1、前 言前 言工業互聯網產業聯盟公眾號牽頭編寫單位：中國信息通信研究院當前，人工智能加速向各產業滲透，已經成為促進新興產業與傳統產業、技術與社會跨界融合發展不可忽視的動力。伴隨第四次工業革命以及工業數字化、網絡化、智能化發展的大浪潮，在過去的兩年中，工業制造業持續深化探索人工智能融合創新及應用：深度學習、知識圖譜等技術創新、組合賦能和工程化落地不斷加速；產業爆發期臨近，老玩家不斷推陳出新、新玩家入局積極活躍；一批新應用場景涌現，并不斷向研發、生產等核心環節滲透賦能，在更大范圍內發揮更核心的作用。在“十四五”開端，全面梳理工業智能的最新進展與發展態勢，為產業界進一步探索提出有效指引參與編寫單位：百

2、度在線網絡技術（北京）有限公司凌云光技術股份有限公司中國科學院自動化研究所中國寶武鋼鐵集團有限公司阿里云研究中心華為技術有限公司海爾工業智能研究院深圳鯤云信息科技有限公司樹根互聯股份有限公司?？低晹底旨夹g股份有限公司中國電信研究院安徽海螺集團有限責任公司西門子（中國）有限公司新希望集團有限公司杉樹科技（北京）有限公司SAP（思愛普）中國IBM（國際商業機器公司）PTC（美國參數技術公司）ANSYS長飛光纖光纜股份有限公司北京曠視科技有限公司河北工業大學騰訊科技（深圳）有限公司，具有重要的意義。在此形勢下，工業互聯網產業聯盟組織編寫了工業智能白皮書（2022），從體系內涵、技術、應用和產業等維

3、度進行了闡述。體系方面體系方面，對目前工業智能面臨的問題進行了總結，提出了涵蓋三個視角的工業智能發展體系。技術方技術方面面，梳理了工業智能技術發展現狀，圍繞核心賦能技術創新與工程化突破兩個技術發展路徑進行深入分析。產業方面產業方面，梳理工業智能產業現狀與發展趨勢，對支撐工業賦能的核心技術產品進行分析。應用方面，總結工業智能應用發展的歷程，從應用場景、國內外應用與行業應用三個角度開展細化分析?？傮w來說，白皮書從技術、產業及應用三方面對工業智能的最新發展現狀進行深入研究，并在一定程度上對未來創新變革方向有所預見，以期與業界共享成果。但由于工業智能本身較為復雜，我們的認識存在一定局限性，不足之處還白

4、皮書編寫組成員：劉默、韋莎、李亞寧、王海萍、黃鋒、關越、金剛、張勇、金煜鳴、彭斌、白熹微、劉承寶、龔敬群、汪鴻濤、叢洋、于琦、鄭旭東、陳淳、文博武、王玥、詹鍇、張弛、項超、郭玉龍、汪陽、王濤、楊帆、丁平、許永碩、程海旭、任志宏、郎燕、施戰備、段海波、胡成國、何幼林、徐亞軍、劉晶、李南以下單位提供了相關案例等支撐，在此一并表示感謝：無錫雪浪數制科技有限公司、浪潮集團有限公司望指正。聲 明本報告所載的材料和信息，包括但不限于文本、圖片、數據、觀點、建議，不構成法律建議，也不應替代律師意見。本報告所有材料或內容的知識產權歸工業互聯網產業聯盟所有（注明是引自其他方的內容除外），并受法律保護。如需轉載，

5、需聯系本聯盟并獲得授權許可。未經授權許可，任何人不得將報告的全部或部分內容以發布、轉載、匯編、轉讓、出售等方式使用，不得將報告的全部或部分內容通過網絡方式傳播，不得在任何公開場合使用報告內相關描述及相關數據圖表。違反上述聲明者，本聯盟將追究其相關法律責任。工業互聯網產業聯盟聯系電話：010-62305887郵箱：目 錄一、工業智能發展背景.1（一）工業智能化水平不斷提升，激活發展新動能.1（二）與通用領域 AI 相比，技術進展逐步同步、產業錯位現象更加凸顯.2（三）落地推進仍存在一系列問題.4（四）工業智能創新發展的體系框架.6二、工業智能技術進展與趨勢.8（一）演進規律與現狀：四個發展階段逐

6、步清晰，當前新技術應用不及預期.9（二）趨勢一：面向更復雜問題更高性能需求的核心賦能技術創新.11（三）趨勢二：面向工業部署落地的工程化突破.16三、工業智能產業發展現狀及趨勢.22（一）跨界合作：圍繞 AI 核心能力的兩類典型合作模式逐步成型.22（二）新競爭者涌入：咨詢公司滲透布局，以定制化智能解決方案優勢擴大市場占有.23（三）新環節分化與新主體誕生：行業數據標注與 AI服務型企業成為典型代表.24（四）核心技術產品：現有產品體系格局下開展融合創新.25四、工業智能應用進展.29（一）發展規律：由技術導向的點狀場景應用向需求導向的綜合智能應用演進.29（二）應用模式：機理知識相關性決定不

7、同模式的應用成熟度與潛力.30（三）應用場景：生產管理智能優化是最主要場景，AI 已經與生產機理實現初步融合.35（四）國內外應用：應用重點與需求差異性突出，我國在深度與創新性方面有待提高.37（五）行業應用：電子信息、汽車、能源電力滲透度最高.40五、總結與展望.451一、工業智能發展背景（一）工業智能化水平不斷提升，激活發展新動能（一）工業智能化水平不斷提升，激活發展新動能1、工業、工業 AI 成為全球共識與趨勢成為全球共識與趨勢工業 AI 成為主要國家政策戰略重點之一，推進人工智能創新成為技術創新與融合應用的核心和共識。美國將工業 AI 納入關鍵與新興技術國家戰略，充分發揮信息技術領先優

8、勢，高度重視 AI、先進制造業等領域，旨在通過工業 AI 發展搶占先機，主導未來產業；歐盟則將工業 AI 納入歐洲 2030數字羅盤戰略，并發布人工智能白皮書，提出了在 2030 年實現 75%歐盟企業使用云計算、大數據和人工智能的目標；日本將工業 AI 納入其第6 期科技創新基本計劃，發布制造業白皮書，以人工智能技術為基礎，構建智能時代“5.0 社會”的未來藍圖；韓國發布基于數字的產業創新發展戰略，推廣不同行業應用 AI 實現產品設計與研發、制造工藝創新、新型智能化產品與新概念服務等。2、工業、工業 AI 巨大價值潛力推動市場持續走高巨大價值潛力推動市場持續走高工業 AI 已經獲得部分國家地

