工业智能白皮书

1 .

2 . 前 言 牵头编写单位： 中国信息通信研究院 当前，人工智能加速向各产业渗透，已经成为促进新兴 产业与传统产业、技术与社会跨界融合发展不可忽视的动力 。伴随第四次工业革命以及工业数字化、网络化、智能化发 参与编写单位： 展的大浪潮，在过去的两年中，工业制造业持续深化探索人 百度在线网络技术（北京）有限公司 工智能融合创新及应用：深度学习、知识图谱等技术创新、 凌云光技术股份有限公司 组合赋能和工程化落地不断加速；产业爆发期临近，老玩家 中国科学院自动化研究所 不断推陈出新、新玩家入局积极活跃；一批新应用场景涌现 ，并不断向研发、生产等核心环节渗透赋能，在更大范围内 中国宝武钢铁集团有限公司 发挥更核心的作用。在“十四五”开端，全面梳理工业智能 阿里云研究中心 的最新进展与发展态势，为产业界进一步探索提出有效指引 华为技术有限公司 ，具有重要的意义。 海尔工业智能研究院 深圳鲲云信息科技有限公司 在此形势下，工业互联网产业联盟组织编写了《工业智 树根互联股份有限公司 能白皮书》（2022），从体系内涵、技术、应用和产业等维 度进行了阐述。体系方面，对目前工业智能面临的问题进行 海康威视数字技术股份有限公司 了总结，提出了涵盖三个视角的工业智能发展体系。技术方 中国电信研究院 面，梳理了工业智能技术发展现状，围绕核心赋能技术创新 安徽海螺集团有限责任公司 与工程化突破两个技术发展路径进行深入分析。产业方面， 西门子（中国）有限公司 梳理工业智能产业现状与发展趋势，对支撑工业赋能的核心 新希望集团有限公司 技术产品进行分析。应用方面，总结工业智能应用发展的历 程，从应用场景、国内外应用与行业应用三个角度开展细化 杉树科技（北京）有限公司 分析。 SAP（思爱普）中国 IBM（国际商业机器公司） 总体来说，白皮书从技术、产业及应用三方面对工业智 PTC（美国参数技术公司） 能的最新发展现状进行深入研究，并在一定程度上对未来创 ANSYS 新变革方向有所预见，以期与业界共享成果。但由于工业智 能本身较为复杂，我们的认识存在一定局限性，不足之处还 长飞光纤光缆股份有限公司 望指正。 北京旷视科技有限公司 河北工业大学 腾讯科技（深圳）有限公司 白皮书编写组成员： 刘默、韦莎、李亚宁、王海萍、黄锋、关越、金刚、张勇 、金煜鸣、彭斌、白熹微、刘承宝、龚敬群、汪鸿涛、丛 洋、于琦、郑旭东、陈淳、文博武、王玥、詹锴、张弛 、项超、郭玉龙、汪阳、王涛、杨帆、丁平、许永硕、程 海旭、任志宏、郎燕、施战备、段海波、胡成国、何幼林、 徐亚军、刘晶、李南 以下单位提供了相关案例等支撑，在此一并表示感谢： 工业互联网产业联盟公众号 无锡雪浪数制科技有限公司、浪潮集团有限公司 

3 . 声 明 本报告所载的材料和信息，包括但不限于文本、图片、 数据、观点、建议，不构成法律建议，也不应替代律师意 见。本报告所有材料或内容的知识产权归工业互联网产业 联盟所有（注明是引自其他方的内容除外），并受法律保 护。如需转载，需联系本联盟并获得授权许可。未经授权 许可，任何人不得将报告的全部或部分内容以发布、转载、 汇编、转让、出售等方式使用，不得将报告的全部或部分 内容通过网络方式传播，不得在任何公开场合使用报告内 相关描述及相关数据图表。违反上述声明者，本联盟将追 究其相关法律责任。 工业互联网产业联盟 联系电话：010-62305887 邮箱：aii@caict.ac.cn 

4 .

