來源：原文刊載于《機床與液壓》2022年5月?

作者：唐露新 張儒鋒 姜德志 林建文 周書興

近年來，智能制造是很多工業發達國家積極推進和重點發展的領域，美國、歐洲和日本等都將目光轉向人工智能等核心技術，并不斷取得新的突破和應用。2016年，美國發布了《國家人工智能研究和發展戰略計劃》和《為人工智能的未來做好準備》等重要報告，前者提出了投資、人機協同、社會、安全、培訓測試、標準和人才等7個人工智能領域的戰略方向，后者從政府與治理角度探討人工智能的挑戰與治理問題。美國2020—2021年財務預算優先智能和數字化制造，特別是結合工業物聯網、機器學習和人工智能的制造系統等領域。

2017年，德國發布“工業4.0”，并提出面向經濟的人工智能戰略，啟動開發和應用“學習系統”計劃，使工作和生產更加靈活和節省資源，從5個方面推進數字策略，期望德國在2025年成為人工智能領軍者。2018年，歐盟發布《人工智能協調計劃》，制定了投資、研究應用、人才、數據、倫理、公用和合作等7項具體行動，希望使歐洲成為人工智能開發應用的領先者。日本人工智能發展規劃稍遲一些，由人工智能技術戰略委員會、總務省、文部科學省以及經濟產業省負責人工智能規劃，2017—2019年相繼出臺《人工智能技術戰略》《人工智能技術戰略執行計劃》《人工智能戰略2019》等戰略計劃，以本國優勢及社會問題為導向的發展思路，主要集中在工業、醫療和交通等三大領域。

2017年，我國發布《新一代人工智能發展規劃》，提出了面向2030年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施，部署科技創新體系、產業、社會、軍民融合、基礎設施和重點科技項目等6項重點工作，投資1500億發展人工智能產業，加快建設創新型國家和世界科技強國。隨后發布《促進新一代人工智能產業發展三年行動計劃(2018—2020年)》，并在《“十三五”國家科技創新規劃”》《“十三五”國家戰略性新興產業發展規劃》以及“科技創新2030－重大項目”等規劃文件中，都將人工智能列入發展重點，充分體現了我國政府發展人工智能的決心和魄力。

在人工智能戰略布局和時間起點方面，美國、德國、中國和日本都差不多，但相對政府層面而言，中國的規劃、支持和執行力度更大，其中工業領域人工智能的應用是美國、德國、中國和日本等國家智庫和高科技公司高度關注的焦點，成為公認的提升制造業整體競爭力的國家戰略。

對于近年來國內外人工智能的發展狀況有很多報告，其中包括國家智庫層面和企業民間層面的，評價體系也各有不同，因此也只是一個側面反應。針對1990—2019年中美德英日韓等六國，對比產業核心技術專利數量，中國在產業人工智能方面前進步伐較大，如圖1所示。浙江大學顧國達等構建了一個系統全面的人工智能評價指標體系，涵蓋人工智能的環境支撐力、知識創造力、產業競爭力3個主要評價領域，2個具體指標，既可從整體掌握經濟體人工智能的綜合實力，又可從多維度對人工智能的發展成效進行國際比較和動態追蹤。利用2010—2018年人工智能領域的數據，對中國、美國、歐洲、日本、韓國和加拿大等6個代表性經濟體的人工智能發展水平進行測度，雖然整體水平呈現上升趨勢，但增速并不穩定，各經濟體間相對差距逐步擴大，中國已進入國際領先集團，發展潛力巨大，但產業競爭力領域與美國差距不小，人力資本和企業經營等重點領域的短板亟須彌補。

圖 1 人工智能產業核心專利數和國家分布示意

在2020年7月世界人工智能大會云端峰會開幕式上，工信部部長苗圩致辭:“整體來看，我國人工智能產業發展勢頭良好，技術創新日益活躍，產業規模持續壯大，與行業融合應用不斷深入，發展前景可期。”

1 工業人工智能系統框架

人工智能概念是1956年在美國達特茅斯學院人工智能研討會上提出的。人工智能是計算機科學或智能科學的分支，主要研究用機器和算法模仿和執行人腦的某些思維和智力功能，期間經歷了計算智能、感知智能和認知智能等3個發展階段。通過不斷演進，特別是腦科學、超級計算、大數據、工業互聯網、視覺檢測等領域的新理論新技術取得的突破和進展，使得人工智能發展突飛猛進。人工智能可以替代勞動、增加勞動供給;賦能一、二、三產業，提高生產效率;創造消費者剩余，提高社會福利;賦能政府、提高政府效率，矯正失靈，具有顯著作用。

