第1章 我们为什么需要工业人工智能

1.1 工业系统为人工智能带来的新视角

在人工智能技术（AI）的发展浪潮之下，世界各主要国家纷纷将发展人工智能上升至国家战略的高度。国务院印发的《新一代人工智能发展规划》明确了中国新一代人工智能发展的战略目标，到2020年，人工智能总体技术和应用要比肩世界先进水平，使人工智能产业成为新的经济增长点，为社会和产业的发展提供新的动能。2018年6月，中国第一本面向高中生的《人工智能基础（高中版）》教材发布，同时全国40多所学校引入该教材作为选修课或校本课程，成为首批“人工智能教育实验基地学校”，这是国内中等教育体系首次引入人工智能（AI）教材，人工智能教育在中国开始迈入基础教育阶段。除了面向初高中的AI教育外，机器学习和数据分析课程也成了职场中最热门的在职培训，许多人认为掌握AI技术就像互联网时代熟练使用电脑一样会成为必备技能。2018年11月，一则AI应届博士年薪80万元的新闻再次成为社会关注的焦点，除了引起人们的惊呼和羡慕外，也有一些质疑的声音，AI的应届博士生真的能够创造这么多的价值吗？这其中有多少泡沫的成分？硅谷的人才争夺战其实在2016年就已经拉开序幕了，刚毕业的深度学习方向的博士可以拿到50万美元以上年薪，有项目经验的博士可以拿到百万美元年薪，以谷歌（Google）、脸书（Facebook）和微软（Microsoft）为代表的科技巨头们都在用不合理的价格挖掘人才。我在2018年7月份与富士康科技集团郭台铭董事长到斯坦福大学演讲，来参会的有许多硅谷互联网公司的人工智能科学家，其中一位说他觉得很恐慌，因为每天所做的工作好像并没有那么大的价值，与他的收入明显不匹配，如果有一天泡沫破灭了他该怎么办？这使我意识到对AI人才泡沫的忧虑可能在世界各个国家都差不多，这背后的原因是人们对AI能够解决的问题和创造的价值充满期望，市场其实是在为期望买单，而不是为一个确切的价值买单。因此，人工智能技术在经历了较长时期的技术积累并在某些领域取得巨大商业价值后，面临的最大挑战是需要快速找到更多应用场景来满足市场和资本对它与日俱增的期望。

毋庸置疑的是，AI技术已经在许多领域解决了一些难题并开始创造商业价值，这些领域包括电子商务、金融科技、安防和移动支付等，有些领域甚至已经开始出现整合的趋势，未来会有新的巨头诞生；但是AI在工业系统中的应用还十分有限，人工智能科学家们可能会将原因归结于人工智能技术应用的基础条件还不成熟，数据、计算能力和算法这三个核心要素在工业系统中还不具备。我们接触过许多对工业场景感兴趣的人工智能公司，我发现他们都有一个共同的特点，就是会首先问我们有哪些数据，而不是问有哪些问题要解决。我想这是因为双方的视角不同，过去的人工智能应用更关注从数据的视角出发，寻找数据中隐藏的关系和应用机会；而工业更需要从问题出发，是以解决问题为导向的价值创造。

除了思考问题的视角不同以外，AI技术的应用目前还存在明显的限制和瓶颈，我们需要弄清楚AI技术能够胜任什么和还不能做什么，这样才能建立合理的期望，让AI技术去做它擅长的事情，同时对其他的基础和传统技术保持坚持和尊重的心态。

AI技术的第一个限制

AI技术无法帮助我们去突破现有的认知。我们更需要清醒认识的是，AI技术目前还不能帮助人们在基础知识方面取得突破，这些基础知识包括但不限于科学原理、工艺水平、设计与制造能力、系统工程、基础材料和试验验证。而这些基础知识才是决定工业能力的根基，因此我们可以期待AI技术能够在现有的基础上去优化效率、提升商业价值、通过建模分析预测和避免一些问题、降低人力等，但是无法期待AI技术能帮助我们去突破现有的认知。AI技术可以在现有工业系统的基础之上持续优化效率，但并不能帮助我们实现“弯道超车”，更不能取代基础研究的投入。人工智能与工业相结合，还需要探索更加明确的应用场景，设计体系化的技术架构，制定与工业系统相匹配的技术标准，明确与既有的运营流程相结合的实施方式。

