工业智能的探索与实践：从数字化到智能化制造的未来 - 工业数字化展

尽管智能制造的概念已经提出已久，但事实上，在此过程中，我们主要进行了许多传统的数字化和自动化工作，距离真正的智能制造还有一段距离。然而，以CHATGPT为代表的人工智能技术，尤其是大模型技术的发展，为智能制造带来了新的想象空间和发展动力。

过去，我们的制造系统虽然也具备一定的智能，但这些智能主要掌握在人的手中，依赖于人的决策来驱动制造系统的运行。而智能制造的目标，则是希望通过机器智能来进一步扩展、增强、部分替代乃至超越人的智能。

总体来看，智能制造的发展方向包括两个方面：一是以人为参照对象，通过增强智能（IA）和人工智能（AI）等技术手段，不断提升机器的智能水平；二是探索新的智能形式，如群体智能等，以超越人类的智能水平。

在制造系统中，那些需要人工操作或决策的环节，正是工业智能发展的直接应用场景。我们希望通过发展机器智能，能够实现对人的智能的增强或替代，这背后涉及到的是一种模型化推理决策机制的构建。当然，随着工业智能的引入，制造的研发场景及流程也可能发生深刻的变化，这种变化无疑将为我们带来更多的期待。

对于工业智能的发展来说，关键是要找到合适的场景，明确在哪些方面可以通过发展工业智能来增强或替代人的智能。例如，原先需要人工判断工件质量缺陷的环节，现在就可以通过机器智能来实现自动判断。同时，那些在大国工匠等标志性人才身上所体现出的技能知识，也是工业智能发展的宝贵资源。通过挖掘和利用这些资源，我们可以进一步推动工业智能的发展和应用。
对于工业智能而言，其产出或输出至关重要。工业系统的运行涉及众多设备和软件系统，而工业智能的决策判断结果必须融入这些复杂场景中，特别是指导各类载体的执行动作。例如，华为的数字机器人在流程管理、数据提炼交接方面发挥着重要作用，这要求它们深入理解业务需求、整合数据，并明确地呈现结果。

无论是在哪个场景或类型下，工业智能的最终目标都是转化为机器人的运动。在研发设计方面，工业智能能解析设计者的意图，提供建议性的产品设计方案或局部操作序列，从而显著提升人机交互的协同性和创新性。

回顾历史，我们遵循着一种哲学规律：从直觉经验到机理公式解析，再到数据驱动的推理决策。如今，随着机器学习和深度学习等技术的发展，我们更多地依赖数据来驱动决策，尽管这些模型可能被视为“黑盒子”，难以解析每一步转化之间的物理含义，但它们能给出精确的结果，推动了工业智能的发展。

工业智能的发展正逐步颠覆我们以往的业务处理模式。在供应链管理领域，全新的智能监控方式已出现，它能够实现对每一个订单的全流程追踪，仿佛为每个订单配备了专职人员。同样，在计划排产调度方面，虽然过去我们可能为每项任务分配专门的计划人员，但如今的高级计划排产系统（APS）更强调整体优化，避免分散操作。然而，随着工业智能的进一步演进，我们正朝着引入群体智能或多智能体的方向发展。这种方式下，尽管某些任务仍由专人负责，但他们通过协同合作来实现整体优化，这无疑是对传统处理方式的一种颠覆。

在追求通用工业智能的同时，我们更应关注特定业务场景下的专用工业智能。现阶段，机理模型和数据模型在构建专用工业智能时相辅相成。缺乏对机理模型的理解和基本认识，很难有效地建立数据模型。