人工智能也不斷推進到工業領域。工業人工智能是指利用人工智能技術改造工業的生產方式和決策模式，達到系統性的降本、增效、提質的作用，是當前工業發展的重要趨勢，其實質是實現設計模式創新、生產智能決策、資源優化配置和生產過程智能感知等創新應用，使工業系統具備自感知、自學習、自執行、自決策、自適應的能力，以適應復雜多變的工業環境，完成多樣化的工業設計生產任務，提高生產效率和產品質量。工業人工智能成為公認的提升制造業整體競爭力的國家戰略。

工業人工智能集成了人工智能、工業互聯網、大數據、云計算和信息物理系統等新科技，使得工業生產運行更加靈活、高質量、高效率和節能，其應用前景廣闊。阿里云強大的人工智能“工業大腦”集成了設備數據、產品生命周期數據以及相關數據等，與行業知識機制相融合，形成以數據、算力和算法三者融合為核心的智能制造技術體系，實現工業生產的降本、增效、提質和安全。

當前產品生產所得利潤不僅與制造本身相關，還與市場環境和產品定位相關，將來的工業人工智能技術會涉及更多產品制造相關因素。本文作者研究的人工智能技術結合工業制造的應用關系如圖2所示。

圖2 工業制造過程人工智能技術應用框架示意

工業人工智能包含產品市場需求、物流、生產和產品銷售等環節，其中涉及內容包括:在生產時具備的條件包括人員配置與素質、設備情況、環境氣候與溫度濕度、各種實時匹配的物料以及動態能源消耗等;生產過程主要有幾個關鍵環節，包括各種相關工藝、精細化的生產管理、工業互聯網、物流計劃調度、能效和環保的要求等;生產過程中提取的工業大數據，再應用人工智能技術對生產過程進行有效控制，其中的關鍵技術包括人工智能的硬件、建模、決策、預測、數據、傳感和檢測等，最后形成高效和高質量的產品，以產生良好的經濟效益和社會效益。目前工業人工智能還沒有形成市場和產品鏈的整體應用，只是在個別環節和技術上有些相關的成功探索，主要包括生產過程控制、設備故障診斷與健康預測、對象與質量檢測、物料庫存管理、生產效益分析等。

2 工業人工智能關鍵技術

本文從實際應用角度將工業人工智能的關鍵技術分為硬件、傳感、檢測、數據、建模、決策、預測。

(1)硬件

人工智能必須依靠算力、算法和數據，這些需要硬件為基礎，必須具備專門的圖像、語音等處理能力強、運算速度高的硬件。在分散處理、現場傳感檢測時，通常采用專門的人工智能(AI)芯片作為底層硬件，通常稱為邊緣計算網關。AI芯片按架構體系分為通用芯片CPU和GPU(圖像處理單元)、半定制芯片FPGA、全定制芯片ASIC和模擬人腦的新型類腦芯片;按照應用場景可分為訓練芯片、推斷芯片、終端計算芯片等。人工智能先采用訓練芯片訓練數據得出核心模型，接著利用推斷芯片對新數據進行判斷推理得出結論，模型和推理也可以從已有的SDK(軟件工具開發包)中獲取，終端計算芯片主要采用簡單實時性能的邊緣計算控制輸出。

(2)傳感

人工智能場景中面對豐富多樣和大量的各種數據及相關技術，其中絕大部分數據來源于傳感器。傳感器能將被測量的各種信息轉變成相關數字信號，通常需要將電量、物理量、生物量、視覺、味覺、聽覺等進行感知，涉及到感知的精度、速度等。一種新型傳感器的發明，往往可以開發出相應的儀器裝置。傳感器分為常規傳感器和智能傳感器:常規傳感器可以直接采集轉換處理壓力、溫度、流量、電壓等信號;智能傳感器是具有信息處理功能的傳感器。智能傳感器帶有微處理機，具有采集、處理、交換信息的能力，是傳感器集成化與微處理機相結合的產物。與一般傳感器相比，智能傳感器通過軟件技術可以實現低成本、高精度的信息采集，具有編程自動化、功能多樣化等顯著特點，已廣泛應用于各種視覺、聽覺、物理量和電量等傳感檢測。

