業化與智能化雙向滲透或成核心發展路徑

新一輪信息與產業變革蓬勃興起，工業經濟數字化、網絡化、智能化發展成為全球關注重點與趨勢，工業智能也由此迎來了發展的新階段。然而，工業智能仍處于發展探索時期，尚未形成明確并具規模性的商業化應用，而且各方對工業智能的產業發展尚未形成共識。

在此形勢下，近日，工業互聯網產業聯盟聯合多家企業共同編寫和發布了《工業智能白皮書》(2019討論稿)(以下簡稱《白皮書》)，從應用、技術和產業等方面研究和分析工業智能的發展脈絡和最新狀況，并在一定程度上對未來發展變革方向作出了預判。

兩橫兩縱產業視圖 

在《白皮書》剖析的工業智能發展脈絡中，我們可以發現，工業智能產業視圖主要表現為“兩橫兩縱”，橫向為知識圖譜和深度學習兩大關鍵技術，縱向為通用技術和應用集成兩方面。

在橫向發展層面，ICT企業、研究機構及相關行業協會3類主體提供通用技術能力，以“被集成”的方式為工業智能提供基礎支撐。其中，ICT企業如微軟、谷歌、亞馬遜、阿里等，提供幾乎涵蓋知識圖譜、深度學習的所有通用技術研究與工程化支持；研究機構如加州大學、麻省理工、清華大學、中科院自動化所等，主要提供算法方面的理論研究；行業協會提供相關標準或通用技術支持，如OMG對象管理組織提供統一建模語言等企業集成標準的制定，為知識圖譜的工業化落地奠定基礎；Khronos Group開展了深度學習編譯器的研發。

在應用層面，裝備/自動化與軟件企業、制造企業、ICT企業和初創企業4類主體以集成創新為主要模式，面向實際業務領域，整合各產業和技術要素實現工業智能創新應用，是工業智能產業的核心。

這4類應用主體中，裝備/自動化、軟件企業及制造企業等傳統企業(如西門子、ABB、KUKA、Autodesk、富士康、新松等)，面向自身業務領域或需求痛點，通過引入人工智能實現產品性能提升；ICT企業(如康耐視、海康威視、大恒圖像、基恩士、微軟、KONUX、IBM、阿里云等)依靠人工智能技術積累與優勢，將已有業務向工業領域拓展；初創企業(如 　　Landing.ai、創新奇智、曠視、Element AI、天澤智云)憑借技術優勢為細分領域提供解決方案；研究機構(如如馬薩諸塞大學、加州大學伯克利分校)依托理論研究優勢開展前沿技術的應用探索。

通用技術產業發展各異

工業智能依靠通用技術實現各類創新的工業智能應用。然而，通用技術往往無法滿足工業場景與問題的復雜性與特殊性要求，現階段依然存在大量特性問題需要解決。 

《白皮書》指出，目前來看，ICT巨頭在深度學習框架、編譯器與芯片等通用技術領域占據絕對統治地位，但現階段端側推斷框架主要由蘋果、Facebook、騰訊、谷歌、百度五大ICT巨頭企業主導，初步判斷，百度更可能在工業領域發力。工業領域存在可移植性和適配性問題，對編譯器需求較為迫切，但是編譯器市場格局尚不清晰，并未產生面向領域的發展趨勢，預測英特爾及亞馬遜可能成為工業領域選擇。

此外，深度學習理論研究趨于平穩，應用落地成為關鍵。人工智能頂級學者李飛飛，微軟亞研院、人工智能頂級學者鄭宇，地平線創始人余凱等均認為深度學習理論研究主流架構會收斂，較難有革命性理論突破，目前瓶頸在于技術與傳統行業的對接。而現階段算法研究呈現兩大主要趨勢：一是算法可解釋性研究，斯坦福大學開展了基于“樹正則化”的可解釋性研究，美國德州農工大學開展了遷移法解決深度學習可解釋性問題，南京大學則提出RNN可解釋性方法；二是相關前沿算法研究，國內外頂尖研究機構如麻省理工、以色列理工學院、清華大學、中科院自動化所紛紛開展對膠囊網絡、遷移學習、(深度)強化學習和生成式對抗網絡等深度學習相關的前沿算法研究。 

工業化與智能化雙向滲透

在發展路徑方面，《白皮書》認為，工業化與智能化雙向滲透將成為兩類核心路徑。

從四大應用主體具體分析來看，裝備自動化、軟件及制造企業面向設備、產品性能提升的需求或自身業務發展痛點，圍繞人工智能技術的供給主線不斷尋求與人工智能結合的路徑，目前，這些企業發展工業智能主要有兩種方式：

一是部分需求迫切、實力雄厚的領域巨頭企業通過合作并購人工智能技術公司，實現智能化升級。如發那科與人工智能初創企業Preferred Networks合作，增強機器人的智能化水平；GE收購人工智能初創公司 Bit Stew Systems和Wise.io，以打造人工智能實力；埃斯頓收購美國高科技公司Barrett Tech 30%股權，拓展AI機器人和微伺服系統領域。二是通過人才引進及成立相應研究機構，提升企業綜合競爭力。如西門子成立中央研究院并推動“Vision 2020”計劃，發展人工智能和機器人技術，并構建了用于自身融資管理的工業知識圖譜平臺。富士康、新松等成立人工智能研究院，加快人工智能研究和成果產業化落地。

而信息技術企業及研究機構則憑借人工智能技術基礎，不斷豐富面向工業場景的應用服務能力，同時加強與制造企業合作，通過推出工業智能解決方案或前沿技術產業化向工業領域進行能力輸出。如阿里云工業大腦平臺將開放化工、光伏、電力三大行業知識圖譜，使開發者快速響應，實現特定業務場景下人工智能的訴求。華為了構建用于供應鏈及零部件管理的工業知識圖譜。海康威視主營業務視頻監控行業，2014年進入工業領域，開發深度學習質量檢測產品應用于3C制造、金屬加工等領域。

不同于前二者，研究機構更注重技術創新，他們也是前沿技術產業化的孕育者。例如麻省理工學院進行意念控制機器的研究，電波識別的精確度已高達90%，對未來人機協作技術產生重大影響。伯克利機器人DexNet2.0搭載深度學習系統，通過對虛擬數據庫中1萬個具備不同特征的三維物體進行學習，可以迅速對物體進行預判并選擇合適的方案抓取各種不規則形狀的物體，德國某企業已致力于工業智能產業化應用。

尤其值得注意的是，在以上大趨勢下，初創企業憑借技術與資金優勢成為細分領域重要的解決方案提供商。

一方面，大數據技術初創企業為中小垂直領域企業提供知識圖譜解決方案。依靠數據處理及人工智能技術優勢，幫助人力、時間成本高的中小企業釋放企業數據價值。如明略數據發布明智系統2.0，為工業等垂直領域提供完整解決方案。另一方面，裝備領域成為初創企業深度學習應用的主要切入領域，吸引大量投資。裝備領域是技術資金雙密集行業，初創企業具有先天優勢，且產品上市快，投資回報率較高。如曠視全資收購艾瑞思機器人，發力制造業，打造智能倉庫；創新奇智專注于提供“人工智能+B2B”企業服務，應用人工智能技術打造智能質檢等解決方案，融資過億；Element AI為全球制造物流和機器人等領域企業提供人工智能解決方案，獲1.02億美元融資。