5 . 目 录 一、工业智能发展背景 ................................................................ 1 （一）工业智能化水平不断提升，激活发展新动能 ....1 （二）与通用领域 AI 相比，技术进展逐步同步、产业 错位现象更加凸显 .................................................................... 2 （三）落地推进仍存在一系列问题 ................................ 4 （四）工业智能创新发展的体系框架 ............................ 6 二、工业智能技术进展与趋势 ................................................ 8 （一）演进规律与现状：四个发展阶段逐步清晰，当 前新技术应用不及预期 ............................................................ 9 （二）趋势一：面向更复杂问题更高性能需求的核心 赋能技术创新 ...........................................................................11 （三）趋势二：面向工业部署落地的工程化突破 ......16 三、工业智能产业发展现状及趋势 ...................................... 22 （一）跨界合作：围绕 AI 核心能力的两类典型合作模 式逐步成型 ...............................................................................22 （二）新竞争者涌入：咨询公司渗透布局，以定制化 智能解决方案优势扩大市场占有 .......................................... 23 （三）新环节分化与新主体诞生：行业数据标注与 AI 服务型企业成为典型代表 ...................................................... 24 （四）核心技术产品：现有产品体系格局下开展融合 创新 ...........................................................................................25 

6 .四、工业智能应用进展 .......................................................... 29 （一）发展规律：由技术导向的点状场景应用向需求 导向的综合智能应用演进 ...................................................... 29 （二）应用模式：机理知识相关性决定不同模式的应 用成熟度与潜力 ...................................................................... 30 （三）应用场景：生产管理智能优化是最主要场景， AI 已经与生产机理实现初步融合 ......................................... 35 （四）国内外应用：应用重点与需求差异性突出，我 国在深度与创新性方面有待提高 .......................................... 37 （五）行业应用：电子信息、汽车、能源电力渗透度 最高 ...........................................................................................40 五、总结与展望 ...................................................................... 45 

7 .一、工业智能发展背景 （一）工业智能化水平不断提升，激活发展新动能 1、工业 AI 成为全球共识与趋势 工业 AI 成为主要国家政策战略重点之一，推进人工智能创 新成为技术创新与融合应用的核心和共识。美国将工业 AI 纳入 关键与新兴技术国家战略，充分发挥信息技术领先优势，高度 重视 AI、先进制造业等领域，旨在通过工业 AI 发展抢占先机， 主导未来产业；欧盟则将工业 AI 纳入欧洲 2030 数字罗盘战略， 并发布人工智能白皮书，提出了在 2030 年实现 75%欧盟企业使 用云计算、大数据和人工智能的目标；日本将工业 AI 纳入其第 6 期科技创新基本计划，发布制造业白皮书，以人工智能技术 为基础，构建智能时代“5.0 社会”的未来蓝图；韩国发布《基于 数字的产业创新发展战略》，推广不同行业应用 AI 实现产品设 计与研发、制造工艺创新、新型智能化产品与新概念服务等。 2、工业 AI 巨大价值潜力推动市场持续走高 工业 AI 已经获得部分国家地区及领先工业企业的认可。一 是高价值高增速，AI 赋能工业制造领域的潜力大、增速动能强 劲，据埃森哲统计，预计到 2035 年 AI 应用使制造业总增长值 增长 4 万亿美元，年增长率可达 4.4%。二是高普及，工业 AI 在欧美等工业发达地区已经实现较高的普及率，据凯捷统计， 欧洲顶级制造企业 AI 应用普及率达到了 51%，其中德国有 1 

8 .69%的制造商部署 AI；日本制造企业 AI 应用率达到 30%；美 国制造企业 AI 应用率达到 28%。三是高认可，工业 AI 的应用 场景不断拓宽，而随着产业界的实践锤炼，在部分场景形成了 相对一致价值共识，据 MIT 报告显示，工业 AI 应用场景认可 度前三位是质量管控、库存管理和监控诊断，应用普及率分别 达到 59%、44%和 32%。 （二）与通用领域 AI 相比，技术进展逐步同步、产业错位 现象更加凸显 技术演进规律总体同步，工业领域跟随性逐步增强。一方 面，技术创新-应用探索-工程化的大路径一致。技术层面来看， 工业智能是人工智能技术在工业领域的融合延伸，而本阶段均 以深度学习为创新主线，目前均处于以工程化落地能力突破为 主的阶段。另一方面， 人工智能技术创新和工业领域融合应用 之间的滞后周期不断缩短。专家系统诞生与工业领域应用间隔 近 20 年；统计机器学习的工业领域应用基本在 10 年左右；而 深度学习、生成对抗网络等新技术于 2012 年后在通用领域开展 应用，不足 4 年便已经产生了工业领域探索实例。总体来看， 由于人工智能技术可用性的增强以及工业信息化水平的提升， 通用技术的工业落地间隔由 20 年逐步缩短至<5 年。 2 

