人工智能在工业领域的应用( 四 ) 风机叶片是由复合材料制造而

2020年疫情期间，天泽智云的几个工程师带着叶片卫士背后声音识别的模型，做了个实验：参加了科大讯飞组织的AI开发者大赛。他们用判断风电叶片故障的声音算法中的可迁移模块，改造出了一款能够通过哭声判断婴儿情绪的AI模型，并赢得了声音识别算法比赛的第二名。
风电叶片和婴儿啼哭明显是两个天差地别的碎片化场景，虽然工业AI应用目前不存在包打天下的产品，但AI的算法模型可以通过参数修改和共性组件的迁移在相似的算法学习任务中实现复用。
从风电叶片到婴儿啼哭，其背后的AI模型迁移能力来自「模力工场」的ModelOps敏捷开发模式，工程师和行业专家可以在同一平台、同一套语言下工作。从了解需求、定义需求出发，构建跨领域、跨部门、跨阶段、跨环境的工业人工智能体系，从数据的采集与管理，到算法的设计、探索、验证，以及部署和监控，形成以模型为驱动的工业人工智能平台。
孙昕认为，「工业AI中，还没有出现放之四海皆准的模型，但可以通过大量实践经验抽炼出最高通用性的模型，从而实现跨场景跨行业的适用性。」
AI模型复用，是结合行业经验，提取不同场景中的相似问题，通过优化调参实现场景间的迁移。就像汽车根据不同地形更换轮胎，切换驾驶模式一样。
这种复用和场景迁移也需要大量的行业知识积累，跨行业应用只是基础，在此之上，工业智能还要具备冷启动的能力。「在切换场景、切换设备、切换位置之后，不需要再去搜集大量的故障数据，算法工程师也不用再重头做模型训练，这样的AI才能满足工业应用的落地需求。」孙昕如是说。
生产「工业智能组件」的流水线
工业领域最重要的是懂背景、懂机理，单纯地做采集数据、分析数据是没有意义的，工业应用的研发和实施过程中最大的痛苦是工业和工程的技术整合的过程。
工业应用要结合行业经验，但IT工程师和行业专家之间「语言不通」。孙昕认为，「让这些不同领域的团队融合到一起需要经历漫长的化学反应，因此工业智能需要由工业+工程双基因驱动的平台实现。」
让专注智能应用的IT技术公司把「千厂千面」的工业知识学个遍，这显然不切实际，因此把智能化技术赋能到应用企业中才是最佳方案。
「授人以鱼不如授人以渔，交付产品不是赋能的终点，而是起点。」孙昕认为，工业客户对人工智能的需求不只限于一款应用产品，而是应用AI的能力。「我们希望打造一套工业AI的基础设施。客户需要AI ，我们可以直接提供成型的AI ，但我们更希望把造AI的技术、生产线交给客户，让客户在遇到新的痛点时能自己去造AI模型，自己去解决问题。」
上文介绍的高炉煤气智能平衡系统是钢铁行业应用工业AI的典型项目，项目上线后的一年中，该山东钢铁企业持续对AI技术模型进行研究，采用与煤气平衡系统建设类似的方法论，深入挖掘生产部门需求，在系统上不断丰富功能，开发了更多环保指标监测、加热工艺分析的可视化工具，为各工序主操提供全方位的用气决策辅助。以煤气平衡系统为代表，数字化智能化生产的理念在该企业逐渐生根发芽。
工业智能平台的优势就是随着项目的增多，平台上积累的模型就会逐渐丰富，而这些模型就是工业智能应用中最宝贵的知识资产。随着针对通用设备的模型和算法不断积累，在每个碎片化场景中都能找到可以迁移复用的模型，平台也就更加通用，适应于更广泛的场景，最终根本性的解决碎片化问题，「今天看到的碎片化问题，将来一定没有这么多碎片化。」