?工業人工智能領域的“西點軍校”

2001年，天澤智云首席科學顧問李杰教授發起成立了智能維護系統中心(IMS)，旨在推廣產學研結合的理念，推動故障預測與健康管理技術在工業生產中的應用，至今已經有全球超過100家會員企業，完成了近200個企業資助研究項目，橫跨幾十個行業，服務過GE、波音、寶潔、英特爾等世界知名企業。應用領域涉及能源、軌道交通、裝備制造、工程機械、海洋工程、微電子等行業。

IMS的研究人員在美國故障預測與健康管理技術協會(PHM學會)每年舉辦的工業數據分析競賽中連續取得優異的成績，被譽為工業人工智能領域的“西點軍校”。研究員中80%都去往GE、Bosch、Boeing等國際知名制造企業，成為工業界智能化的主力軍。

李杰教授本人堪稱全球范圍最先提出并實踐工業人工智能的泰斗之一。自1983年在美國開始做汽車自動化生產線，1988年開始在美國郵政主管機器視覺和機器手寫辨識的研發，實現郵件自動分揀系統，是人工智能技術在產業中最早的應用探索。于1992年加入美國國家基金會NSF，李杰教授提出最早的工業人工智能概念。1998年開始在聯合技術公司(United Technologies Research Center UTRC)擔任研發總監，參與了普惠發動機、開利空調、奧迪斯電梯等工業人工智能技術的研究。

李教授于2000年回到高校，在辛辛那提大學任教授，并聯合工業界創辦了IMS中心。那時，他便提出了一個大假設，假如所有的數據都能拿得到，那時我們該做什么?這樣的思考逐步構筑了最早的工業人工智能體系的雛形，并先后于2005年在GE發動機、2006年在豐田凱美瑞等做預研試點。

智能系統維護中心(IMS中心)通過與NI美國國家儀器合作，開發了基于LabVIEW的Watchdog Agent預診斷工具包，并獲得了2012年NI Week創新獎。2013年，周濟院士(機械工程專家，中國工程院院士)邀請李杰教授前往工程院演講，是在中國首次分享工業人工智能的概念與技術實踐經驗。

在2012年美國國家科學基金會對所有 I/UCRC產學研中心進行了經濟影響力評估，IMS中心以8.5億美元的經濟價值和1:238的投入回報比位居所有研究中心的首位。

自2015年起，李杰教授與IMS成員單位合作聯手，陸續出版了《工業大數據》、《從大數據到智能制造》、《CPS新一代工業智能》、《工業人工智能》等多部著作，匯聚了大量工業大數據分析與預測和工業人工智能的實踐案例，引領了中國制造企業的智能制造價值轉型。

2018年7月，IBM在TJ Watson研究中心舉辦了IMS活動，與李杰教授共同成立了全球第一個工業人工智能中心。2019年李杰教授獲得了第九屆(2019)吳文俊人工智能科技進步獎(科普獎)。

沿著李杰教授的親歷經驗，我們可以大致梳理出西方國家在工業人工智能技術領域的布局與發展脈絡，早于中國十數年。同樣的，在美國出現這些技術的早期，IMS積極地倡導故障預測與健康管理PHM(工業人工智能的高價值應用技術之一)，依然鮮有企業愿意嘗試。

即使是信息化程度最高的半導體行業，仍處在摩爾定律趨勢下不斷追求下一代集成工藝的階段。直到元器件越來越精密，工藝進步越來越難，對于設備可靠性的要求越來越高，半導體廠商才意識到產線的維護將產生巨額的成本，這才回頭開始關注PHM。

從2010年開始，半導體制造的業界龍頭紛紛開始與IMS合作，研究如何提升設備以外停機時間、縮短平均檢測時間(MTBD)。通過雙方的努力，在半導體行業實現了多個標桿項目，被證實對于蝕刻設備上某一關鍵部件的壽命可以至少延長8%。因為效果顯著，美國的半導體行業開始全面推廣PHM技術，如今Lam Research的一些設備已經幾乎完全可以做到自維護。

工業人工智能致力于解決工業領域的“不可見”問題

IMS通常用“可見”和“不可見”，“解決”和“避免”的四象限圖來分析人工智能目前的應用場景。目前人工智能在工業領域主要用來解決和避免“可見”的問題，前者包括工業機器人、視覺檢測等，后者則包括無人駕駛、語音助手等。

在工業領域，可見問題僅僅是海面上的“冰山一角”，“不可見”的隱性問題才是海面下的惡魔。生產系統中的“不可見”問題包括設備性能的衰退、精度的缺失、易耗件的磨損、資源的浪費等。制造企業向智能化轉型的本質就是從解決可見問題到避免不可見問題的過程。

如果說可見問題可以通過機器視覺、語義處理、深度學習等人工智能技術加以解決，那么“不可見”的隱性問題又該如何解決?