9 . 图 1-1：人工智能 VS 工业智能 工业极度碎片化场景和特异性需求进一步放大 AI 原有差异 性。一是工业 AI 与通用人工智能的创新重点不同。工业 AI 高 价值应用通常集中在与机理强融合的场景，如设备预测性维护、 生产过程控制优化、基于知识的综合决策等，与具体行业、企 业甚至工厂产线的实际情况紧密相关，差异性较强，当前人工 智能在语音、自然语言处理（NLP）等应用技术层面的创新和 大模型构建等不是工业 AI 探索重点。二是工业对 AI 可解释性 等严苛要求导致技术创新与应用落地错位更加严重。目前深度 学习、GAN、知识图谱等相对前沿的技术创新与应用多数停留 在理论验证层面，实际落地推广成效不及预期。 3 

10 .（三）落地推进仍存在一系列问题 从企业应用实践来看，工业智能发展还面临很多切实问题 与困难。一是工业 AI 技术方案实施的资金及人力投入大，企业 难以负担成本。二是深度学习的可解释性不强。深度学习这种 “联结主义”算法本质是一个端到端的黑箱系统，模型很难对 推理结果做出解释，导致归因溯源、异常排查等变得十分困难， 限制核心环节或直接决策应用。三是模型无法满足现场计算更 新实时性的需求，部分高节拍的生产流程对工业智能模型的推 理及参数更新效率提出较高要求，边缘设备算力有限，未经优 化裁剪的原始模型往往无法满足。四是适合训练的样本数量不 足，深度学习模型性能在相当程度上取决于有效数据量的多少， 但工业普遍存在样本数据获取困难和高质量标注等问题，小样 本下的学习建模成为常态。五是硬件适配不足，工业领域的芯 片终端等硬件种类多，软件框架往往很难跟上工业芯片的发展， 从而导致底层芯片和软件框架的不适配。六是模型与方案复制 推广难。行业、产品、工艺等维度的差异性，导致工业 AI 面对 的场景及其需求差异化较大，任务多样性明显，不同行业/产品/ 工艺的需要重新建模、训练、部署。七是作业环境恶劣加剧模 型落地应用难度。工业生产环境经常面临高温、高压、湿度大 等极端物理情况，同时光照不均、高强度振动等因素也极大影 响模型的使用效果。八是应用开发周期慢，当前还无法摆脱人 工调参、模型训练的模式，应用开发/维护需要算法工程师 4 

11 .深度参与。九是数据模型的安全与知识产权问题有待解决。工 业部分智能化场景存在数据集共建、数据流通共享及模型应用 共建的需求，但当前面临企业顾虑多、技术还不成熟、法规尚 未健全等问题。 导致上述困难与问题的本质原因可归结为三大方面：一是 关键融合技术尚未突破，主要指以深度学习为核心的 AI 算法及 软硬件配套技术在可解释性、实时性、数据可用性、易用性与 适配性四方面还没有实现突破性进展；二是应用场景缺乏进一 步识别，需要进行高价值高需求场景或可复制推广场景的梳理 及遴选。 三是产业生态与保障机制还不完善，主要是数据共建 共享机制、模型知识所属权界定等问题。 白皮书将针对工业 AI 落地推广过程中面临的各个问题，结 合下文提出的发展体系，系统研究当前工业智能在技术层面、 产业层面、应用层面上的最新进展与趋势，为工业的智能化发 展提供一些启示与指引。 5 

12 .（四）工业智能创新发展的体系框架 图 1-2：工业智能体系视图 如上图所示，从功能、业务及实施维度考虑，构建涵盖技 术、应用、产业三个视角的工业智能发展体系视图。 1.技术视角：核心赋能技术与工程化关键技术共同使能 工业 AI 的技术体系由基础支撑、算法技术、应用技术和工 业适配技术四个层级组成，可划分为算法技术+应用技术的核心 赋能技术，以及基础支撑+工业适配的工程化技术两大类别。 核心赋能技术通过两类方式赋能工业。主要包括以机器学 习、深度学习和其他学习方式为主的数据科学；以专家系统、 知识图谱为代表的知识工程；以人机、类脑为代表的探索技术； 以机器视觉、NLP 和语音识别为代表的应用技术。一是基于算 6 

