人工智能时代：破解人机共存密码（套装共10册）

AI中台的最终目的是对企业的决策产生影响，因此仅仅局限于通用模型层面是不够的，机器学习平台还需要包括应用定制模块，产出应用场景模型，提升跨场景应用效果。虽然通用模型在一定程度上是可以跨场景的，但由于对行业和具体应用场景的认识不够深入，效果不够理想。例如，在物体识别领域，通用的物体识别模型是用大量数据进行训练而成的，但还是没法识别新的物体种类，这就涉及场景定制化，需要根据行业样本建立起应用场景定制模型。以箱包品牌为例，在此之前，虽然可能已经有了通用的箱包物体识别模型，但还是没法识别特定品牌款式的箱包，因为每个品牌都有品牌特有的箱包设计，例如简单的公文包、优雅的手提包，可以是方的也可以是圆的，可以是金属的也可以是帆布的，没有相应的数据就没办法进行最佳的识别。在这种情况下，也需要通过场景定制开发，形成场景定制模型。人工智能的最佳实现路径并不是单独开发一个识别具体款式箱包的专有模型，而是要先有基础的物体识别能力，再把个体品牌的具体模型引入。比如在通用模型的基础上，通过某个箱包品牌提供的箱包样本，进行深入迭代，就可以识别个性化的品牌了。

因此，通过行业数据的输入进行迭代以后，通用模型进行进一步学习和演化，能够解决商业场景的具体问题，也就形成了应用场景模型，具有了相应的商用价值。应用场景模型有很多，例如，在顾客维度包括精准获客、智能画像、行为识别和价值预测等；在产品维度包括全网洞察、舆情监控、需求发现和智能定价等；在顾客加产品维度包括精准营销、交叉销售、产品推荐和存量提升等；在生产洞察维度包括设备监控、故障预测、能耗预测和产能预测等；在生产优化维度包括运维优化、性能优化、全链协同和结果优化等。这些行业场景下应用的具体问题都可以通过应用场景模型进行恰当的决策。

从通用模型到应用场景模型是一个迭代递进的关系，一般不可能仅通过少量训练样本就产生这样的场景化能力，而是需要很多通用层面模型能力的沉淀，然后才能在具体的业务场景下定制开发出特定的模型解决方案。在生产制造和零售领域，随着模型学习的发展，一般会沉淀出效果良好的基础模型，它未必适应每一个具体的业务场景，但通过整合具体场景的数据进行学习，可以定制化生成最适合场景的一系列模型。

总结一下，AI中台的核心就是机器学习平台，既能够产生通用的模型组合，也能够产生具体场景的行业应用模型。具体来说，就是通过大量数据的沉淀和打通，形成通用模型，再通过行业样本训练，形成智能程度更高、为场景定制化的模型，模型运算的数据再回到平台里不断优化和迭代，最终提升平台的整体效果，满足业务需求。

搭建AI中台

经常有企业想通过调取腾讯或者百度人工智能接口的能力来搭建自己的AI中台，这样可行吗？我的答案是可行，但由于百度和腾讯并不清楚和理解企业所需要的具体应用场景，所以这里得到的是通用模型。这些模型可以作为最终模型的出发点，产出初步效果，然后必须要结合场景深度优化，在通用模型基础上融合行业样本，迭代出新的模型，最终形成生产制造或零售领域里一系列定制的专属模型，帮助企业实现商业化落地。很多企业的人工智能创新在这一步停滞不前，因为它们倾向于调用腾讯或百度之类的人工智能接口，而这些接口不是定制优化的，所以运用起来就会发现很多问题不能得到妥善处理。

在实际应用中我们也发现，通用的人工智能自动问答系统在银行应用中只能做到60%左右的准确率，然而通过定制化模型，我们能达到接近90%的准确率。为什么能提升30%左右的效果？正是因为我们对其进行了定制化处理，所以效果远优于通用模型。如果没有定制专属的模型，企业就只能调用外部人工智能接口，而外部人工智能接口只能提供一些基础功能，很难满足行业的个性化运营需求。

