一、工業互聯網平臺是人工智能應用的重要載體

工業互聯網平臺覆蓋全流程生產數據。數據是應用人工智能的“燃料”。工業互聯網平臺從數據“量”和“質”兩個維度入手，提升工業場景數據集的廣度與深度，為人工智能應用提供支撐。

從“量”的方面看，工業互聯網平臺匯聚了數以千萬計的設備和傳感器，對異構系統、運營環境、人員信息等要素實施泛在感知、高效采集和云端匯聚，實現了海量數據的廣泛集成。

從“質”的方面看，工業互聯網平臺通過構建設備、產品、系統和服務全面連接的數據交流網絡，充分挖掘實時有效的工業大數據，搭建數據自動流動的賦能體系，為深度學習的模型訓練提供優質的訓練集、驗證集和測試集，切實提高人工智能模型自學習、自決策、自適應的有效性。

工業互聯網平臺推動工業知識算法化。算法是人工智能應用的關鍵。工業互聯網平臺作為工業全要素、全產業鏈、全價值鏈連接的樞紐，打通了工業知識向工業算法轉化的通路，為構筑工業領域人工智能算法庫提供助力。

一方面，工業互聯網平臺豐富了算法理論來源。依托工業機理基礎和數據模型分析，工業互聯網平臺將隱性的工業技術原理、行業知識和專家經驗進行代碼化、算法化，重構了工業知識創造和應用體系，面向特定工業場景提供針對性強、魯棒性高的算法。

另一方面，工業互聯網平臺降低了算法開發成本。工業互聯網平臺通過提供開發環境和各類工具，助力開發者打造工業APP與微服務體系，將各類工業知識封裝成可交易的模塊組件，推動工業算法在更大范圍、更高頻次、更短路徑上創造、傳播和復用。

工業互聯網平臺構建協同算力資源池。工業場景具有環境參數復雜、工序步驟精細、實時性要求高等特點，應用人工智能技術對算力要求較高。工業互聯網平臺基于云架構匯聚企業內外算力資源，根據實際需要統一調配，搭建廣泛聚集、高效協作的算力供給體系，為人工智能應用提供穩定的支撐保障。

在企業內部，工業互聯網平臺匯聚內部算力資源構建算力資源池，針對不同時段、不同用戶和不同級別的算力需求，基于大數據分析統籌使用內部設備，提高設備使用效率。

在企業外部，工業互聯網平臺對接各類算力提供商，通過租借、購買等方式，補充企業內部算力的不足，以提升整體算力水平，縮小人工智能應用需求和實際算力之間的差距。

一是設備自主化運行，如復雜工料分揀、設備自運行等。機械臂、運輸載具和智能機床等產品，通過搭載機器學習算法、路徑自動規劃等模塊，實現對不同工作環境和加工對象的動態適應，提高設備操作的精度和復雜度。

二是人機智能化交互，如動作識別、語音用戶界面等。應用語音識別、機器視覺等技術，打造人性化、定制化、高效化的人機交互模式，提升控制裝備在復雜工作環境的感知和反饋能力。

三是生產協同化運作，比如協作機器人、仿生工位等。利用人工智能技術將人機合作場景轉變成學習系統，持續優化運行參數，為操作員提供最優的生產環境。例如，德國Festo公司基于仿生協作型機器人開發人機協作生產的智能化工位，可將人從重復性、危險性高的工作中解脫出來，提高了生產效率。

邊緣層：邊緣智能提升邊緣側實時分析處理能力。邊緣智能技術通過協同終端設備與邊緣服務器，整合計算本地性與強計算能力的互補優勢，從而減少非必要的數據傳輸、降低模型推理延遲與能耗。

具體有以下三類應用：一是智能傳感網絡。東方國信、寄云科技等企業通過建設智能網關，動態實現OT與IT間復雜協議的轉換，提供安全高速的數據連接與數據采集服務，強化對帶寬資源不足和突發網絡中斷等異常場景的應對能力。

二是噪聲數據處理。天云網、海爾集團等通過智能傳感器采集多維數據，利用基于人工智能的軟件識別減小確定性系統誤差，提高數據精度，從而實現物理世界隱性數據的顯性化。

三是邊緣即時反饋。思科、微軟等企業通過分布式邊緣計算節點進行數據交換，及時比對云端廣播的模型和現場提取的特征值，基于邊緣端設備實現本地快速響應和操作優化，減少云端運算壓力和處理延遲，實現云端協同。

平臺層：大數據分析構建“數據+認知”算法庫。工業互聯網平臺基于PaaS架構，打造由數據存儲、數據共享、數據分析和工業模型等組成的整體數據服務鏈，把基于數據科學和認知科學的兩類工業知識經驗沉淀在可移植、可復用的人工智能算法庫中。