13 .法技术针对工业具体环节和问题进行赋能，通过数据建模分析 或知识图谱构建等方式，解决工业领域的个性化场景问题，如 生产制造过程参数优化、设备预测性维护、工业供应链优化等； 二是通用应用技术的工业迁移，将视觉、语音等相对成熟应用 技术直接迁移到工业领域，解决相似的工业问题，如表单识别、 产品表面检测、安全巡检等。 工程化技术主要解决核心赋能技术落地推广的关键问题： 一是基础支撑层，主要包括数据、芯片与计算模块、开源计算 框架等，涵盖人工智能算法、算力、数据三大要素的后两个， 为工业算法模型提供软硬件支持。二是工业适配技术，具体指 为了适应工业领域特殊需求、解决前文所述融合技术问题、实 现产业化相关的技术，如数据可用性、可解释性、实时性与自 动训练等，工业适配层面的技术是驱动 AI 实际落地工业的关键。 2.产业视角：关键融合产品、方案与服务 AI 与工业供给产业融合形成的核心产品、方案与服务，是 AI 赋能工业的主要载体。主要包括四个方面，按层级关系可分 为基础软硬件、智能工业装备、自动化与边缘系统、平台/工业 软件与方案。其中，基础软硬件是指各类芯片/计算模块、AI 框 架、工业相机等相对通用的软硬产品；智能工业装备是融合智 能算法能力的机器人、AGV、机床等通用/专用的工业生产制造 装备；自动化与边缘系统主要指融合了智能算法的工业控制系 统；平台/工业软件与方案既包括传统单机软件与 AI 融合升级， 7 

14 .也包含各类具有 AI 能力的工业互联网平台及其衍生的解决方案、 智能应用服务。 3. 应用视角：面向工业全环节的核心应用模式与场景 图 1-3：工业智能应用场景分布 工业智能形成三类核心应用模式。工业智能已经在研发、 生产、管理与服务等全环节形成各类智能化场景。一是识别类 应用，与工业智能的应用技术相对应，包括工业视觉检测、表 单识别和工业语音信号识别等；二是数据建模优化类应用，与 通用算法技术中的数据科学相对应，如基于机器学习、深度学 习技术的智能排产、设备运维、工艺参数优化等；三是知识推 理决策类应用，与通用算法技术中的知识工程相对应，如冶炼 专家系统、设备故障诊断专家系统、供应链知识图谱等。 二、工业智能技术进展与趋势 8 

15 .（一）演进规律与现状：四个发展阶段逐步清晰，当前新 技术应用不及预期 工业智能技术逐步由数据依赖向工业领域知识依赖演进。 阶段一是以被动式工业小数据小知识为核心的萌芽期，实现工 人操作能力的替代。在该阶段，由于企业信息化水平低下，生 产数据无法有效采集，只能被动通过少量数据进行建模分析， 同时工业视觉和自动化专家控制系统在此阶段得到初步应用， 替代工人的生产控制、产品质量分拣等简单决策操作。阶段二 是以工业大数据小知识为核心的感知时代，实现关联能力的补 充。以深度学习算法为核心的暴力计算方式出现，解决工业图 像识别、语音识别等问题，同时基于工业数据融合建模与知识 图谱浅层应用，挖掘隐含关系、实现分析优化；阶段三是以工 业小数据小知识为核心的感知增强+工程突破阶段，进一步提升 关联分析能力。包括面向动态、深度识别分析等各类复杂工业 任务的技术适配，以及围绕小数据、实时性、可解释性等各类 技术落地推广问题的突破，是当前所处的阶段。阶段四是以工 业大知识为核心的认知提升阶段，实现推理能力的协同。体现 为构建全局性工业知识图谱/工业大模型解决具有常识性、经验 性的推理问题。 9 

16 . 图 2-1：工业智能技术发展阶段 当前数据科学实际应用占比超过 9 成，深度学习应用不如 预期。相比于知识工程路径不足 5%的应用占比，数据科学技术 相对更加成熟，而其中基于传统机器学习开展建模分析、图像 分析识别等应用占比超 70%，受限于各类工程化问题的制约， 深度学习的工业应用占比仅超 20%，以深度学习为代表的主流 热点技术实际应用不及预期。 10 

