你相信算法吗？

超过一半的工业领导者认为AI能在五年内控制工厂、设备和机器等高价值资产。在一个由Longitude Research和西门子联合完成的调查中，这是一项值得注意的国际趋势。当被问及AI的用途、带来的好处、遇到的阻碍以及对AI的态度时，来自能源、制造业、重工业、基础设施和交通运输部门的500多名高层领导者给出的回答展示了他们对工业企业AI的未来的独特见解。

试想一下，如果你可以利用AI将组织中的一些日常运营决策自动化，从而让员工将精力集中在开发新产品线或拓展业务这样的战略项目上，那么，这里的AI究竟要有多好，你才会给它控制权呢？例如，它是否需要至少要有与人类工程师相等甚至更好的表现？如果AI犯下的错误可能导致重大经济损失甚至人身伤害，这会如何改变你的答案？

一项新的调查将这样的情景摆到了来自能源、制造业、重工业、基础设施和交通运输部门的515名工业界高层领导者面前，作为一项对AI的用途、带来的好处、遇到的阻碍和人们对AI态度的研究的一部分。他们的回答展示了人们对工业企业中AI的未来的独特见解。

重工业与“重”风险

在这些行业里，许多AI的应用旨在避免事故发生，让工作场所更安全。这一点很重要，因为尽管AI的方法论在各行业中都十分相似，但人的失误所导致的后果却各不相同。在许多工业组织中，错误的决定可能让成千上万的人无法乘坐火车去上班；机器过热可能会导致数百万美元的损失；压力的轻微变化可能引发环境灾难；而在其他数不清的场景中，错误的决定可能会危及人的生命。

因此，许多受访者（44%）相信，在未来五年内，AI系统将自主控制那些可能伤害人或危及生命的机器。更多人（54%）则相信，在未来五年内，AI能自主控制自己组织内部分高价值资产。

为了让AI承担这些职责，工业 AI需要变得更加复杂、聪明，而这种进步通常是由全新的数据管理、生成、表示和共享方法所驱动的。例如：

·  上下文数据和模拟仿真：今天，我们看到 AI 已经应用在了以新方式创建和组织的数据集中，用来加深洞察和理解。相关例子包括知识图谱和数字化双胞胎。知识图谱可以抓取不同数据集中各物体的含义以及它们之间的相互关系。数字化双胞胎则是现实世界中系统、资产和流程的数字表征与模拟。

·  嵌入式AI和大局洞察：物联网（IoT）和边缘技术的发展让越来越多的机器可以生成多样的数据集。这些数据集可支持在云中或直接在生产现场实现更进一步的场景认知和实时洞察。

·  不停流动的数据：针对组织间数据共享的协议和技术不断改进，这也可以支持AI模型的发展。这些模型的建立是基于从供应商、合作伙伴和客户等地同时获得的数据。

背景决定含义

以上述场景中的一个为例。使用工业知识图谱，通过组合不同数据集来优化 AI 模型具有很大潜力。知识图谱为人们正在分析的数据增加了背景。例如，人们可以在了解设计数据的情况下分析机器数据。设计数据包括机器被制造的目的、适宜它运行的温度和不同部件的关键阈值等。人们还可以加入相似机器的历史服务记录，包括机器在整个运行周期内的故障情况、召回信息和预期检查结果。知识图谱可以让人们更轻松地增加用于训练 AI 模型的机器数据，添加有价值的背景信息。

调查还了解了领导者们认为当下最有用的各种背景数据是什么。71% 的人认为来自设备制造商的数据可以带来很大或较小益处。其次是来自其他业务集团、地区或部门的内部数据（70%），来自供应商的数据（70%）和客户正在使用的产品的性能数据（68%）。

如果使用知识图谱将不同类型的数据（如产品历史、运行的性能表现和环境条件）汇集在一起，公司将能够搭建一个可以驱动更优预测、更好想法、更高效率和更强自动化的AI模型。

建立对算法的信心

更强大的应用无疑将带来全新的挑战。它需要人们足够信任AI，并交给它曾经只赋予人类的职责。在这些情况下，AI 应用程序需要赢得决策者的信任，而组织则需要搭建新的风险和治理框架。

为了研究这些问题，调查要求受访者设想一些如本文开始时提到的情景。例如，当决策会产生重大的财务后果时，56%的人选择接受表现出色的AI模型的决定，而44%仍选择相信经验丰富的员工。56%是高还是低呢？有人可能认为不够高，因为这个问题的假设是在一个持续一年的试点项目中，这个AI模型的表现优于该组织中最有经验的员工。这说明即使示例的信息有利于AI，44%的人仍可能具有偏好人类的倾向。

抛开挑战不谈，研究表明，AI的前景仍是乐观的。随着AI变得越来越聪明，领导者们期待它能助力带来更少的网络攻击、更简单的风险管理、更多的创新、更高的利润和更安全的工作场所。总的来说，由于有如此多样且重要的积极影响，人们将不乏动力来克服通向下一代工业AI道路上的所有挑战。