一条难以逾越的鸿沟正横跨在人工智能与工业制造之间。
我国是制造业第一大国，2018 年制造业增加值达 26.5 万亿元，占 GDP 总量的 29.4%，占比近三分之一。同时我国又是人工智能第二大国，拥有全球第二多的 AI 企业。然而一道「鸿沟」将它们分隔两地。
2019 年，我国 AI 公司的数量已超过 2000 家，但真正专注工业领域的企业数量却不足 5%。SAP 公司曾做过一项分析，中国过去三年最大的 300 项人工智能投资项目中，AI+制造业的投资不到 1%。AI 在工业领域投入严重不足。
如果 AI 不能够深入占 GDP 1/3 的工业领域，不能够赋能全国 345.1 万户工业企业，不能够服务工业生产线上超 1 亿工人，那么 AI 将很难担当「第四次工业革命」的重任。
2019 年也是 AI 探索规模落地的一年，在智能安防、智慧金融、智能家居、泛娱乐等领域已初具规模，反观工业这一「冰山下的战场」，不仅 AI 投入和资本投入严重不足，连 BAT 等互联网巨头都攻占不下。「积贫积弱」的工业智能背后，是什么阻挡了它落地的步伐，AI+工业的痛点又在哪里？
为此，机器之心深入工业智能落地的各个环节，从算法、数据、场景、平台等维度，探究技术落地中的痛点问题，并向产业发出灵魂 10 问。
这一年，工业智能公司相继完成标杆场景的探索，正迎来规模化落地的前夜。然而工业数据的匮乏，「一机一模型」的算法，都困扰着技术的成熟与产品化；商业领域占据半边天的计算机视觉，在工业领域更像是「拿着锤子找钉子」，远不能直击工业业务核心；算法人对工艺认知的匮乏，往往导致寸步难行；更为重要的是，传统工业企业对于这些「外来者」缺乏信任，认知观念与管理方式都亟待变革。
如果把 AI 落地场景比作一座冰山，工业正是水平面之下隐秘的「宝藏」，它极具规模与潜力，同时又极具挑战难以攻克。工业智能的落地，注定是一场艰苦的持久战。
工业：深度时代的「局外人」
2012 年以来，随着深度神经网络技术的突破，以计算机视觉为代表的 AI 走到时代前台，催生了刷脸支付、智能安防、智慧城市等火热市场，商汤、旷视、依图、云从「AI 四小龙」广受资本追逐。
然而，深度学习的「火种」却无法穿透工业领域。一个好的算法模型，需要海量数据与算力的支撑，但工业场景数据严重匮乏，安装 GPU 所带来的算力成本也很难为传统企业接受。
更关键一点是，深度学习的「黑盒」特性，与工业制造追求的精确、可靠与可解释性存在天然矛盾，很难获得工业企业的信任。相比较而言，决策树、分类算法、回归分析等经典机器学习算法在工业领域应用更广。
1、计算机视觉在工业领域是「拿着锤子找钉子」
早在上世纪九十年代，传统机器视觉已开始落地工业领域，主要应用在自动化检测、过程控制等领域，半导体以及电子制造业占据近一半市场，并且主要集中在欧美国家。
深度学习驱动下的计算机视觉虽然在商业领域广受欢迎，但在工业领域，其价值则需要打一个问号。
2017 年前后，随着人工智能从技术研发走向商业落地，AI 也悄悄叩响工业制造的大门。最初把 AI 技术迁移到工业领域时，成熟的计算机视觉成为第一块「敲门砖」，用 AI 代替工人做工业检测，或者监测工人的异常行为成为最先试水之地。
但在阿里云智能副总裁、数据智能总裁曾震宇看来，「把计算机视觉拿到工业领域，相当于拿着锤子找钉子。」
不难理解，受限于机器视觉的精准性，它目前主要解决工业领域一些非核心环节、表层的问题，但很难对工业核心业务产生价值。