17 . 图 2-2：算法技术工业应用占比 （二）趋势一：面向更复杂问题更高性能需求的核心赋能 技术创新 1.数据科学：围绕更复杂更多样的工业问题，以深度学 习为核心持续开展创新挖潜 深度强化学习从电子游戏走向工业实践。深度强化学习 （DRL）通过迭代试错，不断生成数据，机器使用这些数据来 确定完成工作的最佳行动方案，聚焦解决制造业复杂决策执行+ 动态环境变化相关的场景，围绕决策优化形成多类探索。如产 品设计与开发优化方面，基于 DRL 进行水翼设计，效率提升 10 倍，性能超过设计师。调度控制和加工路径优化方面，美国 Engineering 工厂基于深度强化学习优化产线调度，效率提升 66%；美国西北大学基于 DRL 开展刀具加工路径设计，样本数 11 

18 .量减少 10 倍，加工精度显著提升。运维管理和策略优化方面， 某风电厂某风电场强化学习维护策略，性能优于常用启发式算 法>30%。 生成对抗网络由消费领域图像走向工业应用。生成对抗网 络（GAN）由两个神经网络组成-生成器和鉴别器，通过不断博 弈达到“以假乱真”，聚焦增强或改善工业数据，为基于海量 高质量样本的模型训练奠定基础。一是增加工业样本数量，不 仅可生成缺少的样本，如国内学者研发 GAN 方法，通过国外轴 承数据验证了生成样本的有效性；还能基于 GAN 降低数据生成 成本，如橡树岭联合大学基于 GAN 补充基于物理的缓慢且计算 昂贵的数据/模型；二是改善工业数据质量，如针对弧光和飞溅 等强噪声导致基于视觉的焊缝高跟踪误差问题，上海交通大学 基于 GAN 修复焊接图像激光条纹，图像处理速度 19.6fps，满 足工业需求。 2.应用技术：基于深度学习提升面向生产与客户关键问 题的识别能力 工业视觉技术聚焦质量环节深化赋能，探索解决小目标、 新目标等复杂问题。一是解决小目标缺陷检测问题，如矩视智 能面向微小缺陷识别场景，采用基于深度学习的像素分割功能， 实现误差在 0.01mm 内的高精度检测。二是解决新目标检测问 题，优图工业 AI 关注出现频率很小的某些类型缺陷，提出数据 不均衡精细化实例分割解决方案，降低工业漏检率。三是围绕 视觉开展技术融合，发挥 AI 在图像领域优势，如日本 IVI 基于 12 

19 .AI 的高速冲压机模具更换预测，运用递归图/格拉姆角场方法将 信号图像化，自动化判定不良冲压产品，准确率接近 100%。 NLP 及语音方面向围绕用户的管理服务环节拓展，提升用 户交互识别能力。一方面提升控制等人机交互水平。如某电网 基于 NLP 提供故障检修的语言询问与引导式修复，缩短了故障 处理时间；现代汽车推出智能销售机器人 DAL-e，配置基于 NLP 的语音识别系统，实现客户销售互动。另一方面深度挖掘 客户需求，提升服务效率质量。Salesforce 的商业智能平台集成 NLP，分析预期客户购买欲望，评估销售达成率；达观数据推 出制造业失效分析知识图谱，应用 NLP 理解问题信息，精准找 到问题答案。 3.知识工程: 走向自动化与综合决策 工业知识图谱包含三个核心技术环节。一是数据获取环节， 通过获取 ERP、MES 等信息化系统数据，产品设计文档、设备 资料等业务文件数据，经过数据整合与预处理后构建本体。二 是知识加工阶段，经过知识抽取、知识表示、知识融合等一系 列语义处理后，成为制造决策所需的高质量知识，并通过知识 推理识别出可能存在的实体关系缺失或错误，进行图谱补全； 三是知识应用阶段，通过设备运维知识图谱、产品设计知识图 谱、供应链知识图谱等各类制造业图谱开展智能化应用，并进 行知识动态更新。 13 

20 . 图 2-3：工业知识图谱的基本构建流程与趋势 工业知识图谱走向自动化构建与更新，目前总体处于理论 探索阶段。一是语义处理环节由依赖人工处理走向自动化抽取 和融合，如广东智能制造研究所采用自动知识抽取技术，实现 多模态知识融合，构建工业设备运维知识图谱；哈尔滨工业大 学采用关系抽取技术，挖掘文本中的语义关系，构建工业制造 领域质量知识图谱；二是图谱更新环节由被动更新走向动态组 织自更新，目前已有部分机构建立知识“众包”机制，由人工 或半自动方式参与图谱管理（评价、新增、修改等）如武汉理 工大学面向协同开发场景，建立开放式工业知识图，由 NLP 与 人类专家共同完成知识图的建立、迭代更新工作。未来将综合 利用多模态数据、知识图谱、算法模型，使工业知识图谱具备 自配置、自优化能力。如香港理工大学面向制造任务规划场景， 构建制造资源知识图谱，结合基于图神经网络的嵌入算法，实 现 IKG 的自配置与自优化。 14 

