全部
作 者：[美]李杰（Jay Lee） 著；刘宗长 高虹安 贾晓东 整理
出 版 社：上海交通大学出版社
出版时间：2019年06月
定 价：68.00
I S B N ：9787313211798
所属分类：
标 签：
《工业人工智能》以人工智能技术与工业系统的关系为视角，从人工智能在工业领域应用面临的挑战出发，明确提出了工业人工智能的特征与意义，论述了工业人工智能系统的技术要素与落地途径，创新地提出了工业人工智能技术以问题为导向的收敛型应用模式，并结合大量实际案例介绍了不同场景的应用。全书分为四个章节，分别为：我们为什么需要工业人工智能；工业人工智能的定义与意义；工业人工智能的杀手级应用与赋能系统案例；如何建立工业人工智能的技术与能力。
本书可为中国的工业人工智能发展带来新思维和新途径，可作为产学研各个领域学习的参考资料。同时，本书也适合对工业人工智能领域感兴趣的大众读者阅读，并能为广大读者带来创造性的启发。
李杰（Jay Lee），美国辛辛那提大学特聘讲座教授，美国国家科学基金会（NSF）智能维护系统产学合作中心（IMS）创始主任，美国工业人工智能中心（Industrial AI）创始主任，富士康工业互联网副董事长，美国麦肯锡全球资深顾问与世界经济论坛（WFF）未来生产委员会委员，担任清华大学、上海交通大学、华南理工大学等高校的EMBA教授及德韬创新大师。2018年获清华大学经管学院“the best EMBA教授”。
李杰教授创立IMS中心与全球100多个企业合作，研发推广工业大数据分析和故障预测与健康管理（PHM）技术，被誉为美国工业大数据与PHM技术的“西点军校”。李杰教授在2016年被美国制造工程师学会（SME）评选为“美国30位较有远见的智能制造人物”。
引言 人工智能的技术发展与应用现状
第1章 我们为什么需要工业人工智能
1.1 工业系统为人工智能带来的新视角
1.2 什么是工业的基础问题
1.3 人工智能解决问题的基本方法
1.4 什么样的人工智能技术更适合工业
1.5 当机器智能遇到工业
1.6 工业人工智能与通用人工智能 之间的差异
1.7 人工智能在工业界落地的挑战
1.8 工业智能为实现工业价值转型带来的新机会空间
第2章 工业人工智能的定义与意义
2. 1 工业人工智能的前半生
2.2 工业人工智能的价值与目的
2.3 GEPredix的得与失
2.4 工业人工智能的技术要素: DT，AT，PT，OT， HT
2.5 CPS: 将工业智能的 5T 技术要素整合的系统 工程架构
2.6 工业人工智能的算法分类及选择方法
2.7 工业人工智能算法的选择与使用
第3章 工业人工智能的杀手级应用与赋能系统案例
3.1 工业人工智能的应用场景类型
3.2 谁会成为工业人工智能的杀手级应用?