AI技术的另一个限制是“机会性”，而非“确定性”

AI技术的另一个限制是更多面向解决问题的“机会性（possibility）”而非“确定性（deterministic）”，这也限制了AI的应用目前更多是以机会为导向，而非以问题为导向（problem solving）的思维方式，所以人工智能科学家（或数据科学家）在工厂会首先关心有哪些数据，而非要解决哪些问题。当工厂的管理者问他们能够给工厂带来什么价值的时候，他们更希望首先建立大数据环境和强大计算力的基础设施，然后再从数据中寻找创造价值的机会。AI技术在互联网和电子商务中以“机会性”为导向的应用确实带来了一些商业上的成功，比如基于对客户历史消费的行为分析，判断客户可能会对某一些产品感兴趣，短视频播放平台就会直接把主页面、分类和搜索等功能全部省掉，只推荐客户可能感兴趣的视频，如果不感兴趣就直接播放下一条；交友网站推荐可能感兴趣的人，喜欢的向左滑，不喜欢的向右滑；Facebook和Google分析人群的偏好，以便更加精准地投放广告。这一些应用都是以机会为导向的，追求的是快速反应和对情绪的影响，准确度和确定性并不重要，重要的是不要错过任何可以产生商业价值的机会。人工智能应用的最大挑战并不在于技术，而是在于如何产生应用的价值，过去更加关注社会问题、商业问题和社交问题，这些都是处在比较发散和机会导向的视角。如果把技术当作工具来看待，更加重要的是如何利用工具。就像现在很多人都会用Excel，但是未必懂得如何做财务统计，也未必会分析股票行情，更不见得会企业的经营管理。AI算法就如同Excel一样，虽可以掌握算法并不代表能够解决问题。现在的AI教育大多是在教理论和工具，却并没有教会如何解决问题。

工业场景中问题域是有限的，问题是可以收敛的，比如在一个工厂中不可能会存在几万种质量问题，这时可用AI进行质量问题的识别和预测，当把某个质量问题的核心解决掉时就能够带来突破。现在对人工智能初创企业的投资失败案例中，有40%是找不到可以应用的场景，有30%是因为资金问题，有20%是因为创始团队分歧，而只有10%是因为能力和技术不足。因此，成功与否的最关键因素是能不能找到合适的应用场景；在判断一家公司的技术是否有价值的时候，更倾向从他们要解决的问题中判断是否存在过去没有被解决的问题，要解决的痛点到底有多痛。比如有公司开发用AI技术在烘焙坊的收银台实现自动结算和收款功能，可是给面包结算和收款并不是急需解决的问题，食品安全、食物口味和食品营养才是更需优化的问题。许多AI技术目前还在关注的都是显性的问题，或者说是已经解决的问题，只是用AI技术去替代原有的解决途径。

我们也发现AI技术的应用场景在国内部分企业中存在一些误导，甚至一些应用从美国借鉴过来后发生了偏差。比如亚马逊公司（Amazon）推出了“Just Walkout超市”，提出的理念是无感支付，而到了中国就被曲解成了无人超市，认为这项应用的价值在于“无人”。试想，如果无人了，那么顾客在超市中打破东西该谁来清理？难道售货员的服务不是有价值的吗？无人之后带来数以百万计的就业流失该怎么办？无人超市虽然看起来很酷炫，但是否符合基本的逻辑和社会价值？还是说这个概念更多是一种噱头？

工业场景的应用目标最明确，场景也最多。提质、增效、降本、减存是普遍存在的需求，如电动车电池效率不稳和人员驾驶行为的分析；风电的发电效能如何优化；我国高铁虽然运营公里数为全球最长，但轴承还需要进口的问题亟待解决；中国大陆还无法生产10nm以下的半导体产品，而中国台湾和韩国已经在努力生产7nm以下的产品。有这么多的需求和机会，为什么不换一个视角将AI技术应用于工业呢？

总结而言，工业场景为AI技术提供的新机会和新视角包括：

（1）工业为AI技术提供了新的价值视角，从过去以机会为导向的发散型应用，转变为以问题为导向的收敛型应用。

（2）AI技术的应用需要更多聚焦在解决过去还没有解决的问题上，而不是创造新的需求或者换种途径解决已知的问题。

（3）工业场景中的问题更加具象，有更加明确的价值标准，解决工业场景中的问题将为AI技术提供一片新的应用蓝海。