教育新闻网人工智能改变了我们作为消费者的生活。为什么它没有改变我们的行业?工业中的人工智能需要的不仅仅是大数据，解决方案在于物理世界。
如果预测算法在消费行业失败，那还不是世界末日。也许广告没有被点击，或者电视节目没有被观看。
在石油和天然气、电力和公用事业以及制造业等资产密集型行业，失败不是一种选择。训练不当的算法可能会导致生产停顿、损坏设备，或者——在最坏的情况下——危及生命。尽管人工智能在工业中具有很高的价值潜力，但鲜有成功案例可供讲述。这是因为人工智能的经典应用(例如自然语言处理、广告和游戏)与用于工业问题的应用之间存在根本差异。
混合人工智能是物理学和数据科学的结合，是在工业环境中释放人工智能潜力的关键。人工智能从信息中发现模式，通过在混合中加入物理，我们提供了更多信息——更重要的是，信息足够准确，可以为创造价值和加速行业数字化转型的解决方案提供动力。ImageNet 数据库包含超过1400 万张用于视觉对象识别的图片。可用于自然语言处理的文本数量几乎是深不可测的。对于某些应用程序，甚至可以自动生成训练数据。
工业上不存在这样的资源。尽管典型的石油平台或工厂将配备数千个传感器，这些传感器可能已经收集了数十年的数据，但由于多年来工业设备的操作变化，相关数据的实际数量通常很少。此外，设备在其最佳运行区域可能几乎没有数据，而传统的 AI 模型在现有数据范围之外外推时可能会产生不准确的预测。
数据质量是区分工业人工智能与经典人工智能的另一个挑战。工业现场的物理传感器通常位于恶劣的环境中，这意味着数据会受到不同程度的噪声、偏差和不同原始压缩级别的影响。相比之下，人工智能经典应用所使用的典型数据集将没有或可以忽略不计的噪音水平。
但是，有一个行业具有优势。虽然描述消费者行为的数学模型很少，但行业中的大多数问题都受物理定律的支配，可以使用构成高级模拟器基础的数学和现象学模型来描述。几十年来，工业主题专家一直在使用这些模拟器来支持关键决策。模拟器的缺点是，与纯粹的数据驱动模型相比，它们的计算成本通常很高，并且可能无法实时预测感兴趣的变量。
物理模拟器和 AI 模型显然是相辅相成的。前者可以对未来事件以及用于创建和验证模型的数据范围之外的事件进行预测，而后者可以在没有任何基础物理知识的情况下进行设置，甚至可以在一小部分传感器上工作。将这两种方法结合起来，可以保留两者的优点并减少两者的缺点。