感知类的能力平台也是如此。在语音识别领域中，通用接口的语音识别能力一般只限于普通话，在麦克风离说话者口部很近的情况下，能达到95%以上的语音识别效果；但只要说话者说的是普通话以外的语种，例如四川话，语音识别的效果就会大幅下降，因为通用接口一般无法识别普通话以外的定制化内容。那么，要识别四川话该怎么办？那就得拿大量四川话样本对其进行模型训练。这就需要很多定制化的开发，而不是仅仅使用通用平台能力。

从以上可以看到，一方面，AI中台能够对散乱的单点人工智能模型进行整合和管理，保证人工智能模型有条不紊地运作；另一方面，在AI中台的定制化模型体系中，各个环节层层相连，在通用模型基础上，迭代场景专属模型，最终经由AI中台、机器学习和深度学习赋能，优化预测效果，实现应用场景下的最佳决策。前者能够保证人工智能模型正常运作，后者则能进一步让人工智能模型在场景中落地，这些都说明了建立AI中台的必要性和AI中台能够产出的实际效果。无论是生产制造环节还是零售环节，在产供销链路的每个节点里，AI中台都能嵌入其中并实现深度赋能，充分发挥人工智能模型的价值，优化决策和效益。

AI中台在企业中实现了人工智能决策引擎，以打通的数据为养料，帮助业务前台做出决策。AI思维存在的意义是指导我们更好地工作和生活，AI中台就是AI思维转化为实践的实现载体。AI中台的基础框架部分上面已经进行了讲解，所以我们现在应该解决的问题是在实际的应用过程中AI中台是如何发挥作用、如何对各项业务进行深度赋能以及如何帮助企业实现效益的提升的。后面我们会通过对不同领域的具体案例进行剖析，找到这些问题的答案，这样一来，我们一方面能够清楚地了解AI中台的操作流程，另一方面也能更加了解在生产制造和零售环节中AI中台的运用现状。

以生产目标为核心_，提升智能制造水平

人工智能领域权威学者吴恩达在2018年工业互联网峰会上说过：“人工智能是新电能，一百年来，电能为很多企业带来了大量的改变，今天人工智能也会为这些企业带来一样的改变。”更有人说，是人工智能带来了第四次工业革命。“革命”就意味着颠覆，AI中台就是人工智能颠覆时代的发电机。下面就让我们一起来了解，AI中台是如何在历史的洪流中推动工业向前发展的。

在工业领域，生产制造是最重要的环节。生产制造的目标是提质、增效、降本和减存，这也是AI中台优化工业生产环节的目标。首先我们需要知道，AI中台要发挥作用，通常需要先收集生产制造过程中各种各样的数据。企业的数据仓库里，存储了大量数据，包括原料、采购、生产、渠道和销售等各环节的数据，然后通过数据中台将数据打通。AI中台要做的就是对这些打通的数据进行学习，生成定制化模型，对工艺、损耗和良品率等进行监控和诊断，得出生产制造环节相应的预测。最后，依据输出的决策进行反馈，在优化质量、降低成本、增加效能和减少库存等方面做出优化，实现生产制造的智能化转型。接下来，就让我们来详细了解AI中台在生产制造环节是如何具体应用的。

工业AI中台总体架构

工业AI中台就是AI中台在生产制造环节的具体应用，其总体架构如图6-3所示，包括数据采集、数据筛选、信号过滤、特征提取、模型学习和结果反馈六大模块，具体流程包括以下步骤：

