文档介绍：: .
工业智能的典型应用
未来，5G+AI有望催生工业智能新产品、
新模式和新业态。例如，实现环境、状态、外
观等多类数据传输的多源设备预测性维护；
实现场景/工件识别、灵活配置与实时控制
的云机器人生产；形成实时互联、全面呈现、
双向决策的全场数字孪生系统等新场景。
图12：新松公司5G智能巡检机器人
（五）工业智能应用面临四大问题

现有通用计算架构与芯片尚无法满足工业实时性所带来的计算要求，端侧推理需求迫切。
深度学****包括训练和推理两个环节，训练环节的功耗比和实时性不是首要关注因素，现阶段通
常使用离线训练模型随后部署应用的方式，GPU基本能满足现有需求。相比于云侧推理环节，
特定场景工业终端对推理环节实时性要求极高，现有芯片无法满足，专用芯片需求较为迫切。
以图片高精度高速检测和实时工业场景识别为例，传统芯片处理1080P图片需要耗时1秒，而
以上场景的图像实时识别需求需要达到人眼识别帧率，即1/24秒；以设备实时控制为例，中低
端设备的控制周期是微秒级，高端设备甚至要求200-500纳秒级，当前AI完全无法达到。
因此，为满足工业实时性要求，高能效低成本的特定域架构芯片及面向工业领域开发的专
用端侧框架有望成为市场上布局工业智能芯片、框架的主要趋势。

算法可靠性是指在规定的时间内、条件或场景下能有效地实现规定功能的能力，以推荐系
统为例，电商平台的推荐系统达到60%-70%的准确率已经算是比较高的精准度，而部分工业
领域、部分工业核心环节对推荐参数的准确性要求是100%，一旦参数出现任何问题，将对生
产、制造等环节，甚至生命财产安全产生巨大影响。然而，可靠性不是现有人工智能算法在工
业领域的设计和关注重点。
14 : .
工业智能的典型应用
神经网络等算法的本质导致了可靠性问题的存在，限制其在工业场景的深入应用。BP、
RBF和LSTM与CNN等主流神经网络的输出层函数均为基于概率分布的函数，且对新数据泛
化性较差，导致其目前主要应用于产品缺陷质量检测、设备预测性维护等低危、辅助和以最终
表现为评价标准的工业场景，需要针对工业场景定制的深度学****算法，使其在高危等场景中的
可靠性得到保障。

目前，以神经网络为代表的“联结主义”尚不能提供明确的语义解释。虽然神经网络在股