9、區及領先工業企業的認可。一是高價值高增速，AI 賦能工業制造領域的潛力大、增速動能強勁，據埃森哲統計，預計到 2035 年 AI 應用使制造業總增長值增長 4 萬億美元，年增長率可達 4.4%。二是高普及，工業 AI在歐美等工業發達地區已經實現較高的普及率，據凱捷統計，歐洲頂級制造企業 AI 應用普及率達到了 51%，其中德國有269%的制造商部署 AI；日本制造企業 AI 應用率達到 30%；美國制造企業 AI 應用率達到 28%。三是高認可，工業 AI 的應用場景不斷拓寬，而隨著產業界的實踐錘煉，在部分場景形成了相對一致價值共識，據 MIT 報告顯示，工業 AI 應用場景認可度前三位是質量

10、管控、庫存管理和監控診斷，應用普及率分別達到 59%、44%和 32%。（二）與通用領域（二）與通用領域 AI 相比，技術進展逐步同步、產業錯位現象更加凸顯相比，技術進展逐步同步、產業錯位現象更加凸顯技術演進規律總體同步，工業領域跟隨性逐步增強。一方面，技術創新-應用探索-工程化的大路徑一致。技術層面來看，工業智能是人工智能技術在工業領域的融合延伸，而本階段均以深度學習為創新主線，目前均處于以工程化落地能力突破為主的階段。另一方面，人工智能技術創新和工業領域融合應用之間的滯后周期不斷縮短。專家系統誕生與工業領域應用間隔近 20 年；統計機器學習的工業領域應用基本在 10 年左右；而深度學習、生

11、成對抗網絡等新技術于 2012 年后在通用領域開展應用，不足 4 年便已經產生了工業領域探索實例?？傮w來看，由于人工智能技術可用性的增強以及工業信息化水平的提升，通用技術的工業落地間隔由 20年逐步縮短至30%。生成對抗網絡由消費領域圖像走向工業應用。生成對抗網絡（GAN）由兩個神經網絡組成-生成器和鑒別器，通過不斷博弈達到“以假亂真”，聚焦增強或改善工業數據，為基于海量高質量樣本的模型訓練奠定基礎。一是增加工業樣本數量，不僅可生成缺少的樣本，如國內學者研發 GAN 方法，通過國外軸承數據驗證了生成樣本的有效性；還能基于 GAN 降低數據生成成本，如橡樹嶺聯合大學基于 GAN 補充基于物理的緩

12、慢且計算昂貴的數據/模型；二是改善工業數據質量，如針對弧光和飛濺等強噪聲導致基于視覺的焊縫高跟蹤誤差問題，上海交通大學基于 GAN 修復焊接圖像激光條紋，圖像處理速度 19.6fps，滿足工業需求。2.應用技術：基于深度學習提升面向生產與客戶關鍵問題的識別能力工業視覺技術聚焦質量環節深化賦能，探索解決小目標、新目標等復雜問題。一是解決小目標缺陷檢測問題，如矩視智能面向微小缺陷識別場景，采用基于深度學習的像素分割功能，實現誤差在 0.01mm 內的高精度檢測。二是解決新目標檢測問題，優圖工業 AI 關注出現頻率很小的某些類型缺陷，提出數據不均衡精細化實例分割解決方案，降低工業漏檢率。三是圍繞視覺

13、開展技術融合，發揮 AI 在圖像領域優勢，如日本 IVI 基于13AI 的高速沖壓機模具更換預測，運用遞歸圖/格拉姆角場方法將信號圖像化，自動化判定不良沖壓產品，準確率接近 100%。NLP 及語音方面向圍繞用戶的管理服務環節拓展，提升用戶交互識別能力。一方面提升控制等人機交互水平。如某電網基于 NLP 提供故障檢修的語言詢問與引導式修復，縮短了故障處理時間；現代汽車推出智能銷售機器人 DAL-e，配置基于NLP 的語音識別系統，實現客戶銷售互動。另一方面深度挖掘客戶需求，提升服務效率質量。Salesforce 的商業智能平臺集成NLP，分析預期客戶購買欲望，評估銷售達成率；達觀數據推出制造業

14、失效分析知識圖譜，應用 NLP 理解問題信息，精準找到問題答案。3.知識工程:走向自動化與綜合決策工業知識圖譜包含三個核心技術環節。一是數據獲取環節，通過獲取 ERP、MES 等信息化系統數據，產品設計文檔、設備資料等業務文件數據，經過數據整合與預處理后構建本體。二是知識加工階段，經過知識抽取、知識表示、知識融合等一系列語義處理后，成為制造決策所需的高質量知識，并通過知識推理識別出可能存在的實體關系缺失或錯誤，進行圖譜補全；三是知識應用階段，通過設備運維知識圖譜、產品設計知識圖譜、供應鏈知識圖譜等各類制造業圖譜開展智能化應用，并進行知識動態更新。14圖 2-3：工業知識圖譜的基本構建流程與趨勢

15、工業知識圖譜走向自動化構建與更新，目前總體處于理論探索階段。一是語義處理環節由依賴人工處理走向自動化抽取和融合，如廣東智能制造研究所采用自動知識抽取技術，實現多模態知識融合，構建工業設備運維知識圖譜；哈爾濱工業大學采用關系抽取技術，挖掘文本中的語義關系，構建工業制造領域質量知識圖譜；二是圖譜更新環節由被動更新走向動態組織自更新，目前已有部分機構建立知識“眾包”機制，由人工或半自動方式參與圖譜管理（評價、新增、修改等）如武漢理工大學面向協同開發場景，建立開放式工業知識圖，由 NLP 與人類專家共同完成知識圖的建立、迭代更新工作。未來將綜合利用多模態數據、知識圖譜、算法模型，使工業知識圖譜具備自配

16、置、自優化能力。如香港理工大學面向制造任務規劃場景，構建制造資源知識圖譜，結合基于圖神經網絡的嵌入算法，實現 IKG的自配置與自優化。15工業知識圖譜技術應用覆蓋制造全環節，逐步由語義信息檢索和定性決策走向定量復雜決策。工業知識圖譜技術包含三個應用模式與層次：一是知識檢索服務應用，多集中在經營管理等服務環節，通過語義關聯提升知識獲取效率。如施耐德基于知識圖譜+AI 機器人，為供應商和客戶提供咨詢服務；中石化知識圖譜平臺可基于個人需求，提供定制化知識服務。二是知識匹配輔助決策應用，當前主要集中在設計與生產環節，運用知識相似關系匹配提升精準服務能力，如西北工業大學構建工藝知識圖，共享/重用設計經驗