比如，一家大型手机制造商曾引入 AI 做工业质检，代替人工检测手机背板的质量问题，如果背板存在划痕或者不平整即为不合格。尽管在一般情况下，训练的模型比人的判断更为稳定，但一些特殊问题仍依赖人工经验。
更为重要的是，该手机制造商面临的痛点问题是提升制造工艺和良品率，机器视觉这种「头痛医头脚痛医脚」的方式，并不能对这一痛点问题带来改善。
再比如用无人机对风电场风机设备进行故障监测，其做法是通过无人机远程对设备拍照，然后通过图像识别，判定设备是否正常运行。但这仍然是一种事后检测，故障已经发生，相应的损失已不可挽回。
工业场景缺乏标签数据与图像识别的事后检测，让机器视觉的价值大打折扣。因此有观点认为，虽然图像识别在 AI 领域较为成熟，但目前在工业领域应用价值有限。
曾震宇进一步谈道，技术公司进入工业领域时，应该把自己清空掉「归零」，看看行业到底存在怎样的问题，从业务场景出发选择最适合的技术。
2、一机一模型，工业算法泛化之痛
工业智能落地的过程中，一个令人头痛的问题是「一机一模型」，工业算法难泛化。算法泛化至关重要，直接影响其能否称之为一款产品，毕竟不能产品化，就意味着无法规模化。
以机床刀具的预测性维护为例，机床被誉为「工业母机」，对我国制造业的意义不言而喻，刀具是机械加工的核心部件，用以切削工件，直接影响加工工件的质量。在加工过程中，刀具会伴随使用逐渐磨损，并造成加工效率和质量的下降，当磨损到一定程度后就需要更换，否则将会导致崩刃、断刀等生产事故，甚至损坏机床。
注：机床刀具加工
因此，对机床刀具进行健康管理与寿命预测便成为行业的一项重要探索。但其工况尤为复杂，比如刀具的材料、结构、型号等不同，加工机床的性能，工件的材料、结构以及场地环境都不同，往往导致一个模型只适用于某种特定工况，放到其他工况下，模型效果就大打折扣。
这背后的核心原因是，工业的复杂度与工艺门槛非常高，而当前可供建模的数据量普遍匮乏且质量不高，缺乏工业知识与机理，仅靠数据驱动的模型很难具备较好的泛化能力。
天泽智云技术研发副总裁金超总结了其在机床预测性维护方面的探索，核心在于「行业机理模型与机器学习模型的融合」。
他强调工业领域机理的重要性，从建模角度而言，将行业专家的知识、机理模型融合进机器学习模型，往往可以数倍减少所需的训练数据，同时可使模型对不同环境、工况的适应性更强。从特征角度而言，提取具有一定机理属性的特征，可以增强模型判断的因果属性，大幅减少所需的计算量。
「相比不加机理特征，加入机理特征通常对模型的准确率有提升，只不过不同场景提升的程度可能不同」，金超总结道。
包括天泽智云在内的一些技术公司也在尝试用迁移学习来提升模型的泛化能力，但当下仍处于探索阶段，真正走向落地仍需时日。
此外，模型泛化的能力本身也有限，此时还需通过一系列工程化的手段从产品维度进行补足。
工业领域呼唤「黄金数据集」
如果说工业算法是工业智能的核心，那么数据就是工业智能的基础。工业领域数据匮乏的现状已成为制约技术落地的重要瓶颈，这里不仅有优质数据获取的困难，还有传统企业愿意开放数据的权重。
工业领域又相对封闭，制造企业不愿把自身的数据开放出来进行研究，工业缺乏如同图像领域的 ImageNet 般的黄金数据集。
3、工业数据匮乏
工业数据匮乏可从两种维度解释，一方面相对互联网场景下动辄 PB 级的大数据，工业领域搜集的数据量级相对较小；另一方面，面向工业特定建模任务，算法模型很难获取足够的数据。
