0 引言

    當(dāng)前，以智能化為核心的新一輪科技產(chǎn)業(yè)變革興起，各國普遍推出以產(chǎn)業(yè)智能化為核心的新型制造業(yè)發(fā)展戰(zhàn)略。而隨著人工智能技術(shù)的發(fā)展日新月異，與社會各領(lǐng)域不斷融合已經(jīng)成為大勢所趨，正逐步改變現(xiàn)有產(chǎn)業(yè)形態(tài)、商業(yè)模式和生活方式，成為助推工業(yè)智能化轉(zhuǎn)型升級的關(guān)鍵燃料^[1]。據(jù)Markets報告預(yù)計(jì)，到2025年人工智能制造市場規(guī)模將達(dá)172億美元，預(yù)測期(2018-2025年)內(nèi)的年復(fù)合增長率為49.5%；而埃森哲預(yù)計(jì)2035年，人工智能將使制造業(yè)總增長值(GVA)增長近4萬億美元。工業(yè)是我國國民經(jīng)濟(jì)的主導(dǎo)，我國也積極搶抓以人工智能為驅(qū)動的新一輪科技產(chǎn)業(yè)變革的機(jī)遇，工業(yè)智能自然成為了國家及業(yè)界高度重視的領(lǐng)域方向^[2]。本文總體包括技術(shù)、應(yīng)用、產(chǎn)業(yè)三部分，以全面和深入的視角，從算法層面剖析工業(yè)智能的技術(shù)本質(zhì)，通過建立一個相對完善的技術(shù)-應(yīng)用分析體系對行業(yè)應(yīng)用現(xiàn)狀特點(diǎn)進(jìn)行分析，其次闡述了產(chǎn)業(yè)影響，最后對全文進(jìn)行了總結(jié)。

1 工業(yè)智能的技術(shù)內(nèi)涵

1.1 工業(yè)智能算法本質(zhì)

    人工智能算法是工業(yè)智能技術(shù)的核心，當(dāng)前主流人工智能算法包括數(shù)據(jù)科學(xué)(傳統(tǒng)機(jī)器學(xué)習(xí)、前沿機(jī)器學(xué)習(xí))、知識工程（專家系統(tǒng)、知識圖譜）兩大方向，本質(zhì)是解決分類和回歸兩大問題。簡單來說，分類是對離散變量進(jìn)行定性輸出，包括圖片/語音識別、機(jī)器問答與信息檢索、虹膜/指紋等生物特征識別等實(shí)際問題；回歸則是對連續(xù)變量進(jìn)行定量輸出，包括股票波動預(yù)測、用戶需求預(yù)測、房價走勢分析等實(shí)際問題，自動駕駛、AlphaGo等較為復(fù)雜的應(yīng)用則同時包含了分類和回歸問題。

    因此，工業(yè)需求能否拆分為兩大問題(或組合)是工業(yè)智能技術(shù)實(shí)施的必要性前提。工業(yè)領(lǐng)域問題包括傳統(tǒng)工業(yè)問題(非數(shù)據(jù)技術(shù)可解問題)及數(shù)據(jù)技術(shù)可解問題(如圖1所示)，其中，傳統(tǒng)工業(yè)問題如發(fā)動機(jī)燃燒機(jī)理、機(jī)床加工極限精度等工業(yè)基礎(chǔ)理論、制造技術(shù)和工藝標(biāo)準(zhǔn)無法通過數(shù)據(jù)技術(shù)解決，更無法使用工業(yè)智能技術(shù)解決；而數(shù)據(jù)技術(shù)可解問題下的分類與回歸問題則是工業(yè)智能技術(shù)應(yīng)用范疇，具體地，工業(yè)領(lǐng)域分類問題包括故障診斷、產(chǎn)品質(zhì)量檢測等對工業(yè)領(lǐng)域圖像音頻、文字等離散變量的定性輸出和類別劃分；回歸問題包括生產(chǎn)指標(biāo)軟測量、工藝參數(shù)優(yōu)化等對工業(yè)領(lǐng)域連續(xù)變量進(jìn)行定量輸出，以及一些同時涉及分類與回歸方法的復(fù)雜工業(yè)問題，如自動駕駛機(jī)械等。