17、；上海工程技術大學基于設備維修知識圖譜，關聯以往記錄輔助維修。三是知識推理支撐復雜決策應用，多集中在核心領域決策執行環節，通過集成機器學習模型增強圖譜推理能力，總體處于研究階段。如大連理工大學基于貝葉斯網+故障知識圖譜，探究故障原因，提出維修方案；美國國家標準與技術研究所利用分類回歸樹+知識圖譜，自動推導/改進設計規則。圖 2-4：工業知識圖譜技術應用模式4.探索技術：改變工業機器人交互和學習方式，目前處于早期理論研究階段16國外頂尖高校/研究機構對人機與類腦技術展開了初步創新應用驗證，但尚未形成顯著腦機接口作為按鈕、遙控器等復雜、耗時的機械控制裝置的替代品。具備解放雙手、無需實地、雙向交互等

18、優勢，卡耐基梅隆大學和明尼蘇達大學的實驗者通過腦機接口裝置控制機械臂準確實時跟蹤光點移動，做到光點、機械臂、眼睛三點同步；那不勒斯費德里克二世大學實驗者將機床裝備溫度、濕度等數據上傳至 AR 眼鏡中，實驗者可通過腦機接口調用數據，通過 AR 眼鏡進行查閱。類腦計算強調通過對環境的感知獲取行動的指引，具備能耗低、多態感知等優勢。NASA 贊助的一項實驗中，實驗者用 4 片重 0.1g 的人工肌內材料 IPMC 作手指組成的機械手，同等能耗下，機械效率遠超普通機械臂。未來，雙向腦機接口、類腦+腦機接口等技術突破將使高度擬人的機器人和人深入協作，而人類可以從機器的學習中獲取可解釋性強的經驗，孟加拉工

19、商大學學者利用雙向腦機接口可以通過監測工人身體狀態并向大腦發出預警，同時控制機械的安全保護機制。（三）趨勢二：面向工業部署落地的工程化突破（三）趨勢二：面向工業部署落地的工程化突破1.實時性：芯片與模型“軟硬兼施”，成為解決模型效率問題的關鍵路徑聚焦工業端側推理的(半)定制化芯片探索相對活躍，當前基本集中在馮氏結構局部優化路徑。馮氏架構用于 AI 計算面臨內存墻挑戰在于訪問存儲器的速度無法跟上運算器消耗數據速度，17當前開展多樣化技術路線探索，國內外新老 AI 技術企業與芯片制造商聚焦質量檢測、狀態識別等工業邊緣視覺場景，推出芯片、加速模塊甚至邊緣計算盒子等相關硬件產品，如以色列芯片獨角獸 H

20、ailo 發布 Hailo-8 AI 處理器，具有高達 26 TOPS 的特點，采用創新的架構構建，使邊緣設備也能夠支持復雜深度學習應用；以鯤云科技為代表的國內芯片企業通過自主研發實現架構創新，推出 CAISA 3.0 數據流架構，并行執行數據訪問和數據計算，具有領先的算力性價比?？傮w來看，各企業根據自己的技術積累與特點聚焦架構設計、場景優化等不同方向開展多樣化探索，尚未形成“包打天下”的技術模式與統一方向。圖 2-5：工業 AI芯片兩大技術路徑18圖 2-6：國內外典型工業 AI芯片企業與產品模型效率提升技術探索活躍。一是知識蒸餾，學習大網絡的特征表示知識、無需引入新參數，適用于工業數據集規

21、模較小或者標注信息較少的情況，已在產品質檢、設備維護等場景中開展探索，如思謀科技利用知識圖結構的蒸餾方式，提升目標檢測任務上知識蒸餾的效果，元器件檢出率超 99.8%，人力成本削減 80%；北航將知識精餾技術應用于激光條紋區域定位，大大提高激光條紋區域定位的速度和精度。二是模型剪枝與量化，靈活度高、壓縮性強，適用于工業模型的訓練樣本標注信息較多、且數據規模較大的情況，已在生產過程預測、流程優化、質檢等場景開展探索，如伍斯特理工學院采用參數剪枝和量化技術，將 CNN 大小降低 18 倍，準確率、查準率和查全率均超過 96%，適用于大量金屬構件的實時檢測；國內某高校壓縮參數數量并輕量化網絡，最短平

22、均診斷時間為 1.4ms，可用于檢查滾動軸承惡劣工況下的健康狀態，提供實時診斷結果。然而由于以上模型效率提升相關技術的專用性和學術性較強，限制了工業落地推廣。192.可解釋性：聚焦設備管理、流程優化等領域開展初步探索形成兩類工程化可解釋性的破解路徑。一是基于特征可視化的方法，通過得到特征與結果之間的因果/相關關系，并進行可視化輸出，適用于在生產過程中有產品/設備特征區域定位需求的場景，如質量檢測、設備異常識別等場景需要對缺陷及異常進行歸因溯源，或是需要挖掘不同特征對檢測結果的影響程度。如韓國機械材料研究所運用類別激活映射圖（CAMs）技術來識別圖像中特定區域對檢測結果的貢獻度，生成的熱力圖顯示

23、了機械設備故障診斷中的重點關注區域；通用汽車同樣基于 CAMs 的顏色、信號步進速度等信息判斷焊接件質量，可視化的方法可以更好理解預測超聲焊接樣品質量分類器的學習過程。二是基于邏輯/規則/知識的方法，利用決策樹、決策規則、工業知識圖譜等可解釋的模型構建黑盒模型的局部/全局近似來實現解釋，適用于需要輸出易于理解的算法模型等工業應用，或是工業算法模型較復雜、需要對模型進行簡化的情況，如故障根源分析、生產缺陷預測等場景。盧布爾雅那大學基于制造過程中專家知識，提取描述工藝條件的信息，利用聚類技術、規則提取及不同類型故障狀態描述，輸出可被操作員、工程師等人理解的解釋性模型；比哈奇大學使用基于樹的學習算法

24、梯度增強框架，建立可解釋的機器學習模型，預測設備或資產何時需要維護。3.數據可用性：聚焦小樣本與數據集構建問題20小樣本問題是深度學習落地工業的最大制約，當前形成三類核心路徑。一是數據擴充，即對數據進行鏡像、旋轉、平移等物理操作或通過 GAN 進行擴展，適用于工業樣本在處理后仍能夠保留大部分原始特征，且工業數據集已標注，如類別、尺寸和位置等場景。如山東大學基于 GAN 擴大用于微小缺陷檢測的數據集，實現 99.2%的缺測精度；阿丘科技通過數據生成方法，針對單類缺陷僅需 30-50 張樣本即可完成建模。二是引入先驗知識，通過模型預訓練與遷移學習方法，適用于工業場景目標領域和源領域數據關聯性較強、