以预测性维护应用为例，数据是否足够主要取决于两个方面：数据量和数据的质量。首先，与其说考虑数据的体量，不如说考虑工况的完整性，以及失效模式（标签数据）的完整性；第二是标签数据的质量，即经过验证的数据。现实情况是，工业领域这两方面的数据都很匮乏，尤其是验证过的标签数据。
以铁路行业的高铁轴承故障预警项目为例，轴承是关系到高铁安全运行的一个关键部件，在对轴承进行故障建模时，其中最难的点在于变速（进站出站时）情况下，如何准确地对轴承做故障诊断，尤其是在故障早期阶段。
这意味着，首先必须有变速状态下的失效数据，才能验证技术是否可行。此时相比数据有多大体量，数据的完整性，能否覆盖所有工况显得更为关键。然而现实是设备的故障样本往往很少，因为一旦出现故障，企业一般不会允许其持续运转。
即使有了工业数据的完整维度还不够，数据标签的质量也尤为重要。针对设备预测性维护，工业企业的历史故障维护记录是一个重要的数据来源，其记录的质量直接影响标签质量，但过去工业企业通常做的并不尽如人意。
原因在于，对大多数工业企业而言，设备的维护记录都是靠人工手写，记录时间不准确；即使是用电子化系统来做，设备到底发生了什么问题往往记录不准确；同时维护数据记录质量的好坏也不直接与基层工人「保证设备运行好」的 KPI 挂钩，在组织管理上，这类岗位没有动力去关心或者重视数据记录。
这样的现象不仅存在于中国企业，国外企业也不例外。原因在于，过去故障记录并不受重视，更多作为企业管理者管控问题的一环而存在，并不直接支持决策，但随着数据智能到来，工业企业的认知才逐渐发生变化。
此种情况下做出的数据模型效果堪忧。比如一家铁路公司曾针对设备故障问题，尝试用知识图谱做推荐系统，把之前积累的众多故障维护、维修记录，包括行业老师傅的经验都搜集起来，放在一起做自然语言处理（NLP），并用知识图谱串联起来，但最终模型推荐准确率仅有 50% 左右。它作为一个反例印证了工业数据质量的重要性。
现实中，工业企业往往不愿意对标签数据进行验证，因为这会带来额外的成本投入。以风电场的风机维护为例，即使做出设备的故障预测模型，比如检测到变流器可能存在问题，往往需要工业企业配合验证，甚至要停机去做风机检查，这对风电场而言也是不小的成本。因此，工业领域的标签数据极其宝贵。
面对匮乏的工业数据环境，金超谈道，首先需要解决模型在小数据情况下的冷启动问题；其次要更好的融合机理，以及采用开放式的方法，让客户参与工况筛选以辅助模型构建，从而提升模型的可解释性；最后还可使用工程化的思路对算法进行全生命周期管理，减少重复开发与调整成本。
回到前文高铁轴承的预测性维护案例中，单纯从数据驱动的角度看，冷启动轴承故障预警模型，不仅需要不同转速下健康状态的数据，还需要不同失效模式的充足故障样本来建立分类模型，但采集不同转速下不同故障数据往往高成本高耗时。
从传统旋转机械故障诊断的角度看，轴承诊断的关键在于找到「共振频率」，它受轴承转速、故障严重程度等因素影响。振动分析师一般会通过观察频谱上的「频率簇」来找「共振频率」，针对此频带滤波解调，再通过轴承规格计算失效模式故障特征频率，这样通常只要少于 1 分钟的数据就能够进行诊断。结合数据驱动与机理融合，让模型按照机理分析的思路发挥作用，这样即便只有健康状态的数据，也能够冷启动故障预警模型。
4、迷信工业大数据
在工业数据匮乏的另一面，是行业对工业大数据的迷信。把工厂数据全都搜集起来，汇聚到一个平台，然后通过数据挖掘做分析，是非常典型的互联网企业或者 AI 公司的思路，但这种方式在工业领域未必能产生重大价值。
