智能制造：未来工业控制的六大发展方向展望
几年前，当“软PLC”出现时，业界曾认为工业PC将会取代PLC。然而，时至今日工业PC并没有代替PLC，主要有两个原因：一个是系统集成原因；另一个是软件操作系统WindowsNT的原因。一个成功的PC-based控制系统要具备两点：一是所有工作要由一个平台上的软件完成；二是向客户提供所需要的所有东西。可以预见，工业PC与PLC的竞争将主要在高端应用上，其数据复杂且设备集成度高。工业PC不可能与低价的微型PLC竞争，这也是PLC市场增长最快的一部分。从发展趋势看，控制系统的将来很可能存在于工业PC和PLC之间，这些融合的迹象已经出现。
和PLC一样，工业PC市场在过去的两年里保持平稳。与PLC相比，工业PC软件很便宜。据Frost&Sullivan公司估计，全世界每年7亿美元工业PC市场里，大约8500万美元为控制软件，一亿美元为操作系统。到2007年会翻一番，工业PC市场变得非常可观。
二、PLC在向微型化、网络化、PC化和开放性方向发展
长期以来，PLC始终处于工业控制自动化领域的主战场，为各种各样的自动化控制设备提供非常可靠的控制方案，与DCS和工业PC形成了三足鼎立之势。同时，PLC也承受着来自其它技术产品的冲击，尤其是工业PC所带来的冲击。
目前，全世界PLC生产厂家约200家，生产300多种产品。国内PLC市场仍以国外产品为主，如Siemens、Modicon、A-B、OMRON、三菱、GE的产品。经过多年的发展，国内PLC生产厂家约有三十家，但都没有形成颇具规模的生产能力和名牌产品，可以说PLC在我国尚未形成制造产业化。在PLC应用方面，我国是很活跃的，应用的行业也很广。专家估计，2000年PLC的国内市场销量为15(20万套（其中进口占90%左右），约25(35亿元人民币，年增长率约为12%。预计到2005年全国PLC需求量将达到25万套左右，约35(45亿元人民币。PLC市场也反映了全世界制造业的状况，2000后大幅度下滑。但是，按照AutomationResearchCorp的预测，尽管全球经济下滑，PLC市场将会复苏，估计全球PLC市场在2000年为76亿美元，到2005年底将回到76亿美元，并继续略微增长。
微型化、网络化、PC化和开放性是PLC未来发展的主要方向。在基于PLC自动化的早期，PLC体积大而且价格昂贵。但在最近几年，微型PLC（小于32I/O）已经出现，价格只有几百欧元。随着软PLC（SoftPLC）控制组态软件的进一步完善和发展，安装有软PLC组态软件和PC-based控制的市场份额将逐步得到增长。
当前，过程控制领域最大的发展趋势之一就是Ethernet技术的扩展，PLC也不例外。现在越来越多的PLC供应商开始提供Ethernet接口。可以相信，PLC将继续向开放式控制系统方向转移，尤其是基于工业PC的控制系统。集散控制系统DCS问世于1975年，生产厂家主要集中在美、日、德等国。我国从70年代中后期起，首先由大型进口设备成套中引入国外的DCS，首批有化纤、乙烯、化肥等进口项目。当时，我国主要行业（如电力、石化、建材和冶金等）的DCS基本全部进口。80年代初期在引进、消化和吸收的同时，开始了研制国产化DCS的技术攻关。
近10年，特别是“九五”以来，我国DCS系统研发和生产发展很快，崛起了一批优秀企业，如北京和利时公司、上海新华公司、浙大中控公司、浙江威盛公司、航天测控公司、电科院以及北京康拓集团等。这批企业研制生产的DCS系统，不仅品种数量大幅度增加，而且产品技术水平已经达到或接近国际先进水平。在2001年全国应用的4426套DCS系统中，国产DCS系统为1486套，占35%。短短几年，国外DCS系统在我国一统天下的局面从此不再出现。这些专业化公司不仅占据了一定的市场份额，积累了发展的资本和技术，同时使得国外引进的DCS系统价格也大幅度下降，为我国自动化推广事业做出了贡献。与此同时，国产DCS系统的出口也在逐年增长。
虽然国产DCS的发展取得了长足进步，但国外DCS产品在国内市场中占有率还较高，其中主要是Honeywell和横河公司的产品。我国DCS的市场年增长率约为20%，年市场额约为30(35亿元。由于近5年内DCS在石化行业大型自控装置中没有可替代产品，所以其市场增长率不会下降。据统计，到2005年，我国石化行业有1000多套装置需要应用DCS控制；电力系统每年新装1000多万千瓦发电机组，需要DCS实现监控；不少企业已使用DCS近15(20年，需要更新和改造。所以，今后5年内DCS作为自动化仪表行业主要产品的地位不会动摇。
根据中国仪器仪表行业协会公布的调查数据显示，2002年我国DCS市场状况如下：
小型化、多样化、PC化和开放性是未来DCS发展的主要方向。目前小型DCS所占有的市场，已逐步与PLC、工业PC、FCS共享。今后小型DCS可能首先与这三种系统融合，而且“软DCS”技术将首先在小型DCS中得到发展。PC-based控制将更加广泛地应用于中小规模的过程控制，各DCS厂商也将纷纷推出基于工业PC的小型DCS系统。开放性的DCS系统将同时向上和向下双向延伸，使来自生产过程的现场数据在整个企业内部自由流动，实现信息技术与控制技术的无缝连接，向测控管一体化方向发展。
三、控制系统正在向现场总线（FCS）方向发展
由于3C技术的发展，过程控制系统将由DCS发展到FCS。FCS可以将PID控制彻底分散到现场设备（FieldDevice）中。基于现场总线的FCS又是全分散、全数字化、全开放和可互操作的新一代生产过程自动化系统，它将取代现场一对一的4(20mA模拟信号线，给传统的工业自动化控制系统体系结构带来革命性的变化。
根据IEC61158的定义，现场总线是安装在制造或过程区域的现场装置与控制室内的自动控制装置之间的数字式、双向传输、多分支结构的通信网络。现场总线使测控设备具备了数字计算和数字通信能力，提高了信号的测量、传输和控制精度，提高了系统与设备的功能、性能。IEC/TC65的SC65C/WG6工作组于1984年开始致力于推出世界上单一的现场总线标准工作，走过了16年的艰难历程，于1993年推出了IEC61158-2，之后的标准制定就陷于混乱。2000年初公布的IEC61158现场总线国际标准子集有八种，分别为：
类型1IEC技术报告（FFH1）；
类型2Control-NET（美国Rockwell公司支持）；
类型3Profibus（德国Siemens公司支持）；
类型4P-NET（丹麦ProcessData公司支持）；
类型5FFHSE（原FFH2）高速以太网（美国FisherRosemount公司支持）；
类型6Swift-Net（美国波音公司支持）；
类型7WorldFIP（法国Alsto公司支持）；
类型8Interbus（美国PhoenixContact公司支持）。
除了IEC61158的8种现场总线外，IECTC17B通过了三种总线标准：SDS、ASI、DeviceNET。另外，ISO公布了ISO11898CAN标准。其中DeviceNET于2002年10月8日被中国批准为国家标准，并于2003年4月1日开始实施。
目前在各种现场总线的竞争中，以Ethernet为代表的COTS(Commercial-Off-The-Shelf)通信技术正成为现场总线发展中新的亮点。其关注的焦点主要集中在两个方面：
（1）能否出现全世界统一的现场总线标准；
（2）现场总线系统能否全面取代现时风靡世界的DCS系统。
采用现场总线技术构造低成本的现场总线控制系统，促进现场仪表的智能化、控制功能分散化、控制系统开放化，符合工业控制系统的技术发展趋势。国家在“九五”期间为了加快现场总线技术在我国的发展，重点放在智能化仪表和现场总线技术的开发和工程化上，补充和完善工艺设备、开发装置和测试装置，建立智能化仪表和开发自动化系统的生产基地，形成适度规模经济。2000年，“九五”国家科技攻关计划“新一代全分布式控制系统研究与开发”和“现场总线智能仪表研究开发”两个项目相继完成。
这两个项目以及先期完成的“现场总线控制系统的开发”项目，针对国际上已经出现的多种现场总线协议并存的局面，重点选择了HART协议和FF协议现场总线技术攻关。