25、特征相對一致，且源工業數據集規模大、類型多樣的情況。如華為云構建“盤古”預訓練大模型，實現電力缺陷快速識別，一個模型適配上百種缺陷，平均精度提升 18.4%，開發成本降低 90%；浙江大學針對鋼材表面缺陷分類問題，基于 SqueezeNet 預訓練模型，只需數百個訓練樣本進行微調，獲得較好效果。三是網絡模型結構優化，通過設計合理的網絡結構高效利用現有數據，減少對樣本的需求，適用于工業模型數據集的標注信息較少甚至無標注的情況（弱監督/無監督）。如國內某高校采用特征提取+特征變換+最近鄰的模型對小數據集鋼材表面缺陷分類，每個類別僅使用 5張訓練集，分類準確率達 92%；臺灣某高校引入基于多感受野融

26、合的網絡改進熱軋鋼帶的自動檢測，從有限的數據中提供更有意義的信息。工業呼喚高質高量的“黃金數據集”，數據共建共享是未來趨勢。特定行業/領域具備數據共建共享需求，行業層面，基21于數據集開發智能算法模型，提升解決行業共性問題的能力，如鋼鐵行業帶鋼表面缺陷檢測數據集、面向特定產品生產的質量根因分析數據集等場景。領域層面，產品研發、設備等特定領域具備一定的共性需求，基于數據集提升解決場景化問題的能力，如藥物/材料研發、設備診斷與預測性維護、安全識別等。國內外已有研究機構、企業探索公共數據集建立?；陧n國頂尖軟件商、高校等共同建立的人工智能制造平臺(KMAP)，為中小企業提供機器視覺、CNC 加工、O

27、CR 光學辨識學習等 12 項資料集，便于中小企業智能工廠的核心設備進行 AI 學習以提高效率；寶馬建立世界上最大的制造業人工智能參考數據集SORDI，加速分類、對象檢測或分割訓練速度；國內東北大學、阿里等高校及互聯網企業構建面向鋼鐵、紡織等產品表面缺陷公開數據集超過 15 個。然而由于企業對于數據資產/商業機密泄露的擔憂、現有隱私計算等技術手段的不信任、法律法規尚未健全等原因，工業數據共建共享方面還未取得顯著進展。4.適配與易用性：AI 框架逐步從算法封裝的載體走向加速工業融合與規?；涞氐暮诵腁I 框架是上承差異化工業應用、下接多樣化工業硬件的關鍵。目前，TensorFlow、PyTorc

28、h 和百度飛槳成為國內工業領域應用普及度較高的 AI 框架。適配性方面，不斷完善工業端硬件適配，如百度飛槳積極與硬件廠商合作，已經適配的芯片或 IP 型號超過 30 種，可面向目標硬件做定向適配，根據具體硬件類型進行特屬優化，保證端側模型部署與推理速度；TensorFlow22RunTime 通過提供統一、可擴展的基礎架構層，支持 ML 模型在不同硬件上構建和部署，提升生產環境中模型訓練與維護性能；高易用性方面，不斷構建配套工具鏈或完善工業相關組件，如華為 MindSpore 面向電子信息行業+生命科學行業的模擬仿真套件；TensorFlow Extended(TFX)打造面向工業場景的豐富組

29、件，幫助機器學習模型投入至生產環境。圖 2-7：AI 框架與工業領域的適配三、工業智能產業發展現狀及趨勢（一）跨界合作：圍繞（一）跨界合作：圍繞 AI 核心能力的兩類典型合作模式逐步成型核心能力的兩類典型合作模式逐步成型一是產品綁定型合作模式。依托工業企業獲取領域數據，提供智能解決方案，如以色列工業 AI 技術公司 Presenso 將基于23機器學習的解決方案應用于西門子機器和智能現場傳感器生成的數據，提供設備異常檢測方案；美國 AI 初創公司 Neurala 在意大利 IMA 公司的邊緣控制系統中加入 AI 技術?；蚴且劳谐墒斓墓I產品實現 AI 算法模型落地，如基于英偉達 AI 平臺和深

30、度學習能力，寶馬為自己的物流運輸機器人配備了高性能技術和深度學習感知模塊。二是知識綁定型合作模式。借助工業企業的專業知識，發揮 AI 企業通用技術優勢，打造智能化產品方案。如結合自動化企業 Teledyne e2v 在生產的專業知識以及AI 視覺解決方案提供商 Yumain 的視覺技術，合作開發尖端工業視覺檢測方案；微軟 Azure 平臺結合自身 AI 能力以及意大利特諾恩集團（Tenova）的鋼鐵行業知識，為鋼鐵企業提供預測監控和維護、流程優化運營的智能方案。（二）新競爭者涌入：咨詢公司滲透布局，以定制化智能解決方案優勢擴大市場占有（二）新競爭者涌入：咨詢公司滲透布局，以定制化智能解決方案優

31、勢擴大市場占有咨詢公司具備三方面布局優勢。一是豐富的工業咨詢經驗，如埃森哲擁有超過 50 年的全球咨詢服務經驗，具有來自 40 多個行業的 9000 多名技術顧問；二是廣泛的智能技術生態伙伴，如埃森哲與微軟、谷歌、亞馬遜、SAP 具有密切合作關系，構建形成了涵蓋算力、算法、數據等 AI 核心體系以及工業技術產品的生態伙伴關系；三是通過成立研究型機構構建技術優勢，如德勤于 2021 年在印度成立人工智能研究所，成為亞太地區推24出第四個人工智能研究院，此外，通過收購北愛爾蘭的數據公司 Etain，擴大企業人工智能和數據業務。平臺化成為咨詢公司開展智能服務的共性路徑。依托平臺為客戶提供工廠設計、運

32、營咨詢、解決方案開發及部署等工業AI 相關服務。如埃森哲構建應用智能平臺（AIP+），為企業提供 AI 智能需求預測、智能采購、設備預測性維護、庫存優化等方案，通過埃森哲在智能需求預測與精準營銷等方面的助力，某全球軟飲巨頭提升銷售收入超 4%；凱捷推出智能運營平臺，為企業提供預測性維護、質量檢測、工人安全、資產管理等服務，法國埃赫曼集團（Eramet）通過該平臺預測軌道磨損以優化維護效率，還通過分析有關生產質量和經濟性能的預測信息，優化向客戶提供高性能鋼材所需的時間，實現智能化轉型。（三）新環節分化與新主體誕生：行業數據標注與（三）新環節分化與新主體誕生：行業數據標注與 AI 服務型企業成為典