1.2 工業(yè)智能算法-應(yīng)用分析體系

    我們認(rèn)為，技術(shù)視角下，工業(yè)智能即是將工業(yè)(人工)智能算法作用在結(jié)構(gòu)/非結(jié)構(gòu)化數(shù)據(jù)和(或)工業(yè)機(jī)理/知識/經(jīng)驗(yàn)等工業(yè)智能使能要素中，通過對要素進(jìn)行分類、回歸等本質(zhì)作用，映射至設(shè)計(jì)、生產(chǎn)、管理服務(wù)等工業(yè)環(huán)節(jié)或場景下，形成智能化應(yīng)用。

    目前來看，專家系統(tǒng)主要作用在車間調(diào)度管理、故障診斷、庫存管理等場景；知識圖譜主要作用在用戶需求分析、商業(yè)智能、供應(yīng)鏈管理等場景；(傳統(tǒng))機(jī)器學(xué)習(xí)主要應(yīng)用場景有產(chǎn)品質(zhì)量檢測、工藝指標(biāo)軟測量、過程控制優(yōu)化等；深度學(xué)習(xí)等前沿機(jī)器學(xué)習(xí)主要應(yīng)用場景有預(yù)測性維護(hù)、智能仿真、生產(chǎn)安全監(jiān)控等；而無人駕駛機(jī)械、智能化設(shè)計(jì)等復(fù)雜應(yīng)用通常需要多種技術(shù)組合進(jìn)行解決。

    通過梳理典型場景下的算法本質(zhì)特點(diǎn)與作用范圍^[3]，提出了一個工業(yè)智能的問題分類框架，如圖2所示。

    構(gòu)造四象限橫縱坐標(biāo)軸，橫軸是工業(yè)機(jī)理(經(jīng)驗(yàn))不確定度，與當(dāng)前工業(yè)機(jī)理和專家經(jīng)驗(yàn)的研究積累相關(guān)；縱軸為計(jì)算的復(fù)雜度，是計(jì)算機(jī)進(jìn)行數(shù)據(jù)計(jì)算的時間復(fù)雜度。由此確定四類算法的大致作用領(lǐng)域：專家系統(tǒng)和知識圖譜用于解決工業(yè)機(jī)理(經(jīng)驗(yàn))較為透明、確定的問題，其中專家系統(tǒng)能解決的問題計(jì)算復(fù)雜度低，知識圖譜則相對較高；而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)通常解決機(jī)理、經(jīng)驗(yàn)?zāi)：膯栴}，深度學(xué)習(xí)的計(jì)算復(fù)雜度更高。

1.3 工業(yè)智能技術(shù)發(fā)展趨勢

    一方面，工業(yè)智能技術(shù)可解問題的“厚度”增加，更多工業(yè)場景與問題轉(zhuǎn)化為工業(yè)智能可解問題，但本質(zhì)仍然是分類/回歸問題(圖1中的趨勢1)。通常包含兩個步驟，一是工業(yè)機(jī)理/問題數(shù)字化，例如美國的材料自主研發(fā)系統(tǒng)ARES，將材料指標(biāo)參數(shù)化后通過隨機(jī)森林分類決策確定當(dāng)前對應(yīng)的最佳參數(shù)；二是問題定義，即工業(yè)機(jī)理/問題的連續(xù)/離散化，例如預(yù)測性維護(hù)存在兩種技術(shù)思維，早期階段是基于狀態(tài)的維護(hù)，即將歷史數(shù)據(jù)看作數(shù)字信號，基于振動數(shù)據(jù)數(shù)理分析來進(jìn)行故障判定；工業(yè)智能階段是基于機(jī)器學(xué)習(xí)的維護(hù)，將歷史數(shù)據(jù)、故障結(jié)果看作一種模式，通過模型訓(xùn)練、驗(yàn)證與部署來得到連續(xù)化(設(shè)備剩余時間)或離散化(是否可能發(fā)生故障)的輸出。

    另一方面，工業(yè)智能技術(shù)可解問題的“寬度”增加，(圖1中的趨勢2)。當(dāng)前解決分類和回歸問題的根本手段終歸是通過暴力的擬合與計(jì)算，未來人工智能或?qū)⒉辉倬窒抻谝揽繌?qiáng)大的算力解決問題，而是以基于先驗(yàn)邏輯的知識工程和數(shù)據(jù)科學(xué)為基礎(chǔ)，與類腦智能融合成通用智能，擁有高等的認(rèn)知能力，變革算法的可解問題類型。

