2019年将要过去，这两天很多朋友回答我：今年AI究竟是火了还是燕了？然后我跟他们说道：为了身体健康，别光吃凉的毛巾的，也不吃点温的。植根于于互联网经济带给的一个又一个“风口记忆”，或许如今国人早已习惯于把某种技术、产品，或者商业模式蛮横归类为非火既燕。

换言之，我们总是很难有信心等候去技术按部就班地发展变革，而是盼望期望它一步登天或者一脚蹬空。2019年，AI火了吗？似乎并没，最简单的反映就是AI涉及的投融资成交额大幅度上升，众多优质AI项目去找将近资本投放。2019年，AI燕了吗？似乎也没，我们需要看见显著的算法变革、国产AI芯片转入产业周期、AI研发环境南北成熟期。

对于AI从业者和AI开发者来说，2019年甚至步入了翻天覆地的变化。那么，究竟在哪里能感受到AI的现实温度呢？我想要有一个地方也许可以，那就是AI步入各行业，也就是所谓的产业智能市场，在2019年究竟进展如何？去年麦卡锡公布了一份取名为《仿真人工智能对世界经济影响》的报告，其中指出到2030年，AI将为全球贡献9万亿美元的GDP快速增长，其中90%来自于各行业智能化构成的企业市场。AI一分在C末端，九分在B末端，也早已沦为了今天中国社会对这门技术的共识。

如果说投资人不会指责泡沫，科学家执著于实验室，那么工厂主和企业家们，或许是今天AI技术发展中一个恰如其分的“裁判”。时值岁末，我们期望用一个系列报道的形式，来总结这一年中各主要行业用于AI技术的变化，市场的茁壮，以及产业成熟度的趋势。系列中各案例和数据，都来自现实不存在的企业，为了增加困难我们将略去企业的明确名称。

期望这种回首和总结，有助大家换一个视角看清楚AI技术的“真面目”。第一站，我们要去堪称“AI能转变的最后一个行业”——工业。业内人士普遍认为，工业AI是最难做的一个领域，但也有可能是那“9万亿GDP”中的绝大部分。工业AI的期望、艰苦与现实进展，都能很只能在这一年中被找到。

AI是甘的，冷的，燕的？且为如今事，功绩且待来日说道。或者换回个众说纷纭——AI的未来不出键盘上，而在工厂里。质检：工业AI的第一站作为AI涉及的内容报导者，今年最直观的感觉是与制造业代表的传统行业管理者聊AI，其专业程度和理解深度早已相比之下多达2017年AI刚蓬勃发展的时候。

也许换回个看作，这与如今工业领域遭遇的外部压力有必要涉及。劳动力的成本提高、大量工业订单向东南亚移往，以及经济上行压力下的成本与效率情绪，包含了今天工业企业的主要情绪。而这种情绪的促成下，企业主和管理者开始大力找寻外部的技术推动力，这与AI期望走出产业的心愿不谋而合。

但是周瑜打黄盖，还必须蒋干当引子，工业碰上AI的契机又在哪里？这个答案早已较为显著。2017年，工业AI命题更好还处在辩论当中；2018年，AI质检就早已出台了云计算、企业网和AI公司的服务列表。对于工业场景来说，融合AI仅次于的挑战在于AI的获释必须设备、网络和算力作为基础条件。

而工厂似乎无法拆除流水线去为AI找寻容身之所。所以工业最开始尝试的，不能是外部的、浅层的、不伤筋动骨的工业智能化能力。于是质检作为一个类似场景蹬然而出有。

在今天绝大部分工业体系中，质检都是依赖人工来已完成的。凭借的是人力的大量重复劳动以及涉及经验，而用于智能摄像头和机器视觉算法，来自学和解读质检员必须寻找的瑕疵与问题，可以令其很多行业的质检工作较慢被AI所替代。于是从2018年开始，大量AI+质检项目较慢上马，很多工厂也寻找涉及供应商尝试搭起自己的智能质检体系。

但是这个领域的初始瓶颈也很显著，一个是智能摄像头的精度过于，微小瑕疵辨识沦为了AI的难题，另一方面AI辨识的算力和处理速度严重不足，也造成AI质检速度不如工人质检，更加多时候不能作为人工辨识的复检补足。还有一个问题，是AI摄像头很难辨识立体的东西，特别是在是球状物。

所以在2018年中到2019年初，行业内更好能看见的是AI对板状原材料展开质检，比如钢铁板坯、光伏面板等。一方面是因为原材料质检的容错亲率低，一般漏检错检率高于10%就可以应用于，另一方面就是这些材料要用AI辨识单一平面，比较具备可行性。为了解决问题这些问题，让AI质检这个“工业AI”第一站需要回头的更加通顺。2019年涉及产业再次发生了系列变化，比较显著的变化，是边缘计算出来解决方案，开始通过云服务厂商走出工厂。