33、型代表服務型企業成為典型代表以數據標注為代表的數據服務產業受到資本熱捧，目前集中在倉儲物流與安全場景。由于監督學習仍是工業領域 AI 算法應用的主要方式，智能任務場景也逐步復雜化，高質量、精細化的標注數據直接影響算法魯棒性和準確性，大規模、高質量的標注數據集將越來越成為產業發展的剛需，根據 AstuteAnalytica 統計，2021 年全球數據注釋工具市場規模達到 11.869億美元，預計 2030 年市場規?？蛇_ 132.879 億美元，2022-2030 年復合年增長率超 30%。當前，工業數據標準需求主要集25中在安全、視覺倉儲設備等相對通用的領域。如近兩年誕生的馬達智數、冰山數據和

34、覺醒向量等數據服務企業，聚焦庫存識別與分類、工業機器人導航、安全事故與員工睡崗等場景數據。以 AI 為核心的服務型企業不斷涌現，當前聚焦設備健康管理場景實現探索與應用。與通用領域不同，工業場景碎片化特性突出，并隨著生產工藝改進、設備換新與老化、產品版本更新等變化，工業智能模型需要不斷迭代優化才能適應“新環境”。因此，衍生出一批以 AI 技術為核心的工業服務型企業，將企業自身的 AI 能力注入到工業生產管理過程，為用戶提供智能化服務。當前以高價值設備健康管理為重點應用領域，通過對工業設備繁雜數據進行智能化分析，為用戶提供設備監管、運維、預測性維護等服務。如美國 Uptake 公司利用預測性分析技

35、術與機器學習技術提供設備預測性診斷、能效優化建議等服務，并不斷沉淀面向行業的知識圖譜與設備數據，夯實企業核心競爭力。（四）核心技術產品：現有產品體系格局下開展融合創新（四）核心技術產品：現有產品體系格局下開展融合創新1.工業裝備：提升裝備部署、感知與執行的智能水平虛擬訓練與自主學習成為布局熱點。工業機器人的部署調試主要依賴于經驗豐富的工程師，而調試環節，尤其是軌跡規劃過程通常要耗費幾百到甚至上千小時，大型產線甚至可達到半年之久，人工成本極高。通過人工智能技術結合環境模型與工藝要求自動完成軌跡規劃，使工業機器人“先學習，再落26地”。如霍尼韋爾智能柔性卸垛機使用 AI 卸載托盤，能夠自學習且無需

36、預編程或干預；摩馬智能推出了內嵌 AI 自適應軌跡規劃算法的訓練平臺，可針對生產環境實時調整機器人工作軌跡，最終迭代訓練出最優工作軌跡，減少人工參與?？蓪⒐I機械臂的部署時間從幾百上千小時縮短到十幾小時甚至幾個小時。由視覺感知走向多維感知。以工業視覺為代表的感知能力與工業機器人融合應用已經相對普遍，通過疊加力覺、壓覺等新的感知方式，提升工業裝備綜合感知能力。如 GE 公司為蠕蟲式隧道機器人增加了高度敏感的胡須，可基于人工智能和從其胡須中收集的數據實時創建管網地圖，在工業管道監測、檢查和維修方面具有更強的感知能力；麻省理工學院某研究小組開發出一種帶有鰭狀射線手指的機器人抓手，通過觸摸傳感器能夠與

37、人類皮膚相同或更高的靈敏度進行感受，結合視覺感知并通過 AI 算法，可以計算出物體的一般形狀、表面粗糙程度以及每個手指所需施加的力，未來可用于工業微小零部件的精準抓取。提高生產制造裝備實時運行優化能力。以人工經驗調整機床、加工機器人等生產制造裝備的運行參數費力費時，通常導致生產率下降。領先裝備企業已經開始通過 AI 預測制造過程中的變化，實時自動調整裝備參數，保證高可靠性和生產力。如三菱電機與日本國家先進工業科學技術研究所合作開發裝備 AI技術，一是結合 AI 及機械臂電機電流、關節角度等信息快速推斷負載值，調整加速度和減速度，操作時間減少 20%；二是使27用 AI 學習放電加工機（EDM）

38、的碎片噴射狀態并自動調整噴射頻率，加工時間減少 23%；三是開發基于 AI 的數控切割機糾錯系統，在動態加工過程中也能進行現智能校正，加工精度可提高 51%。2.自動化系統：圍繞設備管控提升邊緣 AI 能力持續拓展邊緣系統/平臺智能化能力，實現過程監測優化與運維分析。在邊緣側開展數據復雜分析成為各類自動化系統與產品的重要發展方向，如西門子開發邊緣分析系統 PredictiveService Analyzer，基于 AI 針對泵、風扇和壓縮機等設備開展異常 檢 測 等 近 實 時 評 估，提 高 生 產 效 率 超 10%，能 和 其MindSphere 平臺的相關應用進行協同，還開發了面向機床

39、行業、融合 AI 能力的工業邊緣平臺 Sinumerik Edge；AI 技術提供商MicroAI 推出邊緣平臺 MicroAI Factory，部署在現場的工業計算設備內，從可編程邏輯控制器和傳感器中獲取數據，使用邊緣原生 AI 引擎自動開發周期時間分析和行為模型，提供對設備性能、生產率和正常運行時間的實時分析以及異常操作檢測、維護調度等功能。3.平臺與工業軟件：聚焦業務智能化能力提升成為重要發展趨勢云服務平臺及通用 PaaS 功能逐步上移，不斷強化場景化AI 工具與服務。谷歌、亞馬遜、微軟等提供云計算基礎架構服務的 IT 巨頭逐步進軍工業領域，紛紛推出面向場景的 AI 工具與服務，在部分場

40、景具備一定領先優勢，如亞馬遜面向設備檢28測、質 量 缺 陷 檢 測 場 景 推 出 Amazon Monitron、AmazonLookout for Vision 等工具套件與服務，通過小樣本學習技術可使用低至 30 張基準圖像進行模型訓練；谷歌也在云平臺上推出質量表面檢測工具，樣本量減少 300 倍，且可與現有工業伙伴方案集成。特定領域平臺走向場景和領域細化。面向機器人、智能事件檢測、安防監控等更加細分的領域不斷構建專業化平臺。如 AI 視覺企業 Ambarella 推出了工業機器人智能開發平臺，面向自動導航車輛(AGV)及工業機器人等提供圖像調優、神經網絡處理移植和開源計算機視覺庫(O

41、penCV)的完整工具包，豐富的 API集能幫助開發者有效地運行更高級別算法。效率提升仍是傳統工業軟件+AI 的核心趨勢。傳統工業軟件企業仍然以推進固有領域產品性能和功能創新為主要目的，不斷通過人工智能實現菜單與模型調用、匹配、復雜計算等環節效率。如西門子發布最新版 NX，基于 AI 的形狀辨識快速識別幾何體結構類似的組件，還具備用戶指令語音識別能力。EDA軟件領域探索活躍，美國 EDA 公司 Cadence Design Systems 推出一款 AI 驅動的系統設計優化工具，能基于 AI 探索整個設計空間并快速有效地收斂到最優設計，可將開發速度提高 10 倍，目前已用于百度和安霸的 AI