总之，计算机控制系统的发展在经历了基地式气动仪表控制系统、电动单元组合式模拟仪表控制系统、集中式数字控制系统以及集散控制系统（DCS）后，将朝着现场总线控制系统（FCS）的方向发展。虽然以现场总线为基础的FCS发展很快，但FCS发展还有很多工作要做，如统一标准、仪表智能化等。另外，传统控制系统的维护和改造还需要DCS，因此FCS完全取代传统的DCS还需要一个较长的过程，同时DCS本身也在不断的发展与完善。可以肯定的是，结合DCS、工业以太网、先进控制等新技术的FCS将具有强大的生命力。工业以太网以及现场总线技术作为一种灵活、方便、可靠的数据传输方式，在工业现场得到了越来越多的应用，并将在控制领域中占有更加重要的地位。
四、数控技术向智能化、开放性、网络化、信息化发展
从1952年美国麻省理工学院研制出第一台试验性数控系统，到现在已走过了51年的历程。近10年来，随着计算机技术的飞速发展，各种不同层次的开放式数控系统应运而生，发展很快。目前正朝着标准化开放体系结构的方向前进。就结构形式而言，当今世界上的数控系统大致可分为4种类型：1、传统数控系统；2、“PC嵌入NC”结构的开放式数控系统；3、“NC嵌入PC”结构的开放式数控系统；4、SOFT型开放式数控系统。
我国数控系统的开发与生产，通过“七五”引进、消化、吸收，“八五”攻关和“九五”产业化，取得了很大的进展，基本上掌握了关键技术，建立了数控开发、生产基地，培养了一批数控人才，初步形成了自己的数控产业，也带动了机电控制与传动控制技术的发展。同时，具有中国特色的经济型数控系统经过这些年来的发展，产品的性能和可靠性有了较大的提高，逐渐被用户认可。
国外数控系统技术发展的总体发展趋势是：新一代数控系统向PC化和开放式体系结构方向发展；驱动装置向交流、数字化方向发展；增强通信功能，向网络化发展；数控系统在控制性能上向智能化发展。
进入21世纪，人类社会将逐步进入知识经济时代，知识将成为科技和生产发展的资本与动力，而机床工业，作为机器制造业、工业以至整个国民经济发展的装备部门，毫无疑问，其战略性重要地位、受重视程度，也将更加鲜明突出。
近年来，我国数控机床一直保持两位数增长。2001年，我国机床工业产值已进入世界第5名，机床消费额在世界排名上升到第3位，达47.39亿美元，仅次于美国的53.67亿美元。2002年产值达260亿元，产量居世界第4。但与发达国家相比，我国机床数控化率还不高，目前生产产值数控化率还不到30%；消费值数控化率还不到50%，而发达国家大多在70%左右。由于国产数控机床不能满足市场的需求，高档次的数控机床及配套部件只能靠进口，使我国机床的进口额呈逐年上升态势，2001年进口机床跃升至世界第2位，达24.06亿美元，比上年增长27.3%。
智能化、开放性、网络化、信息化成为未来数控系统和数控机床发展的主要趋势：向高速、高效、高精度、高可靠性方向发展；向模块化、智能化、柔性化、网络化和集成化方向发展；向PC-based化和开放性方向发展；出现新一代数控加工工艺与装备，机械加工向虚拟制造的方向发展；信息技术（IT）与机床的结合，机电一体化先进机床将得到发展；纳米技术将形成新发展潮流，并将有新的突破；节能环保机床将加速发展，占领广大市场。
五、工业控制网络将向有线和无线相结合方向发展
自从1977年第一个民用网系统ARCnet投入运行以来，有线局域网以其广泛的适用性和技术价格方面的优势，获得了成功并得到了迅速发展。然而，在工业现场，一些工业环境禁止、限制使用电缆或很难使用电缆，有线局域网很难发挥作用，因此无线局域网技术得到了发展和应用。
随着微电子技术的不断发展，无线局域网技术将在工业控制网络中发挥越来越大的作用。无线局域网（WirelessLAN）技术可以非常便捷地以无线方式连接网络设备，人们可随时、随地、随意地访问网络资源，是现代数据通信系统发展的重要方向。无线局域网可以在不采用网络电缆线的情况下，提供以太网互联功能。在推动网络技术发展的同时，无线局域网也在改变着人们的生活方式。无线网通信协议通常采用IEEE802.3和802.11。802.3用于点对点方式，802.11用于一点对多点方式。无线局域网可以在普通局域网基础上通过无线Hub、无线接入站(AP)、无线网桥、无线Modem及无线网卡等来实现，以无线网卡使用最为普遍。无线局域网的未来的研究方向主要集中在安全性、移动漫游、网络管理以及与3G等其它移动通信系统之间的关系等问题上。
在工业自动化领域，有成千上万的感应器，检测器，计算机，PLC，读卡器等设备，需要互相连接形成一个控制网络，通常这些设备提供的通信接口是RS-232或RS-485。无线局域网设备使用隔离型信号转换器，将工业设备的RS-232串口信号与无线局域网及以太网络信号相互转换，符合无线局域网IEEE802.11b和以太网络IEEE802.3标准，支持标准的TCP/IP网络通信协议，有效的扩展了工业设备的联网通信能力。
计算机网络技术、无线技术以及智能传感器技术的结合，产生了“基于无线技术的网络化智能传感器”的全新概念。这种基于无线技术的网络化智能传感器使得工业现场的数据能够通过无线链路直接在网络上传输、发布和共享。无线局域网技术能够在工厂环境下，为各种智能现场设备、移动机器人以及各种自动化设备之间的通信提供高带宽的无线数据链路和灵活的网络拓扑结构，在一些特殊环境下有效地弥补了有线网络的不足，进一步完善了工业控制网络的通信性能。
六、工业控制软件正向先进控制方向发展
自20世纪80年代初期诞生至今，工业控制软件已有20年的发展历史。工业控制软件作为一种应用软件，是随着PC机的兴起而不断发展的。工业控制软件主要包括人机界面软件（HMI），基于PC的控制软件以及生产管理软件等。目前，我国已开发出一批具有自主知识产权的实时监控软件平台、先进控制软件、过程优化控制软件等成套应用软件，工程化、产品化有了一定突破，打破了国外同类应用软件的垄断格局。通过在化工、石化、造纸等行业的数百个企业（装置）中应用，促进了企业的技术改造，提高了生产过程控制水平和产品质量，为企业创造了明显的经济效益。2000年，“九五”国家科技攻关计划项目“大型骨干石化生产系统控制及计算机应用技术”通过了验收。
作为工控软件的一个重要组成部分，国内人机界面组态软件研制方面近几年取得了较大进展，软件和硬件相结合，为企业测、控、管一体化提供了比较完整的解决方案。在此基础上，工业控制软件将从人机界面和基本策略组态向先进控制方向发展。
先进过程控制APC目前还没有严格而统一的定义。一般将基于数学模型而又必须用计算机来实现的控制算法，统称为先进过程控制策略。如：自适应控制；预测控制；鲁棒控制；智能控制（专家系统、模糊控制、神经网络）等。
由于先进控制和优化软件可以创造巨大的经济效益，因此这些软件也身价倍增。国际上已经有几十家公司，推出了上百种先进控制和优化软件产品，在世界范围内形成了一个强大的流程工业应用软件产业。因此，开发我国具有自主知识产权的先进控制和优化软件，打破外国产品的垄断，替代进口，具有十分重要的意义
结束语
工业信息化是指在工业生产、管理、经营过程中，通过信息基础设施，在集成平台上，实现信息的采集、信息的传输、信息的处理以及信息的综合利用等。在“十五”期间，国家用信息化带动工业化的工作重点有三个方面：一是以电子信息技术应用为重点，提高传统产业生产过程自动化、控制智能化和管理信息化水平；二是以先进制造技术应用为重点，推进制造业领域的优质高效生产，振兴装备制造业；三是改造提升重点产业的关键技术、共性技术及其相关配套技术水平、工艺和装备水平。国家实施高技术产业化的主要目标有两个：一是发展高技术，形成新兴产业，培育新的增长点；二是利用先进技术改造和优化传统产业，提高经济增长的质量。
由于大力发展工业自动化是加快传统产业改造提升、提高企业整体素质、提高国家整体国力、调整工业结构、迅速搞活大中型企业的有效途径和手段，国家将继续通过实施一系列工业过程自动化高技术产业化专项，用信息化带动工业化，推动工业自动化技术的进一步发展，加强技术创新，实现产业化，解决国民经济发展面临的深层问题，进一步提高国民经济整体素质和综合国力，实现跨越式发展。
来源：物联网安全号
..........
