最近几年，人工智能（AI）的热潮席卷了大学、企业，春风也吹进了工业这个一直处于默默无闻的领域，据说“工业才是AI的试金石”——所以大量的商业AI领域的企业也想进军工业领域，以证明自身的硬核，这使得默默无闻了数十年的制造业开始变得具有了“Fashion”的氛围。
我们一直走在一个不被称为AI的AI道路上
今天我们为什么探讨的各种AI主要在“学习”，监督/非监督、强化、深度学习？在过去的几十年里，连接主义学派主要在研究“大脑”（Brain）的神经系统传递与堆叠形成的智慧，而符号主义则在研究心智（Mind）的逻辑推理获得判断的智慧，行为主义则关注“行动”（Action）反馈与执行.
经过各种曲折的过程，人们发现 “学习”是人类智慧的起源，这也是今天主要在讨论机器学习的原因。而行为主义——来自于维纳“控制论”的智能这个学派则默默无闻的工作着，只是一种自下而上的过程经常被认为不是AI，但是，它在现代机电控制、控制工程领域却做出了杰出的贡献。
其实在模糊控制、自适应控制领域，包括数据驱动的很多控制方法上，自动化领域一直沿袭着行为主义的“测量、反馈、控制、执行”的这个闭环思想，在对非线性、不确定扰动等工程问题进行着不懈的探索，有时候，我们需要为自己正名——就是自动化本身就是一个AI的学派分支。
人工智能真的是无所不能吗？
对于AI市场的炒作热度，工业界相对保持比较冷静的态度。贝加莱方案研究院院长陈妮亚博士是一个有多年AI算法研究和实践的专家，她对此表示：“在工业领域，AI还有很长的路要走，并且AI就目前来看，能够应用的场景是有限的。”当然了，陈妮亚博士并非要给大家泼冷水，而是希望大家冷静客观、遵循科学规律来认识、学习、分析、实践AI的工业应用。
“因为工业用户是非常苛刻的，必须有现实的商业价值，而不能仅仅是单纯的学术研究。必须能用AI解决现场实际的生产问题，提升效率、降低成本、提高质量，才能用实际价值吸引更多的投入。我们方案研究院的工作聚焦于通过机械、电气控制、智能算法与模型以解决产业的实际问题。”陈妮亚博士说。
就目前而言，在整个人工智能领域中，人依旧扮演非常关键的角色来对数据信息进行预处理，并设计合适的特征值再进行训练验证，机器干的都是“蛮力”，算力比较高。因此，从这个角度来说，AI能做什么，取决于人的需求以及对它的规划和设计。相对于模型驱动而言，数据驱动的方法更适合于解决非线性系统的问题，而这个就是AI擅长的。
表1-工业A I与商业AI的异同
工业AI与商业AI的差异
但是，毕竟工业与商业应用还是两个不同的世界，这使得在商业领域的成功较难在工业领域里进行复制，必须进行一些“改造”才能更好的进行应用，如表1我们列出了工业中的AI与商业中的一些不同。
工业哪些场景需要AI支持？
陈妮亚博士在贝加莱橙色讲堂中分享了她对AI工业应用的几个有价值场景的认识，包括了以下几个重要的方面：
1.智能导引
今天智能制造的推进，使得业务端更为个性化的生产需求，而这使得制造产线经常会遇到变化，因此在离散的制造业存在大量的“非标”产线——更确切的说，几乎每个产线都是定制的，而且生产不断的变化，这会让工厂运营商出现大量的机械调整与修改，在制品物流成为了一个非常关键的一环，包括生产单元间的输送等，而机器人则具有更好的灵活性，那么给机器人配置一个“眼睛”，让它去学习工作场景（零配件、加工路径上的工装夹具、任意位置的摆放）中的变化并指引机器人去抓取，就变得十分必要。灵活、复杂、多变的场景，常需要AI 算法的介入，以获得高精度的识别性能。
2.预测性维护
传统的基于模型驱动的预测性维护已经有数十年的历史，但是，其主要针对的是类似于飞机、大型燃气发电机组这类重型设备。工业领域需要特别专业的人经过数十年的积累，通过数据驱动的学习模式可以缩短这个过程，并且可能挖掘出更多的潜在信息。借助于云计算、边缘智能的基础设施与能力，来推进更为广泛的工业场景预测性维护是一个非常有前景的领域（图1）。
图1：预测性维护是一个最为普遍的AI应用场景
3.缺陷检测
随着电子制造技术的发展，制造视觉系统的元器件本身也变得便宜了，而视觉又是具有非常多的感测能力的（中心点计算、测量、匹配…非常多的可用场景），尤其是为了保障不良品不流入下一个工序，大量的视觉缺陷检测将被用于产线，同样也是一个场景变化非常大，无法有效的构建新的程序并大量测试验证，因为对于个性化生产来说，没有足够的批量进行物理测试验证生产已经结束了，那么就需要最为具有广泛适用性的缺陷检测模型来对各种变化的场景进行建模，形成健壮的模型对新的产品进入获得认知，进行分拣、剔除等动作。
4.参数寻优
在传统的控制中，都是针对一个静态的控制过程，并且参数往往基于安全值控制的角度来进行，那么，这并非是最优的，而是最安全可靠的，而在动态的变化中，如加速、减速过程、快速工艺切换的过程中，这些都会造成浪费，如何在系统中为各种变化的生产状态提供最优的参数，这个可以通过大量的学习来寻找最优值的组合。
整体来说，机器学习在硬件成本下降、灵活度及复杂性提高的行业大趋势中，凸显了它的优势。而传统的模型驱动会需要较长的时间与经验积累，较难在灵活的应用场景中达到简单易用的效果。
贝加莱工业AI的架构如何搭建？
图2：贝加莱可支持的机器学习架构
贝加莱具有各种场景和组合下的机器学习架构（图2）。其实，普通的控制器就可以做一些简单的学习——想想，AI就是一个程序啊！贝加莱这个控制器本来就可以高级语言编程（追溯到1993年），当然了，控制器本身主要业务是干控制，真正想干AI大的任务还是得用贝加莱集成Hypervisor技术的APC，这个可以支持Windows或Linux可以去处理AI程序开发和与控制任务（RTOS核）交互，PCIe的卡槽里可以插入一个华为ATLAS加速器这样的大算力，然后通过OPC UA到云端训练，下载到AI加速器上本地推理，并与运动控制、机器人进行交互，就可以干智能导引、缺陷检测与处理、预测性维护、参数寻优等活啦！当然，说起来就是这么简单，做起来还是需要兼通AI、控制、机电的专家一同来开发。