2022年，几个新的人工智能（AI）应用冲出了开发实验室，让更多的工程界人士感到兴奋。例如，12月推出就火爆全网的ChatGPT，是一个复杂的大型语言模型，可以作为一个聊天机器人进行互动。该系统由OpenAI开发，建立在2021年的数据库上，但它确实提供了一个极其强大的人工智能示范。

　　另外一个类似的例子是人工智能图像生成器Stable Diffusion，它可以在几秒钟内从一个简单的文本输入生成复杂的图像。

　　AI对工业自动化的影响

　　Festo公司产品管理和营销主管Steve Sands认为，诸如此类的应用使人们对人工智能有了更广泛的认识和接受，这将加速AI技术在制造业更多机械应用中的普及。

　　在解释这些发展如何转化为工业自动化领域时，Sands以Festo AX人工智能工具为例，该工具主要围绕三个关键应用而开发——预测性维护、能耗和质量优化。将应用知识与强化学习软件相结合，由人机闭环系统（human in the loop）负责教导和训练，奖励好的输出，忽略或惩罚差的输出。

       

　　PCB制造中的典型异常是部件缺失或错位或焊点故障。

　　"它可以训练软件，将原始数据转化为系统化的模型，在那里可以建立模式并检测出异常情况。拥有应用知识就变得至关重要，因为它使Festo项目团队有可能支持对异常情况进行分类，并以首选的形式将其输出给适当的人类员工，例如高水平的报告、维护干预、文本信息或直接输入智能维护工具中。人类的反馈将不断提高输出的质量。"Sands说。

　　工业自动化和人工智能的未来是有内在联系的。"我们将看到更强大的软件工具，通过AI优化的机器设计，它们可以加速和支持设计师和程序员的工作。"Sands说。这些将比今天的编程更直观，可能使用自然语音或文本。

　　复杂的机器模型将从标准化和结构化的数据模型中更迅速和无错误地创建。这些物理机器的数字双胞胎将包含用于拖放CAD设计的部件的物理尺寸，以及关于其性能动态和操作的信息，因此它们可以被优化为能源消耗、整体设备效率（OEE）和总拥有成本（TCO）。

　　随着对可持续发展的密切关注，它也将自动生成一个完整的状态分析图，以说明机器所有部件在生产制造过程中所消耗的二氧化碳，以及在其生命周期内与产出有关的消耗。

　　不过，AI的应用也存在着风险和挑战。Sands认为，"诸如知识产权所有权和内置偏见等因素需要被监控和解决，而且，随着这些解决方案变得越来越有说服力，我们需要注意逻辑错误不会被内置、强化或重复。只有了解AI的愿景和局限性，我们才能努力获得它所提供的全部好处。"

　　解决实际生产问题

　　西门子公司高级人工智能专家Arun Kumar表示，今天你所看到的地方几乎都在使用AI技术，例如，搜索引擎、在线商店、智能手机和先进的驾驶辅助系统等。而且，随着所需的计算能力在车间里的普及，生产系统也可以获得AI的好处。

　　通过AI解释和学习生产数据的能力，制造商现在能够解决传统上难以实现自动化的问题，比如视觉质量检查。

　　产品的视觉检查是许多行业中质量控制的一个重要步骤。例如，它有助于确保瓶子或罐子的正确灌装，或确保包装内容的完整和正确定位。这些检查具有高度的重复性，手动执行容易出错。但同时，视觉检查涉及大型数据集以及模糊的错误定义，使其自动化非常复杂。

　　"这就是人工智能发挥作用的地方，" Kumar说，"它可以根据模式而不是严格的阈值或规则，检测数据集中的异常情况，并识别正确或不正确的部分。"

　　他引用了西门子印刷电路板（PCB）制造业务中的一个质量控制应用，其中一个基于AI的质量系统已被成功部署，以检测丢失、错误焊接或错位的组件。AI最初是在云环境中使用包含无缺陷和有缺陷的PCB图像的大型数据集进行训练。然后在Simatic IPC520A Tensorbox系统上实现该算法。

　　在那里，AI应用检查视觉系统的PCB图像是否有异常，并对算法检测到的异常的可靠程度给予评价。这种反馈有助于改进训练算法。由于算法的计算密集型训练在一个单独的（云）系统上运行，图像识别和分析需要很少的现场资源，这让检测既准确又快速：通常，异常检测需要不到100毫秒。