2 典型行業(yè)應(yīng)用模式

    工業(yè)智能在不同行業(yè)、環(huán)節(jié)應(yīng)用部署和效果的差異性較大，流程行業(yè)中，鋼鐵作為傳統(tǒng)行業(yè)，工業(yè)知識和經(jīng)驗(yàn)豐富，人工智能技術(shù)應(yīng)用較早；少品種大批量離散行業(yè)中，汽車是國民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，大批新技術(shù)匯聚，是智能化轉(zhuǎn)型升級的先行陣地；多品種小批量離散行業(yè)中，航空作為高端裝備領(lǐng)域代表，人工智能應(yīng)用空間較大。綜上，本文選取鋼鐵、汽車、航空作為三類制造業(yè)的代表行業(yè)，希望通過研究垂直行業(yè)工業(yè)智能應(yīng)用現(xiàn)狀和特點(diǎn)，總結(jié)工業(yè)智能應(yīng)用基本情況與特點(diǎn)，為其他行業(yè)提供參考和指引。

2.1 鋼鐵行業(yè)

2.1.1 行業(yè)特點(diǎn)與需求

    鋼鐵行業(yè)產(chǎn)業(yè)鏈較短，是典型流程型生產(chǎn)，多個環(huán)節(jié)存在人工智能應(yīng)用需求。其中中游冶煉企業(yè)占據(jù)核心地位，且信息化、自動化水平較高，智能化轉(zhuǎn)型基礎(chǔ)較好，成為了產(chǎn)業(yè)鏈優(yōu)化的關(guān)鍵。

2.1.2 典型應(yīng)用

    鋼鐵行業(yè)工業(yè)智能主要應(yīng)用場景如圖3所示，主要包括生產(chǎn)環(huán)節(jié)和商業(yè)環(huán)節(jié)。

    (1)生產(chǎn)環(huán)節(jié)

    形成了能耗智能管控、設(shè)備維護(hù)、過程優(yōu)化和控制等多種應(yīng)用場景。如日本新日鐵開發(fā)熱連軋精軋?jiān)O(shè)定專家系統(tǒng)，與數(shù)學(xué)模型結(jié)合，對材料成分和各架軋機(jī)參數(shù)等進(jìn)行模擬計(jì)算。美國大河特種鋼鐵廠使用機(jī)器學(xué)習(xí)模型來確定維護(hù)關(guān)鍵機(jī)器和設(shè)備的最佳時間，實(shí)現(xiàn)預(yù)測性維護(hù)。中鋼集團(tuán)利用深度學(xué)習(xí)，對近7 000+批次產(chǎn)品的工藝參數(shù)進(jìn)行數(shù)學(xué)建模和分析，鋼坯質(zhì)量檢測效率提升90%。

    (2)商業(yè)環(huán)節(jié)

    聚焦供應(yīng)鏈管理，基于采購、庫存、物流等領(lǐng)域特點(diǎn)形成典型應(yīng)用，包括庫存管理、采購管理、物流優(yōu)化等。比如在供應(yīng)鏈風(fēng)險管理場景，大河鋼廠通過大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)模型打造“廢鋼指數(shù)”，實(shí)現(xiàn)廢鋼采購的需求預(yù)測，降低商業(yè)風(fēng)險；在供應(yīng)鏈物流優(yōu)化場景，大河鋼廠與人工智能咨詢公司Noodle.ai合作，將出站運(yùn)輸?shù)某杀窘档阶畹?，并?yōu)化客戶交付窗口，提高物流效率。

    總體來看，鋼鐵行業(yè)的冶煉過程占據(jù)核心地位，過程能耗大、設(shè)備價值高、冶煉過程原理復(fù)雜但過程數(shù)據(jù)較為完善等特點(diǎn)使其成為了工業(yè)智能重點(diǎn)覆蓋的領(lǐng)域。百年的冶煉操作使專家具備了豐富的經(jīng)驗(yàn)，成為了專家系統(tǒng)最先最廣泛應(yīng)用的領(lǐng)域。高爐煉鐵復(fù)雜的物理化學(xué)反應(yīng)使機(jī)器學(xué)習(xí)等黑箱型算法有了用武之地，并向更加復(fù)雜的深度學(xué)習(xí)技術(shù)應(yīng)用演進(jìn)^[4]。

2.2 汽車行業(yè)

2.2.1 行業(yè)特點(diǎn)與需求

    以制造企業(yè)為核心，已形成以市場為導(dǎo)向的成熟生產(chǎn)模式?；谝韵滤膫€方面原因，需要新興技術(shù)推動改善產(chǎn)業(yè)鏈各環(huán)節(jié)內(nèi)容：(1)客戶需求逐漸成為汽車生產(chǎn)制造的關(guān)鍵指引；(2)設(shè)計(jì)仿真環(huán)節(jié)直接決定生產(chǎn)的效率和結(jié)果；(3)行業(yè)對生產(chǎn)的柔性化和供應(yīng)鏈的及時響應(yīng)要求逐步升高；(4)產(chǎn)品智能化及服務(wù)更是重點(diǎn)領(lǐng)域。

