中国工业智能化转型之路在何方？

本文转自微信公众号“头豹”。

如何实现高样本利用率，AI学术界交出满分答卷

随着人工智能技术日益发展，如何将人工智能技术与传统产业有机融合成为全球各个国家及地区关注的问题。

在工业领域中，深度学习算法对数据量的要求成为阻碍工业领域AI技术应用落地的因素之一。为此，全球人工智能行业学术界及产业界着力寻找样本利用率更高的新一代算法结构。

自2019年来，小样本学习算法逐渐成为CVPR、ICCV及ECCV三大计算机视觉领域顶级会议最热门的讨论话题之一。基于小样本学习算法的前沿观点及应用方案层见叠出。人工智能行业各界高效协同，共同推进工业智能化转型进程。

人工智能下一站发展何去何从?

人工智能(AI)技术，指利用计算机程序使人造机器呈现类人类智能的技术。基于实现功能，人工智能技术可分为训练层、感知层及认知层：

● 训练层指模拟人类学习能力的AI技术。

● 感知层指模拟人类接收并理解外界信息的能力的AI技术。

● 认知层指模拟人类通过学习、判断、分析等心理活动获取信息内含逻辑的AI技术。

自1956年人工智能概念首次提出后，感知层AI技术发展迅速，以机器视觉、语音交互等技术为基础的多项AI应用实现落地。认知层AI技术尚处于理论阶段，该技术将是实现AI技术创新突破、推动AI技术应用进一步落地的关键。

工业领域人工智能技术发展为何举步维艰?

相较于以人类(身体、语言、行为)作为基础样本数据的消费、政务、金融等领域，由于工业细分行业数量较多，且同行业内工艺、生产线、产品的差异性较高，基于海量样本实现的深度学习技术难以在工业领域实现落地。

中国AI技术在工业领域的渗透率较低，2019年仅为8.6%。中国电子设备制造、汽车制造及石油化工三大工业细分领域AI技术应用较为成熟，而在产品差异性相对更高的轻工业领域中AI技术渗透率较低。在工业领域各环节中，应用于产品生产环节的AI技术发展较为成熟。机器视觉技术的快速发展成为推进生产环节智能化转型的核心动力。

中国工业距离全方位智能制造还有多远?

《智能制造发展规划(2016-2020年》政策的落实有力推进中国工业与新一代信息技术融合发展，加速人工智能技术应用落地。在中国政策大力推进及工业快速协同发展的背景下，中国智能制造应用场景持续拓宽，市场规模实现快速增长。2020年，中国智能制造行业市场规模预计达2.7万亿元，同比增长12.6%。

从短期来看，受制于AI技术研发瓶颈，中国工业领域人工智能技术预计难以实现规模化应用。中国智能制造行业发展放缓，市场规模扩张速度小幅下行。2025年，中国智能制造行业市场规模预计达4.8万亿元，同比增长8.4%。

工业检测万亿市场能否助力智能制造扬帆起航?

截止至2019年，中国工业领域检测环节AI技术应用规模较小，渗透率仅为20%。工业领域检测环节仍处于劳动密集型发展阶段。相较于智能检测系统，人工检测存在工作效率较低、时长较短及误差率较高等问题。

从短期来看，工业企业对检测环节智能化转型需求将持续增大，推动工业领域智能检测行业市场规模持续扩张。然而，由于工业生产物料及最终产品差异性过大，智能检测系统难以实现快速落地，导致中国智能检测行业发展受限。

2020至2025年，中国智能检测行业市场规模增长速度预计放缓。2025年，中国智能检测行业市场规模预计将达5,745.2亿元，同比增长10.0%。

AI芯片算力瓶颈如何突破?

AI技术的发展离不开底层硬件的支持。基于冯·诺依曼芯片架构的传统AI芯片发展已进入瓶颈期。由于控制器、存储器及运算器分离部署，冯·诺依曼芯片架构在处理AI推算问题时面临三大困境：

● 在指令及数据调用过程中，运算器将处于闲置状态，导致芯片运算资源利用率较低;

● 存储器处理速度及传输链路带宽限制芯片运算效率;

● 频繁的数据及指令调用大幅提升芯片功耗。

由于指令及数据的调用路径被有效缩短，且各存储计算核独立运行，采用存算一体化架构的芯片可实现低功耗、高性能并行运算，实现复杂AI算法的高速运行。存算一体化芯片的规模化落地将为AI算法的研发突破及应用提供硬件支持，是推动AI行业未来发展的关键。

深度见解：小样本学习算法将成为人工智能技术发展新起点

工业领域细分领域较多，各领域在生产流程及工艺、生产线配置、原材料及产品类型均具有较大差异性。AI技术应用过程中面临可用样本量过少的痛点。基于深度学习算法AI程序难以实现在工业领域的应用。

对样本量要求较低的小样本学习算法将是推进工业领域智能化转型的核心。相较于深度学习算法，小样本学习算法通过预归类样本实现对算法学习过程的简化，减少对样本数量的依赖。小样本学习算法在处理少类别任务时表现较好，但仍需解决多类别任务时所面临的过拟合问题。小样本学习算法的成熟将成为推动工业领域人工智能技术渗透加速的关键。

(编辑：李均柃)