3.3 工业人工智能的赋能系统案例
第4章 如何建立工业人工智能的技术与能力
4.1 工业智能化转型的基础能力成熟度评价
4.2 全球性工业人工智能企业转型成果评价工具
4.3 工业企业如何构建智能化转型的组织能力
4.4 工业智能相关的开源项目与大数据竞赛
结语
参考文献
2017 年可称为人工智能(AI)元年，在此之后仿佛一切都在 加速，人工智能领域的突破层出不穷，比如根据医学影像诊断疾 病、自动驾驶的汽车、刷脸支付和无人超市等。 人工智能技术 “横冲直撞”，闯入甚至颠覆了许多商业领域，也成为企业的新 “军备竞赛”场地。 2017 年在人工智能领域的并购和投资就高 达 220 亿美元，是 2015 年人机大战发生前的 26 倍。 谷歌的 CEO 皮查伊将 AI 对于人类的影响放在了高于火和电的位置上: 前者 标志着人类文明的起源，而后者将人类带入了工业时代。 麦肯 锡全球研究院则给出了一个更具体的价值: 将人工智能仅仅运 用在营销、供应链管理和新销售方式的利润和效率提升上，就能 够在未来 20 年创造 2. 7 万亿美元的经济价值。
人工智能发展所取得的举世瞩目成就并非一蹴而就，它的 应用其实早已开始改变我们的工作和生活方式。 1988 年我在美 国邮政工作时，主导了第一个使用机器视觉和手写辨识技术来 自动分拣包裹的项目，并登上了《AI Magazine》的封面。 再往前 追溯 5 年，我也曾经在汽车生产线上开发机器人，探究如何使用传感技术让机械臂的定位和动作执行更加精确。 那个年代的人 工智能还只能完成在一定范围内规定好的任务，受工作条件、对 象和环境的限制非常多，并不像现在这样能够完成更复杂的任 务，并且可以通过泛化学习和认知能力管理很多不确定性。 人 工智能技术在近几年爆发式的发展主要得益于许多基础设施技 术的不断完善，比如大型的运算中心为我们提供了更强的计算 能力，传感器变得更加多样和廉价，信息通信技术( ICT) 技术的 发展为数据的流通提供了更高速的管道，互联网中每分钟数以 亿计的活动产生的大量数据为算法的训练提供了丰富的样本， 而更加强大的芯片使得这些智能算法可以在任何边缘硬件中实 时处理和分析数据，再通过丰富的交互入口传递信息，从而完成 各种活动。 这些基础设施的不断完善正在使 AI 的使用成本大 幅下降，就好像电力基础设施的完善使得现在的照明成本比两 百年前降低了数百倍，这使得人工智能能够以更加低的门槛被 更广泛的场景所接纳。
事实上，人工智能对人们生活方式和生产方式的影响已经 超过了我们的想象。 在生活中，无处不在的摄像头记录着我们 的一举一动，当我们进入一家商店时，素未谋面的售货员就可以 通过人脸识别迅速获得我们的各类信息，进而有针对性地推荐 我们可能感兴趣的商品。 在工作场所，亚马逊(Amazon)的一款可穿戴式传感器可以追踪仓库工人的手部动作，识别他们的工 作效率并通过振动提醒那些潜在的偷懒者。 在中国的某半导体 制造工厂内，管理者可以通过员工的工牌定位到他们的移动路 径，并自动识别那些有异常活动的员工，对于保密性要求极高的 半导体生产商而言，这无疑是防止技术泄露的重要保障。 美国 职场目前最受雇主青睐的“即时通信和协同工具(Slack)”可以 帮助管理者评估员工的效率和与团队互动的有效性，这个软件 的全称就很能很形象地体现它的作用———“所有对话和知识的 可搜索日志”(searchable log of all conversation and knowledge)， 对这些工作过程中所产生的数据进行分析，就可以判断哪些员 工的效率更高，而哪些员工可能有离职的倾向。
