ComputerWeekly管理编辑Cliff Saran日前撰文认为，随着制造商开发智能工厂、数字双胞胎和部署机器学习，人工智能（AI）将为工业4.0的下一阶段提供动力。

Gartner预测人工智能增长正在加速。“四年前，人工智能实施很少见 - 只有10％的受访者表示他们的组织已经部署了人工智能，或者很快就会这样做，”Gartner杰出研究副总裁克里斯霍华德说。“到2019年，这一数字已跃升至37％ - 四年内增长270％。”

“如果你是一名CIO而你的组织没有使用人工智能，那么竞争对手的机会很高。”

在达沃斯世界经济论坛（WEF）期间讨论的热门话题之一是人工智能，特别是工业人工智能，用于提高可靠性和增强新业务模式的能力。

在世界经济论坛开始时发表的一篇文章中，西门子首席技术官Roland Busch写道：“数字时代成功的关键是速度和规模。如果说有一个领域人工智能已经远远领先于人类，这个就是处理模型数据、发现和排除错误的速度。简而言之，人工智能有可能帮助我们避免错误并克服巧合。”

西门子一直是工业4.0的先驱，在工业4.0中，自动化正用于运行智能工厂。Busch认为工业AI将是传统制造业重塑的下一阶段。

“通过工业4.0，我们成功地开始了数字化转型，”他在文章中说。“通过工业AI，我们现在可以把它提升到一个全新的水平。我们可以超越错误和巧合。我们可以推动创新。我们可以提高效率和生产力。我们可以塑造技术和社会进步。“

监督机器学习的挑战

飞机装配的过程复杂，其中扭矩扳手和铆接工具需要以高度受控的方式在特定设置下使用以将面板附接到诸如空中客车A320的飞机，可被认为是机器学习的良好候选者。

但空中客车机电一体化和机器人技术领导者SébastienBoria表示：“为了获得高效的机器学习，您需要有监督的系统 来收集大量数据。”

在机器学习系统用于观察人类操作员如何执行特定手动功能，以了解如何自动执行作业或计算如何更有效地执行作业时，这一点最为明显。

对于Boria来说，挑战在于AI算法只能学习人类操作员的工作方式。“监督机器学习的主要问题是，在某些时候，如果你把结果建立在不是最佳表现者的人身上，你最终会得到平均的结果，”他说。

一个人工智能系统可以对所有在这个特定手动过程中工作的人做同样工作的样本进行抽样，很可能得出一个平均答案，但对于Boria来说，平均值并不一定能转化为实现相同目标的最佳方法。

“技术不是民主，”他说。“仅仅因为50％的人做了某些事情，并没有使其成为正确的解决方案。”更糟糕的是，他表示，表现最佳者的结果“可能被机器视为异常”。

在更精细的层面上，需要测量的每个数据点或参数都需要传感器。“你需要将物理世界与数字世界联系起来，”Boria说，“没有数据，你就无能为力。这意味着你需要传感器和电子设备来捕获数据。”

但根据Boria的说法，根本无法管理飞机制造过程中可以收集的所有可能参数。某些类型的传感器太昂贵或在大规模部署时效果不佳。

可穿戴设备不具有成本效益

例如，一些数据的收集，例如使用智能眼镜来看待正在进行的工作，根本不切实际，Boria说。“可穿戴设备不是具有成本效益的小工具，”他说。“我们正在寻找能够提供正确用户体验的产品。看了市场上的所有眼镜，我认为人们不想在他们的眼镜上佩戴这些系统进行8小时的轮班。”

以色列人工智能创业公司Precognize的首席执行官兼联合创始人陈林切夫斯基参加了一场关于人工智能影响的世界经济论坛小组讨论会。他说：“为了保持竞争力，公司需要采取预测方法来提高质量，改善运营、效率和环境限制。最大化对基于人工智能和人类智能的技术的投资至关重要。从长远来看，部署生产预测和处理问题的软件成本更低。“

Precognize结合了人类知识和机器学习，创造了声称更自然的结果。

看看受监督的机器学习，Linchevski说：“你不能得到不准确的结果。你需要查看数据背后的其他层，经验丰富的操作员可以根据他们的知识来实现这一点。”

当被问及Boria的前提是机器平均了解它所学到的东西，而不是确定最佳实践时，Linchevski描述了机器如何看待生产输出以识别黄金批次的想法。“如果你有一个黄金批次并且你有上下文，你可以采取最好的生产时间，并从一年的历史中学习，以了解有些东西在偏离，”他说。“机器学习将知道‘生产运行’不是一个黄金批次。”

专有工业4.0

人们可以看出，机器学习行业的努力似乎正在创建一个专有的工业4.0，公司在他们自己独特的数字双模拟软件上工作，并收集他们自己的传感器数据来提供他们的机器学习算法。

可以说，这种方法不具备可扩展性，当然也不是打包软件行业为支持常见业务流程而发展的方式。一些行业专家认为，每台机器都是不同的，这意味着每台机器都会生成自己的一组数据，以满足自己的数字双胞胎。

在日内瓦HPE新的物联网创新实验室开幕之前，惠普企业（HPE）混合IT总裁Phil Davis表示：“我认为客户的部分问题是他们收集的数据量。如果您碰巧出售存储设备，那么永远不要丢弃任何数据。“戴维斯说，客户面临的挑战是知道在数据中寻找什么。”

HPE副总裁兼总经理Tom Bradicich表示：“人们很害怕，因为有太多的数据。我们不确定数据共享的道德和法律含义，我认为这是数据共享的强大抑制因素。”

虽然业务负责人和世界领导人聚集在达沃斯听取工业4.0的发展，但这些示例似乎是针对特定公司的，并且很难看出工业4.0如何扩展，除非行业采用通用的互操作性方法并开始共享数据。