微信号：APS_Society
网站：
中国很多企业处于亚健康状态，其特征是“三高”即高交期、高库存、高成本。精益生产、MES、APS、供应链优化是消除企业三高的良方，建立高效的计划执行体系，系统的实现卓越制造。返回搜狐，查看更多
人工智能在制造业中的应用及其对未来工厂的重要性
制造业中的人工智能是什么?制造业中的人工智能是如何演变的？人工智能在制造业中的现状人工智能在制造业中的发展前景如何？制造业和人工智能：应用和益处完全自主的工厂一直有太多的臆想成分，往往出现在推理小说中。在这种情景中，机器人生产线几乎不需要人工操作而完全由人工智能（AI）系统来指挥。但在可预见的时间内，以这种方式在制造业使用人工智能还不太可能。
人工智能在制造业中的现实概念更像是集合在一起的应用程序，这些应用程序用于紧凑却又离散的系统，管理着特定的制造流程。它们或多或少地自主操作，并以日益智能甚至人性化的方式对外部事件做出反应，这些事件包括工具磨损、系统中断、发生火灾或自然灾害等事件。
制造业中的人工智能是什么？制造业中的人工智能就是机器自主地执行类似人类任务的智能：对内部和外部事件做出响应，甚至预测事件。机器可以检测到工具磨损或意外的情况（甚至预期会发生的情况），并且可以对问题做出反应并加以解决。
历史学家在追踪人类从石器时代到青铜时代、铁器时代等不同时期的发展，根据人类对自然环境、材料、工具和技术的掌握来衡量人类进化的发展轨迹。人类目前处于信息时代，也称为“硅谷时代”。在这个以电子产品为基础的时代，人类能力通过计算机的使用在总体上得到了提升，对自然界施加的影响是前所未有的，在几十年前人们根本无法想象的一些事情现在通过协同能力已经可以完成。
电子数值积分器与计算机（ENIAC）是世界上第一台数字电子可编程计算机，此处显示的是费城弹道研究实验室，大约在1947至1955年之间。计算机技术越来越有能力做原来由人类自己做的事情，随着这种趋势的发展，人工智能已成为一种水到渠成的发展成果。人们可以选择如何利用机器学习和人工智能。人工智能擅长的一件事是帮助有创意的人做更多的事情。这并不意味着人工智能一定要取代人工；理想的应用程序可以帮助人们发挥他们在制造过程中的优势，而这种优势可以是在工厂制造一个部件或设计一种产品或部件。
人工智能越来越多地涉及到人类和机器人之间的协作。尽管工业机器人普遍被视为有自主能力和“智能”，但它们中的大多数还需要人们大量的监督。通过人工智能的不断创新，这些机器人会变得更加智能，使得人类和机器人之间的协作更加安全和高效。
制造业中的人工智能是如何演变的？如今，大多数制造业的人工智能被用来进行测量、无损测试（NDT）和其他流程。人工智能正在协助人们设计产品，不过在实际制造领域的应用仍处于初期阶段。机械工具仍然显得相对迟钝。在车间使用自动化工具已有不少新闻报道了，但世界上许多工厂仍然依赖着旧设备，这些设备通常只有一个机械的或非常有限的数字界面。
在较新的制造机器中，工人可以在屏幕上（无论是在系统自己的屏幕上还是通过计算机）直观地看到自己正在执行的操作。传感器可以提供各种因素的有关信息，包括材料供应和能量消耗。较新的制造系统安装有屏幕（人机协作界面）和电子传感器，可对原材料供应、系统状态、能量消耗和许多其他因素提供反馈。工人可以在计算机的屏幕上或机器上看到自己正在执行的操作。人工智能在制造业的应用范围越来越广泛，未来的发展方向也越来越明确。
近期的发展前景包括对实时加工流程和包括工具磨损在内的状态信息显示进行监控。此类应用属于“预测性维护”的范畴。这对人工智能来说是一个明显的机会：读懂来自传感器的连续数据流的算法，找到有意义的模式，通过分析来预测问题，并提醒维护团队在问题发生前把问题解决掉。机器内部的传感器可以监控正在发生的情况。它可能是一个用于监听皮带或齿轮开始磨损的声学传感器，也可能是一个用于监听工具磨损情况的普通传感器。这些信息将与一个可以预测该工具剩余寿命的分析模型连接在一起。
在车间里，增材制造正在成为一种重要的生产模式，并促使在系统中添加了许多新型传感器，监控影响材料和制造技术的新情况，而这些新的制造技术在过去10年中才被广泛引用。
人工智能在制造业中的现状当制造过程出现缺陷时，人工智能正在通过使用数字孪生的手段，实现更精确的制造工艺设计，以及对问题的诊断和解决。数字孪生是对实际部件、机床或者正在制作的部件进行精确的虚拟复制。这不仅仅是一种计算机辅助设计（CAD）模型。它是对部件以及在出现缺陷的情况下该部件会表现出的行为进行的精确的数字表示。（所有部件都有缺陷，这就是为什么它们会出现故障。）将数字孪生应用于制造流程设计和维护离不开人工智能。
大型企业拥有对这些创新活动进行资助的财务实力，同时也可从人工智能的采用中获得巨大的收益。但是，一些最具想象力的应用程序是由中小型企业资助的，例如为技术密集型行业（如航空航天）提供服务的合同设计师或制造商。
许多中小企业正试图通过迅速引用新的机械或技术来超越更大的竞争者。提供这些服务在制造领域显示出与众不同，但有时，它们是在没有必要的知识或经验的情况下实施新的工具和流程。从设计或制造的角度来看，这种情况可能是真实的；因此，要想进入增材制造，挑战相当大。在这种情况下，与大型企业相比，中小企业引用人工智能的动力可能更大：使用能够提供反馈并协助设置和操作的智能系统可以帮助小型初创企业在市场上抢占一席之地。
实际上，端到端工程专业知识可以融入到制造过程中。举例来说，在交付装有人工智能的工具时，可以采取打包的方式，将指导安装、引用的知识、传感器以及对检测操作和维护问题的分析手段一并提供给买方。（这些分析可能包括所谓的“unsupervisedmodels”（“无人监督模型”），这种模型经过培训，可通过寻找奇怪的或“错误的”表现来查找与已知问题无关的传感器的反馈模式。）
这一概念的一个真实例子是DRAMA（用于航空航天的数字化可重构增材制造设施），这是一个于2017年11月启动的，耗资1940万美元的合作研究项目。欧特克是与制造技术中心（MTC）合作以建立“digitallearningfactory”（“数字学习工厂”）原型的公司联盟成员之一。整个增材制造流程链都采用了数字孪生手段；该设施将进行重新配置以满足不同用户的要求，并允许对不同的硬件和软件进行测试。开发人员正在构建一个增材制造的“知识库”，以帮助人们对技术和流程的利用。
航空航天只是众多行业的一个例子，它们可以从制造流程链创建的数字孪生中获益。在前边谈到的DRAMA中，欧特克在设计、仿真和优化方面发挥着关键作用，同时充分考虑到制造过程的下游流程。了解制造流程对每个零件的影响是非常关键的，人类可对这一信息进行自动化处理，然后通过衍生式设计将其引入设计流程，从而使数字设计的性能更接近实际零件。
人工智能在制造业中的发展前景如何？上述情况表明，有关厂商有机会有效地对端到端工作流程进行打包，然后销售给制造商。它可以包括从软件到工厂的实际机械、对机械制作的数字孪生、与工厂供应链系统交换数据的订购系统，以及在输入的信息通过系统时监控流程并收集数据的分析手段。实际上，这就是要创建“盒装工厂”系统。
盒装工厂这样的系统可以让制造商查看今天生产的部件，将其与昨天生产的部件进行比较，确保质量保证措施正在得到实施，并分析生产线上每个流程的无损测试。这种反馈将帮助制造商准确了解制造这些部件所用的参数，然后从传感器数据中查看什么地方存在缺陷。
此处展示的是增材制造“工具箱”的一个示例：集装箱内的机器人正在建筑工地待命作业。该过程的乌托邦构想就是，在一端装入材料，在另一端取出部件，人们只需要对系统进行维护。尽管最终该系统中的大部分工作可以由机器人完成，但在目前的概念中，在设计、决策、监督制造以及一系列生产线的工作仍由人工来完成。该系统可帮助人们了解他们的决策带来的实际影响。
机器学习和自主的人工智能人工智能的力量在很大程度上来自机器学习、神经网络、深度学习和其他自我组织系统在没有人为干预的情况下从自己的经验中进行学习的能力。这些系统可以从大量数据中快速发现重要发模式，而处理这样海量的数据是人类分析师无法完成的工作。不过，在当今的制造业中，人类专家仍在在很大程度上指导着人工智能应用程序的开发，把他们从之前的工程活动中获得的专业知识编码到新的程序中。在该过程中，人类专家借鉴已经发生的情况、出现错误的情况以及工作良好的情况。
尽管人工智能在制造业变得越来越普遍也越来越重要——因为它能够比人类更快地在大量数据中检测模式，但人工智能应用程序的开发仍需要人类专家的指导。因为人工智能可对机载传感器的数据进行分析以进行预防性维护和改进工艺流程，最终，自主人工智能将利用这一专业知识体系，使工人（如增材制造领域的新员工）从操作反馈中受益。这是迈向创新（如自我校正机器）的中间步骤，当工具磨损时，系统会自行调整以保持工作性能，同时建议工人更换磨损的组件。
工厂规划和布局优化人工智能应用程序并不局限于制作流程本身。让我们从工厂规划的角度看一下这个问题。工厂布局是由多种因素决定的，从操作员的安全到流程的效率。这可能需要对工厂进行重新配置以适应短期的系列项目或经常变化的流程。
频繁的变化可能导致原来没有注意到的空间和实际冲突，从而产生效率或安全问题。但是，这些冲突可以使用传感器进行跟踪和测量，人工智能在优化工厂布局方面可以发挥作用。