21 . 工业知识图谱技术应用覆盖制造全环节，逐步由语义信息 检索和定性决策走向定量复杂决策。工业知识图谱技术包含三 个应用模式与层次：一是知识检索服务应用，多集中在经营管 理等服务环节，通过语义关联提升知识获取效率。如施耐德基 于知识图谱+AI 机器人，为供应商和客户提供咨询服务；中石 化知识图谱平台可基于个人需求，提供定制化知识服务。二是 知识匹配辅助决策应用，当前主要集中在设计与生产环节，运 用知识相似关系匹配提升精准服务能力，如西北工业大学构建 工艺知识图，共享/重用设计经验；上海工程技术大学基于设备 维修知识图谱，关联以往记录辅助维修。三是知识推理支撑复 杂决策应用，多集中在核心领域决策执行环节，通过集成机器 学习模型增强图谱推理能力，总体处于研究阶段。如大连理工 大学基于贝叶斯网+故障知识图谱，探究故障原因，提出维修方 案；美国国家标准与技术研究所利用分类回归树+知识图谱，自 动推导/改进设计规则。 图 2-4：工业知识图谱技术应用模式 4.探索技术：改变工业机器人交互和学习方式，目前处 于早期理论研究阶段 15 

22 . 国外顶尖高校/研究机构对人机与类脑技术展开了初步创新 应用验证，但尚未形成显著脑机接口作为按钮、遥控器等复杂、 耗时的机械控制装置的替代品。具备解放双手、无需实地、双 向交互等优势，卡耐基梅隆大学和明尼苏达大学的实验者通过 脑机接口装置控制机械臂准确实时跟踪光点移动，做到光点、 机械臂、眼睛三点同步；那不勒斯费德里克二世大学实验者将 机床装备温度、湿度等数据上传至 AR 眼镜中，实验者可通过 脑机接口调用数据，通过 AR 眼镜进行查阅。类脑计算强调通 过对环境的感知获取行动的指引，具备能耗低、多态感知等优 势。NASA 赞助的一项实验中，实验者用 4 片重 0.1g 的人工肌 内材料 IPMC 作手指组成的机械手，同等能耗下，机械效率远 超普通机械臂。未来，双向脑机接口、类脑+脑机接口等技术突 破将使高度拟人的机器人和人深入协作，而人类可以从机器的 学习中获取可解释性强的经验，孟加拉工商大学学者利用双向 脑机接口可以通过监测工人身体状态并向大脑发出预警，同时 控制机械的安全保护机制。 （三）趋势二：面向工业部署落地的工程化突破 1.实时性：芯片与模型“软硬兼施”，成为解决模型效 率问题的关键路径 聚焦工业端侧推理的(半)定制化芯片探索相对活跃，当前基 本集中在冯氏结构局部优化路径。冯氏架构用于 AI 计算面临内 存墙挑战在于访问存储器的速度无法跟上运算器消耗数据速度， 16 

23 .当前开展多样化技术路线探索，国内外新老 AI 技术企业与芯片 制造商聚焦质量检测、状态识别等工业边缘视觉场景，推出芯 片、加速模块甚至边缘计算盒子等相关硬件产品，如以色列芯 片独角兽 Hailo 发布 Hailo-8 AI 处理器，具有高达 26 TOPS 的特 点，采用创新的架构构建，使边缘设备也能够支持复杂深度学 习应用；以鲲云科技为代表的国内芯片企业通过自主研发实现 架构创新，推出 CAISA 3.0 数据流架构，并行执行数据访问和 数据计算，具有领先的算力性价比。总体来看，各企业根据自 己的技术积累与特点聚焦架构设计、场景优化等不同方向开展 多样化探索，尚未形成“包打天下”的技术模式与统一方向。 图 2-5：工业 AI 芯片两大技术路径 17 