国内一家大型面板厂曾想做线轨的健康状态监测，并在此前搜集了几年的工厂数据，尽管数据体量非常大，但最终发现这些数据对于实际问题并没有价值。
原因在于，与线轨衰退相关的特征主要为振动、声音、温度、电流、转速等信号，如果工厂采集的数据采样率不能反映故障特征，就是无效数据。
「我们一直说工业大数据，其实重点不在大，而在工业」，金超说。
「在工业场景中，我们最终关心的并不是数据的多与少，或者打破数据孤岛，这些都是手段。最重要的是我们能不能够看到客户要实现的价值点，痛点到底在哪里。」
另一方面，随着「数据即资产」的观念深入人心，再加上工业企业长期积累的工艺数据是其「命脉」，导致工业企业较为封闭，不愿把自身数据开放出来，这一定程度也制约了工业领域先进模型的研发。
正如图像领域的 ImageNet，为计算机视觉的繁荣提供了一块「温床」，工业领域缺少的正是这样的「黄金数据集」。
场景落地之困
目前，工业智能主要落地在工业质检/分拣、设备健康管理（预测性维护）、生产过程优化等场景，受限于技术能力、市场规模与领域门槛，又以前两者为重。
制造业又可以分为离散制造和流程制造，相比而言，工业智能在离散制造业落地较多，流程制造业相对较少。
这源于离散制造业相对容易切入，一旦形成解决方案，往往可以规模复制。以装备制造为例，比如数控机床，设备单价高寿命长，一旦损坏不仅影响产能，还会带来更大损失，对其进行预测性维护成为必要；并且机床这一市场规模又较为庞大，仅我国每年就超 2000 亿元。
而流程制造业生产过程复杂，工艺门槛更高，典型的代表是钢铁行业，这对于 AI 公司或互联网公司都是难以跨越的门槛，目前解决的多是生产过程中的单点性问题。
技术提供商主要通过工程总承包商、行业集成商、工业互联网平台合作等方式，切入工业场景。团队是否有懂工艺的专家、场景是否可以用数据智能方法解决、市场规模以及项目预算等因素，都决定它们是否切入某一场景。
目前，无论 AI 公司还是互联网公司相继完成标杆项目的探索，如何进一步迈过工艺的门槛做深行业，如何产品化、规模化落地，都是更为严峻的挑战。
5、工艺门槛成行业深入之痛
「巧妇难为无米之炊」，对于烹饪来说，食材与配方缺一不可。对于 AI 公司或互联网公司来说，仅有「食材」（数据和算法）还不够，工艺这道「配方」同样重要，并成为落地工业领域一道天然门槛。
尽管阿里云、百度云拥有优质的架构、中台与算法，但在工业领域落地时，往往要借助行业集成商，才能提供全流程解决方案，核心就在于对工艺理解的匮乏。
以钢铁行业为例，其生产流程包括采矿、选矿、烧结 、焦化到炼铁、炼钢、热轧、冷轧等，不仅工艺体系复杂，生产环节恶劣，并且需要多专业多协同，基本会涉及 30 多个工程专业，涵盖 80% 以上的专业学科，综合性非常强。
阿里云较早在钢铁行业探索「工业大脑」的落地，目前已取得一些成绩，比如炼钢环节用数据驱动脱硫，热轧环节通过数据控制加热炉内的温度等。但从其切入点来看，还只是钢铁生产中的几个单点，尚未形成覆盖全流程的解决方案，并且炼钢工艺最核心的高炉环节也并未进入。
阿里云智能副总裁、数据智能总裁曾震宇解释，未深入核心环节的最大因素是生产安全，因为核心环节一旦出现生产安全故障，影响非常大。
在一位工业企业人士看来，这一现象并非个例，主要原因是互联网企业对工艺认知不足，受限于投入产出比往往不愿投入过多资源。