人工智能可以在工厂的车间布局和优化方面发挥作用，帮助发现潜在的操作员安全问题并提高流程效率。传感器可为人工智能的实时分析捕获数据在采用存在着大量不确定性的新技术时（如增材制造），有一个重要的步骤就是在产品生产后进行无损测试。采用无损测试可能非常昂贵，特别是当它包含固定设备CT扫描仪（用于对制造部件结构完整性进行分析）的时候。在特别零件的制造过程中会获得大量的数据集，机器中的传感器可以链接到建立在该资源之上的一些模型之上。一旦可以使用传感器的数据，便可进行很多有意义的活动，例如通过将该数据与CT扫描中观察到的缺陷联系在一起的方法，构建机器学习模型。传感器数据可以对分析模型认为可能存在缺陷的零件进行标记，而不需要对该零件进行CT扫描。只有那些有可能存在缺陷的零件才会被扫描，而不是在所有零件脱机时都进行例行扫描。
这种操作还可以监控人员使用设备的方式。制造工程师在设计机械时要对将来该机械如何操作作一些假设。人工分析时，有时可能多出一个步骤，而有时却又会漏掉一个步骤，而传感器可以准确捕获这些信息以供人工智能分析。
在对可能被应用的制造流程和工具作业进行调整以适应各种环境条件方面，人工智能也可以发挥作用。以湿度为例，增材制造技术的开发人员发现，某些机器在某些国家并不能按照设计那样正常地工作，于是，在工厂中使用了湿度传感器对有关条件进行监测，有时还会发现一些意想不到的情况。有一次，工作人员发现，在本来被认为是湿度控制的环境中出现了湿度问题，后来发现，是有人到室外抽烟时没有随手把门关住。
有效地使用传感器数据需要开发有效的人工智能模型。这些模型必须经过训练才能理解它们在数据中看到的内容，比如导致这些问题的原因是什么，如何检测这些原因以及要采取什么措施。如今，机器学习模型可以使用传感器数据，预测问题会在何时发生，并提醒排除故障的工作人员采取行动。最终，人工智能系统将能够预测问题并对其做出实时反应。人工智能模型不久将被要求创建主动解决问题和改进制造流程的方法。
衍生式设计人工智能在衍生式设计中扮演着重要的角色，在这个过程中，工程师首先输入一组项目要求，然后由设计软件创建出多个迭代。最近，欧特克收集了大量材料数据用于增材制造，并利用这些数据来驱动一种衍生式设计的模型。对于物料属性如何根据制造过程对单个特征和几何体产生的影响而变化，该原型有一种“理解”能力。
借助人工智能，衍生式设计软件在自动执行日常任务的同时，还可以在相同的时间内比设计师创建出更多的设计迭代。衍生式设计是一种具有适应性的优化技术。许多传统的优化技术把着眼点放在了更普通的部件优化方法上。基于对材料的测试和与大学的协作，衍生式设计算法可以更加具体，侧重于单个功能，充分应用对该功能的力学性能的理解。尽管设计是理想化的，但制造过程是在现实世界中进行的，因此生产条件可能不尽相同。有效的衍生式设计算法需要考虑这一实际情况。
衍生式设计可以在软件中创建最佳设计和规格，然后使用兼容的工具将该设计分发到多个工厂。这意味着规模较小、地理位置分散的工厂也可以制造更多型号的零件。这些工厂可能离需要它们的地方很近；一个工厂今天还在为航空航天制造部件，而第二天就可为其他重要产品制造部件，从而节约了分销和运输成本。这正在成为制造业的一个重要概念，例如在汽车制造业。
灵活且可重新配置的制造流程和工厂车间布局人工智能还可用于优化制造流程，并使这些流程更加灵活和可重新配置。当前的需求可以确定工厂车间的布局并生成一种流程，而这种布局和流程也可以根据未来的需求来调整。那些模型可用来对其进行对比和比较。然后，该分析将判断出最好是使用较少的大型增材制造机器还是使用大量较小的机器，这也许会降低成本，并在市场需求放缓时将其转移到其他项目中。“假设分析”是人工智能常见的应用。
模型将用于优化车间布局和流程排序。例如，可以直接通过3D打印机对增材部件进行热处理。材料进来时可能已经预回火，或者需要重新回火，从而需要另一个热循环。工程师可以运行各种假设分析方案来确定工厂应该拥有何种设备，将流程的几个部分转包给附近的另一家公司可能更有意义。
这些人工智能应用程序可能会改变业务结构，该结构决定工厂将专注于一个封闭的工艺流程，还是接受多个产品或项目，后者将使工厂更具弹性。以航空航天业为例，这一行业正经历着衰退，其制造业务也可能改行制造医疗部件来适应目前的疲软状况。
制造业和人工智能：应用和益处设计、流程改进、减少机器磨损和优化能耗都是可以应用人工智能的制造业领域。这一演变已经开始。
机器变得越来越智能，机器之间以及机器与供应链和其他业务自动化之间，也变得越来越集成。理想的情况是，进入的是材料，出来的是部件，传感器可以监控链条中的每个环节。人们对流程保持控制，但不一定非要在该环境中工作。这将解放出重要的制造资源和工作人员，让他们专注于创新而不是那些可以被自动化代替的重复性工作，从而创造出新的设计和制造组件的方法。
与任何根本性的转变一样，人们对人工智能的采用也不是没有阻力的。人工智能所需的知识和技能可能是昂贵的，而且是稀缺的；许多制造商内部并没有这种能力。他们认为自己的优势在专业能力方面，因此为了证明投资是为了创造新的东西或改进流程，他们需要详尽的证据，并害怕承担因为扩大工厂规模而带来的风险。
这可能使“盒装工厂”的概念对这些公司更有吸引力。更多的企业，特别是中小企业，可以自信地采用端到端打包流程，在该流程中，软件可以与工具作业无缝配合，并使用传感器和分析手段来改进工作。通过增加数字孪生的功能，工程师可以对新模拟的制造流程进行尝试，这也降低了决策的风险。
人工智能在制造业的另一个重点应用领域是预测性维护。这使工程师能够为工厂机器配备经过预先训练的人工智能模型，这些模型融合了累积多时的对该工具作业的知识。根据机器的数据，这些模型可以学习现场发现的因果关系的新模式，以防止出现问题。
在质量检查中，人工智能也扮演着重要角色。这一过程会生成大量数据，因此非常适合机器学习。就拿增材制造来说，就机器如何生产零件、现场条件以及在生产过程中发现的任何问题，一次建造可生成高达万亿字节（TB）的数据。如此海量的数据超出了人类分析的能力范围，但人工智能系统现在已经能够做到这一点。原本适用于增材制造工具的分析可以轻松地用于减材制造、铸造、注塑成型和其他各种制造流程。
如果与人工智能相结合，虚拟现实（VR）和增强现实（AR）可以通过提高生产线工人的速度和精度来帮助缩短设计时间并优化装配线流程。有了虚拟现实和增强现实这类互补技术，人工智能如虎添翼，可以为缩短设计时间并优化装配线流程提供解决方案。生产线上的工人已经配备了虚拟现实和增强现实系统，他们能够看到装配的过程，从而提供可视化指导以提高工作的速度和精度。操作员可以戴上增强现实的眼镜，这种眼镜可以投射出图表以解释如何组装零件。这一系统可以监控工作并提供提示：扳手的转动已足够，扳手的转动尚不足，或者扳机尚未拉下。
在采用人工智能方面，大型企业和中小企业有着不同的关注点。中小企业往往会制造大量的零部件，而大型企业通常会从其他地方采购大量的零部件进行组装。不过也有例外：汽车制造公司对底盘进行大量点焊，但购买并组装像轴承和塑料部件那样的其他零件。
说到零部件本身，目前正出现一个新的趋势，即使用智能部件：这种部件带有嵌入式传感器，可对其自身状况、应力、扭矩等情况进行监控。不过，这种想法对汽车制造还是有一定的挑战性的，因为上述功能更多地取决于汽车的驾驶方式，而不是行驶的公里数；如果每天要在大量的坑坑洼洼的道路上行驶，汽车很可能需要更多的维护。
Tri-DDynamics使用冷金属熔融增材制造技术将传感器嵌入机器中。这种嵌入式传感器（如上图所示）可以发送各种数据，例如温度和环境的其他条件。Tri-DDynamics供图。智能部件可以告诉人们它已到达使用寿命的尽头或已经到了需要检修的时间。这些部件本身不需在外部监控数据点，而是偶尔地用人工智能系统从内部进行检查，以报告一下状态正常；当出现异常情况时，部件才提醒人们注意。这种方法减少了系统内的数据流量，这种流量如果到了一定规模可能会对分析处理性能造成重大影响。
人工智能为厂家增值的最大和最直接的机会在增材制造领域。增材制造流程是主要的目标，因为它们的产品价格更高，而体积更小。未来，随着人工智能的增长和成熟，它在整个制造业价值链中可能变得非常重要。
人工智能产业发展现状与四大趋势
随着全球新一轮科技革命和产业变革孕育兴起，人工智能等数字技术加速演进，引领数字经济蓬勃发展，对各国科技、经济、社会等产生深远影响，已成为驱动新一轮科技革命和产业变革的重要力量。近年来，各国政府及相关组织持续加强人工智能战略布局，以人工智能为核心的集成化技术创新成为重点，人工智能相关技术产业化和商业化进程不断提速，正在加快与千行百业深度融合，其“头雁”效应得以充分发挥。此外，全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识。
一人工智能的内涵与产业链
（一）人工智能的内涵
人工智能（ArtificialIntelligence）作为一门前沿交叉学科，与数学、计算机科学、控制科学、脑与认知科学、语言学等密切相关，自1956年首次提出以来，各方对其界定一直存在不同的观点。通过梳理不同研究机构和专家学者提出的相关概念，关于“人工智能”的内涵可总结如下：人工智能是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学，赋予机器模拟、延伸、扩展类人智能，实现会听、会看、会说、会思考、会学习、会行动等功能，本质是对人的意识和思想过程的模拟。