(3)檢測

工業人工智能系統的各個環節涉及供應鏈、產品生產質量、設備狀態、能耗、生產環境等，這些需要大量的生產前期各種基礎、生產物流、設備和環境等外界狀態感知數據收集，并進行數據融合分析。這些檢測的精度、速度、可靠性、分析能力等性能以及價格決定了生產應用的基礎。目前成品和部件從離線集中式檢測，逐步轉變為加工在線、實時、嵌入到生產線及設備內部的檢測;從獨立的感知和檢測轉變為多傳感器、多元異構數據的融合分析;從當前數據狀態轉變為數據標準化和溯源。檢測延伸就包含了診斷，當生產過程異常導致產品質量下降或者事故時，利用傳感器采集關鍵設備、生產線運行以及產品質量等獲得各種智能檢測數據，進行自動特征提取，采用大數據分析、深度學習等方法進行高精度智能診斷及溯源。

(4)數據

人工智能是建立在強大數據分析基礎上的，現在計算機的大容量、高速運算能力和網絡云平臺給大數據應用提供了極大的可行性和便利性。大數據通常用來形容各行各業運行過程中發生的大量不同時序、多元異構的數據，往往看起來這些數據關聯性不夠緊密，在關系型數據庫中分析時需要花費大量時間和資源進行處理。大數據不只是數據量大，而且數據種類多。要求實時性強。數據所蘊藏的價值大。各行各業均存在大數據，但是眾多的信息和咨詢是紛繁復雜的，需要搜索、處理、分析、歸納、總結其深層次的規律，獲得規律性、有用的數據。

(5)建模

建模是認識生產過程對象和控制方法的最基本環節，不同產品、生產過程和控制要求涉及的模型差異較大，甚至難以找到相關的模型。特定模型包含工業生產過程的機制與知識，表達了生產設備、工藝參數、原材料和產品質量效率間的映射關系，設備或關鍵部件的退化機制，產線運行狀況和工序之間的耦合關系。人工智能控制對象更加復雜和多樣，往往是多輸入多輸出的多變量系統、非線性系統、時變系統。要求控制系統更快、精、復雜時，必須采用狀態空間法、離散模型、人工智能等理論進行建模和控制。

(6)決策

決策包括優化、調度和控制等。由于產品、工藝和設備等不同，決策的方式差別很大。復雜工業生產通常由多工序、多臺套設備和不同加工要求組成，涉及實時市場信息、生產條件以及運行工況，企業目標、計劃調度、運行指標、生產指令與控制指令一體化優化等，需要協同企業管理者和生產管理者的知識并進行智能化處理。以ERP和MES變革為人機合作的管理與決策智能化系統，利用監測設備和產線運行狀態的數據，借助智能優化算法，協同調度各個生產工序，控制相關的生產設備和工藝環節，實現生產全流程的產品質量、產量、消耗、成本等綜合生產指標控制，保證生產全流程的整體優化運行決策。自主智能控制系統感知生產條件變化，相互協同，解決多目標沖突、干涉和多尺度現象，兼顧各種因素和權重影響，制定相應的優化決策目標，實現制造與生產全流程全局優化。

(7)預測

預測技術分為模型方法和數據驅動方法，在預測性維護、需求預測、質量預測等方面應用廣泛。預測大多用于智能制造中設備維護，但是預測對工業生產整體或者其他關鍵環節的作用更加重要，比如產品成本價格和質量的趨勢、產品原材料成本和質量的趨勢、產品銷售方式和市場趨勢等，這些比起設備維護的預測可能更加重要。比如最近缺芯事件對汽車產業的影響、原材料漲價對產品的影響等，其影響遠遠超過制造產品效率的提升。大數據技術、云服務技術和人工智能技術的快速發展促進了預測技術不斷提升。

預測性維護可利用工業設備運行數據和退化機制經驗知識，預測設備剩余正常工況使用時間并制定維修策略，從而實現高效安全運行。需求預測根據廠商歷史訂單數據、市場預測及生產線運行狀況，調節原料庫存、指導生產出貨進度，進行風險管理并減少生產浪費。質量預測通過產線、原料狀態及相關生產數據分析產品質量，并將生產流程調整為最佳產出狀態以避免殘次品，數字孿生技術可以有效促進質量預測。

