CCF YOCSEF武汉成功举办“AI落地工业场景：佳偶天成还是貌合神离？”

技术论坛

2021年7月18日，中国计算机学会青年计算机科技论坛（CCF YOCSEF）武汉分论坛在华中师范大学计算机学院举办了以“AI落地工业场景：佳偶天成还是貌合神离？”为主题的线下技术论坛。本次论坛邀请了北京联合伟世科技股份有限公司、华中农业大学、江苏省泰坦智慧科技有限公司、武汉科技大学、中南民族大学、中国地质大学（武汉）等单位的AI项目负责人分享经验、共同围绕论坛主题进行思辨。本次论坛由YOSCEF武汉AC委员、华中科技大学顾琳，YOCSEF武汉通讯AC、北京联合伟世科技股份有限公司吴佳共同担任执行主席，YOSCEF武汉AC委员、中国地质大学（武汉）唐厂和YOSCEF武汉AC委员、湖北第二师范学院甘胜丰任线上执行主席，同时华中师范大学为本次论坛提供了会务支持。本次论坛共吸引了来自省内外多所高校和企业的AI项目负责人与研究者参加。论坛深入展开了思辨，探讨了如何以智能为方向，痛点为导向，以企业为主体，科研为助力，来实现AI在工业场景的平稳顺利落地，进而推动企业的产品质量和生产效率的全面提升。

论坛的引导发言环节邀请了三位嘉宾，分别是：北京联合伟世科技股份有限公司李怀伟高级工程师、华中农业大学王欢副教授、江苏省泰坦智慧科技有限公司范小虎博士。三位嘉宾在AI研究和应用领域具有多年的工作经验，针对AI如何落地工业场景这一问题有着深刻和独到的认识。

图1 论坛背景

作为智能制造与深度AI应用的大型人才培养企业，来自北京联合伟世科技股份有限公司李怀伟高级工程师以“基于Intel技术的智能制造人才类培养”为对AI工业应用现状题进行了深度刨析。怀伟介绍了大制造业环境下有更多的非标小规模制造生产线的自动化转型需求，及其智能化生产线需求，仅仅江苏就有2900家企业以上。智能生产线能为小型生产线减少20余人以上。并提出在智能制造领域，以企业的实际需求为出发点，培养具有专业技能的优秀人才是重中之重，他提出的理论+实践的课程体系、“以场景为基础，以问题为导向”作为实验涉及总体思路，每门课的实践内容需要对应产品的原理、操作和应用，这些观点值得我们在教学和实践中不断去学习和思考。

图2 “基于Intel技术的智能制造人才类培养”引导发言

  以深度学习为主要研究方向的王欢副教授提到华中农业大学的火星种植计划是未来深度学习追逐的方向之一，越是无人的地方越容易产生AI的深度应用。但世界不仅仅只有触不可及的高端应用，在广泛的工业领域也有海量的应用空间，但是大量的深度学习还停留在学术层面。在学术层面的AI技术主要的攻克方向是找问题、想算法、提表现；在工业层面AI技术主要涉及的方面是找痛点、寻求成熟技术、提高技术壁垒。因此在学术界看是无所不能的AI通常在工业界面临场景多样化，难训练、技术贡献潜在的天花板不高、商业落地难等特点。王欢提出了需要从应用需求触发更加深入解决应用中的痛点问题，他通过工业制造和学术研究之间的差异和挑战之间的分析为AI的前进方向提供也良好的指导思想，也明确了学术界到工业界的实际应用是路漫漫其修远兮，AI开发思维过程需要与时俱进，要开发出具有能够解决工业痛点的算法。

图3“AI如何过关斩将：从学术走向工业探讨”引导发言

范小虎博士认为AI落地已经开始，完全落地所涉及到的硬件、系统、应用的各个行业都已经开始行动。其中人工智能硬件层的落地主要由谷歌、寒武纪、英伟达、华为引导；人工智能应用层有机器人、无人机、人脸识别、医学图像、智慧城市等主要方向，但是在人工智能系统层缺乏带头企业和主干企业。

在算法层面，AI工业领域中的人工智能落地相对于实验室和商务应用需要经过算法与训练热潮、推理与性能热潮、安全可信保障三个关键阶段。纵观发展现状，人工智能在工业及市场领域的应用已经处于发展的第二阶段。安全可信保障方面将是算法追逐的方向，只有安全可靠的人工智能系统才可以带动更多的工业场景应用，而且需要更多地处理非标准化的本地训练。

此外小虎还介绍了他们基于AI技术实现的企业级AI能力开放平台，以及该平台如何在电网和智能交通领域发挥巨大效用，值得广泛学习和思考。

图3“Titan-os企业级AI能力开放平台”引导发言

在思辨环节，来自武汉科技大学李波教授、中南民族大学叶正教授、中国地质大学（武汉）曾德泽教授作为思辨嘉宾与参与论坛的所有专家和老师就以下几个议题进行了激烈的探讨：AI到底是不是玄学，在AI算法的研究过程中参数调整能否合理有效解决遇到的问题，调参究竟是不是炼丹，在学术上的研究成果可以复现和实际的应用吗；AI研究进展能落地成为未来工业应用的基石吗，AI科研成果成熟期为什么这么长，如何缩短AI新技术到实际应用的周期，谁来担当此重任；工业应用能助力AI学术研究的创新和飞跃吗，AI相关的交叉研究/应用研究是否能被学术界认可，AI研究更得上工业界的实际问题和辅助需求的脚步吗？