图1：人工智能内涵示意图
来源：火石创造根据公开资料绘制
（二）人工智能的发展历程
从1956年“人工智能”概念在达特茅斯会议上首次被提出至今，人工智能发展已经历经60余年，经历了三次发展浪潮。当前全球人工智能正处于第三次发展浪潮之中。
第一次浪潮（1956－1980年）：训练机器逻辑推理能力。在1956年达特茅斯会议上，以“人工智能”概念被提出为标志，第一次发展浪潮正式掀起，该阶段的核心是：让计算机具备逻辑推理能力。这一时期内，开发出了计算机可以解决代数应用题、证明几何定理、学习和使用英语的程序，并且研发出第一款感知神经网络软件和聊天软件，这些初期的突破性进展让人工智能迎来发展史上的第一个高峰。但与此同时，受限于当时计算机的内存容量和处理速度，早期的人工智能大多是通过固定指令来执行特定问题，并不具备真正的学习能力。
第二次浪潮（1980－2006年）：专家系统应用推广。1980年，以“专家系统”商业化兴起为标志，第二次发展浪潮正式掀起，该阶段的核心是：总结知识，并“教授”给计算机。这一时期内，解决特定领域问题的“专家系统”AI程序开始为全世界的公司所采纳，弥补了第一次发展浪潮中“早起人工智能大多是通过固定指令来执行特定问题”，使得AI变得实用起来，知识库系统和知识工程成为了80年代AI研究的主要方向，应用领域不断拓宽。
第三次浪潮（2006年至今）：机器学习、深度学习、类脑计算提出。以2006年Hinton提出“深度学习”神经网络为标志，第三次发展浪潮正式掀起，该阶段的核心是实现从“不能用、不好用”到“可以用”的技术突破。与此前多次起落不同，第三次浪潮解决了人工智能的基础理论问题，受到互联网、云计算、5G通信、大数据等新兴技术不断崛起的影响，以及核心算法的突破、计算能力的提高和海量数据的支撑，人工智能领域的发展跨越了从科学理论与实际应用之间的“技术鸿沟”，迎来爆发式增长的新高潮。
图2：人工智能的三次发展浪潮
来源：火石创造根据公开资料绘制
（三）人工智能的产业链
人工智能产业链分为三层：基础层、技术层以及应用层。基础层涉及数据收集与运算，这是人工智能的发展基础，包括智能芯片、智能传感器、大数据与云计算等；技术层处理数据的挖掘、学习与智能处理，是连接基础层与应用层的桥梁，包括机器学习、类脑智能计算、计算机视觉、自然语言处理、智能语音、生物特征识别等；应用层是将人工智能技术与行业的融合发展的应用场景，包括智能机器人、智能终端、智慧城市、智能交通、智能制造、智能医疗、智能教育等。
图3：人工智能产业链
来源：火石创造根据公开资料绘制
二全球人工智能产业发展现状
（一）人工智能产业规模保持快速增长
近年来人工智能技术飞速发展，对人类社会的经济发展以及生产生活方式的变革产生重大影响。人工智能正全方位商业化，AI技术已在金融、医疗、制造、教育、安防等多个领域实现技术落地，应用场景也日益丰富。人工智能的广泛应用及商业化，加快推动了企业的数字化、产业链结构的优化以及信息利用效率的提升。全球范围内美国、欧盟、英国、日本、中国等国家和地区均大力支持人工智能产业发展，相关新兴应用不断落地。根据相关统计显示，全球人工智能产业规模已从2017年的6900亿美元增长至2021年的3万亿美元，并有望到2025年突破6万亿美元，2017－2025年有望以超30％的复合增长率快速增长。
图4：2017－2025年全球人工智能产业规模（单位：亿美元）
数据来源：火石创造根据公开资料整理
（二）全球主要经济体争相布局，中美两国占据领先位置
人工智能作为引领未来的战略性技术，目前全球主要经济体都将人工智能作为提升国家竞争力、维护国家安全的重大战略。美国处于全球人工智能领导者地位，中国紧随其后，欧洲的英国、德国、法国，亚洲的日本、韩国，北美的加拿大等国也具有较好的基础。从全球各国人工智能企业数量来看，美国人工智能企业数量在全球占比达到41％，中国占比为22％，英国为11％，以上三个国家的人工智能企业数量合计占到全球的七成以上。
图5：全球人工智能企业数量分布
数据来源：中国信通院，火石创造整理
（三）公共数据集不断丰富，关键平台逐步形成
全球数据流量持续快速增长，为深度学习所需要的海量数据提供良好基础。商业化数据产业发展迅速，为企业提供海量图片、语音等数据资源和相关服务。公共数据集为创新创业和行业竞争提供优质数据，也为初创企业的发展带来必不可少的资源。优势企业例如Google、亚马逊、Facebook等都加快部署机器学习、深度学习底层平台，建立产业事实标准。目前业内已有近40个各类AI学习框架，生态竞争十分激烈。中国的代表企业如科大讯飞、商汤科技利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。
（四）人工智能技术飞速发展，应用持续深入
近十年来，得益于深度学习等算法的突破、算力的不断提升以及海量数据的持续积累，人工智能真正大范围地从实验室研究走向产业实践。以深度学习为代表的算法爆发拉开了人工智能浪潮的序幕，在计算机视觉、智能语音、自然语言处理等领域广泛应用，相继超过人类识别水平。人工智能与云计算、大数据等支撑技术的融合不断深入，围绕着数据处理、模型训练、部署运营和安全监测等各环节的工具链不断丰富。工程化能力持续增强，人工智能的落地应用和产品交付更加便捷高效。AI在医疗、制造、自动驾驶、安防、消杀等领域的应用持续深入，特别是新冠疫情以来，社会的数字化、智能化转型不断提速，进一步推动人工智能应用迈入快车道。
三全球人工智能产业发展趋势
（一）算法、算力和数据作为人工智能产业的底层支撑，仍是全球新一代人工智能产业的核心引擎
算法、算力和数据被全球公认为是人工智能发展的三驾马车，也是推动人工智能发展的重要基础。在算力层面，单点算力持续提升，算力定制化、多元化成为重要发展趋势；计算技术围绕数据处理、数据存储、数据交互三大能力要素演进升级，类脑芯片、量子计算等方向持续探索智能芯片的技术架构由通用类芯片发展为全定制化芯片，技术创新带来的蓝海市场吸引了大量的巨头企业和初创企业进入产业。在算法层面，Cafe框架?CNTK框架等分别针对不同新兴人工智能算法模型进行收集整合，可以大幅度提高算法开发的场景适用性，人工智能算法从RNN、LSTM到CNN过渡到GAN和BERT还有GPT－3等，不断涌现的新兴学习算法将在主流机器学习算法模型库中得到更高效的实现。在数据层面，以深度学习为代表的人工智能技术需要大量的标注数据，催生了专业的技术服务，数据服务进入深度定制化阶段。
（二）全球新兴技术持续孕育涌现，以人工智能为核心的集成化技术创新成为重点
随着全球虚拟现实、超高清视频、新兴汽车电子等新技术、新产品将不断孕育涌现，并与人工智能加速交叉集成，推动生产生活方式和社会治理方式智能化变革的经济形态；与此同时，人工智能与5G、云计算、大数据、工业互联网、物联网、混合现实（MR）、量子计算、区块链、边缘计算等新一代信息技术互为支撑。这意味着以交叉融合为特征的集成化创新渐成主流，多种新兴技术交叉集成的价值将使人工智能发挥更大社会经济价值。例如：人工智能与汽车电子领域加速融合，实现感知、决策、控制等专用功能模块，推动形成自动驾驶、驾驶辅助、人车交互、服务娱乐应用系统；人工智能与虚拟现实技术相结合，为生产制造、家装等提供工具，并为虚拟制造、智能驾驶、模拟医疗、教育培训、影视娱乐等提供场景丰富、互动及时的平台环境等。
（三）新基建春风与场景赋能双轮驱动，全球泛在智能时代加速来临
在新冠肺炎疫情成为全球发展“新常态”背景下，全球主要经济体均面临经济社会创新发展和转型升级挑战，对人工智能的运用需求愈加迫切，纷纷推动人工智能与实体经济加速融合，助力实现新常态下产业转型升级。一方面，全球大力布局智能化基础设施建设和传统基础设施智能化升级，推动网络泛在、数据泛在和应用需求泛在的万物互联生态加速实现，为人工智能的应用场景向更多行业、更多领域、更多环节、更多层面拓展奠定基础；另一方面，AI应用场景建设成为国内外关注和紧抓的关键举措，面向医疗健康、金融、供应链交通、制造、家居、轨道交通等重点应用领域，积极构建符合本地优势和发展特点的人工智能深度应用场景，探索智能制造、智能物流、智能农业、智慧旅游、智能医疗、智慧城市等模式创新和业态创新，同时典型场景建设也吸引了全球资本市场的重点关注，泛在化智能经济发展时代即将到来。
（四）全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识
随着全球人工智能发展步入蓬勃发展阶段，人工智能深入赋能引发的挑战与风险广受关注，并在全球范围内掀起了人工治理浪潮。2019年6月，二十国集团（G20）批准了倡导人工智能使用和研发“尊重法律原则、人权和民主价值观”的《G20人工智能原则》，成为人工智能治理方面的首个政府间国际公约，发展安全可信的人工智能已经成为全球共识。此后，全球各国纷纷加速完善人工智能治理相关规则体系，聚焦自动驾驶、智慧医疗和人脸识别等重点领域出台分级分类的监管措施，推动人工治理从以“软法”为导向的社会规范体系，向以“硬法”为保障的风险防控制度体系转变。与此同时，面向人工智能治理体系建设和打造安全可信生态的相关需求，围绕着安全性、稳定性、可解释性、隐私保护、公平性等方面的可信人工智能研究持续升温，其理念逐步贯彻到人工智能的全生命周期之中，基于模糊理论的相关测试技术、AI结合隐私计算技术、引入公平决策量化指标的算法模型等新技术陆续涌现，产业实践不断丰富，已经演变为落实人工智能治理相关要求的重要方法论。
