工業智慧前沿報告首先分析了工業智慧在全球範圍的發展態勢，分析工業智慧在各個領域的智慧技術發展現狀與趨勢；其次對我國工業智慧發展現狀進行解讀，以從政策、產業角度分別展示我國工業智慧發展狀況；然後給出了國際和國內在工業智慧發展中相應的可預見技術以及現存在的工程難題，透過研究現有問題，指出工業智慧的發展瓶頸和突破方向。最後，本報告給出了工業智慧發展的相關政策建議，展望工業智慧在發展過程中的重要方向。
一、 研究概述隨著人工智慧技術體系的不斷髮展完善以及物聯網、雲計算、數字孿生等新一代資訊科技的不斷成熟，智慧製造和工業網際網路正成為學術界與產業界的重點研究課題。工業智慧正是智慧製造和工業網際網路發展的核心。
工業智慧以工業產業鏈為主，服務於工業產業鏈上下游，以工業資料為基礎，人工智慧演算法為核心，其他先進資訊科技為輔助，透過對工業產業鏈中的各個環節、物件進行深度滲透與改造，從而達到重塑工業形態、提升工業能效的目的；同時工業智慧亦形成了向工業產業鏈外相關產業輻射的趨勢，透過在工業場景下的工業智慧成功案例推廣，推動綜合智慧技術在其它領域的應用，從而達到促進生活、生產模式整體升級的目的，也即以增量帶動存量，以創新引領革新。
在工業智慧的發展和應用過程中，多技術的升級與融合是促成這一演進的重要推動力。以深度學習、遷移學習為代表的新興人工智慧技術打破了傳統以知識驅動為核心的專家系統，同時大資料、邊緣計算、區塊鏈、數字孿生、知識圖譜等先進技術的發展為重塑產業生態提供了可靠支撐。工業智慧在複雜的工業場景中，必須要依靠通訊技術、資訊科技、資料技術以及人工智慧技術的深度融合，才能實現針對不同場景的適應度好的應用落地，因此，工業智慧不是簡單的工業+人工智慧，而是一種多技術融合應用到多場景的綜合智慧技術。
前三次工業革命分別把工業推向了機械化、電氣化、自動化，但人們日益增長的生活需求促使著工業向更高等級躍遷，而隨著傳統工業模式的逐漸成熟，節能減排的措施不斷落實，舊的工業模式已經無法湧動出更大的產能。因此，如何挖掘現有工業規模的潛力，釋放出最大化的能效，是工業領域踐行可持續發展和綠色發展方針所需要解決的重要問題。工業智慧正是解決這一問題的關鍵手段，透過智慧化、數字化手段改造傳統人工作業模式，形成設計、生產、管理自主決策，最佳化工業各環節的資源配置，綜合智慧技術打破傳統工業應用中的實施壁壘，由此激發整個工業生態的高效穩定產出。
儘管如此，工業智慧的發展仍然存在著阻礙與挑戰，傳統演算法伸縮性較弱、適應性較差，不利於同步新技術與適應新場景；工業資料安全性較低、保護機制不夠成熟，不利於智慧生態閉環建設；工業智慧模型複雜，部署成本高，消耗能量大，不利於專案落地。在此背景下，國務院、教育部、工信部、科技部等部門釋出多項政策，從基礎教育、產業佈局、資金投入、政策傾斜等多個角度，為工業智慧的發展構建了良好的環境。因此，撰寫組以工業智慧為核心，圍繞工業智慧與新興技術、工業產業的結合點，總結了國內外工業智慧發展現狀，提出了應用過程中出現的工程難題及挑戰，編寫了此份前沿報告。主要內容包括：工業智慧的全球發展態勢和我國發展現狀、國內外的技術預見及工程難題，最後給出了我們在技術和產業政策方面的建議。
二、 全球發展態勢工業智慧概念是隨著人工智慧技術不斷髮展以及其與工業應用不斷融合下出現的，以人工智慧技術為代表的第四次工業革命正在發生，其所促進的工業升級從傳統的機械化、電氣化、自動化向網路化、數字化、智慧化轉變，而工業智慧正是新型工業形態的核心要素。各國早早地認識到工業智慧為工業發展帶來的好處，已經在各個工業生產領域投入大量的研發資源，將大量先進技術投入到工業生產中，探索出一批成熟應用並將其快速推廣，以源頭推動工業產業鏈的升級。新的計算基礎設施、演算法以及工業流程和不斷增長的資料註定了工業智慧必將從傳統的依賴專家知識的演算法和計算機系統向藉助人工智慧技術進行智慧化、數字化的實時監測和控制轉變[1]。當前，工業領域中運用最多的是如卷積神經網路、迴圈神經網路等深度學習方法，它們主要被應用於影象分類、目標識別和影片跟蹤等計算機視覺應用與語音分析中。