2.2.2 典型應(yīng)用

    汽車行業(yè)工業(yè)智能主要應(yīng)用場景如圖4所示。

    (1)產(chǎn)品環(huán)節(jié)

    主要圍繞產(chǎn)品設(shè)計(jì)、產(chǎn)品智能配套服務(wù)、無人化操控展開。如奧地利科學(xué)研究院在仿真環(huán)節(jié)利用深度學(xué)習(xí)進(jìn)行風(fēng)洞實(shí)驗(yàn)，節(jié)省時間5萬倍；德國汽車研究所通過機(jī)器學(xué)習(xí)記錄分析產(chǎn)品消耗、磨損等數(shù)據(jù)，幫助客戶解決故障，同時預(yù)測磨損；最為廣泛認(rèn)知的就是各大企業(yè)基于AI開展無人駕駛汽車探索和研制，搶占未來產(chǎn)品新市場。

    (2)生產(chǎn)環(huán)節(jié)

    形成了產(chǎn)品質(zhì)量檢測、制造過程優(yōu)化、輔助診斷與控制等多種應(yīng)用場景。如西門子、奧迪等基于語音識別、圖像識別對車輛與鋼板進(jìn)行質(zhì)量監(jiān)測；奔馳寶馬等先進(jìn)車企和配套企業(yè)均已基于人工智能等技術(shù)，開展全廠優(yōu)化探索，打造智能工廠。

    (3)商業(yè)環(huán)節(jié)

    聚焦供應(yīng)鏈管理優(yōu)化和用戶需求分析等方面應(yīng)用。如上汽通過建立神經(jīng)網(wǎng)絡(luò)模型庫和學(xué)習(xí)優(yōu)化算法庫，實(shí)現(xiàn)包括智能流量預(yù)測、智能路徑規(guī)劃等解決方案；汽車之家通過AI算法接收用戶反饋，并根據(jù)反饋深度挖掘用戶隱藏需求，實(shí)現(xiàn)智能推薦“千人千面”的效果。

    總體來看，汽車的研發(fā)、制造、產(chǎn)品智能化與服務(wù)均為人工智能的應(yīng)用提供了大量場景，工業(yè)智能應(yīng)用的環(huán)節(jié)覆蓋最為全面廣泛，產(chǎn)品設(shè)計(jì)仿真優(yōu)化將是充滿潛力的發(fā)展方向。以機(jī)器學(xué)習(xí)算法為代表的視覺、語音、數(shù)據(jù)挖掘類應(yīng)用占據(jù)主要比重，未來隨著領(lǐng)域經(jīng)驗(yàn)的增加和自動駕駛的進(jìn)一步發(fā)展，專家系統(tǒng)、知識圖譜甚至類腦智能技術(shù)應(yīng)用也將逐步深化。

2.3 航空行業(yè)

2.3.1 行業(yè)特點(diǎn)與需求

    航空行業(yè)產(chǎn)業(yè)鏈條較長，產(chǎn)品種類少、批量小，按照訂單需求進(jìn)行設(shè)計(jì)生產(chǎn)，并提供后續(xù)服務(wù)。產(chǎn)品設(shè)計(jì)不僅決定整體性能，而且決定了費(fèi)效比，當(dāng)前效率低、周期長、費(fèi)用高；生產(chǎn)制造分散且復(fù)雜，影響因素較多，耗費(fèi)大量人力物力；產(chǎn)品價值高、零件數(shù)量多、主尺度大、生命周期長，以上情況均對工業(yè)智能的落地應(yīng)用提出迫切需求。

2.3.2 典型應(yīng)用

    航空行業(yè)工業(yè)智能主要應(yīng)用場景如圖5所示。

    (1)產(chǎn)品環(huán)節(jié)

