从AlphaGo击败围棋世界**，到Prisma运用深度学习技术制作滤镜刷爆社交网络，关于人工智能的热议从未间断。在日常生活中，人工智能早已随处可见，比如手机上的语音助手，家里自动调节明暗的吊灯，主动识别和避让障碍物的无人驾驶汽车。不过，它能做的远不止于此。西门子股份公司首席运营官、首席技术官、管理委员会成员博乐仁博士（Dr. Roland Busch）表示：“有一种形式的人工智能，我们所有人都可以从中受益，就是将人工智能集成到工业过程中，在工业规模上创造价值。”

无数据不智能

数字化基础对于人工智能至关重要。在安全的数字化生产环境中，数据被持续不断地产生和处理，为人工智能的应用创造条件。

然而，在2018年普华永道对全球1155家制造企业的调研中，仅有10%的受访企业在数字化方面有所建树，人工智能也仅在这些企业中初露锋芒。正是由于工业领域的数字化基础相对薄弱，加之垂直行业的知识专业度较高，导致人工智能在工业领域的落地面临着消费领域所没有的挑战。

从数据基础来看，不均衡数据成为工业人工智能不容忽视的问题，主要表现为数据量的局限性、数据标注的不均衡等。与消费领域不同，工业数据样本难以进行人为打标，比如面对数千组传感器数据，即使是领域专家也难以直接划分出异常状态。除此之外，如何在快速传输、实时反馈的前提下保证数据质量也是一大挑战。工业生产条件大多较为恶劣，高压、高温等因素都可能影响传感器数据的质量。

从技术适用性来看，工业领域的人工智能也与消费领域有着显著区别。当前，toC端的互联网大数据分析通常倾向于采用复杂的深度神经网络和不同的硬件加速技术；而toB端的数据分析则更看重解决方案的实用性，在对算法复杂性、数据分析效果、现场部署集成环境、用户投入产出比等方面进行综合考虑后，力求得出简单有效的方法。

据西门子中国研究院大数据分析研发部总监田鹏伟介绍：“西门子在为客户定制人工智能解决方案时，一方面要考虑客户现场环境的支持能力和投入成本要求，另一方面也要考虑我们方案的响应能力要求。在工业场景下，我们要做到按需快速