除此之外，其它人工智慧技術如強化學習、遷移學習、聯邦學習等，也在各個工業領域、環節中發揮了巨大的作用。在電力能源領域的研究中，人工智慧技術主要透過處理系統或能源基礎裝置上的感測器資料來實現檢測、預測、管理和實時控制。如基於物聯網的深度學習方法[2]，從資料中自動提取特徵，用於負載預測；採用隱馬爾可夫模型與 Q-Learning 結合[3]，用於分層智慧電網架構下需求預測的實時決策；基於層次時間序列特徵提取的三階段多檢視疊加整合機器學習模型[4]，用於檢測盜電和異常停電；加拿大溫莎大學採用特徵提取、選擇和去噪檢測風電場渦輪機軸承故障[5]，並採用自適應貝葉斯演算法預測風電場裝置剩餘使用壽命，以提升風電裝置維護效率；印度鋼鐵研發中心採用專家系統[6]，用於給出熔爐引數調整操作的專家建議以提升熔爐效率。
在工業製造領域的研究中，異常檢測、過程管理、過程最佳化以及預測性維護是當前研究的熱點。如採用增量式時空學習演算法[7]，用於影片監控的同時實時檢測和定位異常；採用向量符號架構[8],用於分散式故障隔離；採用裝置資料驅動的深度信念網路結合蟻群演算法[9]，用於硬體的狀態評估和預測性維護；採用稀疏自編碼器和深度信念網路處理多感測器特徵[10]，用於軸承故障檢測；美國 Corus 公司採用專家系統診斷結晶器液麵自動控制系統故障狀態；智利天主教大學採用基於動態增量主成分分析方法與卷積神經網路結合對工業電機故障進行檢測與識別[11]，在中試工業電機上的測試表明，方法故障檢測率超過 99%，虛警率低於 5%，識別準確率超過 90%；荷蘭 Scyfer 公司使用深度學習與半監督學習結合的方法對鋼表面進行檢測[12]，用於檢測鋼產品的罕見未知缺陷。
在工業資料處理的研究中，研究主要集中於人工智慧技術方法與雲計算、邊緣計算以及智慧感測器的應用融合中。如以使用者為中心的雲邊協同資料處理框架[13]，用於為物聯網和資訊物理系統提供隱私保護的同時實現資料的高效分析；採用自進化式的人工智慧方法[14]，實現在物聯網、資訊物理系統以及影片監控中資料的互操作；提出分層分散式的霧計算體系結構[15]，採用序列學習演算法結合感測器資料，用於基礎設施和服務整合；開羅美國大學提出了一種基於自動編碼器檢測虛假資料注入攻擊的方法[16]，一方面可清除虛假資料，另一方面也可恢復正常資料，提升了工業物聯網平臺安全效能；伊朗伊斯蘭阿扎德大學利用支援向量機和神經網路對工業製藥系統中淨水裝置的感測器資料進行處理[17]，用以檢測製藥水源水質異常，保障所生產藥品的安全性和質量。
在工業過程和實時監控的研究中，基於資料驅動的人工智慧方法是當前實現複雜工業過程的監測、控制和管理的研究熱點。如基於流資料樣本接收的遞迴緩慢特徵分析演算法[18]，用於粗加熱爐系統自適應過程監控；基於神經自適應分裂和合並徑向基函式神經網路[19]，用於控制溼法煉鋅廠的動態除鐵過程;基於強化學習的混合儲能系統[20],用於光伏發電和柴油發電組成的混合交/直流微電網線上最優控制；基於無監督定寬聚類的狀態識別[21]，用於監控和資料採集過程中的入侵檢測；基於多智慧體控制實現生產單元間的協同[22]，用於物流處理；俄羅斯科學院機械工程研究所針對自動化生產線上的產品質量與生產裝置的狀態進行監控[23]，基於神經網路對過程狀態進行識別，提高產品質量及生產效率；澳大利亞 BHP 公司採用熱平衡模型和專家知識，用於高爐工長指導系統實現爐熱平衡控制。
綜上所述，工業智慧在不同領域上都開展了一些研究工作，已經形成了一些成熟的應用模式，同時伴隨著人工智慧及其相關技術的發展和突破，工業智慧在擴大應用場景的同時也在不斷更新技術，以求將先進技術快速轉化為生產力。當前工業智慧的實踐已經證明，工業智慧的發展，促使工業產業鏈上下游、工業產業鏈內外側、工業產業鏈各環節的物件、服務、產品相互聯絡，以人工智慧為核心的智慧資訊科技體系，正推動著新一輪產業變革與應用創新，其將在協調各物件的過程中不斷提高生產效率和工業生態的穩定。