不仅流程制造如此，离散制造也不例外。其市场的分散性决定，很难形成一套完整解决方案；并且工况的复杂性，又限制了模型的泛化能力。向行业有经验的老师傅请教，增强对工艺的理解，将机理特征融合进模型，是目前较为有效的方法。
6、定位之痛：项目制还是产品化
尽管我国是制造业大国，但约 92% 是小微企业，人数不足 300 人，年收入小于2000 万，并且信息化大于工业化，工业基础薄弱。这一工业背景也对企业的定位带来挑战。
首先，是做头部企业还是腰部企业，做离散行业还是流程行业？做头部企业可能意味着陷入项目制，做腰部或底部企业可能利润有限。
其次，是做项目制还是产品化？一方面离散制造业标准化产品较多，但更加比拼成本、良率、交期，而流程制造业工艺复杂度高，并受工业企业需求主导，多以项目制为主，难以产品化。
在天泽智云高级副总裁谢炯看来，To B 行业有它的商业规则和理念，不可能出现爆款产品，首先要对行业有敬畏心。「必须要踏踏实实把项目做好，才能有磨练出产品的可能性。」以风电行业为例，它们通过将近三年智能风场项目，打磨出既能服务于存量市场，又能服务于增量市场的「叶片卫士」产品。
在市场策略上，它们形成相对成熟的「2+2+0.5」战略打法，头部、腰部企业两手抓，但手段不同。其中，第一个「2」指风电和机加工两个领域，已打通产业链上下游，研发出直击痛点的产品；第二个「2」是已形成解决方案但仍在探索产品化的行业，主要以较大的项目来推动，待成熟后再以产品化的方式推进；最后一个「0.5」则是对未来 3~5 年具有潜力的行业持续做技术储备。
此外，是做前台还是做幕后英雄？做集成商意味着较高的领域门槛和技术门槛，做技术提供商又往往投入多利润微薄。宝钢工程总经理助理徐凯指出，企业在提供解决方案的过程中要聚焦，要区分「工业和商业」领域，要有自身明确的定位，不能只想做大集成，这样反而失去了自身的特色。
千家平台盈利难
一个工厂想要实现智能化，往往需要将工业设备、传感器与生产管理数据连接起来，通过数据治理将数据汇聚到数据中台，结合工业 PaaS 平台和数据中台，开发者开发出相应的智能化模型。这些正是依托工业互联网平台来实现的。
自 2016 年以来，在国家政策支持与高额补贴刺激下，工业互联网平台进入发展快车道，尤其是近两年更呈现井喷之态，形成五大势力竞合之态。
第一类是国内制造企业依托自身工业设备优势，孵化的工业互联网平台，代表企业有航天科工、三一重工、海尔、美的、富士康等；第二类是华为、徐工信息、宝信等，从传统系统解决方案商转向平台解决方案商；第三类是东方国信、用友、金蝶等工业软件企业；第四类是阿里、百度等互联网企业向工业领域扩展；第五类是优也、寄云等创业公司搭建的平台。
注：我国主要工业互联网平台能力图谱，数据来自国家工业信息安全发展研究中心
数据显示，截至 2018 年 3 月，国内工业互联网平台类产品数量已达 269 个，其中由制造企业构建的平台占比高达 46%。目前这一平台数量已经突破上千家。
尽管工业互联网平台前景广阔，2018 年全球市场规模已达 32.7 亿美元，预计到 2023 年市场规模增长到 138.2 亿美元，但存在平台间各自为政、多而不强、盈利困难等问题。
7、千家难盈利
对于一个新产业初期，千家涌入看似规模庞大，但宝钢工程总经理助理徐凯称，「这一数字其实不多，工业领域核心在于对工艺的理解，谁能把钢铁流程行业和汽车离散行业的共性放在一起，形成一家通用的平台解决方案？往往不能，这就决定了工业领域因为『场景依赖』程度过高，很难形成规模效应。」
