企業在應用工業互聯網的時候，對數據的智能化分析以及決策優化的需求越來越高。在這個過程中，工業互聯網與AI有著天然的結合度，AI是制造業實現品質提升和業務優化轉型的關鍵技術手段，而工業互聯網則讓AI在工業領域應用得以有效落地。

一方面對于工業互聯網平臺而言，AI可以讓平臺上的數據變得更有價值。“工業互聯網平臺通過連接設備、系統、人和企業匯聚大量數據，使得設備、系統、供應鏈、企業經營情況等可以被感知和分析，而AI可以進一步釋放數據的價值，例如通過工業大數據分析和機器學習進行設備預測性維護、通過人工智能算法推演質量缺陷根源、通過建立AI機理模型輔助經營決策等。” 航天云網天智公司總經理紀豐偉在接受《中國電子報》記者采訪時表示。

另一方面，如果讓AI賦能制造業，讓制造變成“智造”，工業互聯網是必經之路。工業領域主要以企業私有數據庫為主，規模有限，要實現人工智能與制造業的深度融合，就必須要在制造業領域加強數據獲取與整合，企業必須切實做到數字化轉型，因此需大力發展工業互聯網。

人工智能可以分成感知、理解、行動三大類別，具體又涉及視覺分析、語音處理、知識表達、機器學習等細分領域，其目的是為了提升效率、降低成本、改進客戶體驗、促進技術創新。

例如，文章開頭談及的“風云”系統，據上海電氣集團相關負責人介紹，依托人工智能等技術，“風云”系統能夠為用戶提供涵蓋前期風能資源評估、風電機組選址、整體方案設計、生產物流管理、運維監控、后評估等各個環節的一體化服務。可以說，以前風電機組選址靠經驗、拍腦袋，現在是靠數據。

基于“AI+工業互聯網”兩者融合是個長期的過程，目前僅僅是個開始。目前在工業互聯網平臺領域，AI應用水平可以說還在探索和實踐階段，并沒有出現大規模復制的現象級AI工業應用。”現階段，AI在工業互聯網領域的應用更多側重于單點應用，例如設備預測性維護、工業設備邊緣側質量分析等場景。

通過采訪，記者感受到，人工智能在工業落地之所以緩慢有多重原因。首先，因為相比于數據算法的迭代，硬件升級創新相對周期較長，從而導致滯后。其次，人才缺失。算法模型是AI的核心，而AI制造業應用懂算法的人不懂業務機理，懂業務機理的人不懂數據算法。人才的缺失也是AI成功應用的障礙之一。再次，工業數據質量參差不齊。工業領域數據種類多，數據完備性、準確性、壞數據樣本都相對不是特別理想，這成為AI成功應用瓶頸之一。最后，技術門檻高。

AI是一個綜合性的學科，工業應用要涉及數據預處理、數據建模、模型部署與管理、模型評估等多方面的技術，技術門檻相對較高。數據顯示，在各類垂直行業中，人工智能應用水平較高的領域包括互聯網、金融和安防等。與其他領域相比，AI在制造業的應用會產生較大的效益。但目前我國AI的投資還主要在消費領域，在制造業的投資只占AI投資的1%，需要重視工業智能的研發與創新。

事實上，工業中使用的人工智能與消費領域的人工智能有本質區別。工業人工智能是一門嚴謹的系統科學，它專注于開發、驗證和部署各種不同的機器學習算法，以實現具備可持續性能的工業應用。因此人工智能應用于工業，必須根據制造業的具體場景進行定制，簡單照搬模板化的人工智能解決方案并不可行。

當然，應用水平低也就意味著未來市場空間大。賽迪顧問人工智能產業研究中心高級分析師李振表示，在制造業領域，大量的優質資源數據未被充分利用，產業的智能化需求將在未來幾年持續保持較高的熱度。

對于未來AI在工業互聯網平臺領域的應用趨勢，秦成認為，未來AI技術應用IT層次會逐步廣泛，隨著5G技術的發展，AI可以在工業互聯網平臺的邊緣設備層、平臺層以及應用層都發揮價值。而工業互聯網平臺任何層的高級計算、分析也都需要AI參與。AI技術應用業務范圍逐步變大，AI將應用于工業企業的產品設計、生產、服務、運營管理、銷售、供應鏈等各個業務領域。另外，AI技術應用可推廣性將逐步增強，隨著人才、數據質量、技術手段的提升，AI實際運用場景和案例的總結越來越深入。AI在工業領域應用的技術方案、應用模式等可復制性、可推廣性會越來越強。