在商业活动中，人工智能帮助商家更加了解他们的客户，进 而做出更加准确的营销决策。 中国平安采用人脸识别技术，让 用户在申请贷款时在视频中回答有关收入和还款计划的问题， 通过监测其面部的微表情判断他们是否在说真话，以此筛选出 需要进一步审核的客户。 中国平安之所以有底气这么做，是因 为他们掌握了世界顶尖的人脸识别技术———截至 2018 年 5 月 9 日，户外脸部检测数据库(labeled faces in the wild， LFW)最新公 布的测试结果显示，中国平安旗下平安科技的人脸识别技术以 99. 8%的识别精度和最低的波动幅度领先国内外知名公司，位居世界第一。 英国领先的网购公司 Ocado 将每天收到的超过 1 万 封客户邮件，利用人工智能技术进行情绪分析，之后对应答的优 先级进行排序，并进一步将客户所投诉的问题进行自动分类，然 后分发给具有相关领域知识的服务人员。 著名的赌场集团恺撒 娱乐(Caesars)通过在酒店内提供虚拟礼宾员 Ivy 来自动回答客 户的询问，将打给人工服务台的电话减少了 30%。 美国的一家 创业公司为保险公司的电话客服提供情绪引导服务，通过识别 客户的语速、语调和用词特征来识别客服的情绪是否恰当，并提 醒他们在适当的时候表现出更多的同情心。 法国家居装饰零售 商乐华梅兰(Leroy Merlin)通过分析历史销售数据与各种影响因 素( 如天气) 之间的关系，为订货策略和供应链管理提供建议，帮 助节省了 8%的库存，同时增长了 2%的销售额。 将人工智能与 大数据分析技术应用到需求预测和库存改善可以释放存储空间 和改善企业的现金流，这对于利润率已经被挤压到生存边界的 零售商而言无疑是一个福音。 对零售业而言，供应链成本降低 的 3%可能使净利润翻倍。 IHL Group 的数据显示，2015 年全球 零售业因为库存积压而造成的损失高达 4 700 亿美元，而库存不 足或周转造成的损失达 6 300 亿美元。 人工智能在供应链优化 方面的应用或许也是一个万亿级的市场。
人工智能的发展历程中也曾经历过数次起伏，从 1956 年达特茅斯会议后直到 2000 年，人工智能曾经历过两次寒冬。 第一 次寒冬开始于 1973 年，以《莱特希尔报告》的推出为代表，由于 在人工智能方向的研究投入没有取得预期的进展和回报，美国 政府决定大幅削减支持人工智能领域研究的资金，象征着人工 智能正式进入寒冬。 之后的十年间，人工智能鲜有提起。 进入 20 世纪 80 年代，由于专家系统和贝叶斯定理在人工智能领域中 崭露头角，人工智能再次迎来新的高潮，然而随后人们开始意识 到人工智能的问题不仅是硬件问题，而更是软件以及算法层面 的挑战没有突破。 随着 1987 年基于通用计算的 Lisp 机器在商 业应用上的失败，人工智能再次进入了低迷期。 到了 20 世纪 90 年代后期，由于计算机运算能力的不断提高，人工智能开始再次 进入大家的视野，代表性事件包括 IBM 深蓝计算机击败人类国 际象棋冠军，以及以数据挖掘和推荐系统为主要代表的商务智 能应用开始真正为企业创造价值。 而这一次的人工智能高潮来 临相当一部分应该归功于深度学习神经网络的突破性进展和成 功应用。 2012 年，Geoffrey Hinton 团队在 ImageNet 竞赛上首次 使用深度学习技术，从而完胜其他团队，让人们意识到深度学习 相比于传统机器学习的长处，让深度学习重新回到主流技术舞 台。 与此同时，以图形计算为代表的 GPU 在计算机视觉训练中 替代原来的 CPU，大大提升了计算性能，让原来需要几个月才能完成的训练缩短到几天甚至几个小时，加快了计算机视觉前期训练和推理的迭代周期，带来效率上的成倍提升。当硬件、算 法、大数据这三个因素在各个领域的突破达到一定程度时，自然 就带来了人工智能的大爆发。 2016 年 3 月，谷歌 AlphoGo 机器 人以 4 ∶ 1 击败韩国围棋冠军李世石就是三者结合的典型代表， 让人工智能不再是高高在上和遥不可及，从此进入大众的视野。
