工业智能的内涵

制造业升级的最终目的，是从数字化、网络化转而最终实现智能化。当前制造业正处在由数字化、网络向智能发展的重要阶段， 核心是要实现基于海量工业数据的全面感知，和通过端到端的数据深度集成与建模分析，实现智能化决策与控制指令。工业智能（或工业人工智能）是工业领域中由计算机实现的智能，工业智能的本质是承载于实体与系统，即计算机上的人工智能技术在工业领域中的应用，能不断丰富和迭代自己的分析与决策能力，以适应变幻不定的工业环境， 并完成多样化的工业任务，最终达到提升企业洞察力，提高生产效率或设备产品性能的目的。
通过既定数据带入已知机理形成预期结果的方式并不具备智能特征，而基于已知结果的梳理自动回答问题， 或者通过数据直接绕过机理或者方程直接形成结果的过程才是真正的智能化。深度学习和知识图谱是当前工业智能实现的两大技术方向，正不断拓展可解工业问题的边界。“根据已知结果梳理实现自动问答” 是基于以知识图谱、专家系统为代表的认知科学， 是解决已知工业知识的主要途径。 “绕过机理直接通过数据形成结果” 是基于以深度学习和机器学习为代表的数据科学，能更好地解决机理未知或模糊的工业问题。 当前工业智能主要体现在以知识图谱为代表的知识工程以及以深度学习为代表的机器学习两大技术领域的突破， 其中深度学习侧重于解决影响因素较少，但计算高度复杂的问题，如产品复杂缺陷质量检测。而知识图谱侧重于解决影响因素较多，但机理相对简单的问题，
如供应链管理等。多因素复杂问题可以分解为多因素简单问题和少因素复杂问题进行求解，例如产品设计等。两大驱动技术的发展，使工业领域内多因素简单问题与少因素复杂问题的可解范围进一步扩大，同时使部分多因素复杂问题可解。

工业智能的典型应用

工业智能的应用领域可以总结为五大类，即生产现场优化、 生产管理优化、经营管理优化、 产品全生命周期和供应链优化。
工业智能主要通过三种方式解决上述问题：一是通过知识图谱和专家系统解决多因素低复杂度问题， 在影响因素快速提升的场景，比如供应链风险管理、融资风险管控等，知识图谱的作用会更加明显。 二是通过机器学习与深度学习解决少因素高复杂度问题， 一些传统方法无法有效解决的场景如及微小故障的检测、不规则物体的分拣等， 是深度学习发挥重要作用的领域，而随着场景机理的计算复杂度提升，深度学习则发挥更大作用。 三是通过问题拆解解决多因素高复杂度问题，如产品研发等。而在例如安全风险分析、生产排程等因素和复杂度都较低的场景， 可以依靠人工经验或成熟的解析法解决，并不需工业智能方法。

工业智能的关键技术

• 深度学习基础技术的工业化适配是未来发展方向，深度学习应用技术变革极大提升可解问题的复杂度与效果
• 知识图谱通用技术的规范化适配成为主要推进方向

工业智能的产业发展

当前，工业智能产业视图体现为“两横两纵”，横向为知识图谱和深度学习两大关键技术，纵向为通用技术和应用集成两方面。 ICT 企业、研究机构及相关行业协会三类主体为工业智能提供通用技术支撑；在应用层面，装备/自动化与软件企业、制造企业、 ICT 企业和初创企业四类主体通过应用部署与创新实现工业智能价值。