原文标题 : 全球视野下人工智能产业发展现状与四大趋势
2023年中国人工智能基础层行业研究报告
2021年中国人工智能基础层行业研究报告原创艾瑞艾瑞咨询
核心摘要：
算力、算法、数据是人工智能产业发展的三大要素。基于此，艾瑞定义人工智能基础层是支撑AI应用模型开发及落地的必要资源，主要包括智能计算集群、智能模型敏捷开发工具、数据基础服务与治理平台三大模块。发展人工智能基础层可多环节提效AI技术价值的释放，解决需求方人工智能生产力稀缺问题，且依托AI基础层资源，AI企业可有效应对下游客户的长尾应用需求，将其高频应用转化为新主营业务，寻找业务增长突破点。此外，基础层工具属性标志着AI产业社会化分工的出现，AI产业正逐步进入各产业深度参与、双向共建的效率化生产阶段。据艾瑞测算，2020年人工智能基础层市场规模为497亿元，为AI产业总规模的33%，AI芯片的高增长是产业规模增长的主要拉动力。未来，伴随各行业智能化转型的迫切需求，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式，更多企业将自研开源框架，国产的操作系统与数据库等软件配套设施将稳步崛起，算力模块的智能服务器国产化率也将逐步提升。
人工智能基础层定义
支撑各类人工智能应用开发与运行的资源和平台
算力、算法、数据是人工智能产业发展的三大要素。据此，人工智能基础层主要包括智能计算集群、智能模型敏捷开发工具、数据基础服务与治理平台三个模块。智能计算集群提供支撑AI模型开发、训练或推理的算力资源，包括系统级AI芯片和异构智能计算服务器，以及下游的人工智能计算中心等；智能模型敏捷开发工具模块主要实现AI应用模型的生产，包括开源算法框架，提供语音、图像等AI技术能力调用的AI开放平台和AI应用模型效率化生产平台；数据基础服务与治理平台模块则实现AI应用所需的数据资源生产与治理，提供AI基础数据服务及面向AI的数据治理平台。AI基础层企业通过提供AI算力、开发工具或数据资源助力人工智能应用在各行业领域、各应用场景落地，支撑人工智能产业健康稳定发展。
人工智能基础层价值
AI基础层是支撑AI应用模型开发及落地的必要资源
开发一项人工智能模型并上线应用大致需经历从业务理解、数据采标及处理、模型训练与测试到运维监控等一系列流程。过程中需要大量的AI算力、高质量数据源、AI应用算法研发及AI技术人员的支持，但大部分中小企业用户并不具备在“算力、数据、算法”三维度从0到1部署的能力，而财力雄厚的大型企业亦需高性价比的AI开发部署方案。依靠AI基础层资源，需求企业可降低资源浪费情况、规避试错成本、提高部署应用速度。作为支撑AI模型开发及落地的必要资源，AI基础层可在多环节提效AI技术价值的释放；其工具属性也标志着AI产业社会化分工的出现，AI产业正逐步进入低技术门槛、低部署成本、各产业深度参与双向共建的效率化生产阶段。
人工智能基础层进阶之路
粗放式单点工具向集约型、精细化资源演进
智能化转型趋势下，企业部署AI项目的需求正经历着变化，对数据质量、模型生产周期、模型自学习水平、模型可解释性、云边端多样部署方式、人力成本及资金投入、投资回报率等的要求都逐步走高。在上述需求特点及自动机器学习、AI芯片硬件架构等技术发展的共同推动下，AI基础层资源的整体效能水平也在不断进化，以有效降低需求企业的AI开发成本。大致涵盖相互交融的三个阶段：雏形期，算法/算力/数据各模块多为粗放式的单点工具，新兴产品及赛道逐步出现；快速发展期，各赛道活跃度显著提升，参与者积极探索产品形态与商业模式，基础层服务体系逐步完善、资源价值凸显；最后则向成熟阶段过渡，各赛道内企业竞争加剧，逐步跑出头部企业。同时各赛道间企业生态合作增多，一站式工具平台出现。
基础层初步成型是AI产业链成熟的标志
基础层资源促进AI产业链各环节价值传导顺畅、分工明确
现阶段，已初步成型的AI基础层资源可有效缓解下游行业用户逐渐增长的、从感知到认知多类型的AI应用模型开发及部署需求。细看基础层内部，一方面，数据资源、算力资源和算法开发资源三者之间的分工更为明确和有序。数据基础服务及治理平台企业为AI产业链供应数据生产资料；智能计算集群产出高质效的生产力；智能模型敏捷开发工具则负责模型开发及模型训练等，输出AI技术服务能力，提高AI应用模型在各行业的渗透速率与价值空间。另一方面，基础层厂商的数量保持增长、厂商业务范围持续扩大，可提供专业定制化或一站式的基础资源服务。由此，基础层完成AI工业化生产准备，通过直接供应和间接供应的形式，将基础层资源传送到下游的AI应用需求端，产业链向顺畅的资源输送及价值传导方向演进。
AI基础层解决人工智能生产力稀缺问题
基础层资源缓解甲方在对待人工智能投资上的“矛盾”
根据艾瑞2020年执行的CTO调研，2019年超过51%的样本企业AI相关研发费用占总研发费用比重在10%以上，2020年65.9%的企业AI研发占比达到10%以上。一方面是甲方企业不断增长的对智能化转型的强劲需求，一方面则是在AI应用开发与部署过程中企业普遍面临的数据质量(49%)、技术人才(51%)等基础资源配置难点。且目前只有少数企业可以完成AI项目实施前设定的全部投资回报率（ROI）标准，因此甲方企业在投资AI项目时相对审慎。AI基础层资源则可有效缓解甲方利用AI技术重塑自身业务时的投资矛盾，提升模型生产效率，降低部署成本：数据资源集群具备数据采标与数据治理能力，且一站式的数据平台可对实时数据进行统一管理，提高数据利用率；高效的AI算力集群与调度系统可满足模型训练与推理需求，降低总拥有成本（TCO，TotalCostofOwnership）；基于算法开发平台演化出的语音识别、计算机视觉、机器学习等专业的AI模型生产平台，可提供高效、一站式的AI模型生产服务。
人工智能基础层产业图谱
人工智能基础层市场规模
AI企业业务突破、智能化转型趋势等多因素驱动产业规模增长
AI企业突破业务增长瓶颈的需求是人工智能基础层发展的驱动力之一。当前人工智能核心产业规模保持线性增长态势，且增速趋于平稳与常态化。为寻求产值增长突破点，AI企业发力探索开拓市场的有效手段。依托人工智能基础层资源建设，AI企业可有效应对下游客户的长尾应用需求，再将高频应用转化为新主营业务。此外“新基建”、半导体自主可控等相关政策扶持、传统行业智能化转型等因素也都在助推人工智能基础层资源的发展。据艾瑞测算，2021-2025年，人工智能基础层市场规模CAGR为38%，整体产业规模发展速度较快、空间较为广阔，总体呈现持续增长的走势。2020年，中国人工智能基础层市场规模为497亿元，为人工智能产业总规模的33%，市场规模相较去年同比增长76%，AI应用模型效率化生产平台创收增长、AI芯片市场规模随着云端训练需求出现较高增长等是同比增速的主要拉动力；2021-2024年同比增速趋于平缓下降，市场开始恢复稳步增长态势。到2025年，中国人工智能基础层市场规模将达到2475亿元，云端推理与端侧推理芯片市场持续走高使得人工智能基础层整体市场同比增速稍有抬升。
算力：超算/数据中心的存量与增量判断
从算力需求与节能减排规定看存量替换与增量增长
现有的超算/数据中心以建设单位为标准，可分为两类：1）以国家或地方为建设单位的G端超算中心，服务对象主要为国家牵头的重点科研单位、高校研究院等，此类超算中心是解决国家安全、科学进步、经济发展与国防建设等重大挑战性问题的重要手段，近两年受国家与地方的高度重视与扶持，建设与升级超算中心的趋势愈加明朗。但由于数据网络安全与计算精度要求高，建设周期较长，此类超算中心的数量在中短期内增长缓慢，长期来看则会成为替换存量与增量增长的贡献主力之一。2）以智能云厂商或IDC服务商为建设供应主体的B端超算/数据中心，为互联网公司、其他类型的企业或事业单位提供主机托管、资源出租、增值或应用服务，是存量与增量市场变化主要推力。
从市场变化趋势来看：1）存量市场：日渐增加的AI计算负载需要处理力更强、能耗承受度更大的数据中心，同时，一系列有关控制数据中心PUE值的节能审查规定相继出台，一味盲目扩建、新建数据中心已难合时宜，促进老旧数据中心绿色化改造的减量替代方案因此诞生。微型、中小型数据中心会逐渐被改造为集约型的大型数据中心，符合节能减排相关标准、机柜数量与异构组合增多的集约型超算/数据中心将在存量市场中占据主流。2）增量市场：考虑到边缘计算可分担AI计算任务、兼具低延时优势，管理边缘计算中心则需要布局相应的大型云端数据中心，故增量市场会被异构的边缘计算数据中心与云端超算或大型数据中心扩充。
算力：云化AI算力
开放共享虚拟AI算力资源，实现AI模型海量训练与推理
