，正在以勢不可當?shù)膭蓊^橫掃全球各個領(lǐng)域。智能化與工業(yè)的結(jié)合更是引得全球矚目。從德國的工業(yè)4.0到美國的工業(yè)互聯(lián)網(wǎng)，從GE的Predix到IBM的PMQ，可以看出，工業(yè)與智能化技術(shù)的結(jié)合也必將是下一個風(fēng)口。

智能的核心在于決策和執(zhí)行，而決策的核心在于感知和判斷

。在工業(yè)系統(tǒng)中，IoT技術(shù), 包括傳感器技術(shù)，數(shù)據(jù)傳輸，數(shù)據(jù)管理等不斷發(fā)展，為智能化技術(shù)實施提供了可靠的感知基礎(chǔ)。但是目前的工業(yè)界大都以人的決策和反饋為核心，這就導(dǎo)致系統(tǒng)中有很大一部分的價值并沒有被釋放出來。系統(tǒng)越是復(fù)雜，人的學(xué)習(xí)曲線就會越緩慢，而當人的學(xué)習(xí)曲線比技術(shù)的進步速度慢時，人就會成為制約技術(shù)進步和應(yīng)用的瓶頸。而人工智能為工業(yè)帶來的第一個革命性的改變，就是擺脫人類認知和知識邊界的限制，為決策支持和協(xié)同優(yōu)化提供可量化依據(jù)。

現(xiàn)階段，工業(yè)智能的應(yīng)用尚處于探索階段

，結(jié)合工業(yè)領(lǐng)域的特性，在實施階段需要著重考慮以下幾點：

一．問題的定義

在應(yīng)用人工智能方法解決工業(yè)問題時，首先要確定需要解決的問題

，一定要避免“拿著錘子找釘子”的情況，不能為了使用算法而徒增問題的復(fù)雜度。首先需要將實際問題抽象成可用建模方法解決的問題，需要人員的經(jīng)驗輔助。微軟亞洲研究院鄭宇博士也強調(diào)“培養(yǎng)一個真正的數(shù)據(jù)科學(xué)家需要七到十年時間”。這里的時間其實是對個人基本功以及實戰(zhàn)經(jīng)驗的非強制指標。

二. 問題的邊界

工業(yè)問題與圍棋問題不同

，其解決問題的邊界定義不明確，沒有明確的規(guī)則