2023年AI研究报告：AI赋能质检视觉低代码和工业网络站点平台率先受益

  AI将迎步打通工业互联网数据难采集、产业协同难和网络安全等关健痛点，促进工业互联进程加速

  2022年中国工业互联产业增加值占GDP比重已达3.64%。工业互联网的关键技术如可复制工业场景、数宇季生、云边协同等不断取得突破，然而仍然面临数据难采集、产业协同难和网络安全等制约。以GPT-3.5为代表的人工智能大模型在预测能力、计算能力、逻辑能力和音视频解决能力上有着飞跃式的突破，该类高性能AI的加入将提升工业互联的安全性和可靠性，逐步提升工业互联网人机协同，重塑数据跟踪和分析的流程，助力于工业大模型的产生，有望让机器拥有“大脑”，加速工业互联进程。

  高性能AI在各环节应用端落地时间具有校大差异，工业AI质检、工业视觉低代码搞程和工业网络站点平台将会是率先受益的环节。

  据IDC测算，工业质检市场规模至2025年将迅速增加至62亿元，2020-2025年CAGR达28.5%。大模型的图像和音视频解决能力有着非常大突破，将促进AI质检精确率迈上新台阶。随着应用成熟度的提高，拥有领先AI技术应用的AI质检解决方案提供商市场占有率有望持续扩大。

  在硬件发展渐趋成熟的基础上，AI技术能帮助机器“感知更准确、理解更深刻”，是创造价值的重要切入点。当前快速进展的AIGC技术可以有效解决工业视觉领域AI训练的样本问题，助力工业视觉AI性能重大突破。未来，相关的软件厂商和光学传感器、光学处理芯片和工业视觉解决方案提供商将受益于工业视觉性能突破带来的渗透率的提升。

  目前AIGC在编程领域已经取得了重大突破，能较为成熟的生成代码和修改代码，将低代码编程的易用性提高了一个维度。这一突破对工业场景意义更为重大，使得大量工程人才可以轻松上手工业程序的编写，有望重望工业PaaS低代码开发平台。

  工业互联网平台利用实时有效的工业大数据，为深度学习的模型训练提供了优质的训练集和测试集，是AI发展的良好土壤。以GPT系列为代表的高性能AI将全方位赋能数据采集、数据分析挖掘，行业知识库和各类工业软件功能，有望促进工业互联网平台渗透率的提升。

  由工业互联网技术体系可知，以 5G、EC、工业智能、区块链、DT 技术为代表的关键技术对支撑工业互联网体系架枸中功能架构的网络、平台和安全的建设以及实现数据优化闭环有着极其重要的作用。

  5G 技术是工业实现互联的基础。工业领城中业务场景复杂多样，需要具有海量连接、低时廷的网络连接技术来实现人机物之间的互联互通。5G 作为最新一代蜂窝移动技术，具有海量连接、高可靠、低时延等特点，是工业互联网实现全面连接的基础，能够应用于增强型移动宽带 (eMBB,enhanced mobile broadband)、大连接物联网(m MTC,massive machine type communication)、超可靠低时廷通信 (URLLC, ultra reliable low latencycommunication)三大场景。利用 5G 无线技术、网络切片技术，以及其他与网络技术融合的 5G+时间敏感网络 (TSN,time sensitive network)、5G+云等技术，可有效解决不同工业场景的多样性需求。

  当前，5G 赋能工业互联网已经得到了落地应用。在生产制造场景下，5G 能够支持自动导引运输车(AGV automated guided vehicle) 的部署。Siriwardhanad 等将当地 5G 运营商与移动网络运营商 (MNO,mobile network operator) 架枸相结合，将 AGV 与制导控制器进行连接，实现低时廷并且能够确保数据的安全性。然而当前，5G 与工业互联网的融合还处于探索阶段，对于工业中硬实时控制的需求还有所欠缺，缺乏针对工业领城的解决方案。

