工业智能白皮书（2022）

牵头编写单位： 中国信息通信研究院 参与编写单位： 百度在线网络技术（北京）有限公司 凌云光技术股份有限公司中国科学院自动化研究所中国宝武钢铁集团有限公司阿里云研究中心 华为技术有限公司海尔工业智能研究院 深圳鲲云信息科技有限公司树根互联股份有限公司 海康威视数字技术股份有限公司中国电信研究院 安徽海螺集团有限责任公司西门子（中国）有限公司新希望集团有限公司 杉树科技（北京）有限公司SAP（思爱普）中国 IBM（国际商业机器公司）PTC（美国参数技术公司）ANSYS 长飞光纤光缆股份有限公司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 工业互联网产业联盟公众号 前言 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、智能化发展的大浪潮，在过去的两年中，工业制造业持续深化探索人工智能融合创新及应用：深度学习、知识图谱等技术创新、组合赋能和工程化落地不断加速；产业爆发期临近，老玩家不断推陈出新、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，在更大范围内发挥更核心的作用。在“十四五”开端，全面梳理工业智能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 ，具有重要的意义。 在此形势下，工业互联网产业联盟组织编写了《工业智能白皮书》（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了总结，提出了涵盖三个视角的工业智能发展体系。技术方面，梳理了工业智能技术发展现状，围绕核心赋能技术创新与工程化突破两个技术发展路径进行深入分析。产业方面，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分析。 总体来说，白皮书从技术、产业及应用三方面对工业智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，不足之处还望指正。 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： 无锡雪浪数制科技有限公司、浪潮集团有限公司 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 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 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 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 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。 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。 （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 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。 （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 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