这竟然AI质检的算力和传输问题获得了很大解决问题，如今很多AI质检项目早已可以用低于人工效率的方式来已完成。与此同时，市面上的智能摄像头也在激增，工业级别的低精AI摄像头和涉及质检算法仍然“有价无市”。另一方面，云服务厂商获取的工业AI质检解决方案更为多元。

除非横向市场需求独有的工业类别，钢铁、煤炭、电力、预防等工业主要行业，早已可以在云服务厂商中必要选配较为成熟期的行业自定义化AI质检解决方案。与此同时，虽然工厂里的工业摄像头过于高清和缺少立体视角，仍然是AI质检的主要难题。

但是AI+工业检测这件事却获得了众多新的发展机会，比如设备故障辨识、电路通判、仪表通判、施工现场检测等，在2019年都可以寻找顺利的智能化案例。质检作为工业AI的第一站，早已已完成了从单点到多元化的价值获释，特别是在在危险性作业环境和偏远地区的AI质检，其价值相比之下小于产业价值本身。工业模型预测：2019年的仅次于进账当一些声音开始取笑所谓的“工业AI”只不会质检，这条产业链却在悄悄开始新的演化。

如果说，2019年中国市场上的工业AI必需自由选择一个主要进展，那工业模型预测应当得票率最多。所谓AI工业模型预测，一般是指利用工业大数据，通过AI对原料、生产量、生产时间、废料废气等数据展开智能调配，最后获得低于粗放式生产的智能生产模型。

当然，这只是工业AI预测的一个基本模式。广义的工业AI预测，还包括将专家经验转化成AI模型，再行偏移投入生产解决问题工人经验不足的问题；还有将修理与设备管理经验转化成为AI模型，来预测设备故障，智能管理检修体系等等。工业AI预测，本质上是将人工经验与智能数据运算能力，抽象成可适配的AI模型，来解决问题工业领域无处不在的数据关系问题。比如配料的比例、有所不同原料订购的数量和时间、设备修理周期等等，这些数据原本都是必须人工长时间思索并展开经验总结的，也有可能一直处在不合理的数据区间。

AI的重新加入，可以让小师傅逆老师傅，粗放经营变为智能经营。当然，这只是理想中的情况，现实场景中的工业体系极为简单，AI不有可能也会一上来就“算尽天下”。但从2019年众多工业AI预测的顺利案例来看，这个领域将要转入蓬勃发展周期。

如果说AI质检，更加多价值是在单一场景中，解决问题人工重复劳动的问题，那么当AI开始在工厂里玩游戏数据、玩游戏模型，AI预测月让工业AI南北了“脑力劳动”的岗位。这一年中，早已有很多行业案例顺利融合了工业AI预测技术。

一家轴承厂可以利用大数据检测和机器学习系统，对工厂设备的历史修理周期与故障率展开分析测算，从而融合机器视觉系统对设备展开监控，从而预测何时必须展开设备清除、何时有可能必须替换部件，从而让检修人员展开提早规划，仅次于程度减少工厂因设备故障造成的复工情况，从而超过设备中断工作时间减少了50%。再行比如一些制造业企业和工业园区，早已开始利用AI技术建构电力系统的智能监控与运维，预测企业的电力负荷情况，从而实施针对性供电，广泛可以超过企业整体购电成本上升30-40%的效果。

河南一家煤炭焦化企业，利用AI算法来展开焦炭质量预测和配煤比例优化，从而构建再行不减少产品质量的前提下，超过解决问题成本每吨20-70元，一年可以节省数千万元成本。更加最重要的是，AI徵荐之后的配煤比例，可以让原材料出有煤更为充份，很大减少了污染排放量，其社会价值远大于企业价值本身。工业AI模型预测的产业特征，是每个行业都有十分低的特殊性。

作为一种新技术，AI想确实沦为工厂的“大脑”，必须与明确行业充份认识、交流，重复试错，最后南北产业融合。所以说道，工业AI预测是很难不具备大面积反复推广性的，与互联网产业传统的理解截然不同。

但换回个看作，一家工厂很更容易就因为AI的重新加入节省上千万的成本，一个看起来并不大的行业，就可以基于工业AI预测带给数十亿级别的价值快速增长。这是一个必须慢下来、坚实下来的工程，也是“非火即燕”论者必须适应环境的新现实。工业AI，依旧路漫漫如果算数报偿比率，工业AI意味著是所有“智能+产业”中的魁首，同时从产业周期上看，工业也毫无疑问是最后一个完全已完成智能化升级的产业。