三、 我國發展現狀中國高度重視智慧產業發展，加快數字產業化、產業數字化，推動數字經濟和實體經濟深度融合。2020 年 5 月，國務院政府工作報告指出，要推動製造業升級和新興產業發展，提高科技創新支撐能力。支援製造業高質量發展，發展工業網際網路，推進智慧製造，培育新興產業叢集。要繼續出臺支援政策，打造數字經濟新優勢。2020 年 9 月，科學家座談會議強調經濟社會發展和民生改善比以往任何時候都更加需要科學技術解決方案，要堅持面向世界科技前沿、面向經濟主戰場、面向國家重大需求，不斷向科學技術廣度與深度進軍。
工業智慧是實現工業高效運轉模式的重要方法，它以工業大資料為基礎，強調人工智慧方法驅動與資訊科技的融合，用於對工業場景中的全物件、全流程、全週期進行感知、監測、控制、決策、最佳化、維護，推動工業模式變革，實現產業生態升級。要增強工業核心競爭力，形成戰略性新興產業和傳統制造業並駕齊驅、資訊化和工業化深度融合的產業發展新格局。
2015 年以來，黨中央和各部委先後在多個領域佈局，推進工業智慧在不同場景下的快速應用。2015 年 3 月工信部即開展了智慧製造試點示範專案；2016 年 4 月工信部召開光伏產業智慧製造研討會，提出要引導光伏製造業加快智慧化、網路化、資訊化發展，促進高階產能和落後產能的市場分化；2017 年 11 月印發的《國務院關於深化“網際網路+先進製造業”發展工業網際網路的指導意見》指出要發展先進製造業，支援傳統產業升級，形成智慧化發展的新興業態和應用模式；同年 11 月工信部發布的《高階智慧再製造行動計劃（2018-2020）》指出，要推進高階智慧再製造關鍵工藝技術裝備研發應用與產業化推廣，探索高階智慧再製造產業發展新模式；2018 年 12 月工信部印發了《車聯網（智慧網聯汽車）產業發展行動計劃》，同月協同交通運輸部、國防科工局印發了《智慧船舶發展行動計劃（2019-2021 年）》，分別指導陸地交通與水上交通工業的智慧化發展；2019 年 10 月工信部覆函山東省人民政府、深圳市人民政府，支援濟南-青島、深圳打造人工智慧產業集聚區，促進人工智慧技術的核心創新與深度融合應用；2020年 9 月工信部印發的《建材工業智慧製造數字化轉型行動計劃（2021-2023 年）》提出要建立建材智慧製造標準體系，建立建材智慧製造創新平臺，形成智慧化、數字化、整合化系統解決方案，促進行業變革。以上政策和行動說明，我國多點佈局，正逐步構建以智慧製造為核心的工業智慧新體系。
我國工業發展持續增長。據國家統計局資料，2019 年我國全年國內生產總值 990865 億元，全工業增加值 317109 億元，比上年增長5.7%，其中高技術製造業增加值比上年增長 8.8%，佔規模以上工業增加值的比重 14.4%。高技術製造業是工業智慧的實施前沿，由其增長資料可知，工業智慧為我國經濟發展提供了強大的動能，而由其佔比也可以發現，除高技術製造業以外的傳統工業佔比數倍於高技術製造業，實施工業智慧轉型的空間也十分巨大。埃森哲也指出，預計到2035 年，我國製造業因人工智慧的應用其增加值增速可以提高 2.0%左右。
工業智慧推動了技術、產品和應用的發展。從 2020 線上中國國際智慧產業博覽會來看，其展示了以石墨烯柔性透明鍵盤、自動調色調、調光透的智慧玻璃為代表的工業智慧材料產品；清華大學電子工程系教授研發的量子光譜儀，其可採用量子點奈米材料識別物質光譜，其將助推工業智慧感知的快速發展；中冶賽迪集團展示的數字基礎設施—賽迪雲以及鋼鐵行業工業網際網路平臺和以此拓展的 Q-TOUCH雲端城市管理平臺，顯示了工業智慧的基礎應用與其延伸；中國聯通展示的“5th Generation Mobile Networks(5G)+Augmented Reality(AR)”技術，模擬汽車遠端運維服務場景，相關裝置已經由華夏航空部署到機場應用；騰訊公司以大資料、人工智慧、5G 網路、雲服務等技術為核心，在智博會上搭建的智慧名城展館，展示了有關政務、教育、醫療、交通等智慧城市要素專案；國網重慶電力公司的“e 重慶”App展示了其透過整合車輛、充電樁等多維度資訊實現狀態檢測、聯合分析、安全預警等應用的能力。由此可見，以工業智慧為主導的產業變革與科技創新，正不斷激發市場活力、孕育產業動能以及重塑生活方式。
