人工智能（AI）已经融入社会生活的方方面面，从“刷脸”支付、语音助手等日常应用，到疫情期间发挥重要作用的智能测温系统、智能消毒机器人，都为人们提供着更加便捷和人性化的服务。与此同时，人工智能也从消费领域拓展到制造业、能源、交通等关系国计民生的关键领域，逐步实现规模化落地。人们都在期许，人工智能与工业场景融合释放出巨大潜能，从而改变工业的未来。

        然而，现实是。工业AI并没有像想象中那样快速落地，真正有实际效益的并不多见，那么工业AI落地被“卡”在哪里了？在工业中应用AI真的可靠吗？

        其实，对于工业AI而言，他本身的发展与商业的AI是并行的，但是，工业AI不能脱离领域知识、行业特征。在如何将人的经验转化为可复用的知识方面，仍然需要在特征值提取、训练模型方法、泛化等方面的经验，因此，它在现阶段仍然需要跨界的专家来构建整体的应用，既要懂AI本身的工具与方法，还要懂行业的知识，包括机械、电气与工艺方面的知识。所以说，最大的障碍还是人才的需求。

        而AI解决的往往是用传统数学方法解决不了的问题，所以往往也是不透明的方法，这就引出了我们开头提起过的第二个问题，AI应用于工业真的可靠吗？

        我们知道，通常机理建模的优势就在于它具有高度可解释性、可预测性，并且算力消耗很低，因此，我们会注意到自动化领域它的处理器都要求不高，就是因为这些已有的机理模型本身不消耗太多的算力，但是AI就对算力要求较高，因为他牵扯到非常多的神经网络计算，随着数据量和层级加深，计算量就会非常巨大。机理主要解决的是定性的问题，而数据是要解决定量的问题，两者无法相互代替。没有机理，难以判断模型的对错、适用范围的大小、模型的可靠性不会太高；没有数据，我们难以给出定量的结果。工业需要更高的可解释性，那么，这就需要增强机理建模和数据建模混合的使用，从而来获得高可解释性和高可靠性。