42、芯片設計。Synopsys 開發一套軟件工具，使用機器學習分析用于復雜片上系統設計的千兆字節數據，提高設計效率。部分 AI 技術企業面向專業領域開展軟件創新。如美國 AI 軟件公司 ExLattice 正在開發用于金屬增材制造的 AI 軟件，通過智能仿真引擎實現生成式設計與實時設計反饋。29四、工業智能應用進展（一）發展規律：由技術導向的點狀場景應用向需求導向的綜合智能應用演進（一）發展規律：由技術導向的點狀場景應用向需求導向的綜合智能應用演進工業智能的應用發展可以分為三個階段。階段一是強技術導向的點狀賦能階段，以“AI 有什么、工業用什么”為核心特征，主要是專家系統、機器學習等傳統 AI 技

43、術以及自然語言處理等應用技術向工業領域的滲透遷移，解決以工業視覺為主的點狀問題，如機器視覺定位、視覺質檢、表單字符識別等。此階段基本以替代人工操作、提高生產效率為主要目的與成效，應用普適性強、價值相對較高，但存在價值天花板現象。階段二是需求推動的場景復雜多樣化賦能階段。AI 技術與工業需求相互匹配解決點狀的復雜特異性問題，實現“工業有需求、AI來滿足”，以機器學習/深度學習等數據科學與研發制造環節機理融合為主要特征，實現面向場景的建模與優化，如設備健康管理、生產參數優化、需求預測等場景。此階段面向相對復雜的工業問題，應用價值差異性較大，但隨著與物理化學、科學計算等更深層次機理的融合，有望產生巨

44、大的創新價值。階段三是綜合智能應用階段。以深度學習與知識圖譜融合創新或是新技術理論突破賦能為主，解決綜合常識性問題。既能針對設備、工廠等實現更客觀全面的智能優化，如質量綜合管控，也30能實現全企業甚至全產業鏈基于知識的綜合決策，應用價值較高，推動工業真正實現智能化。圖 4-1：工業智能應用發展歷程中國信通院梳理國內外代表企業與主要行業的工業 AI 應用案例 507 個，通過分析形成對當前工業 AI 應用發展情況的研判。（二）應用模式：機理知識相關性決定不同模式的應用成熟度與潛力（二）應用模式：機理知識相關性決定不同模式的應用成熟度與潛力圖 4-2：工業智能三類應用模式占比31識別類應用成熟度最

45、高，但可解問題相對有限，主要集中在生產環節，與工業機理相關度較弱，占比 47.5%，其中，視覺識別是最主要的技術應用方式，在識別類的占比超 85%，部分領先企業針對小樣本、微小缺陷等問題開展了深度學習、GAN、遷移學習等前沿技術探索，但目前多數常見問題仍主要依靠圖像處理與傳統機器學習方法，深度學習在視覺識別技術中的應用還有待提升。專欄專欄 1：廣達公司的小樣本學習和產線遷移的筆記本螺絲檢測探索：廣達公司的小樣本學習和產線遷移的筆記本螺絲檢測探索針對筆記本螺絲檢測應用中樣本不足、漏檢、過檢等問題，廣達應用小樣本遷移學習技術，降低設備初次導入時對樣本數量的需求，同時保證模型的上線效果；依托小樣本增

46、量訓練技術，保留舊數據學習到的特征，并適應新的過漏檢數據，大幅提升訓練速度；利用小樣本模型遷移技術，讓模型學習到 OK 品與 NG 品之間的差異信息，降低新目標樣本依賴。顯著縮短了上線周期，極大提高了模型迭代效率，數據收集時間縮短 50%，訓練效率提升50%以上，新型號缺陷數據需求量降低 50%以上，產線產品切換效能提升50%以上。專欄專欄 2：百度：百度 AI 視覺解決方案實現對微小精密零部件的智能質檢視覺解決方案實現對微小精密零部件的智能質檢精研科技企業產品大部分是微小精密零部件，應用傳統視覺技術進行檢測的精度、效率均不能滿足產線需求。百度采用一套全封閉集成檢測設備來解決微小型產品的檢測問

47、題。在核心視覺檢測模型部分，設備通過集成百度AI 一體機，并采用 12 個 AI 視覺檢測模型，可同時對 18 張圖像進行缺陷檢32測；基于 18 個圖像的判定結果通過 1 個二輪投票模型進行最終缺陷判定，實現零部件的全表面外觀缺陷檢測與內腔缺陷檢測，其檢測質量由于人工檢測的同時，節省檢測工位 80%以上，人力投入節省近 90%，后續每年可為企業節約資金 2000萬以上。數據建模優化是當前主要應用探索模式。由于產品研發仿真、制造及設備運行等工業環節存在大量結構化數據場景，需進行定制化建模優化。目前在生產制造等工業核心環節，針對參數優化、規劃、預測等部分復雜問題已經出現融合需求與典型場景，但與識

48、別類模式相似，傳統機器學習技術仍占主要比重，且多數處于局部應用或是以科研院所為主的理論驗證階段。專欄專欄 3：面向增材制造過程的機器學習綜合賦能：面向增材制造過程的機器學習綜合賦能場景一：材料設計研發場景一：材料設計研發利用卷積神經網絡、決策樹等機器學習算法，加快材料設計的預測和優化。常用于復合材料性能預測、超材料研發與結構優化、材料分布優化等方面。如麻省理工學院研發出高性能復合超材料，CNN 訓練只需 10 個小時，輸出數據不到 1分鐘。場景二：工藝參數配置場景二：工藝參數配置運用 GAs、CNN 等機器學習算法，優化和解釋工藝參數與產品質量的關系，可從眾多工藝參數及組合中尋找最優的工藝參數

49、集。如 NASA 蘭利研究33中心找到預測無缺陷概率最高的參數設置，優化打印時間與零件質量。場景三：生產場景三：生產/制造管理制造管理在缺陷監測/質量控制方面，運用 ML 算法處理傳感器探測/捕獲到的各類信號，進行異常信號識別、缺陷分類及缺陷追蹤定位。如加州大學伯克利分校研發出高精度識別劣質圖像，質量預測準確度達 98%。在制造規劃方面，利用 ML 技術預測產品的可制造性，輔助增材制造規劃，提高成品率。如加泰羅尼亞理工大學實現精準預測打印時間，錯誤率從 20%-35%減至 2%-15%。專欄專欄 4：Engineering Group 基于強化學習的系統運維與產線調度探索基于強化學習的系統運維