我国工业整体分为 39 个大类，191 个中类及 525 个小类，工业知识庞大复杂，且市场分散，以 2018 年约 30 万亿元的工业增加值来看，提升效率，进行成本优化，孕育千家平台并非难事。
尽管市场潜力足够大，但当下各类互联网平台几乎不盈利。在行业早期，企业都在讲自身的工业平台故事，客户远没有到愿意买单的阶段。
一位创业公司负责人称，「我们签下的很多项目，都需要向客户承诺技术方案实施后的业务回报数字，有经验和模型基础的领域可以这么签，但不熟悉的领域，我们只能继续谈继续打磨方案。」
不仅创业公司如此，那些声称连接了大体量设备的平台，大部分都是靠自身集团企业支撑，真正的客户少之又少。
这固然与行业所处的早期阶段有关，但在工业互联网平台难盈利背后，更大的问题是平台的开放度、数据安全、成本与技术体验，能否真正产生业务价值，为行业带来 ROI（投资回报率）的提升。
8、缺乏比肩工业巨头的平台
在阿里云智能副总裁、数据智能总裁曾震宇看来，一个真正的工业互联网平台，首先要能把工业的各种数据真正连通起来，从感知到数据的汇聚打通，意味着拥有了一个工业数字化世界；第二要能够在平台之上做各种各样的智能优化，并且不仅只做单点优化，而是做从采购、设计、生产到供应链、物流等全局优化，才能真正发挥工业互联网的价值。
这意味着工业互联网平台要有统一的数据标准、体系化的开发工具以及丰富的工业模型，但同时具备这些能力的平台少之又少。除了工业基础外，这也是我国无法诞生西门子、GE 之类巨头平台的原因。
反观我国工业互联网平台之间，行业各自为政，互不相连，也没有真正做到开放。比如目前业内没有统一的数据标准，工业协议数量可达几百种，主流协议也有 40 余种，但我国 80% 的平台不足 20 种。数字化模型也与国外工业互联网平台的上百种有较大差距。
具体来看，我国各类工业互联网平台劣势均较为明显，缺乏真正大而强的平台。
以制造企业孵化出的平台为例，比如三一重工、海尔、美的、富士康等，其拥有工业设备与连接优势，但缺乏智能技术，平台往往局限自身所在行业。行业系统提供商所搭建的平台，也往往复制性与泛化能力不强。
再如阿里、百度等互联网公司，其工业平台在技术、架构与中台上都具有优势，但核心在于缺乏对工业与工艺的理解，缺乏持续投入，难以将行业打穿。
谁真正能够把工业互联网平台做成标杆，产生被行业认可的业务价值与品牌，这将是一个漫长的考验。「否则所谓的数据孤岛，不过是原来的 5 平方米，变成现在的 500 平方米。」
技术变革背后的管理瓶颈
技术变革的背后往往需要资本方、工业企业、科技企业等共同配合，转变既有观念，改变经营理念，既适应工业的既有规则，又能够推动技术的落地。
以追逐高收益的资本为例，制造业的利润空间往往在 5% 左右，并且资产重、回报慢，这导致资本不愿流入工业领域。而改变这一现状，除了国家政策的导向外，资本方转变理念、管理收益预期显得尤为重要。这只是工业智能化变革中的一个缩影。
9、认知观念转变不易
对于传统工业企业而言，提升产品质量、降本增效，他们惯用的思路是采购新设备、投资新工艺，「先进设备等于先进技术」一定程度代表他们的固有观念，认同工业智能、数据驱动能够带来 ROI，本身就是一个巨大挑战。
天泽智云技术研发副总裁金超谈道，工业企业固有的观念是国内智能软件难做的原因之一，客户会觉得购买工业智能产品跟采购设备一样，可以对照「操作说明书」开箱即用，实现某一类功能。
