根据信通院研究，由于人工智能技术可用性的增强以及工业信息化水平的提升，通用技术 的工业落地间隔由 20 年逐步缩短至 5 年。 发展路径上，w66AI 技术创新后，会按照“技术创新-应用探索-工程化”路径演化。 发展节奏上，AI 技术创新和工业领域融合应用之间的滞后周期有望不断缩短。从案 例来看，专家系统诞生与工业领域应用间隔近 20 年；统计机器学习的工业领域应用 基本在 10 年左右；而深度学习、生成对抗网络等新技术于 2012 年后在通用领域开 展应用，不足 4 年便已经产生了工业领域探索实例。我们认为，本次 AI 技术创新到 实际工业场景落地的时间可能快于市场预期。工业 AI 应用发展可以分为三大阶段： 阶段一：强技术导向的点状赋能阶段。以“AI 有什么、工业用什么”为核心特征， 主要是专家系统、机器学习等传统 AI 技术以及自然语言处理等应用技术向工业领域 的渗透迁移，解决以工业视觉为主的点状问题，如机器视觉定位、视觉质检、表单字 符识别等。
此阶段基本以替代人工操作、提高生产效率为主要目的，应用普适性强、 价值相对较高，但存在价值天花板现象。 阶段二：需求推动的场景复杂多样化赋能阶段。AI 技术与工业需求相互匹配解决点 状的复杂特异性问题，实现“工业有需求、AI 来满足”，以机器学习/深度学习等数 据科学与研发制造环节机理融合为主要特征，实现面向场景的建模与优化，如设备健 康管理、生产参数优化、需求预测等场景。此阶段面向相对复杂的工业问题，应用价 值差异性较大，但随着与物理化学、科学计算等更深层次机理的融合，有望产生巨大 的创新价值。 阶段三：综合智能应用阶段。以深度学习与知识图谱融合创新或是新技术理论突破赋 能为主，解决综合常识性问题。既能针对设备、工厂等实现更客观全面的智能优化， 如质量综合管控，也能实现全企业甚至全产业链基于知识的综合决策，应用价值较高， 推动工业真正实现智能化。
