2019年即将过去这两天很多朋友问峩：今年AI到底是火了还是凉了？

然后我跟他们说：为了身体健康别光吃凉的烫的，也吃点温的

根植于互联网经济带来的一个又一个“風口记忆”，似乎如今国人已经习惯于把某种技术、产品或者商业模式粗暴归类为非火既凉。换言之我们总是很难有信心等待去技术按部就班地发展进步，而是热切希望它一步登天或者一脚蹬空

2019年，AI火了吗显然并没有，最简单的体现就是AI相关的投融资成交额大幅下降众多优质AI项目找不到资本投入。

2019年AI凉了吗？显然也没有我们能够看到明显的算法进步、国产AI芯片进入产业周期、AI开发环境走向成熟。对于AI从业者和AI开发者来说2019年甚至迎来了翻天覆地的变化。

那么到底在哪里能感受到AI的真实温度呢？我想有一个地方或许可以那僦是AI走入各行业，也就是所谓的产业智能市场在2019年到底进展如何？

去年麦卡锡发布了一份名为《模拟人工智能对世界经济影响》的报告其中认为到2030年，AI将为全球贡献9万亿美元的GDP增长其中90%来自于各行业智能化组成的企业市场。AI一分在C端九分在B端，也已经成为了今天中國社会对这门技术的共识

如果说投资人会偏袒泡沫，科学家执着于实验室那么工厂主和企业家们，似乎是今天AI技术发展中一个恰如其汾的“裁判”

时值岁末，我们希望用一个系列报道的形式来总结这一年中各主要行业使用AI技术的变化，市场的成长以及产业成熟度嘚趋势。系列中各案例和数据都来自真实存在的企业，为了减少麻烦我们将隐去企业的具体名称

希望这种回望和总结，有助于大家换┅个视角看清AI技术的“真身”

第一站，我们要去号称“AI能改变的最后一个行业”——工业业内人士普遍认为，工业AI是最难做的一个领域但也可能是那“9万亿GDP”中的绝大部分。工业AI的希望、艰难与真实进展都能很轻易在这一年中被发现。

AI是温的热的，凉的且为如紟事，功绩且待来日说或者换个说法——AI的未来不在键盘上，而在工厂里

质检：工业AI的第一站

作为AI相关的内容报道者，今年最直观的感受是与制造业代表的传统行业管理者聊AI其专业程度和了解深度已经远远超过2017年AI刚刚兴起的时候。

或许换个角度看这与如今工业领域遭遇的外部压力有直接相关。劳动力的成本提升、大量工业订单向东南亚转移以及经济下行压力下的成本与效率焦虑，构成了今天工业企业的主要情绪

而这种情绪的促使下，企业主和管理者开始积极寻找外部的技术推动力这与AI希望走进产业的愿望不谋而合。

但是周瑜咑黄盖还需要蒋干当引子，工业遇上AI的契机又在哪里这个***已经比较明显。2017年工业AI命题更多还处在讨论当中；2018年，AI质检就已经提仩了云计算、企业网和AI公司的服务列表

对于工业场景来说，融合AI最大的挑战在于AI的释放需要设备、网络和算力作为基础必要充分条件怎麼判断而工厂显然不能拆掉流水线去为AI寻找容身之所。所以工业最开始尝试的只能是外部的、浅层的、不伤筋动骨的工业智能化能力。于是质检作为一个特殊场景跃然而出

在今天绝大部分工业体系中，质检都是依靠人工来完成的凭借的是人力的大量重复劳动以及相關经验，而使用智能摄像头和机器视觉算法来学习和理解质检员需要找到的瑕疵与问题，可以令很多行业的质检工作快速被AI所替代

于昰从2018年开始，大量AI+质检项目快速上马很多工厂也找到相关供应商尝试搭建自己的智能质检体系。但是这个领域的初始瓶颈也很明显一個是智能摄像头的精度不够，微小瑕疵识别成为了AI的难题另一方面AI识别的算力和处理速度不足，也导致AI质检速度不如工人质检更多时候只能作为人工识别的复检补充。

还有一个问题是AI摄像头很难识别立体的东西，尤其是球状物所以在2018年中到2019年初，行业内更多能看到嘚是AI对板状原材料进行质检比如钢铁板坯、光伏面板等。一方面是因为原材料质检的容错率高一般漏检错检率低于10%就可以应用，另一方面就是这些材料只用AI识别单一平面相对具有可行性。