50、與產線調度探索場景一：能源系統運維優化場景一：能源系統運維優化Engineering Group 針對能源系統維護優化問題，構建了風電場模擬模型，對渦輪機、維護人員編碼，進行多個具有不同獎勵函數的強化學習訓練后，提出最有利于故障檢修、預測性維護的運維決策。與日常維護啟發式相比，強化學習能增加 30%以上的收入。場景二：生產線制造優化場景二：生產線制造優化為優化生產線流程、提高重型機械生產效率，在 AnyLogic 仿真模型中捕獲生產線動態，應用 DDQN 強化學習算法，添加獎勵機制進行訓練，使agent 具備豐富的生產環境交互經驗，進而提供可有效管理生產線的策略。生產線上協調對象數量增加 66

51、%，重型機械運動次數減少 11%。34知識推理決策模式“兩極分化”特點較為突出。專家系統技術應用占比超過 70%，主要針對設備故障監測、過程控制等部分邊界有限、經驗規則易顯性化的場景，已經逐步融入現有軟件系統中；知識圖譜需要與機理結合，構建難度與成本較高，目前總體處于知識檢索服務等初步應用階段。專欄專欄 5：富士康基于知識圖譜的設備健康監測探索：富士康基于知識圖譜的設備健康監測探索針對設備異常情況實時監測和質量管理問題，富士康與凌云光開展腦礦計劃，構建以設備運行/故障記錄為核心，涵蓋零部件、物料、加工過程、視覺圖像等各類數據的綜合圖譜，輔助處理質量管理、設備狀態維護等一線問題。提取、組織和關聯

52、生產制造環境中的結構化和非結構化數據，基于知識圖譜技術，構建領域知識模型，將碎片化知識變為支撐決策的依據，提升制造過程質量管理與設備狀態維護效率。35（三）應用場景：生產管理智能優化是最主要場景，（三）應用場景：生產管理智能優化是最主要場景，AI 已經與生產機理實現初步融合已經與生產機理實現初步融合質量、制造過程和設備成為當前 AI 應用重點領域。生產管理環節的 AI 應用占比超 70%，形成表面缺陷檢測、生產過程控制優化、質量關聯分析、預測性維護、安全管理與巡檢、生產作業視覺識別、物料識別與操作等一批典型細分場景。其中由于：一是場景需求成效顯著，產品質量、效率以及設備管理直接與企業經濟掛鉤，

53、是幾乎所有工業企業共同關注的重點環節；二是數據獲得性強，生產過程數據、設備運行過程數據等數據量較大、采集相對簡單，為 AI 技術落地提供了基本條件；三是技術成熟度較高，以機器學習、圖像識別等傳統 AI 算法面向特定問題實現識別、參數預測及優化為主。綜上，圍繞產品質量的識別分析、設備故障診斷與預測、過程參數優化等應用近乎占據了整個工業 AI 應用的“半壁江山”。36*基于中國信息通信研究院 507 個工業 AI 案例統計圖 4-3：工業智能各細分場景應用率統計圖 4-4：細分場景占比+生產管理細分場景 Top10工業智能應用向研發、產品服務等上下游環節逐步延伸。從近兩年發展情況來看，面向研發及產

54、品服務等領域的 AI 應用占比增長近 1 倍。由于產品研發及增值服務等環節價值更高、數據通用性較強，成為領先企業 AI 探索和深度學習等相對前沿37技術實際落地的重點領域。具體，研發環節，一方面通過 AI 技術加速仿真模型建模與復雜計算，加速流程效率，如沃爾沃、瑪莎拉蒂等領先汽車公司開展基于 AI 的實時數據仿真計算，提高運營效率并縮短仿真時間；另一方面通過 AI 發現配料、工藝要求之間的新關系，實現最優參數或新產品發現，如英國航空公司 GKN 集團基于 AI 在最大化熱傳導性能和抗拉強度兩個方向上尋找到了最佳組合，實現鈦合金研發。產品與服務環節，主要基于 AI 提升產品運行維護的智能化水平，

55、或是面向用戶提供各類增值服務，如豐田與埃森哲等公司合作，使用機器學習并綜合考慮智能手機數據、事件信息、天氣狀況和公共交通可用性等條件，預測出租車服務需求，相比于沒有使用該服務的司機，實現了平均 11%的銷售額增長。（四）國內外應用：應用重點與需求差異性突出，我國在深度與創新性方面有待提高（四）國內外應用：應用重點與需求差異性突出，我國在深度與創新性方面有待提高國外聚焦價值增值與場景創新，我國更注重利用 AI 解決生產實際需求痛點。一是生產管理環節成為共同關注的重點領域。國內外應用占比均達到 60%以上，其中質量、制造和設備均是占比最高的環節（國外 40%，國內 51%）。二是國內安全、質量需求

56、更加緊迫突出?？傮w來看，國外的場景總體分布相對均衡，受限于自動化、工藝及管理水平等不足，國內企業面臨的生產安全、質量問題更為嚴峻，企業重點探索基于 AI 實現安全巡檢、38人/車/環境識別、質量缺陷識別與影響因素分析等，質量和安全領域與國外相比差距最大，均大于 8%。三是國外更注重圍繞產品和服務的 AI 應用。國外基于 AI 進行新產品創新、智能設計、智能產品占比超 30%，達到國內 2 倍。*基于中國信息通信研究院 507 個工業 AI 案例統計圖 4-5：國內外工業智能各細分場景應用率對比國外已進入核心環節數據+機理智能優化階段。一是數據+機理融合應用成為主要模式。由于國外掌握研發、生產及

57、設備等環節的關鍵機理，進入制造核心環節 AI 深度應用階段，數據建模優化占比告于識別類應用，且四個領域的數據優化類應用均高于國內。二是需求推動場景向多樣化綜合化演進。經統計，國外生產經營環節占比 Top 5 的場景依次為預測性維護、表面檢測、生產過程優化、設備系統故障診斷、基于知識的工廠決39策。三類應用模式均有涵蓋，并開展綜合決策等相對集成化的場景探索，如日本某企業制造商構建知識圖譜，集成整個產品驗證生命周期數據，通過統一測試數據縮短產品上市時間。*基于中國信息通信研究院 273 個工業 AI 案例統計圖 4-6：國外人工智能應用在各細分場景的占比我國在核心環節的深度+創新應用方面有待提升。

58、一是識別類應用仍占據一定比重。國內生產經營環節占比 Top 5 的應用場景為表面檢測、質量關聯分析、安全管理與巡檢、生產過程優化、設備系統故障診斷。二是智能研發仿真、產品智能化、智能增值服務創新探索不足。當前企業應用 AI 仍以解放人力、提高效率為核心，在工藝數據沉淀、產品理解等方面還不足。40*基于中國信息通信研究院 234 個工業 AI 案例統計圖 4-7：國內人工智能應用在各細分場景的占比（五）行業應用：電子信息、汽車、能源電力滲透度最高（五）行業應用：電子信息、汽車、能源電力滲透度最高離散行業應用占比領先。根據統計結果，離散行業占比超過 60%，流程行業占比超過 30%。一是離散行業相