24 . 图 2-6：国内外典型工业 AI 芯片企业与产品 模型效率提升技术探索活跃。一是知识蒸馏，学习大网络 的特征表示知识、无需引入新参数，适用于工业数据集规模较 小或者标注信息较少的情况，已在产品质检、设备维护等场景 中开展探索，如思谋科技利用知识图结构的蒸馏方式，提升目 标检测任务上知识蒸馏的效果，元器件检出率超 99.8%，人力 成本削减 80%；北航将知识精馏技术应用于激光条纹区域定位， 大大提高激光条纹区域定位的速度和精度。二是模型剪枝与量 化，灵活度高、压缩性强，适用于工业模型的训练样本标注信 息较多、且数据规模较大的情况，已在生产过程预测、流程优 化、质检等场景开展探索，如伍斯特理工学院采用参数剪枝和 量化技术，将 CNN 大小降低 18 倍，准确率、查准率和查全率 均超过 96%，适用于大量金属构件的实时检测；国内某高校压 缩参数数量并轻量化网络，最短平均诊断时间为 1.4ms，可用 于检查滚动轴承恶劣工况下的健康状态，提供实时诊断结果。 然而由于以上模型效率提升相关技术的专用性和学术性较强， 限制了工业落地推广。 18 

25 . 2.可解释性：聚焦设备管理、流程优化等领域开展初步 探索 形成两类工程化可解释性的破解路径。一是基于特征可视 化的方法，通过得到特征与结果之间的因果/相关关系，并进行 可视化输出，适用于在生产过程中有产品/设备特征区域定位需 求的场景，如质量检测、设备异常识别等场景需要对缺陷及异 常进行归因溯源，或是需要挖掘不同特征对检测结果的影响程 度。如韩国机械材料研究所运用类别激活映射图（CAMs）技 术来识别图像中特定区域对检测结果的贡献度，生成的热力图 显示了机械设备故障诊断中的重点关注区域；通用汽车同样基 于 CAMs 的颜色、信号步进速度等信息判断焊接件质量，可视 化的方法可以更好理解预测超声焊接样品质量分类器的学习过 程。二是基于逻辑/规则/知识的方法，利用决策树、决策规则、 工业知识图谱等可解释的模型构建黑盒模型的局部/全局近似来 实现解释，适用于需要输出易于理解的算法模型等工业应用， 或是工业算法模型较复杂、需要对模型进行简化的情况，如故 障根源分析、生产缺陷预测等场景。卢布尔雅那大学基于制造 过程中专家知识，提取描述工艺条件的信息，利用聚类技术、 规则提取及不同类型故障状态描述，输出可被操作员、工程师 等人理解的解释性模型；比哈奇大学使用基于树的学习算法梯 度增强框架，建立可解释的机器学习模型，预测设备或资产何 时需要维护。 3.数据可用性：聚焦小样本与数据集构建问题 19 

26 . 小样本问题是深度学习落地工业的最大制约，当前形成三 类核心路径。一是数据扩充，即对数据进行镜像、旋转、平移 等物理操作或通过 GAN 进行扩展，适用于工业样本在处理后仍 能够保留大部分原始特征，且工业数据集已标注，如类别、尺 寸和位置等场景。如山东大学基于 GAN 扩大用于微小缺陷检测 的数据集，实现 99.2%的缺测精度；阿丘科技通过数据生成方 法，针对单类缺陷仅需 30-50 张样本即可完成建模。二是引入 先验知识，通过模型预训练与迁移学习方法，适用于工业场景 目标领域和源领域数据关联性较强、特征相对一致，且源工业 数据集规模大、类型多样的情况。如华为云构建“盘古”预训 练大模型，实现电力缺陷快速识别，一个模型适配上百种缺陷， 平均精度提升 18.4%，开发成本降低 90%；浙江大学针对钢材 表面缺陷分类问题，基于 SqueezeNet 预训练模型，只需数百个 训练样本进行微调，获得较好效果。三是网络模型结构优化， 通过设计合理的网络结构高效利用现有数据，减少对样本的需 求，适用于工业模型数据集的标注信息较少甚至无标注的情况 （弱监督/无监督）。如国内某高校采用特征提取+特征变换+最 近邻的模型对小数据集钢材表面缺陷分类，每个类别仅使用 5 张训练集，分类准确率达 92%；台湾某高校引入基于多感受野 融合的网络改进热轧钢带的自动检测，从有限的数据中提供更 有意义的信息。 工业呼唤高质高量的“黄金数据集”，数据共建共享是未 来趋势。特定行业/领域具备数据共建共享需求，行业层面，基 20 