IMS的基本思路是，在傳統的基于專家的規則和機理模型的基礎之上，通過數據中蘊含的洞察和依據建立預測性分析算法和模型，在這個過程中不斷累積新的知識，形成可以持續傳承、迭代的模型資產和行業模板，并逐步構建成體系化的工業人工智能系統。

不僅如此，只有大量的數據或者自動化控制并不能實現智能化，關鍵在于要搭建一個可以從數據到知識再到執行的閉環。

在李杰教授的框架中，工業人工智能中4T缺一不可。第一，是數據技術data technology，實現不同來源數據的統一采集，并不斷改良數據采集的過程，提高數據的質量和標準化程度;第二，是分析技術analytic technology，以行業機理與數據驅動融合的技術，將問題產生的過程進行數據分析、建模與管理，并構建準確、可靠和可解釋的預測模型;第三，是平臺技術platform technology，通過硬件架構和軟件機制，實現邊緣端和云端的協同控制，支持設備集群和生產線的自組織、自配置。第四，運營技術operation technology，將得到的預測模型轉化為運維、管理決策，實現從以人為核心的經驗驅動生產向以數據為核心的模型驅動生產的轉變。

工業人工智能技術面臨落地難困境

“錯把技術手段當做目標，當前很多的工業互聯網平臺都把重心放在了解決可見問題的通用性技術上，強調平臺的工具和技術指標，卻忽略了問題本身。”在《工業人工智能》一書中，李杰教授曾經直言不諱地批評目前很多的平臺都是在“拿著錘子找釘子”。

在天澤智云COO謝炯看來，目前很多工業物聯網平臺只解決了一個問題：設備互聯、設備上云。工業互聯網能夠采集、獲取的大部分都是一些通用數據，比如機器的啟停、以及電壓、電流、溫度設備等對外開放的低頻信號。但怎么樣去利用這些數據，怎么樣對數據進行分析，獲得洞察?這才是工業智能應該發揮的作用。

另一方面，從客戶的角度來說，國內企業在做智能化項目探索的時候，幾乎沒有思路，需求和目標都不明確，“你問他哪里疼，他說我全身都疼。”它們最需要的不是所謂“連接萬物”的平臺，而是有人能把業務需求轉化為技術需求，真正解決問題、實現價值。而時下最流行的大數據和深度學習等“屠龍術”，也需要放在工業的背景之下重新考察，幾乎沒有拿來即用的可能性。

總結來看，人工智能技術在工業領域的應用面臨四大高難度挑戰：

一、數據難變現：95%工業場景沒有標簽數據，泛AI方法識別的奇異點數據很可能是工業現場中故障異常等高價值數據，不僅不能簡單排除，而且還需要解讀這些數據背后的機理含義。然而更重要的是，工業人工智能的起點并非數據，而是用戶的痛點。偏離了這個出發點的話，針對數據展開的工作往往無法轉換成真正的業務價值。

二、隱患難預見：工業領域在設計研發過程中就運用多種建模手段，通過對物理指標的仿真等，確保產品能夠被制造出來。然而到實際生產中仍可能會產生產品缺陷，有些問題很難在設計階段被發現或避免。在生產制造這一更加漫長的運行過程中，設備的衰退積累到一定程度就會出現停機、缺陷和浪費的風險等。這些都造成了工業企業的憂慮，卻難以通過傳統手段或泛AI技術被提前預知和解決。

三、轉型難啟動：工業智能化是跨領域多學科的系統工程，從硬件選型到軟件部署，從數據采集、預處理到特征增強，以及算法開發、模型構建再到工業AI的應用，需要考慮的維度眾多，企業內部也需要多部門協同，受限于效率和成本等因素，往往無從下手難以啟動。