第一步，数据采集：通过数据采集控制器和数据采集传感器从机器设备上取得相应数据。

第二步，数据筛选：因为生产制造环节产生的数据非常多，所以需要对原始数据进行一定的筛选。

第三步，信号过滤：对数据进行信号过滤，一般包括数据清洗、信号同步和信号分割等操作。

第四步，特征提取：对过滤完毕的数据进行特征提取，例如对机器特征、原料特征以及时间和频率域特征等的提取。

第五步，模型学习：将提取的特征数据通过机器学习实现性能预测、能耗预测和故障预测等功能。

第六步，结果反馈：最终由模型输出的控制参数反馈到机器设备上，从而操控机器设备，实现智能优化。

这是生产制造环节中AI中台的典型架构。传统上，生产制造的参数仅凭操作工人的经验决定，有时甚至是工人一时兴起拍脑袋决定的，控制水平很大程度上取决于人的主观判断和操作水平，非常不稳定。有时候一不小心操作过头或者是疏忽大意了，都会影响最终的生产效果。而人工智能不仅可以解决这些问题，满足生产制造的需求，还能够降低成本，提升效益。在生产制造过程中，可以采集到大量数据，收集可观测的变量。能够观测的变量可能会达到成百上千个，通过感应和采集这些变量，在工业AI中台之上进行加工和分析。然后，要明确优化目标和优化手段，比如目标是提升生产效率，还是降低原料消耗，常用的优化手段是调节控制参数。可以说，工业AI中台在生产制造领域的核心应用之一就是调节控制参数，并且反馈到相应设备上，从而实现既定的优化目标。

例如，在生产过程中，产生的气体温度和浓度都会有一个理想范围，可以通过人工智能进行预测和优化控制。也就是说，人工智能模型可以根据每个时间点的状态，指导具体的控制决策。再例如，国家对工厂有环保和废气排放方面的限制要求，工厂利用石灰对废气进行脱硫，可以通过AI中台精准控制某一个时间点该放多少石灰原料，从而优化运营效率，降低原料消耗。

工业AI中台应用场景

在工业领域运用人工智能的先进性和重要性已为大多数企业首肯，从应用场景维度分析，降低成本、提高效率的需求是推动目前工业企业运用人工智能的最大动力。工业AI中台在工厂中发挥作用的前提是将工厂内部的机器设备连接在一起。然后，人工智能就可以分析联网上传的所有数据，优化生产制造的各个环节。目前人工智能与生产制造的融合场景主要可分为以下几类：生产优化、智能质检、生产设备的预测性维护以及供应链管理。

生产优化是指，基于生产线的大量数据，人工智能可以优化生产工艺，提升产品品质。具体来说，就是将生产制造端的各类数据打通，并在工业AI中台上进行分析，形成资源最优利用的方案组合，提升产品合格率和产品生产效率等。另外，在很多环境中，工厂都希望利用人工智能来降低成本，提高生产效率，从而提升企业竞争力。人工智能通过数据筛选和学习，甚至可以让机器成为自动优化的系统。例如，在钢铁厂中，通过AI中台对当前生产数据和历史数据进行连续分析和学习，实时调整生产制造系统的参数。目前，一些钢铁厂已经通过人工智能实现熔炉的自动优化设置，通过自动分析生产材料构成，识别稳定工艺条件的最低温度，从而降低整体的能耗。

智能质检是指通过人工智能测定产品质量并判断产品是否合格，能够有效地为产品质量把关。智能质检不但要对产品本身的质量进行检测，还要对生产制造环境的质量进行监测，而这一切都要通过人工智能进行。人工智能视觉系统能够利用图像识别发现缺陷以及产品功能的偏差，并且系统本身可以根据大量数据持续学习，其性能会随着时间推移而逐步改善。例如欧洲科研机构研发的一款3D机器视觉机器人就可以对工业生产制造的全过程进行智能质检。该机器人具有仿真人眼功能，可以根据多张2D图片生成3D图像，这样就可以准确检测空间上的质量问题，例如体积以及磨损问题。而且，该机器人的反应速度可达每秒传输4 000帧，完全实现在线检测，大大提高了检测的效率。

预测性维护是指在工业生产制造过程中，基于过程数据，通过人工智能预知可能的失效模式而进行的维护活动。预测性维护是人工智能应用于工业生产制造领域的重要切入点，它可以预防机器故障、加强工作场所安全，提升产品质量。德勤公司曾指出：不合理的维护策略会导致工厂产能降低5%\~20%，工业企业每年由于意外停机造成的损失高达500亿美元。而基于人工智能的预测性维护，可以在设备出现问题之前就分析得到出现问题的概率，比如，工厂中的数控机床运行一段时间后就需要更换刀具，工业AI中台通过持续学习，分析工厂内的机器和部件产生的数据，可以预知刀具损坏的时间，从而提前准备好更换的配件，并安排在最近的一次维护时更换刀具，这样可以避免出现故障。