首先三位引导嘉宾均认为AI不是玄学。武汉科技大学李波认为AI属于一种科学的范畴，AI落地有自然的推导过程，而玄学是无法解释或者理解其规律的，AI是可以从基本规律基本理论出发去研究和探究的。AI也不是炼丹，调参是建立在某个框架模型基础之上的。很多机器学习方法也是不需要参数、不需要调参，即便是调参也要依据框架。工业界喜欢用深度学习，因为他们不用研究，有效就行。甚至有学者采用深度树来替代深度网络，速度比深度网络快，更适合工业应用。中南民族大学叶正教授指出AI是一群工程师和学者在研究，肯定不是玄学。AI里面的调参是当前研究中的一个重要步骤，深度神经网络的参数量级很大，传统统计方法解决不了。需要对数据了解，传统的方法可以借鉴过来进行参数调整。很多时候需要跟工程联系起来，注意因果关系。但李怀伟保持谨慎的态度，他认为在复杂场景的数据是拿不到的，有些场景的数据也是在变化的，有些场景AI也是处理不了的。中国地质大学（武汉）曾德泽教授也认为AI是不是玄学，关键在于可解释性没有很好的解决，需要进一步开拓AI可解释性的研究方向。

在科研成果如何更好地转化为工业应用这一议题上，大家都各抒己见。范小虎认为算法到落地往往需要很长的时间，通常持续2-3年。因此需要站在巨人肩膀上，采用各大厂商的平台，在已有基础上做行业应用。有些大厂成熟的产品和工具可以直接拿过来用，不用重复造轮子。甘胜丰表示工业应用不仅仅只是成熟产品应用的问题，AI应用大部分时间是在和数据打交道，远远比后期模型部署的时间更长。算法的实用性，可行性都可以调整，但是数据获取往往有些场合很难解决。李怀伟提出了可以采用两种途径落地，第一是新的技术，找落地的地方；另一种是根据新的环境和需求出发。行业要从自身根本任务出发，AI不能喧宾夺主。AI以辅助的角色协助企业解决根本任务。期望不能太高，不能完全代替传统的工具。以辅助的方式落地的周期更短。李波觉得工业数据集与标准数据集之间存在很大偏差，科研过程中研究者会考虑一些实际场景的复杂情况，但是远远达不到实际应用场景的需求，据此提出科研采用的标准benchmark，来应对实际应用中数据是非常复杂的问题。同时唐厂也赞同标准化作业，把复杂模型简单化，可以从一定程度上解决模型对数据的强依赖问题。进而叶正补充认为在最初阶段降低期望值，来弥补学术上对数据的标注很难达到工业应用的需求的问题。胡威和怀伟提出了鉴于AI新技术的长周期应该从教育入手，将学生分为科研和产业两种类型，以此来培养通用型人才，提高AI 的应用速度，但AI的热度会影响AI教育的持久性，需要警惕。而小虎则认为相对于教育来说，缩短AI周期应该是采用集成化的装备更为有效，以此可立竿见影。

针对于AI工业应用是否能反哺AI学术创新方面大家进行了坦诚的交流。叶正认为实际场景能激发新的AI学术研究点,但不同的行业有区别，有什么区别决定了研究点有没有意义和价值。李波也给出了自己的观点：任何研究都是以需求为导向。比如目前有一个问题现有的方法模型解决不了，就需要研究人员来研究新的技术和方法。创新有方法创新和应用创新。现有的方法可以有新的应用领域，新的应用问题可以为科研人员提供好的新的研究点。所以，两者之间是一种互相促进的过程。甘胜丰觉得工业界也需要学术，学术不仅仅只是实验室能做，更多需要在工业现场做才能做到真正创新和飞跃。曾德泽表示现在国家强调新工科，希望现有的研究技术能够在实际生产中产生效益，也据此可以产生新得交叉领域，才能让学术研究跟上工业生产需求的步伐。

最后北京联合伟世科技股份有限公司吴佳和各位嘉宾对论坛进行了总结分析：目前AI领域的研究和技术在工业场景应用已取得的成果，同时当前的AI技术和研究之间的距离也较为明显，我们需要在科研培养、工业过程决策、AI基础设施构建能方面进一步努力，减少科研和工业应用之间的鸿沟，且标准化AI应用过程件，避免重复造车轮，提高效率。

图4 与会人员合影

   本次论坛历经四个小时，通过论坛思辨，辨明了AI落地工业场景需要在技术标准化、教育普及化、应用科研化等方面做出更多的努力才能减少新技术应用的延迟，进而打造出实用可靠的工业AI体系。