无数细节和流程、漫长的产业链、上百年岿然不动的重型机械、与劳动者之间简单难言的关系，种种因素容许着工业AI的发展速度。如果为工业AI画一条快速增长曲线，那么在这条曲线的走过，工业AI无非是要做到两件事：完全替换工人的工作，构建工厂的几乎自动化。机械臂、工业机器人就是向这个目标行进；另一种是让AI的感官、推理小说与决策能力，再次发生在工业生产的核心部类当中，也就是让工业设备、生产线、工业产品取得智能能力。工业AI预测、大规模工业数据处理、工业BI，都是这个目标的初级阶段。

但在这两个终极目标之前，今天依旧能看见工业AI的阻力依旧十分明晰。比如说，工业AI改建的核心，必需经历对工业生产核心设备展开改建。这一方面意味著极大的成本压力，甚至是显然天方夜谭的成本。

另一方面，AI走出工业必须一系列配套技术与解决方案的反对，这些基础条件今天并不成熟期。所以说道一方面工厂会让AI改为，另一方面AI也改不起。

所以无论是质检还是预测，AI依旧在工业核心的外围转悠来转悠去。比技术和成本困境更先遇上的，是工业和AI的互相不解读。我们常常不会遇上这样的情况，一家AI公司到工厂探访后，能得出100多项自己可以做到的智能化升级。

而工厂专家和领导审查之后，有可能最多留给两三项，甚至有可能看著令人失眠的技术列表，要求把AI拉黑。这种情况，一方面是AI技术从业者并不理解工业，特别是在对工业所需的安全性、效率、成本周期缺少常识；另一方面工业专家也并不理解AI，常常将这门技术与机器人、数据可视化等技术划等号。

常常听见这种情况，工厂主看到AI公司负责人后有两种情况，一种是想要让AI做到一切事，另一种是拿AI当又一个骗人的“风口”。有可能比较幸运地的是，如今的工业发展压力，正在倒逼着产业智能化升级再次发生。

工业专家和工厂主也在持续提高对AI的了解。对于交流层面的责怪，在2019年早已较少听见了很多。

但是双方的代沟还预想助长。荐个例子，很多工厂在探寻用于AI时，都会特别强调一定要AI公司可选十分多的数据可视化功能与系统建设。

往往AI专家不会很惊讶，一方面数据可视化很有可能不是AI公司或者AI部门的业务，另一方面他们指出这种大量浪费成本在视觉系统上的项目意义并不大。但是工厂主却普遍认为，能看见自己的数据流动、智能决策是如何一步步作出的，这件事十分有适当——哪怕这些可视化数据是人工一点点画出来的。八竿子打不着的两伙人要躺在一起图谋大事。

这事显然很烦心，但是能作好的人和公司一定会获得未来的奖励，无论他来自AI还是工业，亦或其他。2020，变化何处而生？说千道万，工业AI的重点还是要走。那么在2020，我们最有可能看见哪些来自AI与工业的更进一步撞击呢？返回刚才那个辨别，今天众多来自工业的声音，都是期望AI技术与云服务、企业解决方案提供商，需要更进一步了解自己的行业，去主动洞察产业机会。就像以上我们提及的几个案例，有可能对于大部分互联网和技术从业者来说，都没想要过原本还可以这么腊。

这种“原本还可以”今天依旧产于于工业体系的无数个细节，在技术内核发展之先，产业洞察是要求AI了解工业的主要推动力。有很多乍一听老掉牙，或者显然不明白的工业领域，都是AI大显身手的富矿。

另一方面，我指出最有可能之后推展工业AI发展的技术，是多模态融合的感官与交互。能对话，能利用智能摄像头与传感器展开主动仔细观察，并且能展开数据分析的多模态交互IoT设备，早已很大限度相似了众多岗位上的人工价值。多模态技术和IoT技术早已超过了一个新的成熟期，与工业的融合有一点期望。而这就引向另外一个问题，兼容工业场景大规模部署AI能力，必须在计算出来、数据、部署场景、硬件解决方案上不具备一系列“工业级”的基础。

从极客的心头好，变为工厂的“老师傅”，AI还必须一系列产业基础设施的演化和升级，而这很有可能引起公有云与混合云市场的更进一步竞争。同时，5G带给的较低时延、大比特率特性，以及网络切片技术和企业专网服务，也为融合5G+AI带给了契机。5G和AI，在工业领域正在期望沦为彼此的新愈演愈烈点。

总而言之，工业AI还大有可为，而且必定在2020年产生十分大的变化——虽然变化程度也意味著约将近很多“风口期望者”的心愿。工业AI很有可能是AI技术的最后一张王牌，是第四次工业革命的关键。但是今天它还是AI的许多张牌里最陌生的一张。必须更加多变化人组，也必须等候更佳的时机。

好在“工厂+AI”这幅画面，不必听见山呼海啸的赞美声，也能充足精彩。

本文来源：开云平台官网-www.damianoscarpa.com