但对于数据驱动的模型，一开始模型的部署效果可能只有六七十分，需要数据不断迭代优化，才能达到相对精准的效果。这意味着工业企业需要改变对软件的看法，并在模型初期给予足够的包容度。
这一认同缺失背后，除了工业企业的固有观念与对数据、算法的能力边界认知不清晰外，技术成熟度不足，比如「一机一模型」的现状，技术只能在边缘场景中试探难以进入工业核心环节等，都决定了工业企业难以真正信任科技公司，以至于要签订业务回报承诺。
10、经营理念亟待变革
对于 AI 公司或互联网企业而言，切入工业领域首先意味着理性看待与制定合适的 ROI。制造业的利润空间往往在 3%~5%，而对于互联网企业来说，低于 20% 的利润基本可以判定为失败项目。这之间巨大的利润率鸿沟直接决定着科技公司进入工业领域做什么，能否持续投入。
对此宝钢工程总经理助理徐凯建议，AI 公司或互联网公司进军工业领域，一定要有耐心，工业 AI 与商业 AI 不同，工业场景的复杂性决定技术落地的不易，需要科技企业耐心持续投入，要加深对工业工艺的理解，要看重稳定持续的回报，而不是短期、高回报。
对于传统工业企业而言，改变经营管理理念同样重要。
一家民营钢厂通过技术服务商做了一套煤气管网平衡的智能化系统，以此优化能源使用效率。
其背景是，高炉炼铁环节会产生大量的高炉煤气，它可以做为燃料供下游的轧钢、电厂、锅炉等单位使用。由于高炉产气波动不可预知，且每个用户各自的用气节拍不协调，导致管网产气和用气一直处于不平衡状态。如果某一单位送气过多，又会造成煤气放散率（流失）过高，浪费能源污染环境。通过该系统（就像导航系统一样），可以智能分配每个单位的煤气使用量，将管网平衡稳定率从 77% 提升到 95% 以上，并把放射率降到零，大幅提升燃料使用率。
但这套系统却很难在钢厂推广下去，原因在于该智能化系统和之前的系统处于平行状态，钢厂没有通过管理机制自上而下的推广，也没有将智能化系统的使用与员工 KPI 挂钩。此外，这一智能化系统也没有和控制系统打通，只是将输出结果推荐给钢厂，仍需工人操作。
可见，即使有一套高效的智能化系统，但其落地仍需要工厂整合组织的配合。另一方面，技术服务商也应不断降低系统的上线门槛，并将智能系统与控制系统打通，形成业务闭环。
结语
行文至此，不禁要问工业领域最适合 AI 落地的场景是什么？
综合行业各种观点来看，从技术维度说，强数据、强机理是 AI 的绝佳试炼之地，即拥有较好的数据基础，并且设备运作方式、领域知识沉淀丰富的场景，反之则未必适合落地。
从场景维度来看，发生频率高、结果影响严重的问题未必适合AI来解决，更适合行业从工艺、设计、制造端改善；而发生频率低、结果影响小的问题，通过传统的巡检方式就能解决；至于发生频率高、结果影响不大的问题，也能够通过精益管理去解决；而发生频率低、结果影响重大的问题是行业尚未很好解决的，也是AI最有可能展现价值的场景。
面向复杂的工业场景，数据问题、模型泛化问题、行业工艺门槛等，使工业智能技术尚未成熟，这又近一步造成技术服务商与传统工业企业间的信任问题。
面对传统工业企业认同缺失的现状，技术提供商必须以场景为王，将工业与智能深度融合，带来实际的业务价值，才能构建信任的桥梁，改变难以盈利的现状。
但另一方面，作为一个新生事物，工业智能不可避免面临种种挑战。如今在国家对智能制造政策的引导下，更多资本、技术力量、制造企业正在涌入，驱动工业互联网蓬勃发展，一场变革正在上演。