我國工業智慧的主要應用場景集中在以鋼鐵冶煉為代表的流程工業與汽車航空製造為代表的離散工業。一方面需要為各類製造行業解決通用性的問題，如質量檢測、供應鏈管理、現場監控等，另一方面需要針對製造業的特性提供方案，如流程工業的安全、能耗、汙染問題，離散工業的工藝、排程、個性化等問題。針對流程工業，上海寶鋼透過資料分析與引數最佳化，實現能耗控制，透過基於ArtificialIntelligence(AI)的智慧鋼包，節約成本近70億元，同時其基於自動識別智慧、控制等技術實現智慧化倉儲；而攀鋼透過應用人工智慧可最佳化轉爐鍊鋼復吹、造渣過程及冷軋工藝控制，年效益數千萬元；陝鋼龍鋼公司則成功對450平米燒結機專家系統進行了智慧改造，日可增加餘熱發電量1.5萬千瓦時，減少二氧化碳排放1.5噸[12]。針對離散工業，福田汽車利用計算機視覺、機器學習等技術透過將視覺檢測系統引入至噴塗機器人，捕捉車身噴塗外觀，在噴塗現場邊緣節點指導汽車噴塗作業；北京大興國際機場透過深度學習等實現資源最佳化調配，透過分析飛機、氣象、人流量資料，支撐複雜決策。由上述工業智慧發展現狀來看，工業智慧的切入點主要為面向生產環節以及面向生產配套、增值服務，以此擴充套件實現面向全流程全要素的服務化智慧生產。
當前，儘管我國工業智慧的發展已經取得了一些成果，但仍然面臨著一些挑戰，如人工智慧模型場景適應性差，反覆建模工作量大；工業資料規模大、複雜度高，資料價值利用率低；資訊科技發展快，工業智慧與新技術銜接存在滯後。針對上述問題，分別從以下角度提出解決方案：透過研究伸縮性強、可遷移複用的人工智慧演算法，包括模型遷移、模型進化等技術，可以有效提升人工智慧的場景適應性問題；透過對資料進行全生命週期管理，挖掘資料潛在價值，可以加速工業數字化與智慧化；透過人工智慧與5G、多模態計算等新技術的快速融合適應，可以推動工業智慧在人工智慧技術日新月異的條件下動態進化與部署。
四、 技術預見（一）國際技術預見
1. 模型遷移推動工業智慧多場景複用
目前工業領域正在向智慧化、數字化方向發展，以文字、圖片、影片、音訊為代表的海量工業資料成為推動工業應用落地的重要因素。
傳統機器學習方法能夠有效處理工業資料，並已經在許多工業場景中得到良好應用，但仍然面臨著資料質量低、訓練時間長、模型效能差、需求個性化等問題的嚴峻考驗。遷移學習作為機器學習領域中的新興技術，能夠分別從資料、任務和模型三個角度出發，實現源、目域之間的有效對映和可靠轉換，為上述問題提供可行的解決方案，推動工業智慧多場景複用。
在機械故障診斷研究中，以監督學習為主的傳統機器學習方法往往需要大量的標記樣本資料，該過程不僅需要耗費大量的人力、物力，同時難以保證訓練出可靠、精確的泛化模型。然而，遷移學習在對Convolutional Neural Networks(CNN)、Recurrent Neural Network(RNN)等深度學習方法進行適應性改造後，能夠以小樣本學習方式訓練模型，實現高效、可靠的工業裝置故障診斷任務。在剩餘壽命預測研究中，現已開發出基於稀疏編碼器的深度遷移學習網路，透過將神經網路權重轉移至新物件中，從而降低模型重複訓練引起的開銷，完成對切削工具的剩餘壽命預測[24]。
遷移學習加強了模型的普適性應用，使不同工業智慧應用場景的複用成為可能，這在很大程度上減少了資源的浪費；同時，遷移學習的出現為中小企業的資料欠缺和算力不足問題提供了可行解決方案，並有效提升生產效率。值得一提的是，數字孿生作為連線物理實體與虛擬實體的全生命週期管理技術手段，其在工業場景的對映過程中，同樣強調遷移學習應用的重要性，透過人工智慧模型的精準開發和複用，以提升產品設計、生產、管理各環節效率[25]。
2. 資料探勘驅動工業智慧認知與決策