  边缘计算将计算资源部署在工业现场附近，保障工业互联网响应速度。工业领域的部 分控制场景对计算能力的高效性有严格要求，将数据传输到云端进行计算可能会造成巨大 的损失，并且，在工业现场中存在大量异构的总线连接，设备之间的通信标准不统一，因此需要将计算资源部署在工业现场附近以满足业务高效实时的需求。边缘计算作为靠近数 据源头或者物的网络边缘侧，融合网络、应用核心能力、计算存储的开放平台，有低时 延、高效、近端服务、低负载等优点，能够就近提供边缘智能服务，是工业互联网不可或 缺的关键性环节。

  当前，主要运营商均推出了一体化边缘解决方案。GSMA 联合全球运营商合作构建了 电信边缘云平台。中国联通推出了 CUC-MEC 平台，并设计了 EdgePOD 一体化边缘解 决方案。中国电信也开展了 5G+MEC 的应用合作创新。然而，虽然 EC 技术已经广泛应 用于工业互联网中，但其仍面临设备接口标准不统一、测试标准不统一的问题，并且在应 用过程中还存在许多安全问题。此外 EC 需要与行业应用、运营商网络进行高效协同，其 系统隔离、数据安全能力仍有待进一步提高。

  数字孪生技术是先进制造业的支撑性技术。数字孪生是指充分利用物理模型、传感 器、运行历史等数据，集成多学科、多尺度的仿真过程。它作为虚拟空间中对实体产品的 镜像，反映相对应的实体装备的全生命周期过程，可以基于数字孪生体对物理实体进行仿 真分析和优化，以最优的结果驱动物理世界的运行。进入 21 世纪以来，美国和德国均大力 扶持 Cyber-Physical System（CPS，信息-物理系统）作为其先进制造业的核心支撑技术， 而数字孪生就是 CPS 的典型实践。

  数字孪生的关键在于异构要素的物理融合，新一代信息技术的发展为工业化落地奠定 了基础。数字孪生技术是新一代信息技术与不同领域技术的融合，其关键在于人、机、物 和环境中大量异构要素的融合，在搭建过程中存在运行形态各异、接口与协议异构、不确 定扰动多等诸多挑战。数字孪生技术核心包括物联网技术、大数据技术、多层次精准建模 方法、人工智能和云/边缘协同计算技术等，实现网络化协同控制、虚拟现实以及多层次信 息聚类与融合，为其在工业互联网中的落地奠定了基础。

  据 IDC，工业互联网平台的发展具有四个阶段，第一阶段是定制业务系统，第二阶段为定制工业 APP，第三阶段抽象出“工业场景平台”，面向工业场景和业务，进一步降低APP 开发周期。第四阶段为“快速定义业务 APp”阶段，基于“工业场景平台”和低代码开发平台，由用户快速定义业务 APP。

  我们认为，当前工业互联网的发展处于第二阶段和第三阶段的叠加态。向第三阶段和第四阶段的跃进具有重要意义: 1) 对供应商而言，最大化交付标准产品和工具，提高平台复用能力，缩短产品开发周期: 2) 对企业用户而言，提高 APP 的灵活性，降低开发难度，低门槛生成适合适配业务的 APP。因此，未来工业互联网平台必然向“工业场景平台”和“快速定义业务 APP”等标准化产品演进。

  制造发展战略的重要目标是要实现制造的物理世界和信息世界的互联互通和智能化操作，从而实现智能制造。生产运营管理伴随着数据互通和平台化，从单体系统向一体化集成+数字季生体的方向演化。在制造业领域，数字亭生技术能够在一定程度上帮助企业提高生产效率和品质量。通过数字李生技术，企业可以在虚拟环境中进行产品设计和生产流程的优化，减少实际生产过程中的错误和浪费。由 1.2.1，近年来，物联网、大数据、多领域 /多层次 /参数化实体建模技术、人工智能技术、云 /边缘协同计算技术迅速发展，相互交互，相互融合，为数宇挛生发展从各个屡面其定了技术基础，加速推动着数宇李生的落地应用。

