人工智能改變了我們作為消費者的生活。為什么它沒有改變我們的行業(yè)?工業(yè)中的人工智能需要的不僅僅是大數(shù)據(jù)，解決方案在于物理世界。

如果預測算法在消費行業(yè)失敗，那還不是世界末日。也許廣告沒有被點擊，或者電視節(jié)目沒有被觀看。

在石油和天然氣、電力和公用事業(yè)以及制造業(yè)等資產(chǎn)密集型行業(yè)，失敗不是一種選擇。訓練不當?shù)乃惴赡軙е律a(chǎn)停頓、損壞設(shè)備，或者——在最壞的情況下——危及生命。盡管人工智能在工業(yè)中具有很高的價值潛力，但鮮有成功案例可供講述。這是因為人工智能的經(jīng)典應(yīng)用(例如自然語言處理、廣告和游戲)與用于工業(yè)問題的應(yīng)用之間存在根本差異。

混合人工智能是物理學和數(shù)據(jù)科學的結(jié)合，是在工業(yè)環(huán)境中釋放人工智能潛力的關(guān)鍵。人工智能從信息中發(fā)現(xiàn)模式，通過在混合中加入物理，我們提供了更多信息——更重要的是，信息足夠準確，可以為創(chuàng)造價值和加速行業(yè)數(shù)字化轉(zhuǎn)型的解決方案提供動力。ImageNet 數(shù)據(jù)庫包含超過1400 萬張用于視覺對象識別的圖片?？捎糜谧匀徽Z言處理的文本數(shù)量幾乎是深不可測的。對于某些應(yīng)用程序，甚至可以自動生成訓練數(shù)據(jù)。

工業(yè)上不存在這樣的資源。盡管典型的石油平臺或工廠將配備數(shù)千個傳感器，這些傳感器可能已經(jīng)收集了數(shù)十年的數(shù)據(jù)，但由于多年來工業(yè)設(shè)備的操作變化，相關(guān)數(shù)據(jù)的實際數(shù)量通常很少。此外，設(shè)備在其最佳運行區(qū)域可能幾乎沒有數(shù)據(jù)，而傳統(tǒng)的 AI 模型在現(xiàn)有數(shù)據(jù)范圍之外外推時可能會產(chǎn)生不準確的預測。

數(shù)據(jù)質(zhì)量是區(qū)分工業(yè)人工智能與經(jīng)典人工智能的另一個挑戰(zhàn)。工業(yè)現(xiàn)場的物理傳感器通常位于惡劣的環(huán)境中，這意味著數(shù)據(jù)會受到不同程度的噪聲、偏差和不同原始壓縮級別的影響。相比之下，人工智能經(jīng)典應(yīng)用所使用的典型數(shù)據(jù)集將沒有或可以忽略不計的噪音水平。

但是，有一個行業(yè)具有優(yōu)勢。雖然描述消費者行為的數(shù)學模型很少，但行業(yè)中的大多數(shù)問題都受物理定律的支配，可以使用構(gòu)成高級模擬器基礎(chǔ)的數(shù)學和現(xiàn)象學模型來描述。幾十年來，工業(yè)主題專家一直在使用這些模擬器來支持關(guān)鍵決策。模擬器的缺點是，與純粹的數(shù)據(jù)驅(qū)動模型相比，它們的計算成本通常很高，并且可能無法實時預測感興趣的變量。

物理模擬器和 AI 模型顯然是相輔相成的。前者可以對未來事件以及用于創(chuàng)建和驗證模型的數(shù)據(jù)范圍之外的事件進行預測，而后者可以在沒有任何基礎(chǔ)物理知識的情況下進行設(shè)置，甚至可以在一小部分傳感器上工作。將這兩種方法結(jié)合起來，可以保留兩者的優(yōu)點并減少兩者的缺點。