由於傳統統計分析方法無法適應當前工業應用中的複雜需求，新一代人工智慧技術開始成為推動工業智慧化發展的新動力[26]。知識圖譜與深度學習作為新一代人工智慧技術的典型代表，透過對複雜工業模型與海量工業資料的精準建模與實時分析，可以實現工業應用的智慧認知與決策，促進知識驅動與資料驅動的雙向融合。
在智慧製造領域，知識圖譜以結構化和扁平化的方式對來自多層級的知識進行表達和儲存，加強了產品物理模型、生產流程資料以及企業層級資訊的全方面聯接，在產品模擬、生產設計、計劃排程等具體應用中起到持續、可靠的決策作用。深度學習具有挖掘資料內資訊與資料間關係的能力[27]，在諸如生產裝置故障診斷、遠端運維管理、製造工藝引數最佳化等複雜場景的應用中發揮重要作用，不僅有效規避了複雜工業模型的建立過程，還大大提高了分析效率與認知能力。
在現有研究中，已經有學者提出了採用長短期憶網路、卷積神經網路等方法對渦扇發動機、軸承等工業裝置進行預測性維護和剩餘壽命預測。除此之外，一些工業產品也應運而生，如 IBM 開發了 WatsonDiscovery 知識圖譜框架，思愛普開發了預測性維護軟體 PredictiveMaintenance and Service（PMS）。知識驅動與資料驅動融合下的工業應用是當前工業智慧化發展的核心路線，以知識圖譜和深度學習為代表的新一代人工智慧技術正是實施這一路線的重要手段。
3. 多協同計算促進工業智慧泛在支援
雲計算已經在諸多領域得到廣泛應用，但是隨著工業物聯網裝置的大規模增加以及工業應用對低時延性、高可靠性的強調和需求，現面臨著網路資源、儲存資源和計算資源帶來的巨大壓力[28]。邊緣計算在網路邊緣側實現通訊、計算和儲存功能一體化，可與雲計算充分融合互動以實現海量工業資料的高效感知與處理。雲計算與邊緣計算的協同應用是促進工業智慧泛在支援的重要手段。
從資源的角度看，邊緣計算將計算能力與儲存能力下沉至邊緣節點，以至於工業現場裝置能夠實現資源的自我配置、自我監測、自我最佳化等功能；雲中心作為雲計算的使能節點，集中收集邊緣裝置資訊，統籌資源排程管理[29]。從資料的角度看，工業邊緣裝置實時採集生產、運營等過程中的海量工業資料，能夠按照相關需求對其進行初步的資訊分析與挖掘；雲中心為接收到的海量工業資料提供更可靠、更高效的儲存與處理服務。從模型的角度看，雲計算基於業務需求以一定週期訓練可靠、精確的模型，並透過裁剪、遷移等方式將其下發給邊緣節點，大大保證了工業應用中的服務質量與使用者體驗。
在具體的產業應用中，以微軟、亞馬遜、谷歌、阿里、華為為代表的企業正著力開發雲邊相關平臺，並促進其在工業領域的應用，例如，微軟開發了 Azure IoT Edge 平臺，阿里雲推出了 Link Edge 邊緣計算框架。多協同計算模式促使雲、邊、端一體化成為可能，也為工業智慧服務提供了泛在支援。
（二）國內技術預見
1. 能耗控制拓寬工業智慧佈局
由於工業物聯網裝置的大規模連線和工業應用場景的快速部署，高能耗問題在裝置級和系統級皆引起了極大關注，如何實現低功耗、高效率的工業智慧化發展成為研究熱點。從多角度看，輕量化學習演算法能夠有效降低訓練過程的時間延遲；定製化工業晶片能夠滿足高算力需求，降低由於計算裝置自身能力不足造成的能源消耗；無線電能傳輸藉助電磁場將太陽能、風能等自然能源傳輸給工業物聯網裝置[30]，這為無源工業裝置提供能源支援。
對 CNN、You Only Look Once(YOLO)改進的輕量化演算法在產品目標檢測中已經得到良好應用，該類方法透過裁剪模型，滿足弱儲存與弱計算環境下的計算任務，這在很大程度上降低了計算開銷。傳統CPU 在商業應用中收穫了良好效益，但是其有限的計算能力難以滿足工業應用的巨大計算需求，在執行大規模人工智慧演算法過程中會造成大量的時間延遲與能源消耗。Field Programmable Gata Array(FPGA)作為一種專用積體電路中的半定製積體電路，能夠面向特定工業應用場景，融合實際、可靠的人工智慧演算法，為開發個性化、定製化的計算晶片提供可能，這在降低計算開發成本與提升任務執行效率兩方面提供了一種有效的解決方案。無線電能傳輸為工業現場的聯網裝置提供一種無源能量收集方法，工業物聯網裝置能夠在無源方式下，透過自身配置的能源收集裝置完成對自然能源的採集。