与过去两次人工智能所经历的高潮不同，这次我们看到人 工智能技术已广泛应用于智慧安防、智慧金融、智慧零售等新的 行业形态，并为人们的生活带来很大的便利。 最重要的是，人工 智能在某一些领域中已经验证了其商业价值可行性，形成了标 准化和可大规模应用的产品，甚至已经开始盈利。 这与过去两 次人工智能技术所经历的起伏有本质上的不同。 我们有理由相 信，新一轮人工智能正处于增长的黄金年代，以深度学习为代表 的高级算法在行业的应用趋于成熟，为解决工业问题提供了很好的工具。
人工智能从以学术为驱动转变为以商业应用为驱动的发展 模式，既能为进一步解决城市和社会问题、生态保护、经济财政、 金融风险等宏观系统提供指导，也能为工业制造、能源电力、健 康医疗和交通运营等微观领域提供解决方案。 新一代人工智能 技术在近几年取得快速发展和应用主要受益于以下 4 个要素:
(1) 人机物互联使数据量呈现爆炸性增长，形成了真正的大数据环境。
(2) 云计算、边缘计算和专有芯片技术加速演进实现计算能力大幅提升。
(3) 深度学习领域的技术突破带动算法模型的持续优化。
(4) 资本与技术深度耦合助推行业应用和技术产业化快速兴起。
在数据、运算能力、算法模型、多元应用的共同驱动下，人工 智能的应用范围逐渐从执行特定工作的“ 狭义” 人工智能，向胜 任某一场景下开放性问题(如人机对话)的“广义”人工智能演 进。 人工智能技术能更为密切地融入人类生产生活，与人的关 系从辅助性工具进化为协同互动的助手和伙伴。 在这一轮技术 热潮中，我们能够观察到人工智能技术的演进方式，包括: 1 从 CPU 架构的独立运算到 GPU 架构的并行运算，再到基于 TPU 的 面向特定算法进行优化运算架构的出现;2 从依赖算法突破的 驱动转变为数据、运算力、算法、商业化应用场景复合驱动;3 从 封闭的单机系统转变为快捷灵活的开源框架( 以往的专家系统 基于本地化专业知识进行设计开发，以知识库和推理机为中心 而展开，其中，推理机的设计由不同的专家系统应用环境决定， 单独设定模型函数与运算机制，一般不具备通用性;知识库是开发者手动录入的专家分析模型与案例的资源合集，只能够在单 机系统环境下使用并且无法连接网络);4 从学术研究探索导 向转变为快速迭代的商业化应用导向。
我们很欣喜地看到人工智能技术正在实现“场景—数据— 技术—产品—商业”的正向循环。 在人工智能技术发展的早期， 由于数据获取的成本较高，算法缺少快速演进的环境。 而一旦 进入应用期，大量的优质样本数据和更快速的反馈有助于技术 弊端分析，通过对相关技术进行改进升级，进而提升了产品的应 用水平;而用户在得到更好的产品体验后，继续为应用平台创造 更大规模的后台数据，用来进行下一步的技术升级与产品改良， 由此进入大规模应用阶段。 如今的我们究竟是站在变革的序曲 还是高潮中，很难有清晰的判断，不过有一点是明确的———人工 智能已经在切实改变着我们的生活，而与此同时也面临许多无 法忽视的挑战。 我们看到如今人工智能在社交、行为、活动、商 业等领域的应用已经产生了直观的影响和切实的价值，这些应用为人工智能在工业领域的落地所建立的基础，正在成为未来 实现工业人工智能的潜力。 当前工业处于向工业 4. 0 阶段的转 型期，以价值创造为目标和驱动力，为人工智能的发展与行业应 用提供了合适的土壤。 智能制造和工业互联网技术的发展让我 们看到了工业系统的“本地的智能化”和“连接的智能化”方向齐头并进的趋势，向着横向与纵向智能化应用体系的整合演进。 一方面，我们看到设备的智能化、传感技术、通信技术、信息与控 制技术等方面的快速发展正在为工业系统提供大数据环境和强 大计算能力的基础;另一方面，工业互联网的发展正在推动设 备、人与服务的连接，产生更多具有商业价值的新场景。 这些要 素的逐渐成熟让我们有理由期待工业将成为人工智能技术发展 和商业应用的新蓝海!
装 帧：精装
版 次：1
开 本：32
纸 张：特种纸
您现在的位置：