四、經驗難傳承：依賴專家和師傅們傳授制造現場的經驗，毋庸置疑將逐漸淡出歷史舞臺。一是經驗豐富的老師傅越來越少，二是隨著兩化融合的深入發展，信息系統日趨復雜，各個系統之間的數據關系容易形成豎井狀態，比如制造過程與運維管理系統之間的割裂，工業企業的關鍵信息與核心知識無法轉化為可傳承的資產，發展受到極大掣肘。

天澤智云打造工業界“GitHub”

針對國內工業人工智能領域的普遍誤區，天澤智云在IMS理論體系的基礎上對癥下藥，提出了針對性的解決方案。

“我們聽到過一位互聯網專家來這兒做演講，他說這個行業最缺的不是AI工程師，而是理解業務需求，把業務需求轉化為技術需求的人”。

天澤智云要做的，就是挖掘、提煉不同行業之間的共性需求，專注于工業人工智能領域的幾大殺手級應用領域：1、設備維護策略的優化;2、工藝優化與過程質量控制;3、能源管理和能耗優化。

據孫昕介紹，天澤智云能夠給制造業企業帶來的核心價值在于三個“零”——零宕機、零次品和零浪費。零宕機指的杜絕設備意外宕機。零次品是指持續提高良品率。零浪費則是指在生產的整個過程中降低能耗、提高能源效率。

創業頭兩年雖然一直在不同的行業尋找場景、服務客戶，但天澤智云一直不滿足于做一家項目主導的服務公司，而是希望打造一套為所有客戶賦能的“工業智能模型生產流水線”。畢竟，僅僅依靠自身的技術團隊一個一個地實現智能化場景，對于整個產業來說只是杯水車薪。

“天澤智云應該靠體系、平臺、工具搭出一條流水線，把工業智能化的技術難度降下來。這時候不只是我們自己，整個產業的高級人才就都不用花那么多時間和精力去做基礎的技術活兒了。”孫昕意識到這樣的產品體系才是支撐天澤智云長久發展的關鍵所在。

把天澤智云自身的數據采集能力、軟件工程能力、工業數據分析能力、模型構建與管理能力提煉為標準化的通用性軟件工具，將會大大縮短交付落地的周期。交付的系統本身也具備簡單易用的特點，讓用戶自己賦能自己，持續迭代模型或者構建新的模型、不斷優化業務效果。

對于天澤智云自己的團隊而言，輔助以這樣的產品工具，也大大地縮短了項目的交付時間，團隊規模將不再是制約承接項目數量的主要瓶頸。原來，一個鋼鐵能耗優化場景的項目大概需要6到9個月時間，現在4個月之內就可以搞定。

經過十幾輪的迭代，天澤智云已經形成了基于工業智能技術體系的工業智能產品矩陣，涵蓋了數據轉換為業務價值的關鍵環節，從工業現場的數據采集、邊緣計算，到數據服務、分析建模，再到系統部署和工業應用。

天澤智云將工業物聯和邊緣計算系統、工業大數據服務中臺、工業智能模型研發平臺這三款核心產品共同打造成了一套工業智能基建系統——模力工場，可以快速孵化工業APP與創新工業應用，加速工業智能化的轉型升級，還寄托了為國家搶占下一代工業軟件制高點的愿景。

在孫昕看來，中國制造業的最大短板就在于“核心資產都在工業軟件手里，而我們國家真正掌握制高點的工業軟件幾乎沒有。”“模力工場”將幫助那些有能力構建愿景、有研發能力的組織，在智能化過程中不再受制于人，不再落后于一些歐美廠商，使中國在新基建領域完全做到自主可控。

“模力工場”將IMS 20年間以及天澤智云過去4年多扎根中國所積累的典型行業模板和模型資產沉淀下來，成為中國工業場景的領域知識、算法模型資產平臺，讓更多的開發者，尤其是有工業Know-how的專家，可以高效便捷地開發復用，在更多的個性化場景產生更大的價值。

“如果我們用這套軟件系統做了一百個工業智能應用，就有一百個場景的模型被沉淀在這些行業的土壤當中，中國的工業模型資產庫就多了一百個可以傳承和生長的工業智慧”。這才是天澤智云貢獻給中國工業界的一筆不可估量的財富。