能耗控制成功地降低了工業應用過程中的時間延遲和能源消耗，在一定程度上延長了工業物聯網裝置的使用壽命，是工業智慧化發展的重要趨勢。
2. 資料安全保障工業智慧應用
安全是工業智慧發展的基礎與前提，保障工業智慧應用中的資料安全是構建工業安全體系的重要一環。工業資料安全跨越裝置、網路、應用等多層級，涵蓋設計、生產、採購、管理等多環節。區塊鏈技術與聯邦學習演算法的興起，為打破工業資料孤島，保障工業資料安全提供了可靠支撐[31]。
聯邦學習有客戶端-伺服器和對等網路兩種常用框架。在客戶端-伺服器框架下，聯邦學習保證異構工業裝置在不公開隱私資料的前提下完成區域性計算任務，並透過伺服器的中心聚合能力實現高效、安全的加密計算。區塊鏈本質上是一個開放式、分散式的數字賬本，透過共識演算法、數字簽名等技術在物流溯源、供應鏈管理和工業資料安全儲存方面提供可靠幫助；區塊鏈透過與邊緣計算和人工智慧技術的結合，能夠有效增強網路魯棒性，資料傳輸可靠性，並有效提升邊緣智慧的資訊共享能力。
工業資料安全貫穿資料全生命週期，包括工業資料採集、傳輸、儲存、遷移等環節。工業資料的單向流動向雙向流動的轉變，給工業安全帶來了巨大挑戰，這也促使區塊鏈技術與聯邦學習等成為保障工業安全應用的重要技術。
3. 高速通訊助力工業智慧創新
新一代通訊技術（5G）具有多天線、同頻全雙工、高頻傳輸、密集網路和多載波的特點，為工業現場裝置提供低時延、高可靠、大頻寬的泛在連線。5G 通訊技術與工業應用場景緊密結合，促進了工業智慧創新發展。
與工業物聯網技術的融合應用中，5G 通訊技術加速工業物聯網裝置採集資料的上傳過程，為萬物互聯提供了可能；與雲邊協同技術的融合應用中，5G 通訊技術緩解了雲中心頻寬不足、傳輸延遲低下、安全可靠性差的問題；與實際工業服務的融合應用中，例如裝置故障監測、預測性維護等，5G 通訊技術保障了服務響應的實時性，在一定程度上提升了服務質量與使用者體驗。
在實際應用中，寧波舟山港採用 5G 技術實現多吊車並行作業；中國聯通釋出首個工業網際網路端到端閘道器。5G 通訊技術是當前通訊領域的重大突破，也是工業智慧發展的趨勢。
五、 工程難題（一）國際工程難題
1. 可適應、可進化的智慧演算法
工業場景和基礎設施對解決方案的要求很高，因此，現有的一些深度學習方法並不能直接套用到工業生產應用中。
首先，由於深度學習演算法本身的非解釋性可能會加劇工業應用中的不可靠現象發生，Radial Basis Function(RBF)、Long Short TermMemory(LSTM)與 CNN 等主流神經網路的輸出層函式均為基於機率分佈的函式，其對新資料泛化性較差，在分類或識別中的準確性往往不可能達到 100%。這在一般的應用生活應用場景中往往是可接受的，但考慮到工業領域和核心環節的高精確的需求，如裝置執行引數、原料的配比等，若直接使用，將對生產、製造等環節，甚至生命財產安全產生巨大影響。這導致了目前深度學習演算法僅應用於如產品缺陷質量檢測、裝置故障檢測或預測性維護等低危、輔助的工業場景中。
其次，深度學習技術往往用於解決“大資料”問題，需要大量樣本資料進行訓練，但隨著物聯網技術的發展和工業場景的實時性需求升級，越來越多的人工智慧與工業場景的融合將面臨“小資料”問題。如面臨裝置故障時，解決最直接的執行問題只需要部分物聯網傳輸的實時資料。利用小資料進行實時建模、快速訓練與及時部署將是機器學習演算法在工業場景應用的新課題。
最後，在硬體方面，開發者和晶片廠商需要確保具體工業場景和和晶片之間良好的適配性，同時對晶片的效能提出更高要求。在一些實時性要求較高的工業場景中，對一些資料的處理、掃描速度的要求在 1/10 秒，甚至微秒級別，許多晶片的計算速度無法滿足實際需求，造成空有方案卻無法實施的尷尬局面。
2. 多特徵、廣覆蓋的資料處理
知識圖譜、數字孿生等都是對繁雜工業資料的一種處理技術，是提高工業企業數字化的途徑，其首要難點就是對原始資料的採集、清洗和加工。