在數據科學領域，企業構建以機器學習、深度學習為核心的數據算法體系，綜合利用大數據分析、機器學習和智能控制等算法，通過仿真和推理解決已知的工業問題。例如，美國康耐視公司開發了基于深度學習的工業圖像分析軟件，能以毫秒為單位識別缺陷，解決傳統方法無法解決的復雜缺陷檢測、定位等問題，使檢測效率提升30%以上。

在認知科學領域，企業從業務邏輯原理出發，通過搭建以知識圖譜、專家系統為代表的認知算法體系，解決機理未知或模糊的工業問題，如企業智能決策、風險管理等。實際上，西門子、IBM、華為等公司通過構建供應鏈知識圖譜，匯集氣象、媒體、交通和物流等信息資源，大大提高了供應鏈風險管理效率。

應用層：商業智能提升工業APP數據挖掘深度。開發者依托工業互聯網平臺提供的開發工具和框架，面向不同工業應用場景，開發搭載人工智能的特定工業APP，利用人工智能手段賦能現有生產過程，為用戶提供各類在平臺定制開發的智能化工業應用和解決方案。

主要有以下幾類：一是預測性維護。利用機器學習方法擬合設備運行復雜非線性關系，提升預測的準確率，降低運維成本與故障率。德國KONUX公司結合智能傳感器及機器學習算法構建設備運行模型，使機器維護成本平均降低了30%。

二是生產工藝優化。依托深度學習繞過機理障礙，通過挖掘數據隱藏特征間的抽象關系建立模型，并找出最優參數組合。TCL格創東智針對液晶面板的成膜工序，通過機器學習算法實現了關鍵指標的預測與品質優化，年收益達到近千萬元。

三是輔助研發設計。通過應用知識圖譜、深度學習等技術構建設計方案庫，對設計方案提供實時的評估反饋。美國UTC依靠知識圖譜解決了多個產品研發問題，設計出的換熱器傳熱效率能提高80%，設計周期僅為原來的1/9。

四是企業戰略決策。利用人工智能擬合工業場景中的非線性復雜關系，提取非結構化數據構建知識圖譜和專家系統，為企業提供戰略方案選擇。美國初創公司Maana聚焦石油和天然氣領域，協同應用知識圖譜與數據科學，為GE、殼牌、阿美等石油巨頭提供企業級決策建議。

三、幾點建議

夯實產業基礎，突破人工智能與工業互聯網平臺融合的關鍵共性技術。一是構建高質量的公共數據集。鼓勵滿足條件的工業互聯網平臺企業開放具備一定規模的生產環境、視頻圖像、文本對話等數據集，建立高質量的公共測試數據庫。

二是加大算法研發應用力度。推動科研院所、行業龍頭企業開展協同研發和創新應用，圍繞卷積神經網絡、遞歸神經網絡等算法開發相關工具，完善開發環境。

三是提升算力支撐能力。引導和培育一批算力提供商和算力交易平臺，探索算力租賃、交易、托管等新服務模式。

聚焦場景應用，引導加快面向工業互聯網平臺的人工智能產品開發。一是加快重點智能設備研發。加快智能傳感控制、智能檢測裝配、智能物流倉儲等重點技術裝備的開發，布局和積累一批核心知識產權。

二是突破邊緣智能核心技術。重點突破圖形處理器、現場可編程門陣列、專用集成電路等一批關鍵核心技術，提高硬件基礎支撐能力，實現圍繞邊緣設備的感知、控制、決策和執行等功能。

三是加快行業機理模型沉淀。聚焦AI工業應用，建設工業互聯網模型算法公共測試驗證中心，堅持以測帶建、以測促用。

四是培育基于AI的工業APP。引導工業互聯網平臺企業搭建制造業創新中心，開放開發工具和知識組件，構建開放共享、資源富集、創新活躍的工業APP開發生態。

完善生態體系，構建工業互聯網平臺跨界融合新模式。一是強化示范引領。在現有工業互聯網平臺相關專項和試點示范中，增添人工智能方向的應用試點，加快推動復雜環境識別、新型人機交互等人工智能技術與工業互聯平臺融合發展。

二是優化公共服務。面向語音識別、視覺識別、自然語言處理等領域，建設能夠提供知識圖譜、算法訓練、產品優化等共性服務的平臺和開源社區。

三是增強人才儲備。鼓勵高等院校設置人工智能工業應用課程，開展人工智能專題教育和培訓，加緊培育一批急需的人工智能人才。

四是加強宣傳推廣。通過開展現場會、人工智能大賽等形式，凝聚行業共識，提高公眾認識，挖掘優秀做法，推廣典型案例，積極營造產業發展的良好氛圍。