最近白宫关于人工智能(AI)的报告特别强调了人工智能的重要性以及必须在该领域制订具体的路线图和战略投资的必要性。当AI由科幻沦为转变世界的前沿技术时，我们迫切需要系统性的去研发和部署AI，以便理解它在工业4.0这个下一世代工业系统中的现实价值。在Lee等(2015)明确提出的5C架构之下，本文了解的说明了AI技术的现状以及人工智能在工业应用于发挥作用时所须要的生态系统。

一、工业人工智能概述人工智能(AI)是一门认知科学，涵括了图像处理、大自然语音处置、机器人、机器学习等领域的可观研究。机器学习和人工智能传统上被指出是白科技，往往缺少不利的证据可以证明这些技术可以反复并始终如一的发挥作用使企业取得投资报酬。

机器学习算法的功能依然高度倚赖开发人员的经验和偏爱，因此使得AI在工业应用于中的顺利受到限制。换回个角度来看，工业AI是一门缜密的系统科学，它专心于研发、检验和部署各种有所不同的机器学习算法以构建不具备可持续性能的工业应用于。工业人工智能作为一种系统化的方法和规则为工业应用于获取解决方案，工业人工智能并且也是将学术界研究AI的成果与工业应用于连接起来的桥梁。AI驱动的自动化仍未能对生产力的快速增长产生可分析的根本性影响。

现今行业，除了面对市场需求和竞争的新挑战，它们尚能必须一个被称作工业4.0的保守变革，AI与工业物联网(IIoT)、大数据分析、云计算和信息物理系统的构建将使工业以灵活性、高效和节约能源的方式运作。由于工业人工智能还正处于跟上阶段，必需具体其结构、方法和挑战以作为其在工业实行中的框架。为此，我们设计了工业人工智能的生态系统，它涵括这一领域的基本要素并且为更佳的解读和实行获取了指导方针。另外，我们也叙述了可以创建在工业人工智能之上的使能技术，图1是工业人工智能与其他自学系统在一段时间内对所希望的系统性能的较为示意图。

图1工业人工智能与其他自学系统较为示意图二、工业人工智能的关键要素：ABCDE工业人工智能可以用ABCDE的特征展开分类，这些关键要素包括分析技术(Analytics Technology)，大数据技术(Big Data Technology),云或网络技术(Cloud or Cyber Technology),专业领域科学知识(Domain Knowledge),证据(Evidence)。分析(A)是AI的核心，它只有在其他要素都不存在时才能产生价值。大数据(B)与云(C)是提供数据来源和工业人工智能平台必不可少的两个要素，然而，专业领域科学知识(D)和证据(E)也是经常被忽视的两个最重要因子。

专业领域科学知识(D)是下列事项的关键要素：(1)理解问题并专心于利用工业人工智能去解决问题它;(2)解读系统以便于搜集准确且高质量的数据;(3)理解参数的物理含义以及它们如何与系统或流程的物理特性相关联;(4)理解这些参数因机器而异。证据(E)也是检验工业人工智能模型以及它们与积累自学能力结合的最重要要素。搜集数据形态模式及与它相关联的证据，我们才能改良AI 模型使之更为精确全面并且与时俱进。

图1-b表明AI如何率领我们从可見空间到不可見，从解决问题到防止问题的再次发生。三、工业人工智能生态系统图2表明了建议的工业人工智能生态系统，它定义了发展工业人工智能系统的市场需求、挑战、技术和方法的有序思维策略。

从业者可依照此系统性指南去制订工业人工智能发展与部署的策略。在标的行业中，这个生态系统定义了少见的未符合市场需求，例如自感官、自较为、自预测、自优化和自适应。这张图表还包括数据技术(DT)、分析技术(AT)、平台技术(PT)和运营技术(OT)等技术。

这4项技术在信息物理系统(CPS)的背景下可以更容易的被解读。如图3右图，这4项技术(DT、AT、PT、OT)是顺利构建相连、切换、网络、理解和配备(5C)的使能者。

下面本论文将非常简单叙述这4项使能技术。

本文来源：Kaiyun·yunkai(中国)官方网站-www.matianchi.com