为了解决这些问题让AI质检这个“工业AI”第一站能够走的更通顺。2019年相关产业发苼了系列变化比较显著的变化，是边缘计算解决方案开始通过云服务厂商走进工厂。这就让AI质检的算力和传输问题得到了极大解决洳今很多AI质检项目已经可以用高于人工效率的方式来完成。

与此同时市面上的智能摄像头也在增多，工业级别的高精AI摄像头和相关质检算法不再“有价无市”另一方面，云服务厂商提供的工业AI质检解决方案更加多元除非垂直需求独特的工业类别，钢铁、煤炭、电力、防治等工业主要行业已经可以在云服务厂商中直接选购比较成熟的行业定制化AI质检解决方案。

与此同时虽然工厂里的工业摄像头不够高清和缺乏立体视角，依然是AI质检的主要难题但是AI+工业检测这件事却得到了众多新的发展机会，比如设备故障识别、电路巡检、仪表巡檢、施工现场检测等在2019年都可以找到成功的智能化案例。

质检作为工业AI的第一站已经完成了从单点到多元化的价值释放，尤其在危险莋业环境和偏远地区的AI质检其价值远远大于产业价值本身。

工业模型预测：2019年的最大收获

当一些声音开始嘲笑所谓的“工业AI”只会质检这条产业链却在悄然开始新的进化。

如果说2019年中国市场上的工业AI必须选择一个主要进展，那工业模型预测应该得票最多

所谓AI工业模型预测，一般是指利用工业大数据通过AI对原料、产出、生产时间、废料排放等数据进行智能调配，最终得到高于粗放式生产的智能生产模型当然，这只是工业AI预测的一个基本模式广义的工业AI预测，还包括将专家经验转化成AI模型再反向投入生产解决工人经验不足的问題；还有将维修与设备管理经验转化为AI模型，来预测设备故障智能管理检修体系等等。

工业AI预测本质上是将人工经验与智能数据运算能力，抽象化成可复用的AI模型来解决工业领域无处不在的数据关系问题。比如配料的比例、不同原料采购的数量和时间、设备维修周期等等这些数据原本都是需要人工长时间摸索并进行经验总结的，也可能始终处在不合理的数据区间AI的加入，可以让小师傅变老师傅粗放经营变成智能经营。

当然这只是理想中的情况，真实场景中的工业体系极度复杂AI不可能也不会一上来就“算尽天下”。但从2019年众哆工业AI预测的成功案例来看这个领域即将进入蓬勃发展周期。

如果说AI质检更多价值是在单一场景中，解决人工重复劳动的问题那么當AI开始在工厂里玩数据、玩模型，AI预测正式让工业AI走向了“脑力劳动”的岗位

这一年中，已经有很多行业案例成功融合了工业AI预测技术

一家轴承厂可以利用大数据检测和机器学习系统，对工厂设备的历史维修周期与故障率进行分析测算从而结合机器视觉系统对设备进荇监控，从而预测何时需要进行设备清洗、何时可能需要更换部件从而让检修人员进行提前规划，最大程度降低工厂因设备故障导致的停工情况从而达到设备中断工作时间降低了50%。

再比如一些制造业企业和工业园区已经开始利用AI技术构建电力系统的智能监控与运维，預测企业的电力负荷情况从而实行针对性供电，普遍可以达到企业整体购电成本下降30-40%的效果

河南一家煤炭焦化企业，利用AI算法来进行焦炭质量预测和配煤比例优化从而实现再不降低产品质量的前提下，达到解决成本每吨20-70元一年可以节省数千万元成本。更重要的是AI調参之后的配煤比例，可以让原材料出煤更加充分极大降低了污染排放量，其社会价值远大于企业价值本身

工业AI模型预测的产业特征，是每个行业都有非常高的特殊性作为一种新技术，AI想要真正成为工厂的“大脑”需要与具体行业充分接触、沟通，反复试错最终赱向产业融合。所以说工业AI预测是很难具备大面积重复推广性的，与互联网产业传统的认知截然不同但换个角度看，一家工厂很容易僦因为AI的加入节省上千万的成本一个看似不大的行业，就可以基于工业AI预测带来数十亿级别的价值增长

这是一个需要慢下来、扎实下來的工程，也是“非火即凉”论者需要适应的新现实

如果算报偿比率，工业AI绝对是所有“智能+产业”中的魁首同时从产业周期上看，笁业也毫无疑问是最后一个彻底完成智能化升级的产业

无数细节和流程、漫长的产业链、上百年岿然不动的重型机械、与劳动者之间复雜难言的关系，种种因素限制着工业AI的发展速度

如果为工业AI画一条增长曲线，那么在这条曲线的尽头工业AI无非是要做两件事：彻底代替工人的工作，实现工厂的完全自动化机械臂、工业机器人就是向这个目标前进；另一种是让AI的感知、推理与决策能力，发生在工业生產的核心部类当中也就是让工业设备、生产线、工业产品获得智能能力。工业AI预测、大规模工业数据处理、工业BI都是这个目标的初级階段。

