(tǒng)和認知科學，適用于機理明確但影響因素繁雜的場景;深度學習基于數(shù)據(jù)科學和深度神經網(wǎng)絡算法架構的新突破，多用于解決復雜度高、機理未知的難題。知識圖譜和深度學習技術從不同維度提升了生產效率，降低了生產成本。

為不同場景量身定制部署方式是應用發(fā)展路徑。不同制造業(yè)場景產生的計算難度和影響因素數(shù)量不同，人工智能技術規(guī)律也有差別。從2019日本人工智能展中日本企業(yè)的實踐來看，設備級和車間級工業(yè)問題的影響因素通常相對較少，但工業(yè)機理復雜程度較高、計算難度較大，適合利用深度學習方法提升對未知機理工業(yè)問題的解決能力;企業(yè)級和協(xié)同級工業(yè)問題通常響因素繁多但工業(yè)機理相對明確，適合應用知識圖譜技術路線提升解決問題的效率。

從啟示看，我國應從兩方面深化人工智能與制造業(yè)融合

配合工業(yè)需求提供定制化的深度學習技術能力。制造業(yè)場景對嚴謹可控、快速反應、場景適配的要求高，應從三個方面深化深度學習在制造業(yè)中的應用。一是計算芯片方面，應推動能耗比低、處理性能高、實時性強的AI芯片應用于制造業(yè)領域，提升設備的端側推理能力。二是算法框架方面，應加強定制化端側專用算法框架研制，提升生產終端設備的實時反饋能力。三是計算可靠性方面，需要著力推動深度學習算法的透明化、可解釋化研究，打破算法的技術黑箱，推動其在制造業(yè)中實現(xiàn)更廣泛應用。

構建規(guī)范化的知識圖譜通用技術體系。我國可以借鑒日本經驗，按照不同應用場景的現(xiàn)實需求，建立包括知識建模、知識抽取、知識融合、知識存儲和知識計算等在內的規(guī)范化的知識圖譜部署策略、標準體系和建模方法，推動知識圖譜技術在制造業(yè)領域的應用走向通用化、體系化、成熟化。