與網際網路資料不同，開發者在採集工業資料時將會面臨許多不同的工業協議，如 ModBus、ControlNet、DeviceNet、Object Linking andEmbedding for Process Control(OPC)、Controller Area Network(CAN)、Process Field Bus(Profibus)等，甚至還有部分工業裝置生產商會自行研發各種私有的工業協議，給資料的互聯互通和整合帶來麻煩。同時，以目前的感測器、物聯網技術，仍無法達到對機器的精確全域覆蓋，採集到的資料仍然不夠詳盡，導致數字孿生體的建模會有所缺失，導致預測與判斷產生誤差。
針對不同的工業場景，資料的清洗加工程度很難確定。如果清洗加工程度太高，會無法提取到足夠的特徵，當清洗加工程度太低時，不僅提高了學習和模擬環境搭建的複雜度，也加大了資料傳輸與儲存的難度。此外，由於感測器準確度不高以及工業特殊情況下網路連線不可靠，收集到的資料可能會與實際資料產生偏差。
在數字孿生技術的應用中，模型的建立是關鍵，但工業環境的複雜性增加了建模的難度。當開發者對一個客體的功能、關係和狀態進行建模時，不僅依靠本體的歷史設計模型，還需要考慮到客體與周邊環境相關的行為和安全保障。建模的難度將隨著客體的複雜程度呈指數性增長。以發動機為例，僅一個發動機，其內部的各個單一元件可能超過 1000 個，若是擴充套件到一個發動機廠商的全生命週期製造產業鏈，則可能指數級擴張到數十萬個，甚至數千萬。目前數字孿生技術的領頭企業，美國通用公司，也僅達到了對其每個發動機、渦輪等產品的數字孿生體創造，其數量就已經超過 100 萬個，若涉及全生命週期的產品生產過程，其建模的工程量將變得更加驚人。
3. 快響應、高穩定的雲邊互動
儘管邊緣計算透過將計算下沉邊緣的模式可以很好節省頻寬，可以有效提升工業智慧的處理效率和降低工業生產成本。但這並不意味可以完全依賴邊緣節點而忽視中心雲的作用。從工業業務的角度，隨著物聯網技術的進步，海量物聯網感測器終端將給邊緣節點帶來更大的流量壓力。從工業網際網路部署環境的角度，邊緣資源的異構性和感測器在地理上的分散性會導致網路邊緣儲存、計算、頻寬資源十分緊缺。當邊緣節點資源不足時，需要中心雲端資源可以進行及時補充。當邊緣節點與中心雲的網路連線發生擁塞時，雲端需要立即將流量引入空閒鏈路。因此，提高邊緣端和雲端的協同性是邊緣計算在智慧工業製造中落地所面臨的最大難題。不僅需要考慮邊緣節點間的資源分配和任務排程，同時需要最佳化邊緣節點與中心雲間的分配與排程問題。不合適的資源分配和任務部署會極大的增加縮容頻次[32]，影響任務的執行效率並對本不充足的計算資源加重負擔。
此外，在邊緣計算的資料定址、確權和交換時，由於當下通訊技術的蓬勃發展，在工業生產中將藍芽、Near-Field Communication(NFC)等技術支援裝置接入工業網際網路後，使得網路拓撲結構出現動態變化，大量邊緣裝置節點的接入帶來了移動性和擴充套件性上的問題，即邊緣網路的動態命名機制問題。當前傳統的命名機制如 Domain NameSystem(DNS)、Uniform Resource Identifier(URI)等並不能很好的解決邊緣計算中的資料傳輸問題。儘管已經有人提出一些動態命名問題的解決方案，但距離應用到工業場景中仍需進一步實驗以解決一些適應性問題。
最後，與雲計算相比，邊緣計算場景更貼近資料生產者，這會對邊緣節點的軟硬體升級帶來一定困難。邊緣節點往往遠離計算服務的提供者，不僅數量眾多且在地理上具有一定的離散性，涉及硬體的維護與升級更是需要親臨現場。若僅依賴服務提供商進行升級維護，將帶來大量的成本開銷。而工業生產者作為使用方，對邊緣節點裝置的不熟悉也會加快其維護的頻率，降低計算服務質量的穩定性。
（二）國內工程難題
1. 綠色製造有待最佳化
目前我國的綠色智慧製造一般從 2 個方面著手：精益製造和能耗管理。精益製造，即消除浪費、增加效率。透過推行工業智慧化的改革，利用智慧管理平臺相比過去已經有了重大的改觀，但在能耗管理上，仍存在許多難題。
