不得不知，我国人工智能的发展方向！

1、工业智能的定义

工业智能是工业领域中由计算机实现的智能，具有自感知、自学习、自执行、自决策、自适应等特征。

可以认为，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。将工业智能定义为由计算机实现的智能，具体是指在现代计算机的计算能力基础上，在时间和成本可接受的范围内，通过计算机解决的问题。目前来看，在可预见的相当长的时间内，计算机将成为研究工业智能的主要物质手段和实现工业智能技术的唯一实体。

2、工业智能的问题分类

现代计算机解决工业问题需要三个步骤，采集数据，将数据代入机理，最终形成结果。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。

工业领域图

为了更好的分析工业智能的功能范围，我们提出了工业智能的基本框架：构建一个四象限横纵坐标轴，其中横轴为计算的复杂度，是计算机算法的时间复杂度，与工业机理的复杂性和算法的实现效率直接相关；纵轴是影响因素的多少，与相关问题涉及的变量个数直接相关。据此可将工业问题分解为四类，一是多因素复杂问题，二是多因素简单问题，三是少因素简单问题，四是少因素复杂问题。

工业系统自下而上包括设备/单元级、车间级、企业级、协同级等四个层级，其对应的工业问题也呈现一定的规律性分布。具体地，设备/单元级和车间级工业问题的影响因素通常较少，但和工业机理密切相关，导致计算复杂度较高，其中设备/单元级问题的复杂度更是普遍高于车间级。企业级和协同级的工业问题并没有过于复杂的机理，但影响的因素较多，其中协同级问题的影响因素普遍多于企业级。除各层级在体系中的范围性分布外，还存在部分多影响因素高复杂度的点状问题。

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。

除上述两大技术方向外，工业领域还存在许多解决问题的其它方法：对于影响因素少、计算复杂度低的问题，通常采用最优化方法进行精确求解。对于影响因素相对较多、计算复杂度相对复杂的问题，通常利用数学近似的方法对真实物理系统（几何和载荷工况）进行模拟，即有限元分析，实质是对复杂问题拆分为若干简单问题的近似求解。对于复杂度较高且影响因素较多的问题，目前仍然主要通过实验方法来解决，比如原材料的配比。由于以上方法没有体现工业智能所定义的自适应自学习等智能化特征，故不作过多讨论。