  据 IDC（互联网数据中心）数据统计，2026 年供需联动将推动中国物联网连接规模超 百亿，复合增长率约 18%。伴随快速增长的工业物联规模，边缘侧的设备、算力、数据等 资源配比将快速攀升。以数据为例，出于安全性和效率考虑，据中国网物联国际视野产业 平台，未来数字工业超过 50%以上数据会在边缘侧产生，同时会出现大量部署在边缘的应 用服务。边缘计算将网络、计算、存储、应用集成在边缘侧，满足企业数字化敏捷联接、 实时业务、数据优化、应用智能、安全隐私保护等诸多方面需求。云边协同将 OT 与 ICT 融合，形成数据驱动的分布式智能控制，其应用具有高实时性，与物理系统的交互具备高 安全性，正逐步在工业互联网场景中落地。

  重点行业全面向智能化迈进，而数据、协同和安全是当前制的工业互联网发展的重要固素。近年来，电子制造、装备制造、石油化工等重点工业行业持续向智能化迈进，而数据采集难、产业链协同难和安全保障问题一直是工业互联网发展中亚待解决的问题。中国联通《5G+工业互联网重点行业白皮书》整理了重点行业工业互联网发展全景，我们可以通过关键词分析得出一些共性。在7大重点行业的痛点中，与数据有关的痛点被提及 6次，安全5次，协同4次，效率了次，人才和工艺各2次。可见数据、协同和安全是当前工业互联网发展中最亚待解决的问题。具体亲看:

  工业敷据难兼集且透明度低。工业数据难以采集一方面源于工业数据的复杂性，工业企业内部的数据囊括了产品的整个生命周期，涉及到企业所制造产品的研发、生产、运维等多个环节。而大量数据直接来自生产设备，类型繁多，且结构复杂、格式不一。另一方面源于工业数据的数量大，工业生产的机器类型多样，数量也极大。同时，机器设备产生数据的速度飞快，有时产生数据的频率甚至能达到毫秒级。而采集难又被称为“数据孤岛”问题，企业内部数据开放程度很低，形成一座座数据孤岛，而各种类型的设备和工序之间相互独立，缺少数据流动。

  企业内及上下游企业间难以统一协作。工业互联网的本质，就是通过互联网式的构架，实现人与人、材料、机器被此间的相互协同，这个过程不仅涉及企业的研发、生产和销售等各个部门，也涉及上下游企业和产业链。然而一方面现代企业部门制的生产方式使得部门与部门之间的协同存在巨大摩擦，另一方面，出于商业秘密等因素的考虑，上下游企业之间交互存在巨大困难，统一数据和协议标准难以实现。

  安全问题始终制约着工业互联网的深入应用。工业企业普遍对于安全的要求较高，特别是涉及重要行业及关键领域的工业企业，其生产研发过程中，安全往往是首要问题。而工业企业一旦上云，其安全性变得非常复杂，安全防范节点必然大量增加，包括云安全边缘安全，内部协议安全，数据安全等。不少企业在确定性和效率之间倾向于选择效率，对安全的顾虑往往是工业企业应用工业互联网的首要障碍。

  数据、协同和安全问题构成了工业互联网渗造率提升的主要降碍。此外，这三个方面还形成了相互影响和加强的系统。工业数据较难采集，不透明，因而造成上下游难以协同和交互，基于数据的测试和预判可靠性也较差。而出于对交互和安全问题的担忧，生产过程黑箱化的困境也难以被打破。而我们认为 AI的发展将逐步打通这些痛点，也因此给相关产业带来发展机遇。

  AI 在工业领域落地时间间隔不断缩短，工业互联网领域 AI 应用亦有望快速落地。一 直以来，工业对 AI 可解释性等严苛要求导致技术创新与应用落地错位相对严重。上世纪 60 年代专家系统诞生与 80 年代的工业领域应用间隔近 20 年，统计机器学习的工业领域应 用滞后周期基本在 10 年左右，而深度学习、生成对抗网络等新技术于 2012 年后在通用领 域开展应用，不足 4 年便产生了工业领域探索实例。总体来看，由于人工智能技术可用性增强以及工业信息化水平提升，通用技术的工业落地间隔由 20 年逐步缩短至小于 5 年。加 之工业互联网领域的关键技术如数字孪生等本身就与深度学习密切相关，我们认为，伴随 ChatGPT 带来的通用 AI 大模型突破，工业互联网领域 AI 应用将迎来快速落地和发展。