27 .于数据集开发智能算法模型，提升解决行业共性问题的能力， 如钢铁行业带钢表面缺陷检测数据集、面向特定产品生产的质 量根因分析数据集等场景。领域层面，产品研发、设备等特定 领域具备一定的共性需求，基于数据集提升解决场景化问题的 能力，如药物/材料研发、设备诊断与预测性维护、安全识别等。 国内外已有研究机构、企业探索公共数据集建立。基于韩国顶 尖软件商、高校等共同建立的人工智能制造平台(KMAP)，为中 小企业提供机器视觉、CNC 加工、OCR 光学辨识学习等 12 项 资料集，便于中小企业智能工厂的核心设备进行 AI 学习以提高 效率；宝马建立世界上最大的制造业人工智能参考数据集 SORDI，加速分类、对象检测或分割训练速度；国内东北大学、 阿里等高校及互联网企业构建面向钢铁、纺织等产品表面缺陷 公开数据集超过 15 个。然而由于企业对于数据资产/商业机密 泄露的担忧、现有隐私计算等技术手段的不信任、法律法规尚 未健全等原因，工业数据共建共享方面还未取得显著进展。 4.适配与易用性：AI 框架逐步从算法封装的载体走向 加速工业融合与规模化落地的核心 AI 框架是上承差异化工业应用 、下接多样化工业硬件的关 键。目前，TensorFlow、PyTorch 和百度飞桨成为国内工业领域 应用普及度较高的 AI 框架。适配性方面，不断完善工业端硬件 适配，如百度飞桨积极与硬件厂商合作，已经适配的芯片或 IP 型号超过 30 种，可面向目标硬件做定向适配，根据具体硬件类 型进行特属优化，保证端侧模型部署与推理速度；TensorFlow 21 

28 .RunTime 通过提供统一、可扩展的基础架构层，支持 ML 模型 在不同硬件上构建和部署，提升生产环境中模型训练与维护性 能；高易用性方面，不断构建配套工具链或完善工业相关组件， 如华为 MindSpore 面向电子信息行业+生命科学行业的模拟仿真 套件；TensorFlow Extended (TFX)打造面向工业场景的丰富组件， 帮助机器学习模型投入至生产环境。 图 2-7：AI 框架与工业领域的适配 三、工业智能产业发展现状及趋势 （一）跨界合作：围绕 AI 核心能力的两类典型合作模式逐 步成型 一是产品绑定型合作模式。依托工业企业获取领域数据， 提供智能解决方案，如以色列工业 AI 技术公司 Presenso 将基于 22 

29 .机器学习的解决方案应用于西门子机器和智能现场传感器生成 的数据，提供设备异常检测方案；美国 AI 初创公司 Neurala 在 意大利 IMA 公司的边缘控制系统中加入 AI 技术。或是依托成 熟的工业产品实现 AI 算法模型落地，如基于英伟达 AI 平台和 深度学习能力，宝马为自己的物流运输机器人配备了高性能技 术和深度学习感知模块。二是知识绑定型合作模式。借助工业 企业的专业知识，发挥 AI 企业通用技术优势，打造智能化产品 方案。如结合自动化企业 Teledyne e2v 在生产的专业知识以及 AI 视觉解决方案提供商 Yumain 的视觉技术，合作开发尖端工 业视觉检测方案；微软 Azure 平台结合自身 AI 能力以及意大利 特诺恩集团（Tenova）的钢铁行业知识，为钢铁企业提供预测 监控和维护、流程优化运营的智能方案。 （二）新竞争者涌入：咨询公司渗透布局，以定制化智能 解决方案优势扩大市场占有 咨询公司具备三方面布局优势。一是丰富的工业咨询经验， 如埃森哲拥有超过 50 年的全球咨询服务经验，具有来自 40 多 个行业的 9000 多名技术顾问；二是广泛的智能技术生态伙伴， 如埃森哲与微软、谷歌、亚马逊、SAP 具有密切合作关系，构 建形成了涵盖算力、算法、数据等 AI 核心体系以及工业技术产 品的生态伙伴关系；三是通过成立研究型机构构建技术优势， 如德勤于 2021 年在印度成立人工智能研究所，成为亚太地区推 23