3 工業人工智能典型應用

工業人工智能已在部分領域進行應用，取得較好的效果，包括智能制造體系途徑、傳感與檢測、設備維護預測，協作機器人、智能化生產等。

(1)智能制造體系途徑

工業人工智能由相關的技術體系、途徑與標準化方法架構所組成，李杰、柴天佑等提出了一些系統性的方法來實現人工智能生產體系，并命名為工業人工智能，其核心技術包含數據技術、分析技術、平臺技術與運籌技術。CPS的5C架構則作為實現這個閉環功能框架，5C分別代表智能感知層、智能分析層、網絡層、智能認知層、智能決策與執行層。CPS集成計算、通信與控制于一體，其意義在于將物理設備連接到互聯網上，讓物理設備具有計算、通信、精確控制、遠程協調和自治等五大功能。研制面向特定應用領域的工業人工智能系統，使系統的適應性、自主性、效率、功能、可靠安全、感知認知準確性、決策與控制精準優化遠超以往的系統。

(2)傳感與檢測技術

工業人工智能需要使用大量傳感器獲取信息數據，在人工智能和一些獨特的需求下，常規的傳感器的處理速度和能力達不到要求。而人工智能傳感器能夠學習使用環境、習慣、感知，能夠自我測試、驗證、適應和識別，可以智能分析處理、提供對應的運算，挖掘、保存和傳輸用戶需求的數據。

目前應用最多、最有特色的是工業人工智能視覺傳感器，已經逐漸形成規模化的產業，2D向3D的轉變、靜態圖像到動態影像的第四次視覺技術突破，主要包含3D視覺、嵌入式視覺和多元化硬件加速等三大類技術。3D視覺采用了雙目視覺、結構光、ToF技術、線激光掃描技術、光譜共聚焦等技術，主要用于尺寸檢測、定位引導、場景識別;嵌入式技術將用于實現圖像處理和深度學習算法的AI模塊集成至工業相機，實現邊緣智能控制;多元化硬件可以集成GPU、CPU、FPGA和SoC硬件一起，大大加快了深度學習算法和圖像處理的速度，減少了實現的難度。

在各種形狀識別、產品與零部件的尺寸、外觀、顏色、光潔度和場景識別等高速檢測中，大大提高了檢測的精度和速度，特別在人臉圖像、復雜結構件等對象檢測中，顯示出巨大潛力。

(3)設備維護預測

使用預測平臺對設備的剩余壽命進行預測，該方法要求對設備狀態和運行過程進行持續監控，分析歷史數據(例如機器學習技術)、完整性因素(例如視覺檢測顏色和形狀、磨損、成分、聲音等)、統計推斷方法和工程方法的推理，所以這種方法可以預測設備早期故障，并提供解決方案。機器學習具有強大的數據處理能力，可廣泛應用于故障診斷與壽命預測等領域。基于機器學習的剩余壽命預測方法是預測性維護方法的一個重要分支，能夠較為準確地對剩余壽命進行預測，成為維護策略評估的重要指標。

西門子推出基于工業大數據分析的預測性維護軟件SiePA，在對工廠歷史運行數據進行深入分析的基礎上，以人工智能算法為工具，建立了預測性維護系統。ABBAbility船舶遠程診斷系統能實現對電氣系統的預防性連續監測，提供包括故障排除、預防性和預測性服務3個級別的服務，能夠通過更大范圍的預測性監測使服務工程師數量減少70%，維護工作量減少50%。

(4)協作機器人

又稱智能機器人，具有結構靈活性、安全性、感知能力、人機協作、編程方便等特點，充分發揮人類智能及機器人效率，掃除了人機協作障礙;可以大量應用于對靈活性要求較高的密集勞動等場景，協助承擔復雜的手動工序和負重勞動，擺脫護欄或圍籠的束縛。協作機器人國外廠商主要包括ABB、KUKA、FANUC、YASKAWA、優傲(UR)等，國內有新松、遨博、節卡、艾利特、里工等公司。