AI是一种高资源消耗、强计算的技术，AI算力的强弱直接关联到AI模型训练的精度与实时推理的结果。若企业独立部署AI算力，不仅需要建设或租用机房这类重资产与网络宽带资源，还需要购置物理机、内存、硬盘等硬件设备，而且购置设备存在采购周期不确定、硬件资源过度铺张、专业管理团队缺乏等问题。所以，独立部署AI算力资源是一项耗时耗力的工作。将AI算力云化是一种高效能、低成本的有力解决方案。具备先天性业务优势的云服务商搭建数据中心，先将AI服务器算力资源虚拟化，开放给AI模型开发者，做到按需分配，如给短视频业务的开发者优先配备CPU+GPU方案，而后对算力资源的调度工作进行统一管理。由此，“物美价廉”的算力有序注入各行各业的AI模型中，减轻了井喷式数据爆发所带来的模型训练负担，并能及时根据用户使用情况弹性扩充或缩减虚拟算力资源空间，达到方便、灵活、降本增效的效果。
算力：端-边-云的算力协同
端-边-云实现AI算力泛在，加速AI模型训练与推理
在人工智能与5G等技术的冲击下，设备端产生大量实时数据，若直接上传到云端处理，会对云端的带宽、算力、存储空间等造成巨大压力，同时也存在延时长、数据传输安全性等问题。因此，为缓解云端的工作负载，云计算在云与端之间新增了若干个边缘计算节点，从而衍生出端-边-云的资源、数据与算力协同。在算力协同的业务模式下，靠近云端的云计算中心承担更多的模型训练任务，贴近端侧的各设备主要进行模型推理，而二者之间的边缘侧则负责通用模型的转移学习，帮助云端分散通用模型训练任务、处理实时计算的同时，也解决了终端算力不足、计算功耗大的难题。未来，边缘计算的发展会催生出更适宜边缘计算场景的算力集群异构设计，其异构化程度将会高于传统的数据中心，异构设计的突破将会进一步提高端-边-云的整体计算效能，进而加速AI模型的训练与推理。
算力：AI芯片市场规模
当前以训练需求为主，推理需求将成为未来市场主要增长动力
AI芯片是人工智能产业的关键硬件，也是AI加速服务器中用于AI训练与推理的核心计算硬件，被广泛应用于人工智能、云计算、数据中心、边缘计算、移动终端等领域。当前，我国的AI芯片行业仍处于起步期，市场空间有待探索与开拓。据艾瑞统计与预测，2020年我国AI芯片市场规模为197亿元，到2025年，我国AI芯片市场规模将达到1385亿元，2021-2025年的相关CAGR=47%，市场整体增速较快。从AI芯片的计算功能来看，一开始，因AI应用模型首先要在云端经过训练、调优与测试，计算的数据量与执行的任务量数以万计，故云端训练需求是AI芯片市场的主流需求。而在后期，训练好的AI应用模型转移到端侧，结合实时数据进行推理运算、释放AI功能，推理需求逐渐取代训练需求，带动推理芯片市场崛起。2025年，云端推理与端侧推理成为市场规模增长的主要拉动力，提升了逐渐下滑的AI芯片市场规模同比增速。
算法：智能模型敏捷开发工具商业价值分析
API规模经济+AI应用模型效率化生产平台的杠杆增效
智能模型敏捷开发工具的出现与驱动AI业务的外因以及企业自身的内因紧密相关。从外因看，规模化多场景的业务不断衍生出长尾需求，原有的应用需及时更新；从内因看，囿于开发企业有限的经营成本与AI技术人才，其资源主要投放到现阶段的主营业务，现有人员难以推动业务的智能化改造。对此，可有效解决AI应用模型设计与开发过程中通用或特有问题的智能模型敏捷开发工具逐步成为备选方案。AI开放平台与AI应用模型效率化生产平台作为其中的代表性工具，不仅能减少由0到1的开发成本，而且可降低人工智能市场的参与门槛，提升开发效果。AI开放平台属于API资源的一种，其可帮助技术领先企业开放AI能力与先进资源，从而延伸价值链，形成规模经济与长尾经济，利用开发者的创新应用来反哺开放平台。AI应用模型效率化生产平台可提供较为前沿的技术、经济合理的模型生产经验以及为实现敏捷开发而打包的数据、算力与算法资源。具体而言，其采用自动机器学习技术，很大程度上降低了机器学习的编程工作量、节约了AI开发时间、减轻了对专业数据科学家与算法工程师的依赖，让缺乏机器学习经验的开发者用上AI，加快开发效率。
算法：智能模型敏捷开发工具增长模型
API与定制方案共拓产业广度与深度，AI柔性生产贴近需求
在人工智能产业发展的过程中，智能模型敏捷开发工具可持续拓宽与深挖AI业务的广度和深度。从广度讲，AI开放平台形成平台效应，调用平台API的开发者聚集创新，针对不同业务场景的开发成果数量逐渐增多，提高了技术产品的利用率，打造出轻量化的输出模式、降低单位开发成本，并且构建出动态更新的服务池；与此同时，一站式AI应用模型效率化生产平台逐步填充因场景多元化而衍生出的长尾业务模型，丰富模型供应市场的种类与数量。从深度讲，二者均从业务前端发掘潜在或外显的市场需求，针对刚需应用与高价值环节延伸出多条增量建设与运行需求业务线，瞄准市场风口的同时，敏捷、经济地消化个性化或碎片化需求，根据需求柔性匹配生产。
算法：AI技术开放平台市场规模
产业受API经济带动，主要收入贡献来源为计算机视觉类
随着数据量与AI算力的提升，可落地的场景与算法的交互变得愈加频繁，二者结合开发出的AI应用模型就需要更大量地通过API调用AI技术开放平台的AI技术能力。据艾瑞统计与预测，2020年我国AI技术开放平台市场规模为225亿元，到2025年，相应规模可达到730亿元，2021-2025年的相关CAGR=26%。受API经济兴起的影响，2020年市场规模同比增速走高较快，2021年下滑后恢复平稳态势。按AI技术能力划分，计算机视觉类与语音技术类收入占比达72.2%，是收入的主要贡献来源。人脸识别、人体识别、OCR文字识别、图像识别等构成了计算机视觉类业务的主要技术能力，且计算机视觉类的技术价格相较于其他技术而言更高，应用领域也更为广泛。现阶段的市场集中度相对分散，未来，能持续投入成本、研发出强劲算法的厂商有望占领更多的市场份额，市场集中度亦会因此提升。
算法：AI应用模型效率化生产平台市场规模
集成式的模型开发工具包，产业恰逢伊始，前景有待开拓
AI应用模型效率化生产平台是全栈式的、可实现流水线开发的AI应用模型生产工具。假若每次开发模型都需要算法工程师单独完成从生产到上线的全流程搭建，就会导致很多时间的耗损与AI模型开发成本的浪费。集成了数据、算法与算力的相应开发工具的模型开发工具包——AI应用模型效率化生产平台应运而生。据艾瑞统计与预测，2020年我国AI应用模型效率化生产平台市场规模为23亿元；到2025年，相应规模可达到204亿元，2021-2025年的相关CAGR=49%。2020年，AI应用模型效率化生产平台相关业务拓展相对较快、产品恰逢创收伊始阶段，故同比增速增幅较快。与此同时，因参与技术门槛偏高，具备能力的厂商较少，市场尚未形成稳定状态，市场集中度偏高。
数据：人工智能数据基础服务定义
以AI训练与调优为目的提供的数据采集、标注与质检等服务
人工智能基础数据服务是指为各业务场景中的AI算法训练与调优而提供的数据库设计、数据采集、数据清洗、数据标注与数据质检服务。整个基础数据服务流程围绕着客户需求而展开，最终产出产品以数据集与数据资源定制服务为主，为AI模型训练提供可靠、可用的数据。数据采集、数据标注与数据质检是较为重要的三个环节。数据采集是数据挖掘的基础，提供多源的一手数据和二手数据；数据标注对数据进行归类与标记，为待标注数据增加标签，生产满足机器学习训练要求的机器可读数据编码。数据质检为数据的客观性和准确性设置检验标准，从而为AI算法的性能提供保障。AI基础数据服务商可着重在以上三个环节建立壁垒，以巩固行业地位。
数据：AI基础数据服务市场规模
行业规模稳步向前，图像、语音类内容继续向新兴场景开拓
高质量的数据是提高AI应用模型训练速度与精度的必要准备之一，而行之有效的AI基础数据服务又为提高数据质量奠定了坚实的基础。因而，提供通用化、精细化、场景化的AI基础数据服务才能满足日渐增长的AI应用模型训练需求。据艾瑞统计与预测，2020年我国AI基础数据服务市场规模（含数据采集与标注）为37亿元，到2025年，相应规模可达到107亿元，2021-2025年的相关CAGR=25%，整体增速呈现稳步提升的趋势。从市场细分收入结构来看，图像类与语音类收入占总收入规模的88.8%，是业务的主要构成部分；图像类与语音类收入基本持平，图像类业务以智能驾驶与安防为主，而语音类业务以中英大语种、中国本土方言以及外国小语种为主。目前，行业中也相应地分成了以图像类或语音类为主的供应商阵营，各类供应商将会继续立足于主营业务，深挖现有应用场景的业务细分需求，从而带动未来收入的增长。
数据：面向人工智能的数据治理定义
产生于业务，围绕于AI，追溯于治理
在大数据时代背景下，金融、零售、公安、工业等不同行业的业务场景衍生出诸多应用，多元的AI模型开发需求因此产生。AI模型开发的原材料是数据，但在挖掘模型数据时，往往面临模型与数据无法拉齐的问题，所以需要溯源到前置环节，从一开始就把数据治理的工作做好，面向AI的数据治理这一概念也就由此出现。面向AI的数据治理是指，以具体业务产生的AI模型开发与训练为目的，使用各个数据组件与人工智能技术，对数据进行针对性与持续性的诊治与管理。相比于传统的数据治理，其更新了数据接入、数据汇聚、数据分析的功能，并新增了AI模型开发与应用组件，以应对海量实时数据迸发、模型需及时对接数据等情形。面向AI的数据治理的特点在于，其对接企业现有的数据、积累新的AI数据而非重新进行AI数据的数据库建设，而且提供针对实时数据的处理办法、优先解决业务落地的困难，并持续挖掘具体业务的数据资产价值。
数据：面向AI业务的数据积累与治理模型