    主要圍繞輔助診斷與預(yù)測、產(chǎn)品配置服務(wù)優(yōu)化、智能設(shè)計(jì)等場景。如美國NASA、日本宇宙航空研究開發(fā)機(jī)構(gòu)等航空科研機(jī)構(gòu)針對實(shí)際飛船類產(chǎn)品的調(diào)度控制、監(jiān)測和故障診斷研制專家系統(tǒng)。美國聯(lián)合技術(shù)公司將機(jī)器學(xué)習(xí)引入設(shè)計(jì)過程，大幅提升產(chǎn)品性能和研發(fā)效率?；萜瞻l(fā)動機(jī)公司利用IBM的AI平臺實(shí)現(xiàn)預(yù)測性運(yùn)維，防止發(fā)動機(jī)故障導(dǎo)致的飛機(jī)事故。

    (2)生產(chǎn)環(huán)節(jié)

    主要有制造過程優(yōu)化、智能檢測等。制造企業(yè)使用基于視覺的機(jī)器人，完成面向大部件的裝配制造。中國商飛通過AI進(jìn)行缺陷智能識別及判斷，減少人為因素造成的誤差，提高檢測效率，降低工作強(qiáng)度，最終實(shí)現(xiàn)超聲檢測和評價的自動化、智能化。

    (3)商業(yè)環(huán)節(jié)

    主要圍繞風(fēng)險分析、安全管理、需求預(yù)測、運(yùn)營優(yōu)化等方面展開，如NASA正在基于AI識別商業(yè)航空事件數(shù)據(jù)中的異常運(yùn)行，分析潛在的風(fēng)險問題。國內(nèi)公安三所、東航等利用AI的視頻監(jiān)控、流量預(yù)測、智能推薦等實(shí)現(xiàn)機(jī)場運(yùn)行的安全管理、機(jī)場和各個運(yùn)營方資源調(diào)配和優(yōu)化、個性化推薦等服務(wù)。

    總體來看，航空裝備產(chǎn)品的價值和商業(yè)化程度較高，與鋼鐵、汽車行業(yè)相比，產(chǎn)品和商業(yè)環(huán)節(jié)的應(yīng)用場景更多。專家系統(tǒng)、機(jī)器學(xué)習(xí)等經(jīng)典人工智能技術(shù)應(yīng)用占據(jù)主要比重，深度學(xué)習(xí)等方法目前多是運(yùn)用在機(jī)場視頻監(jiān)測等通用性領(lǐng)域，隨著數(shù)據(jù)與應(yīng)用需求的不斷提升，前沿機(jī)器學(xué)習(xí)等人工智能方法將會與航空行業(yè)機(jī)理、知識進(jìn)一步融合，萌生更多智能應(yīng)用^[5]。

3 產(chǎn)業(yè)發(fā)展與趨勢

    工業(yè)智能產(chǎn)業(yè)是支撐新型制造能力的主要技術(shù)和產(chǎn)品體系，主要體現(xiàn)在兩方面，一是支撐傳統(tǒng)產(chǎn)業(yè)重點(diǎn)領(lǐng)域，如工業(yè)裝備、工業(yè)自動化和工業(yè)軟件的智能化升級；二是成為新興產(chǎn)業(yè)環(huán)節(jié)，如工業(yè)互聯(lián)網(wǎng)平臺的核心賦能手段。同時，AI芯片、框架、算法與工業(yè)機(jī)理模型、數(shù)據(jù)資源等基礎(chǔ)能力擴(kuò)展使能范圍，成為了工業(yè)的新型基礎(chǔ)能力。

3.1 智能裝備

    裝備企業(yè)、ICT、初創(chuàng)企業(yè)，甚至制造企業(yè)多類主體同步發(fā)力，未來“各司其職”“分庭抗禮”的局勢可能形成。裝備企業(yè)憑借對領(lǐng)域知識的了解，立足自身需求，基于第三方的技術(shù)支持豐富產(chǎn)品的強(qiáng)知識屬性智能化能力，如發(fā)那科利用AI進(jìn)行機(jī)床位移補(bǔ)償和伺服參數(shù)優(yōu)化。ICT等其他競爭者在視覺、數(shù)據(jù)服務(wù)等行業(yè)知識屬性較弱的領(lǐng)域具備技術(shù)競爭優(yōu)勢，如梅卡曼得等初創(chuàng)企業(yè)推出基于3D視覺與深度學(xué)習(xí)的智能機(jī)器人視覺組件。