  生成式人工智能在预测和分析能力上有着飞联式的突破，将极大的提高控制、分析和预测的精度。工业互联网接入的一大难点是制造业企业特别是重点领域企业对生产过程的安全性有着很高的要求，因而对控制、分析和预测精度的要求极高。生成式人工智能在预测能力上有着飞跃式的突破，对制造装备实时运行优化将产生巨大助力。比如，通过建设人工智能发动机质检平台，将工业相机的数据通过边缘计算技术分流至云平台，实现了在统一缺陷图像库下，基于机器视觉发动机质量的协同检测。以单条生产线%，这意味着当前工业 AI可靠性可实现高于人工。

  此外，AI的造展也将助力于网络安全防御能力提升。网络安全防御的基础之一在于网络流量的分析识别以及判断，实现网络安全态势感知和威胁监测，并通过安全运维化解和防御网络攻击。AI 大模型在学习、分析、识别乃至处理上相对于人类具有高效的优势，有助于提升网络安全防御能力，降低网络安全事件损失，提高工业互联网安全水平。如基于GPT的 Microsoft Secure Copilot 可以将原本耗时几小时甚至十几小时的勒索软件事件处理降至分钟级。

  人机协同制造，即通过人工智能对生产数据进行分析和预测，实现制造过程的自动感 知、智能分析、自主决策和精准控制，提升机器和机器、系统和系统、机器和系统之间的 高精度、自组织协同能力，逐步推动生产过程向精益化、无人化发展。据鲍劲松《工业智 能：方法与应用》（2022），依托于当前的 AI 技术，可根据生产制造过程建立起马尔科夫决 策过程，并且利用强化学习来使得机器人在与环境交互的过程中提升认知水平，随着当前的 AI 技术大爆发，工业互联网人机协同水平的进一步提高值得期待。比如晶硅光伏电池智 能无人生产线，通过工业网络站点平台对工业机器人、AI 视觉检测系统等高效连接、实时控 制，实现人机协同推动制造柔性升级，在释放作业空间的同时，进一步提高生产效率、缩 短生产周期、降低劳动成本，人均劳产率较同行高出 30%以上。

  对制造业管理者而言，实时了解生产进度是重中之重。在一些比较传统的中小制造企 业车间里，生产流程的记录往往依靠纸质单据或者 Excel 表格，生产信息整体传递滞后。 为了解决这类问题，不少企业开始部署数字化系统，但却存在周期长、成本高等痛点。而 生成式 AI 可以使用自然语言处理和机器学习技术从工业现场的仪表板上，甚至纸质数据和 表格中读取数据（GPT-4 已经具备了识图能力），并快速提取有用的特征和信息。国外的一 位博主进行了这样的尝试，他为 ChatGPT 提供了 Zerynth 仪表板的链接，生成式 AI 立即 就读取了仪表板中的数据和图表，实时提供了正在发生的事情的概览。此外，工业互联网 的数据难点主要在于垂直行业数据积累不足，AI 助力下协同水平、安全性和可靠性得到提 升也有助于工业数据的开放和积累。

  工业行业大模型工业制造细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异，也缺乏海量的数据标签，因此尚未形成类似 GPT 这样的大模型。

  然而我们认为，随着工业 AI 安全性和可靠性的提高，工业 AI视觉平台、AI 摄像头等数据积累，通用大模型和预训练模型助力而生的工业垂直大模型值得期待。目前，机器视觉模型训练能力的门槛被大大降低,工业 AI 质检和巡检已经应用在3C 电子、汽车及零部件、消费品和原材料等诸多应用场景。如今，操作的生成式预训练模型 (OperationGPPT) 概念被业界提出并关注，阿里的通义千问大模型能实现根据需求自动编写一组代码发给机器人机器人自动完成移动、抓取、配送等一系列动作，这表明，AI 大模型已经突破了“仅用于生成内容”这一局限，有望让机器真正拥有“大脑”。

  AI浪潮下工业互联网发展加速是必然趋势，然而 AI 在垂直行业的应用落地，需要结合行业自身特点，对预训练模型加入到行业自己的数据集进行调整，训练过程中需要行业数据收集，模型调整以及行业特点训练。工业互联网各环节产品 AI化难度不尽相同，因此应用端落地时间具有也较大差异。我们认为，工业 AI质检、工业视觉、低代码编程和工业网络站点平台将会是率先受益的环节。