锚准方向，双轮驱动为智能化转型速度与质量赋能
在大数据应用的驱动下，具有相当数据规模的企业的多条业务条线往往会产生大量的结构化与非结构化数据，愈加需要企业内部的数据及时融通，但企业不可能完全抛弃现有的数据库系统、更换一套完全符合面向AI业务开发的数据治理系统；另一方面，智能化转型浪潮推动着企业的AI应用开发需求增长，但数据开发缺少统一标准、数据与业务场景割裂，让面向AI的数据治理的工作面临两难的局面。对此，艾瑞认为面向AI的数据治理并非完全舍弃已有的数据治理结构，而是在原有的基础上，进行数据治理结构的改造，让治理工作更多为AI开发服务，从而完成AI业务数据的积累。面向AI的数据治理工作完成后，才能驱动AI应用模型开发高效、高质运行，而模型开发反过来会为面向AI的数据治理工作提供指导。业务系统与数据系统像两个锚准工作方向的齿轮，共同滚动。符合业务场景需求的AI应用模型、MLKGNLP等AI技术加速促进两个齿轮的转动，使企业的业务系统运转效率向高质高效发展，为企业带来更可观的智能化转型业务发展速度与业务服务质量。
数据：面向AI的数据治理市场规模
存在数据中台带来的业务冲击，后期恢复稳步爬坡态势
在数字化转型与智能化转型的大趋势下，数据治理工作一般伴随着数据中台的搭建以及AI应用模型的开发而展开。数据治理属于数据中台的构成组件，数据治理的工作与服务则属于数据中台建设、运营与维护中不可缺少的环节。与此同时，以AI应用模型所需的数据标准去治理数据，结合AI技术提升数据的可用度与模型的训练效率，才能够更好更快地为人工智能业务前端服务，改善供应商的业务流程与消费者的消费体验。据艾瑞统计与预测，2020年我国面向AI的数据治理市场规模为14亿元，到2025年，相应规模可达到50亿元，2021-2025年的相关CAGR=28%。2018年，数据中台概念兴起，其规模在2020年处于爆发点，而数据治理作为数据中台的组件，也于同期迎来增长爆发点，从而带动面向AI的数据治理。2020年后，数据中台市场规模增速开始降温，数据治理也随之回落，面向AI的应用模型开发业务在该过程中的带动作用有限，故2021年的业务同比增速出现拐点。后期，面向AI的应用模型开发业务的带动效应逐步凸显，规模增速呈现稳步爬坡态势。
一站式基础层资源平台
泛在需求下AI模型生产模式的变迁与资源集成
在人工智能由技术落地应用阶段向效率化生产阶段转变的背景下，艾瑞认为人工智能基础层的各模块工具有望走向集约型的生产模式。该模式主要能赋予开发企业以下价值：1）开发方式改进：从客户需求分析到解决方案部署形成独立的闭环，构建端到端的工作流。在强大算力的支持下，完成数据采集、数据标注、数据治理、数据应用、模型设计、参数调优、模型训练、模型测试、模型推理的全栈式流水线生产。2）管理效率提升：将数据、算法与算力委托给专业的服务商，实现一站式托管，打通三者之间的衔接壁垒，提高交互友好性，让开发者专注于业务。3）部署成本降低：集成数据、算法、算力的各个软件与硬件，企业可在一个平台内按需选择自己所缺失的模块组件并自由搭配，有效避免因采购不同供应商的产品或服务而带来的隐性成本损失与显性成本损失。
基础层全栈自主可控展望
自主可控稳步向前，内外兼修
信创产业涉及到核心技术问题，受到国家的大力扶持。比如，2020年12月，财政部、发改委、工信部等部门就联合发布了《关于促进集成电路产业和软件产业高质量发展企业所得税政策的公告》，文中明确指出：国家鼓励的集成电路线宽小于130纳米(含)，且经营期在10年以上的集成电路生产企业或项目，第一年至第二年免征企业所得税，可见国家对国产芯片的重视。在信创产业稳步推广的的趋势下，人工智能基础层的各模块也在逐个突破“卡脖子”的关键点，朝着全栈国产化的方向迈进。算法模块相对其他两个模块而言，因开源框架协助，算法开发相对容易，但依然面临开源框架商用版限制的潜在风险，同时，使用开源框架难以友好对接到AI企业的业务逻辑，基于这两点，部分企业已开始自研开源框架并取得一定成效；数据模块的各类操作系统与应用软件在较大程度上仍以国外企业为主导，而国产的操作系统与数据库等软件配套设施正在稳步崛起，已存在相应的产品与服务可供客户选择；算力模块的智能服务器的国产化率逐步提升，AI芯片虽然仍以英伟达的GPU为主导，但国内部分企业开始自研AI芯片，产生了一批针对通用GPU、ASIC与FPGA的先行玩家。总的来说，基础层全栈的自主可控建设还处在萌芽阶段，未来将在“可用”的建设要求上打好根基，向“好用”的状态演变，并且从以政府政策引导为主的局面向以企业产品自由竞争的局面转变。
原标题：《2021年中国人工智能基础层行业研究报告》
阅读原文
人工智能技术在电气自动化中的应用，主要有哪些
1.实现了电气自动化系统的保护和控制功能
当前，人工智能技术的应用实现了对模拟量数据、开关量的自动化、实时动态处理和采集，并且根据系统的设计要求，批量化地定时进行存贮和整理，同时应用图像生成软件，模拟电气自动化系统的实际运行情况，工作人员可直观地看到断路器、隔离开关、电压、电流等设备和参数的变化[3]，工作人员结合电气自动化系统实际运行要求，编制专业图表，分析相关数据，在这个过程中需注意由于画面和图片所占的电气自动化系统资源比较多，因此应充分考虑到电气自动化系统控制端设备的运行性能和对软件系统的要求，防止控制终端由于采集大量图像占用大量资源，消耗运算资源，影响电气自动化系统中其它程序的正常运行。另外，电气自动化系统的操作控制，工作人员可通过鼠标或者键盘远程控制断路器和隔离开关，自动调整励磁电流，修改或设定在线参数，提高电气自动化系统运行的可靠性和稳定性。
2.诊断电气故障
电气自动化系统实际运行过程中，传统诊断技术的效率和准确度较低，并且系统中变压器、发电机、发动机等设备故障频繁发生，以往工作人员多是分析变压器油的气体，结合油样气体成分判断是否发生故障，这种诊断方法的时效性较差，需耗费大量人力和时间。由于电气自动化系统的很多故障和事故都具有不确定性和突发性，系统故障和问题必须在第一时间快速进行解决，若诊断处理方法不合理或者故障处理不及时，会给国家、社会和企业造成巨大损失。而在电气自动化系统中应用人工智能技术，运用专家系统、模糊理论和神经网络，实现对电气自动化系统的实时控制，一旦发现系统故障，自动进行故障诊断，极大地提高电气自动化系统故障诊断的效率和准确性。
3.提高电气控制有效性
人工智能技术在电气控制中也发挥着非常重要的作用，电气控制系统的安全、稳定运行是很多企业面临的难题，并且电气控制对于工作人员的操作控制的标准性和规范性有着很高的要求，而具体的操作控制步骤也比较复杂麻烦，因此我国专家学者一直致力于不断提高电气控制系统的操作控制水平。在电气控制中应用人工智能技术，其利用自动化计算和计算机系统，代替工作人员完成某些工作，最大程度地减少了人为误操作，极大地提高了操作控制准确性。同时，人工智能技术在电气控制系统中的应用，应用直观明了的界面化形式，简化了电气系统的操作和控制流程，基于计算机网络系统，实现对电气系统某些环节的远程控制操作。另外，实时地储存电气控制系统重要资料和信息，为日后查询提供便利，人工智能技术可自动生产报表，减少财力、物力和人力等资源的投入，有效提高电气控制系统的精确度和工作效率。电气控制系统中应用人工智能技术主要包括模糊控制、神经网络控制、专家系统控制等多方面内容，电气控制系统中的交流和直流传动通过模糊控制来实现，用模糊控制器代替常规的调速控制器，确保电气控制的准确性。
4.提高电气设备设计水平
电气设备设计是一项专业、复杂的系统工作，设计人员需要熟练掌握电机电器、电磁场、电路等学科专业知识，还需积累丰富的电气设计经验。传统的电气设备设计主要是工作人员在实验室根据相关设计要求手动的设计制作，一旦电气设备产品成型很难再进行修改或者优化，不仅维护管理比较麻烦，而且难以获得最佳的设计方案。随着计算机技术的快速发展，电气设备产品的手工设计已经无法满足电气系统发展要求，而应用人工智能技术可利用计算机系统进行辅助设计，如使用二维三维CAD，可根据设计要求随时对设计方案进行修改和优化，有效缩短了电气设备产品开发周期。同时，电气设备产品设计中应用遗传算法，优化电气设备性能，由于电气设备故障具有非线性和不确定性，通过应用人工智能技术，可建立设备故障和运行状态之间的关系，提高电气设备设计水平。
近年来，计算软件技术、微电子技术的快速发展，促进了人工智能技术的发展，被广泛地应用在各种领域。电气自动化中应用人工智能技术，充分发挥了人工智能的多方面优势，有效提高了电气自动化系统运行的安全性和可靠性。人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：1.人工智能时代，AI人才都有哪些特征？http://www.duozhishidai.com/article-1792-1.html2.大数据携手人工智能，高校人才培养面临新挑战http://www.duozhishidai.com/article-7555-1.html3.人工智能，机器学习和深度学习之间，主要有什么差异http://www.duozhishidai.com/article-15858-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站