【产业】互联网地产工业智能白皮书工业互联网联盟.pptx

;一、 工业智能的内涵 （一）工业智能发展背景 1、提升工业智能化水平成为全球共识与趋势 新一轮信息革命与产业变革蓬勃兴起，工业的智能化发展 成为全球关注重点与趋势。世界主要发达国家政府及组织高度 重视，积极出台相关战略政策，促进人工智能在生产制造及工 业领域的应用发展。美国于 2016 年 10 月和 2018 年 10 月陆续发 布了《国家人工智能研究和发展战略规划》和《美国先进制造 领导力的战略报告》，其中重点提及了产品全生命周期优化、 先进机器人发展、大数据挖掘、制造系统网络安全等内容。日 本从 2015 年起，发布了 4 份与工业智能相关的政策文件，包括 《新机器人战略》《2015 年制造业白皮书》《日本高级综合智 能平台计划（AIP）》《人工智能产业化路线图》，聚焦先进机 器人及大数据挖掘领域，推动设备故障智能预测系统的发展。 欧盟 2016 年 5 月发布了《数字化工业战略》，重点关注先进机 器人和工业自治系统的研发。 我国政府双侧发力，推动人工智能与制造业的融合发展。 一方面，积极推动人工智能技术为制造业发展注入新动力，在 《智能制造发展规划（2016-2020）》《国务院关于积极推进 “互联网+”行动的指导意见》《国务院关于深化“互联网+先 进制造业”发展工业互联网的指导意见》《增强制造业核心竞 — 2 —;;— 4 —;;— 6 —;;— 8 —;;方法是一种黑箱方法，其可靠性和可解释性问题限制了此类实 际应用的深入推进。三是 21 世纪初至今，可概括为数据/知识 深度洞察的时代，以深度学习、知识图谱等为代表的新一代人 工智能引发工业智能发展浪潮，典型代表有：基于工业大数据 驱动的优化、决策、深度视觉质量检测；工业知识图谱，解决 全局性、行业性问题；人机协作等智能工业机器人蓬勃发展并 实际应用。 二、 工业智能的典型应用 工业智能在工业系统各层级各环节具有广泛应用，其细分 应用场景达到数十种，如不规则物体分拣、复杂质量检测、供 应链风险管理、融资风险管控、设备运行优化、复杂质量检测 等。按照制造系统自下而上、产品、商业的维度，工业智能的 应用领域可以总结为五大类，即生产现???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，五类问题具有 不同复杂度和影响因素。 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 — 10 —;;;;— 14 —;;— 16 —;;周期加快 9 倍。瑞士创业公司 Neural Concept 开发了人工智能 软件并应用于自行车设计，首先构建结构形状库，然后利用深 度学习网络对不同设计方案进行空气动力学分析，在几分钟内 设计出的产品动力学特性比传统方法高 5-20％，并有望应用于 无人机、风力涡轮机和飞机等设计过程。;;（一）深度学习基础技术的工业化适配是未来发展方向 深度学习是当前工业智能的两大核心技术之一，基础技术 由下至上涵盖芯片、编译器、计算框架和算法四方面。工业领 域的特殊性对深度学习基础技术提出了新的要求，基础技术的 工业化适配是未来发展方向。 1、FPGA 半定制化芯片解决深度学习在工业领域的算力和实 时性等需求，可能成为工业推理芯片发展重点 工业问题的复杂性导致深度学习应用具有极高的算力要求， 必须通过 AI 芯片解决。深度网络所需的矩阵运算量极大，通用 CPU 博而不专，无法满足算力需求。一方面，CPU 架构中负责计 算的区域(ALU)占用面积较小，缓存和控制单元占据大量空间。 另一方面，ALU 与内存交互过于频繁，限制了总体吞吐量，并需 要大量能耗。使用 CPU 进行深度网络运算将导致较大的耗时与 功耗，提高计算成本，限制了在工业领域的应用。;;如美国 Sandia 国家实验室的机器人手臂 Sandia Hand 使用 FPGA 进行数据预处理；日本的研究人员提出了 ROS-Compliant FPGA 设计，使ROS Node 可以直接运行在FPGA 上；ROS 运营机构Open Source Robotics Foundation 发现机器人开发者对 FPGA 融入 ROS 的需求逐步提升。;;到新能源、化工、重工业等不同制造领域。INDICS 平台基于 tensorflow 进行轴承预测，并开发了基于INDICS 平台的算法建 模工具平台。 推断框架方面，端侧推断框架无法满足工业终端计算需求， 需定制化