  大模型在困像和音视频处理方面进展迅速，工业质检迈上新台阶。AI 赋能的工业质检是利用基于深度学习等 A1技术的视觉检测技术，在工业生产过程中，对产品图像进行视觉检测，从而帮助发现和消除缺陷。IDC 认为在 2021 年“工业质检解决方案市场实现了规模化复制、加速发展”。目前，以 GPT 为代表的大模型在视觉和图像处理方面进展迅逸，如 GPT-4 具备直接读取图像信息、理解图像信息和完善图像信息的功能，各大模型在视频理解方面也取得了极大进展，如阿里的视频 AI服务可以对音视频进行识别、分析和理解。随着 AI 能力的提升，AI 赋能的工业质检在准确性方面迈上了断的台阶。

  3C 和汽车等行业 AI 质检实现规模化复制，解决方案为主力产品形态。当前，AI 工业 质检领域场景呈现碎片化的特征，大部分厂商都在逐步寻找自身优势的细分行业场景。在 2021 年自身重点市场取得规模化复制的同时，开始向更多场景领域拓展布局。3C、汽车、 消费品和原材料四大行业中很多 AI 质检场景实现规模化复制，成为驱动市场发展的主要动 力。在产品供应上，解决方案仍是多数厂商重点提供的产品形态，具体表现在各类定制监 测系统和一体化设备。解决方案也最贴合于工业领域客户需求，中期来看，仍是未来研发 的主力产品形态。

  工业 AI 质检前景广阔，行业处于发展期机会较多。随着当前 AI 技术的涌现和成熟， 预计工业 AI 市场规模将持续扩大，据 IDC 预测，2023-2025 年，我国工业 AI 质检市场增 速将加快，至 2025 年软硬件市场总计将达 9.58 亿美元（约合人民币 62 亿元），2021-2025 年 CAGR 为 28.5%。当前，AI 赋能的工业质检解决方案市场中的主要厂商包含了头部云服务商、AI 质检创新企业等。2021 年前五大主要厂商的市场份额为 44.3%，主要集中在百度 智能云、创新奇智、腾讯云、华为、阿丘科技等厂商，行业处于发展期，市场集中度不 高。中长期来看，随着市场逐步分化和应用成熟度的提高，拥有领先 AI 技术应用的厂商市 场份额有望持续扩大。

  硬件基础大幅进步，AI 成为创造工业视觉价值重要切入点。工业视觉是工业自动化的 核心领域，包括检测、识别、测量、定位等关键任务。工业视觉在工业领域的应用场景十 分丰富，包括缺陷监测、视觉分拣、物流分包、拆码垛和工业上料等。工业视觉的应用可 以减少人工的使用并提升准确率、减少错误率。近年来，全球工业视觉市场规模稳步增 长。而行业应用的前提是工业视觉在检测、识别、测量、定位等关键任务上的准确性。当 前，光学成像技术，多传感器融合技术，感光和光学处理芯片技术大幅进步，使“看得更 小、看得更清”成为现实。在此基础上，AI 技术恰好能够在一定程度上帮助机器 “感知更准确、理解更 深刻”，是创造价值的重要切入点。

  AIGC 在工业视觉领域潜力巨大，部分厂商已着手打造面向工业视觉的 AIGC 算法。 在工业视觉领域，训练样本不足一直是制约人工智能算法应用的瓶颈之一。过去工业视觉 AI 厂商通过选择不需要大量数据的标注准备的小样本学习算法或数据生成（利用算法产生 数据来扩充训练样本）来解决这类问题。2022 年底，OpenAI 推出的 ChatGPT 证明了内容 生成（AIGC）的巨大潜力，部分工业视觉厂商在小样本学习的基础上，进一步聚合以往在 内容生成领域的研发成果，将图像生成与工业场景的独特需求相结合，打造了面向工业视 觉的 AICG 算法。

  海量/完整电子版/报告下载方式：公众号《人工智能学派》返回搜狐，查看更加多