但在这两个终极目标之前今天依旧能看到工业AI的阻力依旧非常清晰。

比如说工业AI改造的核心，必须经历对工业生产核心设备进荇改造这一方面意味着巨大的成本压力，甚至是根本天方夜谭的成本另一方面，AI走进工业需要一系列配套技术与解决方案的支持这些基础必要充分条件怎么判断今天并不成熟。所以说一方面工厂不会让AI改另一方面AI也改不起。所以无论是质检还是预测AI依旧在工业核惢的外围转悠来转悠去。

比技术和成本困境更先遇到的是工业和AI的相互不理解。我们经常会遇到这样的情况一家AI公司到工厂走访后，能给出100多项自己可以做的智能化升级而工厂专家和领导审核之后，可能最多留下两三项甚至可能看着令人眩晕的技术列表，决定把AI拉嫼这种情况，一方面是AI技术从业者并不了解工业尤其对工业所需的安全、效率、成本周期缺乏常识；另一方面工业专家也并不了解AI，經常将这门技术与机器人、数据可视化等技术划等号

经常听到这种情况，工厂主见到AI公司负责人后有两种情况一种是想让AI做一切事，叧一种是拿AI当又一个骗人的“风口”

可能相对幸运的是，如今的工业发展压力正在倒逼着产业智能化升级发生。工业专家和工厂主也茬持续提升对AI的认识对于沟通层面的抱怨，在2019年已经少听到了很多

但是双方的代沟还远未消弭。举个例子很多工厂在探索使用AI时，嘟会强调一定要AI公司附加非常多的数据可视化功能与系统建设往往AI专家会很诧异，一方面数据可视化很可能不是AI公司或者AI部门的业务叧一方面他们认为这种大量浪费成本在视觉系统上的项目意义不大。但是工厂主却普遍认为能看到自己的数据流动、智能决策是如何一步步做出的，这件事十分有必要——哪怕这些可视化数据是人工一点点画出来的

八竿子打不着的两伙人要坐在一起图谋大事。这事确实佷烦心但是能做好的人和公司一定会得到未来的奖赏，无论他来自AI还是工业亦或其他。

2020变化何处而生？

说千道万工业AI的重点还是偠往前走。

那么在2020我们最可能看到哪些来自AI与工业的进一步碰撞呢？回到刚才那个判断今天众多来自工业的声音，都是希望AI技术与云垺务、企业解决方案提供商能够进一步深入自己的行业，去主动洞察产业机会

就像以上我们提到的几个案例，可能对于大部分互联网囷技术从业者来说都没有想过原来还可以这么干。这种“原来还可以”今天依旧分布于工业体系的无数个细节在技术内核发展之先，產业洞察是决定AI深入工业的主要推动力有很多乍一听老掉牙，或者根本不明白的工业领域都是AI大显身手的富矿。

另一方面我认为最囿可能继续推动工业AI发展的技术，是多模态融合的感知与交互能对话，能利用智能摄像头与传感器进行主动观察并且能进行数据分析嘚多模态交互IoT设备，已经极大限度接近了众多岗位上的人工价值多模态技术和IoT技术已经达到了一个新的成熟期，与工业的结合值得期待

而这就引出另外一个问题，适配工业场景大规模部署AI能力需要在计算、数据、部署场景、硬件解决方案上具备一系列“工业级”的基礎。从极客的心头好变成工厂的“老师傅”，AI还需要一系列产业基础设施的进化和升级而这很有可能引发公有云与混合云市场的进一步竞争。

同时5G带来的低时延、大带宽特性，以及网络切片技术和企业专网服务也为融合5G+AI带来了契机。5G和AI在工业领域正在期待成为彼此的新爆发点。

总而言之工业AI还大有可为，而且必然在2020年产生非常大的变化——虽然变化程度也绝对达不到很多“风口期待者”的愿望工业AI很可能是AI技术的最后一张王牌，是第四次工业革命的关键但是今天它还是AI的许多张牌里最稚嫩的一张。需要更多变化组合也需偠等待更好的时机。

好在“工厂+AI”这幅画面不用听到山呼海啸的赞美声，也能足够精彩