工業場景下的能耗管理模型，具有多種能源系統和複雜的執行環境，需要考慮的影響因素很多。由於我國的數字化改革仍未完成，各個工業生產部門間的資料共享機制仍未完成，對於整體工業場景的總體能耗標準、用能現狀仍不清楚，無法準確合理地制定統一的節能方向。並且工業生產過程中裝置種類眾多，涉及的工業場景比較複雜，一方面對建立模型有難度，另一方面，存在執行狀態多變，收集資料誤差等多個不確定因素，這種不確定因素將隨著工業場景的複雜化而增多，給夠影響能耗決策的判斷。
從網路資料傳輸的角度，工業智慧會讓原本複雜的混合工業網路架構更加多樣化，複雜多變的物聯網環境，如邊緣裝置間頻繁的通訊和移動會導致網路連線發生中斷，裝置重連過程將需要尋找其他路徑或延續之前的路徑，這會導致大量的能源浪費。若將所有服務放在雲端，又會導致雲端收到的請求過多，引起雲中心的負載過重和網路擁塞，同樣會加重網路的能耗。
2. 安全技術仍待開發
聯邦學習和區塊鏈作為解決安全問題的重要技術手段，是當前的熱點研究方向，但仍然需要解決工業場景中應用的相容性問題。聯邦學習中使用者只分享區域性引數，而不洩露私人資料，相比與傳統的集中式學習顯然更加安全。但聯邦學習技術仍存在包括隱私在內的許多技術問題。首先，聯邦學習的引數接收方，中心的集中管理者仍然容易受到攻擊，導致整個學習過程失敗。其次，聯邦學習過程中引數共享需要頻繁地進行資料互動，也會增加使用者被攻擊的可能性。為了對共享引數進行加密一般採取為使用者分配金鑰的方式，但目前傳統的加密方法，如 Self Modifying Code(SMC)、 Differential Privacy(DP)、Homomorphic Encryption(HE)等並不能很好滿足聯邦學習的需求[33]。最後，聯邦學習的學習速度也是阻礙其大規模應用工業場景的原因之一。相比於傳統學習方式的本地訓練，聯邦學習這種分散式學習的方式會面臨大規模的通訊和節點的計算開銷，對訓練過程的最佳化和加速一直是開發者們研究的課題。
目前區塊鏈技術同樣要面對安全和效能問題。安全問題上，主要面對 51%攻擊問題，即當攻擊者掌握全網 51%以上的算力時，就可以擁有篡改和偽造區塊鏈的能力。但由於算力、共識和社群的分裂和稀釋，有時 51%已經不是區塊鏈被攻擊的底線。此外還有諸如雙花攻擊、女巫攻擊等安全威脅。從效能方面看，目前問題主要在於目前區塊鏈技術自身的共識速度、儲存容量等效能指標與智慧工業環境下海量終端的低延時應用需求存在差距。當提升資料大量寫入、低時延、高併發場景續航能力時，可能就不能完全保證安全防護問題，這需要根據具體專案的特點做出個性化的取捨。
3. 5G 技術尚需融合
工業的各個細化應用場景需求差異較大，5G 作為新興的通訊技術服務和聯通解決方案，目前還並不能完全理解工業場景下的網路需求。當前的大部分 5G 晶片/終端方案在與工業場景需求和工業技術特性對接上存在不足，還不能滿足各種工業場景對可靠性、工作溫度、終端形態等方面的技術要求。
就 5G 自身來看，一方面，高精度網路的建設和維護要求高、難度大，需要新的支撐手段。尤其在工業場景下，大頻寬傳輸一旦出現故障，不僅將會造成經濟損失，甚至引發重大安全事故。另一方面，在抗干擾能力上，由於 5G 網路中相鄰節點的傳輸損耗差別不大，導致多個干擾源強度相近，這是現有的方法難以解決的。
聚焦國內場景，國內工業企業數字化水平也對 5G 賦能造成了極大制約。根據兩化融合服務聯盟的統計資料，截止到 2020 年前，參評的 15 萬家工業企業在生產裝置數字化率、關鍵工序數控化率均不到 50%，而工業企業智慧製造就緒率僅為 7.6%。許多工業行業仍沒有應用計算機輔助設計（Computer Aided Design , CAD）、製造執行系統（Manufacturing Execution System , MES）、產品生命週期管理系統（Product Lifecycle Management , PLM）等配套工業數字化軟體[34]。因此，配套服務的提升也是 5G 快速部署的關鍵。
如需完整報告請登入【未來智庫官網】。