GE（通用电气）董事长兼CEO（首席执行官）杰夫·伊梅尔特曾说过：“工业互联网是变革的最大机遇，超越了消费级互联网，是连接人、数据和机器的开放、全球性网络。”GE的工业互联网平台Predix早在2015年就每天监控和分析大约1 000万个传感器发回的5 000万条左右的数据，监测和展示所有设备的实时运行状态、健康状态和运行绩效，并根据这些数据进行人工智能建模分析，预测设备故障并执行故障诊断，采取主动措施规避故障风险。具体来说，首先收集设备基础数据、物理模型和其他相关信息，然后建立具有故障检测功能的人工智能模型，对重要子系统及零部件数据进行分析，并把它部署到实际生产制造系统中，实现人工智能的落实。

供应链管理方面包含了许多不同的工作，指对整个供应链系统进行计划、协调、操作、控制和优化的过程。人工智能可以帮助企业管理和协调供应链涉及的各个流程，并将这些流程与客户流程和供应商流程综合起来，根据各自不同的需求，整合做出最佳的决策。企业通过AI中台管理供应链，可以更加智能地响应生产制造中需求的变化情况，因此，供应链也是AI中台能够赋能提升的重要环节。人工智能在处理由供应链产生的海量数据方面的能力已然超越了人类。一些企业利用机器学习将仓库、企业资源计划（ERP）系统与客户洞察的数据连通起来，然后应用AI中台的具体模型来处理和分析数据、生成预测，从而改进供应链，实现了从“开始”到“结束”的完整供应链的智能化。另外，AI中台的应用能够提高原材料供应的转移效率，这对于管理制造多种定制产品的复杂过程来说是必不可少的。例如，AI中台会利用物流数据，比如材料进出的数据、库存量和零件的周转率等，来促进仓库自主优化运营，例如建议将低需求的零件转移到更远的地方，将高需求的零件放到可以更快获取的附近区域。同时，在工厂和仓库内运输物品的无人车，在AI中台的引导下，会结合人工智能的视觉感知能力，实时调整车辆路线，从而实现最优的运营效率。

工业AI中台应用案例

工业AI中台能够应用于工业生产制造的方方面面，随着人工智能的不断发展以及在生产制造环节的不断深入，在工业产业中应用AI中台的场景和进展也会愈加复杂。上面我们已经谈到，AI中台在工业中的适用场景包括生产优化、智能质检、生产设备的预测性维护以及供应链管理。提升生产效益是企业的核心目标，保障产品质量是企业的立足之本。下面我们来看看AI中台在生产优化和智能质检这两个应用场景里面的具体运用案例。

河南鑫磊集团是一家综合性煤炭企业，其在生产中也同样面临企业运营成本高、生产效率低的问题。在煤炭行业中，把不同种类原料煤按适当的比例配合起来的配煤工序占到了生产成本的80%以上，如果仅靠人工计算确定原料配方，不仅可用参数有限，而且由于人工操控难以保证精准，所以容易造成不必要的资源浪费，成品质量也很难形成统一的标准。鑫磊集团向人工智能寻求解决方案。在实际生产过程中，通过采集和输入各种原料煤库存、计划配煤量、炉温和结焦时间等数据，鑫磊集团借助人工智能，优化了各种原料煤的配比，找到了最优配置，降低了原材料的无谓损耗，每年至少节省成本约3 000万元。

国内最大的轮胎制造企业中策橡胶也通过人工智能对橡胶的生产过程进行了优化。中策橡胶在产品研发、生产以及质量检验等环节都积累了大量的数据，将数据打通之后，人工智能模型可以根据打通后的数据优化生产过程。例如，橡胶为企业的主要生产原料，不同的产地、批次等因素都会对橡胶的质量产生影响。人工智能模型可以迅速分析这些影响因素，得出将某几个产地的橡胶组合在一起会使生产质量达到最优，形成资源最优利用的方案。通过人工智能的优化，中策橡胶在降低生产成本的同时，还显著地提高了产品质量，产品合格率最高提升了5%。