協作機器人具有視覺、聽覺、力覺和位置等多種傳感器，需要進行機器人動力學建模、外界交互環境建模，采用多種智能控制策略，如柔順控制、協同控制、阻抗控制、協作控制、動態行為控制、認知控制等，可以完成助力、叉車、移動和機床上下料等工作。如無人值守協作機器人，由移動小車和機械臂組成，帶有深度學習視覺模塊，結合XOS人機交互系統，可以替代多個操作工，自動完成加工中心、數控車床、沖壓機、鍛壓機等多臺機床的一系列上下料工作任務，簡單程序切換，能夠節約人工成本，提高生產效率。

(5)智能化生產

中國已經具備較完整的制造業體系和基礎設施，在全球產業鏈中具有重要地位。在智能化生產方面也出現一批典型，從智能設計、智能產品、智能裝備、智能生產和個性化定制、智能管理、智能服務等方面推動企業轉型升級，初步涌現一批典型智能制造示范工程。

山西智奇鐵路設備公司的高鐵輪對智能制造工廠，實現了“設備網絡化，數據可視化，生產過程透明化，生產環節智能化”的智能制造頂層戰略規劃，采用MES核心平臺實現產線智能化，應用RFID管理實現倉庫可視化、透明化，以集控CPS平臺實現生產現場數字化與可視化，并應用AI人工智能檢測與監測、預測維護。

奇瑞捷豹路虎基于5G的智能制造項目完成三大核心系統建設，建立起SAP企業管理軟件與解決方案、MES全功能生產過程執行管理系統、LES物流執行系統和管理模式等一流IT解決方案，建立了企業工業互聯網，產品設計生產生命周期數字一體化，供應鏈上下游協同優化，具有全生產過程能源優化管理，產品全生命周期可溯的質量管控能力，柔性制造的大規模個性化定制，遠程智能運維服務。

中車長春軌道客車的高端軌道交通裝備精益化智能制造項目，以中車長客長春高速制造中心和轉向架制造中心為主，打造高端軌道交通裝備智能制造核心模式，實現制造全過程優化控制、智能調度、狀態監控、質量管控。該模式持續推廣至全球5個國家生產基地，覆蓋軌道交通全車型制造及運維業務，實現快速精準的智能制造管理范式，實現制造全業務鏈條數據貫通和大數據體系分析;創新信息技術手段，助力全球制造精益一體化管理;深化應用高級排程，打通供應鏈整體鏈條;實現生產效率、配送效率、能源利用率、一次合格率較大幅度提升，為企業全球標準化制造業務提供了基礎。

4 工業人工智能技術難點

雖然目前工業人工智能還只在特殊的方面應用，但已經體現良好效果，整體生產過程、關鍵環節的應用還存在很多難點，有很大改善潛力和發展空間，其主要難點在于:

(1)多源異構數據的挖掘與應用

工業生產涉及各行業、不同加工過程、不同環境和不同市場，表現不完全、無標注、無直接關聯樣本的動態特性和多源異構數據。如何利用人工智能深度學習進行完全標注大樣本靜態特性的學習，進而進行歸類、分析、發掘和多維應用;另外需要采用多源數據機器學習，研究現象、問題和效果的知識發現，這些是工業人工智能的基礎和迫切需求。

(2)多目標整體決策與過程優化

其中包含多層次多尺度決策與控制過程集成優化、復雜系統多沖突目標的實施動態求優等。基于各種層次的信息感知，運行決策與控制面向不同時間尺度和空間尺度。制造過程中的智能決策面臨著開放環境、信息不完全、規則不確定等難題。制造過程當中難以建立決策仿真模型，同時最終決策需要權衡質量、效率、消耗和市場等多沖突目標，全局最優解隨生產條件和運行工況變化，控制系統設定值會隨全局最優解變化。

(3)產品生產全產業鏈預測

產品生產最終獲得的是效益，不只是與產品生產的質量和效率有關，往往物流、市場需求更加重要。比如產品原材料和人力資源成本、產品銷售方式和市場趨勢等，這些比起單一的設備維護預測、產品生產質量預測更加重要。比如新冠疫情對相關產業的巨大影響，某些國家對芯片的封鎖造成缺芯事件、對汽車產業的影響，經濟通脹使原材料大幅漲價對產品的影響等，目前這些都難以建立有效的預測模型，實現較準確的預測控制。