　　然而，Kumar强调了一点，实现这样的结果确实是有代价的。他说，"人工智能需要在大型数据集上进行训练，以学习什么是'正确'和'不正确'的成分或决定。"

　　训练环境需要相对较高的计算能力，这些计算机系统通常不适合安装在机器上或靠近机器的地方，这就是为什么训练通常在云端或中央机器上进行。不过，一旦训练完成，实际决策所需的计算能力就会大大降低。执行模型的推理系统可以很容易地在紧凑的嵌入式工业PC上运行。

       

　　由于计算能力的不同要求，AI应用通常被设置为两个不同的系统，一个具有极高计算能力的训练机和一个用于执行训练算法的独立推理机。这种方法可以在最初和应用阶段在强大的计算机系统上或在云中对AI进行生产外培训，从而降低计算成本。车间的推理系统用于执行训练算法，并将生产数据反馈给训练系统。图片来源：西门子

　　轻量化的边缘智能

　　随着运营数据在数量和来源上的激增，罗克韦尔自动化公司高级分析部全球总监Bijan SayyarRodsari认为，人工智能在工业领域发挥真正作用的时候到了。

　　"为了产生最大的影响，AI需要在每个人都能接触到的范围内，以去中心化的方式在主流硬件上运行，这就是为什么AI的未来可能会处于边缘端。"他说。

　　在传统的AI应用中，数据将离开控制器，进入云端，在那里进行分析和语境化，以 "增加价值"，然后作为可操作的指令返回到车间。"但我们的方法是不同的。虽然仍是基于操作数据构建基于AI的决策，但我们正在通过混合学习来实现。我们用第一原理的知识来限制对数据的学习，以尽量减少并在许多情况下消除对历史输入的需求，并且可以在一个非常小的硬件上进行学习。在大多数情况下，这足以支持一个客户的解决方案。"

　　"这是一个进化的步骤，"他继续说，"很像人体，你会不由自主地将手从极端热源或尖锐物体上拉开。这个动作甚至不涉及大脑，它是一种原始的基于神经的短路，旨在保护我们免受伤害。"

　　"我们正在寻求对AI做同样的事情——开发从流数据中提取信息的方法，然后将其放回闭环系统中，将以云为中心的互动需求全部降到最低。我们正在有效地分配智能，并将基于AI的决策放在边缘。"SayyarRodsari说。这并没有消除对集中式智能和决策的需求，该方法并不反对或排除企业数据基础设施，只是要定义和决定如何以及何时使用更广泛的结构，以优化决策。

　　"AI需要成为运营的帮助，以支撑更大的生产力和增加价值，但它决不能是过于繁琐的或被视为一种阻碍，"他继续说，"我们需要建立一种关系，就像我们与手机相机软件的关系一样。借助AI技术即使是最没有创造力的人也能拍出一些真正令人惊叹的照片，这与我们在工业方面的目标相类似。"

　　从技术角度来看，SayyarRodsari坚持认为，硬件永远不应该是一个限制因素。"即使是一个不大的边缘设备也应该能够运行我们的AI解决方案。我们已经优化了算法，使其在边缘运行时所需的占地面积和复杂性最小——在那里它既可以学习流程特征，又可以执行自主命令。"

　　"我们正在努力使企业只有在有令人信服的商业案例时才会参与，而人工智能是守门员。事实上，通过优化使用基于云的基础设施，企业可以将成本和复杂性降低一个数量级。"他补充说。

       

　　来自ChatGPT的回复

　　把关于AI在工业应用中的最后评论留给AI本身是很有意义的。笔者在线询问了ChatGPT聊天机器人关于"AI技术能在工业领域提供什么好处"。ChatGPT的回答是（完全未经编辑），AI技术可以在工业领域提供许多好处，包括：

　　1.预测性维护。AI可以用来预测设备何时可能发生故障，从而实现主动维护，减少停机时间。

　　2.质量控制。AI可用于检查和测试产品的缺陷，提高产品质量并降低成本。

　　3.过程优化。AI可用于优化工业流程，如调度和资源分配，以提高效率和降低成本。

　　4.机器人技术。AI可用于控制和自动化工业机器人，这可以提高效率，减少对人力的需求。

　　5.能源效率。AI可用于优化能源使用，例如，管理和控制资源的使用，以节省能源。

　　6.自动驾驶车辆。AI可用于控制和导航自主车辆，如无人机和自动驾驶汽车，它们可用于检查、运输和测绘等任务。

　　7.预测分析。AI可用于分析工业流程中的数据，并预测未来的行为，以便更好地做出决策。