3.2 工業(yè)智能自動化

    人工智能擴(kuò)展了工業(yè)自動化的使能邊界，但自動化企業(yè)仍可能是未來主導(dǎo)。一方面，其具備數(shù)據(jù)互聯(lián)互通的核心優(yōu)勢，熟悉生產(chǎn)控制和工藝流程，通過平臺打通不同層級數(shù)據(jù)；而且是工控網(wǎng)絡(luò)協(xié)議的主導(dǎo)者，能直接獲取現(xiàn)場數(shù)據(jù)采集設(shè)備的數(shù)據(jù)。另一方面，工業(yè)自動化企業(yè)也在基于AI不斷豐富產(chǎn)品功能，維持市場地位，如康耐視推出基于深度學(xué)習(xí)的圖像分析功能，解決復(fù)雜的缺陷問題；西門子為PLC增加AI芯片，加速圖像等各類數(shù)據(jù)處理過程。

3.3 工業(yè)智能軟件

    未來有望形成通用專用兩路并行的局面。傳統(tǒng)軟件企業(yè)優(yōu)勢較大，通過不同（自研或引進(jìn)）方式融合人工智能技術(shù)形成研發(fā)設(shè)計(jì)、生產(chǎn)管控等通用支撐，如歐特克為軟件疊加AI功能，形成生成式的智能設(shè)計(jì)；ICT、制造、初創(chuàng)企業(yè)則聚焦細(xì)分領(lǐng)域及功能，以創(chuàng)新技術(shù)形成面向特定行業(yè)和場景的單點(diǎn)優(yōu)勢，如德國初創(chuàng)企業(yè)KONUX面向設(shè)備運(yùn)維推出了預(yù)測性維護(hù)軟件系統(tǒng)。

3.4 工業(yè)互聯(lián)網(wǎng)平臺

    未來工具集成與知識匯聚兩類平臺將協(xié)同發(fā)揮作用。一是通過疊加AI工具，為廣大中小企業(yè)提供智能計(jì)算與應(yīng)用開發(fā)，比如微軟、阿里等。二是積極積累工業(yè)機(jī)理模型，為領(lǐng)域巨頭提供智能化解決方案，具體包含兩類：(1)深耕于某類行業(yè)，通過不斷評估修正該行業(yè)的數(shù)據(jù)模型，提高該行業(yè)服務(wù)競爭力，如Uptake積累大量的設(shè)備資產(chǎn)模型，聚焦設(shè)備預(yù)測性維護(hù)領(lǐng)域；(2)制造企業(yè)在日常生產(chǎn)中將自身經(jīng)驗(yàn)知識進(jìn)行提煉和封裝，如海爾COSMOPlat。

4 結(jié)論

    本文剖析了工業(yè)智能的算法本質(zhì)，基于所提算法-應(yīng)用映射體系對垂直行業(yè)的特點(diǎn)需求和應(yīng)用模式進(jìn)行了分析總結(jié)，同時對產(chǎn)業(yè)發(fā)展與趨勢進(jìn)行了展望?？傊珹I能解決工業(yè)問題的邊界是有限的，但其適用范圍寬廣，對產(chǎn)業(yè)產(chǎn)生的影響將是深遠(yuǎn)的，需要用體系化的方法去應(yīng)對這次挑戰(zhàn)和機(jī)遇。同時，由于AI技術(shù)和工業(yè)制造的不斷發(fā)展，仍需對工業(yè)智能相關(guān)技術(shù)、應(yīng)用及產(chǎn)業(yè)的最新進(jìn)展進(jìn)行跟蹤分析，并在后續(xù)提出具有針對性的發(fā)展策略。

參考文獻(xiàn)

[1] 蔡自興.人工智能產(chǎn)業(yè)化的歷史、現(xiàn)狀與發(fā)展趨勢[J].冶金自動化，2019，43(2)：1-5.

[2] 孫曉彬.人工智能技術(shù)在工業(yè)生產(chǎn)中的應(yīng)用探究[J].現(xiàn)代商貿(mào)工業(yè)，2019，40(23)：200.

[3] 王哲，安暉.借鑒日本經(jīng)驗(yàn)推動人工智能與制造業(yè)深度融合[J].機(jī)器人產(chǎn)業(yè)，2019(4)：11-14.

[4] 劉鴻.常用人工智能技術(shù)在鋼鐵領(lǐng)域中的應(yīng)用概述[J].冶金自動化，2019，43(4)：24-28.

[5] 袁成.人工智能在航空領(lǐng)域應(yīng)用正向深度和廣度擴(kuò)展[N].中國航空報，2019-08-13(005).

作者信息:

李亞寧1，詹童杰2，劉  迎1，尹揚(yáng)鵬1，婁照輝1，楊艷冉1

(1.中國信息通信研究院 信息化與工業(yè)化融合研究所，北京100191；

2.湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙410012)