(4)智能制造裝備

雖然我國在互聯網、物聯網、大數據、云計算等數字化技術以及5G的應用上有一定優勢地位，但制造最后的執行單元還得是機床設備，我國大部分設備還落后于歐美和日本企業，比如在工業機器人、3D打印、大余量高速切削機床、芯片光刻機、高精度測量測試設備等方面存在很大差距。而工業人工智能對當前世界的裝備則提出了更高要求，必將是一個極具創新的挑戰過程。

5 工業人工智能發展趨勢

從總體上看，目前大部分制造企業仍處于自動化、數字化階段，部分龍頭企業和智能制造試點示范企業逐步開展智能化應用，人工智能與制造業融合還處于起步期。2021年后人工智能在制造業中的6個應用趨勢，現歸納整理如下:

(1)基于深度學習的機器視覺缺陷檢測，可以通過單目和雙目的2D、3D視覺檢測，分析辨別物體屬性、表面特征、立體特征、運動趨勢等。

(2)通過機器學習預測設備故障。采用預測剩余使用壽命模型、預定時間段內預測故障的分類模型、異常檢測模型可以標記設備等方式進行預測。

(3)生產過程的數字孿生技術，生產過程的實時診斷和評估，產品性能的預測和可視化等。可以設計未來產品、模擬其性能。

(4)智能制造的生成設計，其思想是基于機器學習的給定產品的所有可能設計選項，根據約束條件生成獨特設計思想的新產品。具有人工智能的設計生成器和鑒別器，其中生成器網絡為給定產品生成新設計，而鑒別器網絡對真實產品的設計和生成產品進行分類和區分。

(5)基于人工智能的能耗預測與優化。制造商可以估算能源賬單，了解能源的消耗方式，由數據驅動優化生產過程能源消耗。

(6)智能供應鏈。采用機器學習驅動的認知供應鏈管理系統，自動分析庫存、裝運、市場趨勢、消費者情緒和天氣等數據，具有需求預測、運輸優化、物流路線優化、倉庫控制、人力資源規劃、供應鏈安全、端到端的透明度等功能。

結合制造業的發展現狀和工業人工智能的發展目標，指出工業人工智能今后研究方向有:

(1)復雜工業環境下運行工況的多尺度多源信息的智能感知與識別。

(2)復雜工業環境下基于5G的多源信息快速可靠的傳輸技術。

(3)系統辨識與深度學習相結合的復雜工業系統智能建模、數字孿生與可視化技術。

(4)關鍵工藝參數與生產指標的預測與追溯。

(5)復雜工業系統的智能自主控制技術。

(6)人機合作的智能優化決策。

(7)智能優化決策與控制一體化技術。

(8)“端－邊－云”協同實現工業人工智能算法實現技術。

6 結論

傳統人工智能技術較多應用于大量的、感性的日常生活、社會交流、金融等行業，取得良好效果。工業人工智能用于解決特定工業問題，不僅需要采用AI算法和AI系統，還需要將人工智能、自動化、工業互聯網與各種制造領域知識緊密融合。

當前人工智能技術正在飛速發展，也體現出強大的生命力，但是工業人工智能的整體技術、關鍵技術仍處于起步階段，工業和工程界的許多實際難題還沒有得到有效解決，根據社會發展需求、科技創新發展方向，未來研究方向是將工業人工智能方法體系服務實際工業生產并創造更多價值。雖然我國建立了工業人工智能相關的頂層設計與政策引導，在制度層面支撐保障體系也不斷完善，但是工業人工智能需要大批具有跨學科研究能力的創新型科技領軍人才，也需要大批工程技術應用人才。同時需要加快打造工業人工智能示范項目，建設工業人工智能公共服務平臺建設，加快發展工業人工智能單項技術，推動各類人工智能要素向企業數字化領域集聚，加快工業人工智能技術引領，這樣才能使我國在工業人工智能的研究與應用走在世界前列，取得巨大的社會和經濟效益。

未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）大腦研究計劃，構建互聯網（城市）大腦技術和企業圖譜，為提升企業，行業與城市的智能水平服務。每日推薦范圍未來科技發展趨勢的學習型文章。目前線上平臺已收藏上千篇精華前沿科技文章和報告。

??如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”

總結

以上是生活随笔為你收集整理的工业人工智能系统框架、关键技术、典型应用与发展趋势的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。