近日，在被称为“风王”的9号台风“利奇马”肆虐我国部分沿海地区的同时，也让上海电气风电集团研发设计的“风云”系统站在了媒体的镁光灯下，被业内热议。据了解，“风云”系统是一款基于工业互联网平台并利用微服务组件开发的特定场景APP，通过人工智能(AI)与大数据分析，它可以智能评估不同台风风圈对海上风机的影响程度，做到及时故障预警和运营调桨，保证风机运行的安全高效。“风云”系统也成为上海电气集团打造“AI+工业互联网”平台的典型案例。

事实上，如果将工业互联网平台比作一个口袋，AI、大数据、云计算等新一代信息技术都可以成为这个口袋里的珍宝，并促使这个口袋功能更加强大。而在这些珍宝中，AI无疑是颗耀眼的明珠。

工业互联网与AI一拍即合

AI与工业互联网两者的深度融合已是大势所趋。

企业在应用工业互联网的时候，对数据的智能化分析以及决策优化的需求越来越高。在这个过程中，工业互联网与AI有着天然的结合度，AI是制造业实现品质提升和业务优化转型的关键技术手段，而工业互联网则让AI在工业领域应用得以有效落地。

一方面对于工业互联网平台而言，AI可以让平台上的数据变得更有价值。“工业互联网平台通过连接设备、系统、人和企业汇聚大量数据，使得设备、系统、供应链、企业经营情况等可以被感知和分析，而AI可以进一步释放数据的价值，例如通过工业大数据分析和机器学习进行设备预测性维护、通过人工智能算法推演质量缺陷根源、通过建立AI机理模型辅助经营决策等。” 航天云网天智公司总经理纪丰伟在接受《中国电子报》记者采访时表示。

另一方面，如果让AI赋能制造业，让制造变成“智造”，工业互联网是必经之路。

中国工程院院士邬贺铨认为，工业领域主要以企业私有数据库为主，规模有限，要实现人工智能与制造业的深度融合，就必须要在制造业领域加强数据获取与整合，企业必须切实做到数字化转型，因此需大力发展工业互联网。

通过采访，记者了解到，人工智能可以分成感知、理解、行动三大类别，具体又涉及视觉分析、语音处理、知识表达、机器学习等细分领域，其目的是为了提升效率、降低成本、改进客户体验、促进技术创新。

例如，文章开头谈及的“风云”系统，据上海电气集团相关负责人介绍，依托人工智能等技术，“风云”系统能够为用户提供涵盖前期风能资源评估、风电机组选址、整体方案设计、生产物流管理、运维监控、后评估等各个环节的一体化服务。可以说，以前风电机组选址靠经验、拍脑袋，现在是靠数据。

AI应用水平有待提升

基于“AI+工业互联网”两者融合是个长期的过程，目前仅仅是个开始。

“目前在工业互联网平台领域，AI应用水平可以说还在探索和实践阶段，并没有出现大规模复制的现象级AI工业应用。” PTC中国区售前技术总监秦成向《中国电子报》记者表示。

现阶段，AI在工业互联网领域的应用更多侧重于单点应用，例如设备预测性维护、工业设备边缘侧质量分析等场景。

通过采访，记者感受到，人工智能在工业落地之所以缓慢有多重原因。首先，因为相比于数据算法的迭代，硬件升级创新相对周期较长，从而导致滞后。其次，人才缺失。算法模型是AI的核心，而AI制造业应用懂算法的人不懂业务机理，懂业务机理的人不懂数据算法。人才的缺失也是AI成功应用的障碍之一。再次，工业数据质量参差不齐。工业领域数据种类多，数据完备性、准确性、坏数据样本都相对不是特别理想，这成为AI成功应用瓶颈之一。最后，技术门槛高。

“AI是一个综合性的学科，工业应用要涉及数据预处理、数据建模、模型部署与管理、模型评估等多方面的技术，技术门槛相对较高。” 秦成表示。

数据显示，在各类垂直行业中，人工智能应用水平较高的领域包括互联网、金融和安防等。与其他领域相比，AI在制造业的应用会产生较大的效益。但目前我国AI的投资还主要在消费领域，在制造业的投资只占AI投资的1%，需要重视工业智能的研发与创新。

事实上，工业中使用的人工智能与消费领域的人工智能有本质区别。

“工业人工智能是一门严谨的系统科学，它专注于开发、验证和部署各种不同的机器学习算法，以实现具备可持续性能的工业应用。因此人工智能应用于工业，必须根据制造业的具体场景进行定制，简单照搬模板化的人工智能解决方案并不可行。” 邬贺铨表示。

当然，应用水平低也就意味着未来市场空间大。赛迪顾问人工智能产业研究中心高级分析师李振表示，在制造业领域，大量的优质资源数据未被充分利用，产业的智能化需求将在未来几年持续保持较高的热度。

对于未来AI在工业互联网平台领域的应用趋势，秦成认为，未来AI技术应用IT层次会逐步广泛，随着5G技术的发展，AI可以在工业互联网平台的边缘设备层、平台层以及应用层都发挥价值。而工业互联网平台任何层的高级计算、分析也都需要AI参与。AI技术应用业务范围逐步变大，AI将应用于工业企业的产品设计、生产、服务、运营管理、销售、供应链等各个业务领域。另外，AI技术应用可推广性将逐步增强，随着人才、数据质量、技术手段的提升，AI实际运用场景和案例的总结越来越深入。AI在工业领域应用的技术方案、应用模式等可复制性、可推广性会越来越强。