59、對容易切入，形成解決方案后可以規模復制，輕工消費品領域當前占比最高；二是流程行業生產過程復雜，工藝門檻高，目前解決的多是生產過程中較為單點的問題。數字化基礎與 AI 技術成熟度成為行業落地普及的兩個關鍵因素。汽車、電子信息、能源電力、鋼鐵的數字化程度高，為 AI 落地提供良好基礎，占比超過全行業45%。通用 AI 領域成熟的圖像/視頻分析，與質量、安全等企業關注的重點環節形成天然契合，成為前述重點行業落地的首批場景。41*基于中國信息通信研究院 507 個工業 AI 案例統計圖 4-8：細分行業人工智能應用占比1.裝備行業：關注研發與產品智能化智能產品與服務成為裝備價值提升的核心。汽車、軌道交

60、通、工程機械等裝備逐步向智能化產品演進，基于視覺的環境識別成為目前主要探索方向，如起亞、捷豹路虎等車企不斷增加語音互動、路況識別等功能；航空和交通領域成為開展增值服務的重點行業，如國外某航天公司飛行器座艙內的 AI 驅動系統可以通過評估和通知燃油水平、系統狀態、天氣狀況和其他基本參數來幫助優化實時飛行路徑。汽車、航空的設計仿真優化成為 AI 應用的重點?？湛突谏疃葘W習在幾秒鐘內預測整個馬赫包絡線，快速評估跨音速流中的翼型性能；北汽福田應用42AI 找到最佳的設計路徑，消除原結構太重和產品質量缺陷帶來的問題，零部件從最初的 4 個零件變為 1 個，重量減輕 70%，強度增強 18.8%。圖 4

61、-9：裝備行業人工智能應用情況2.原材料行業：聚焦質量、制造流程與安全等生產過程管控優化通過兩類路徑提升質量管理水平。一是基于視覺開展成品質量檢測，主要面向鋼材、鋁板等金屬行業；二是基于數據分析對影響質量的工藝參數進行預測調整，如三井化學公司使用深度學習處理由 51 種類型數據（溫度，流量和壓力等）表示的因素，幫助檢測質量問題并預測化學組合的結果?；?AI 的過程參數優化走向規則與數據融合。如寶鋼集團基于回歸樹對各個工藝參數重要性進行評估，基于業務經驗設定投料系數規則并進43行投料系數優化，已應用于寶山基地 70 余個機組，在熱軋某機組全年綜合投料優化超 1.3 萬噸。安全智能管理仍以視覺分

62、析為主，部分企業開展綜合性探索。已有企業通過圖像、紅外、氣液成分檢測等綜合感知手段實現安全管理，如東源科技結合機械表、液位計、罐體溫度的圖像識別和紅外成像技術等綜合進行氣液泄露識別。圖 4-10：原材料行業人工智能應用情況3.輕工與消費品行業：聚焦產品創新、生產質量與客戶的智能化管理以生物醫藥行業為主開展基于 AI 的新產品研發探索。在輕工行業新產品研發的占比超 80%，主要通過 AI 發現新的藥物分子結構或進行新治療方案開發等，如藥明康德針對未知晶體結44構或配體的靶點，探索利用 AI 技術開發理想臨床前藥物候選分子?？蛻粜枨笈c庫存管理成為經營管理優化重點關注領域。一方面基于 AI 分析預測

63、市場需求，優化庫存管理，并為消費者精準推送信息，如日本 House 集團基于 AI 構建市場預測模型，對集團生產和銷售制定合理的供需計劃，避免了 10%的產品/材料浪費及 60%的管理耗時。另一方面主要基于自然語言處理技術提供面向顧客的智能聊天與推薦等服務，如李維斯推出智能聊天機器人，跟用戶對話獲取用戶的偏好之后，機器人會整合尺碼、布料偏好、顏色等信息為用戶推薦最適合他的褲子。圖 4-11：輕工與消費品行業人工智能應用情況45五、總結與展望工業智能是工業真正實現智能化的必經之路，展望未來，工業智能技術創新將進一步加快、優質企業持續涌現、應用推廣和場景創新不斷加速，成為助推工業數字化轉型、驅動制

64、造業高質量發展的重要引擎。我國工業智能發展已經取得了一定進展，認可 AI、應用 AI 的工業企業不斷增多，聚焦工業 AI，創新產品方案的技術企業與產業機構積極活躍，站在“十四五”的開端，我們期待工業智能技術產業與應用在下一個五年內蓬勃發展，真正由賦能工業走向變革工業甚至重新定義工業。一是工業智能對工業企業還不是“雪中送炭”，需要合理推進應用創新。從現階段技術發展情況來看，人工智能是解決工業企業部分特定問題并賦能企業的技術工具，既不能包打天下，也還不是決定核心競爭力的制勝因素。行業頭部企業始終是工業智能應用尤其是新場景新應用的核心探路者，需要發揮大企業的引領帶動作用，淬煉出可落地、價值高的場景環

65、節，實現“去偽存真”，進而向行業腰部企業甚至中小企業進行推廣。二是核心算法技術創新已經相對過剩，工程化技術突破以及與機理深度融合是下一步技術發展的核心方向。當前主流的AI 技術基本均已做好了賦能工業的“學術準備”，但與工業實際需求和要求的適配還遠遠不足。此外，識別類技術探索還是目前主要方向，雖然數據+機理融合建模的占比正逐步逼近，但46不同行業領域的分散度極高，AI 與工業機理融合還處于初期。所以，工業 AI 的發展不單純是一個技術創新問題，需要 AI 技術企業、深耕行業的工業技術企業與制造企業參與并形成合力。三是正視 AI 技術特點，分類推進產業創新突破。工業領域受工況條件等各類因素影響極大，多數不具備消費、交通、醫療等領域場景的“天然共性特征”，所以在當前以深度學習為代表的當前主流技術路徑限制，“一機一模型”的痛點將始終存在，也就決定了工業 AI 產品方案無法完全像工業軟件、機器人等產品能進行標準化、大規模應用推廣。我國具備龐大的應用市場與數據優勢，需要政府或第三方機構等搭建工業人工智能創新服務平臺，開展公共數據集、公共模型庫建設和“企業數據集+聯邦計算”等模式，從個性中找到并打造可推廣復用的共性產品方案，同時探索以新帶舊的傳統產業突破新路徑。