最近有計劃要和老師們交流關于產業的AI應用看人才培養話題，覺得有必要做個調研。但是，設計調研問卷同樣是一個典型的工程問題：信息的完備性-我們是否對可能的選項進行了窮盡—或者約束為盡可能覆蓋大部分關鍵問題。其次，如何把問題清晰，且拆解為可被清晰理解的選項，并且如何避免選項中的不清晰描述帶來理解的偏差。這是很難的，所以拖了一段時間覺得寫不了這個問卷。

后來決定還是咨詢一下各位專業人士，包括了華中科技大學冰老師、穆海華博士、上海交通大學D老師、海克斯康歐陽先生、C博士、成博士、馮少輝博士等一眾朋友的建議和意見。其中，穆海華博士不但給了非常詳細的修改，并“批準”最終的調研稿。

截至12月3日14:00共計回收115份參考反饋，采用問卷星客戶端進行了問卷的輸入、發送。本人并不能看到相關填寫人信息-因此，算是純無記名投票形式。眾人參與，眾人有權利獲得結果，因此，撰文對這個結果進行反饋給大家，并做了些解讀。

第1題 您的企業在目前實施AI的目的主要在哪方面考慮？

解讀

在這個結果中，有一些指向了“AI是未來方向，需預先技術儲備”，說明重視AI是一種行為，但也同時說明另一個隱藏的可能，即，并非有顯著的需求支撐，而是為了AI而AI的潛在可能。當然，這也并不重要—對于工業場景來說，AI的應用比較零散，一直處于一個初級階段。

“通過AI提升品質與成本效率“-這應該是真實的AI工業應用需求。在產業中，任何“炫技”是沒有意義的，只有帶來真實的回報才是AI技術應用的王道。

第2題 您的企業目前對于AI的應用主要在哪些場景？

解讀：

從目前來看，在工業里，采用機器視覺進行缺陷檢測、機器導引（例如為機器人的揀取提供視覺檢測）。相對于商業AI的語音、圖像、視頻、文本而言，工業里可能就視覺的數據比較大，適合AI發揮其野蠻的算力。

至于“生產調度與排程”，有老師質疑是否其采用AI。

第3題 目前您的企業在AI的應用方面，主要覺得哪方面的障礙是比較大的？

解讀：

其實，在產業的工程技術里，尋找品質或成本問題背后的原因，本身也是一個較為復雜的問題-有時候，這就像在一個不見五指的黑暗世界里的探索。也如C博士所說“AI像是在一團迷霧中探索”的感覺。從與產業用戶的交流的確感覺到了“數據表征與特征提取難題”是AI產業應用的第一道關。獲得有效的、有價值的數據是關鍵。但是，究竟什么是“有效”數據，其實，也是需要工程師的“智慧”—就是一種直覺的判斷力，AI本身擅長于那些不確定性、無法直接被數學表達的問題。但是，物理的機電、聲光、電磁學等還是會給出一些潛在的方向的，或者基于“人機料法環”的大框架給出方向。有了方向，方法就會變得簡單。因此，在很多現場人員的反饋，獲得有效數據，表征問題，比如缺陷及引發缺陷的原因，潛在的，無法直接測量而采用的間接測量、或者方法，這是第一步的障礙。

當然，這些都是因為缺乏能夠將現場與AI結合的人才。

人才本身就是問題，首先，人才的初級需求就是指擅長使用工具來開發代碼、進行訓練和測試的，而人才的第二個層級，則是基于AI方法與工具與制造過程本身結合的。而第三個層級的人才需求，就是能夠掌控項目的，能夠對整個目標進行規劃，并協調資源，并順利推動項目達成任務的規劃型人才。

第三個在于“AI的可復制性較差，投資回報不高“也是一個重要的原因—當然，AI訓練的模型的確很難具有廣泛的適用性。不過，有一次馮恩波博士在線談AI的研討會提到，引發問題背后的原因如果有10個，那么其中1-2個是關鍵的因果，而其它則是相關性。相關性也分為高相關與低相關性，從商業意義來說，解決1-2個因果問題并不能形成競爭的勝負手，而在于那些相關性問題—解決高相關性，一個問題，就能帶來較大的商業回報。

第4題 在AI的工業應用中，您覺得工程師哪方面的能力是至關重要的？

解讀：

工程師能力在工業AI應用中，大家仍然把最高的評價給了“對復雜問題的拆解與模塊化設計能力“—顯然，這符合現實邏輯。即，能力比工具重要，形成一種”以不變應萬變“的解決問題的能力，比掌握Python、Java的編程本身重要。而工程師思維就是要”化繁為簡“、”解構與重構“。也即，在機理方式還是數據方式解決問題—本身這個工程師思維本身仍然是安身立命之本。

當然，對于工業AI的應用來說，對物理場的理解、AI工具的有效性邊界、組合，以及將問題與工具結合的能力。這些肯定是對工程師的能力本身的具體要求。

其實，有朋友反饋，現實中的確需要AI的人才，但是，非常之難，難就在如何將AI與制造現場的場景結合，有所謂的各種神經網絡、卷積神經網絡、強化學習、ChatGPT…各種熱詞，但是，他們究竟如何與工業的應用需求結合？這種關聯，流程對于大部分自動化類工程師是缺乏的。而計算機類專業也是缺乏現場對象的了解的。這也是工業AI比較難的原因。

第5題 您覺得大學自動化類專業在AI方面的教學應該有哪些側重？

解讀：

“對工業對象的建模能力基礎“在自動化類AI教學成為側重，這說明工業界的人仍然認為對對象的特性缺乏理解，是目前工程師缺乏的基礎知識。同時，這個基礎也被認為是AI應用同樣需要掌握和重要的。

當然，如何靈活選擇合適的AI算法、對于算法原理、優缺點、差異、組合應該有靈活的介紹。這個對于大學教師的提醒在于，學生可能不需要了解太深的關于具體算法的編寫，但對于橫向的比較、適用性的洞察，是快速讓其選擇合適工具和形成思路的關鍵。而一旦解決在全局層面認知達到了，具體開發過程你可以不用教了—相信他們的聰明。

第6題 您覺得工程師在解決工程問題方面的素養有哪些需要提升的？(最多3項）

解讀：

這還是再一次說明了分析問題的思路和方法，這個工程經驗的重要性。產品思維與用戶價值理解，這就是企業的工程師與科研不同在于必須“產品思維”。AI應用同樣是，它要達到易用性、模塊化可移植、易維護升級等User-friendly的設計、

第7題 您的企業在推進AI的工業場景應用中，傾向于采取與誰展開合作？

解讀：

顯然，企業都愿意與AI類企業合作開發其AI應用。這個可能會是一個潛在的認識問題。可能工業AI的場景，以及投資額，包括純AI對于現場的認知會是個難題。但，另一方面來說，也代表大家對于自動化專業和企業解決的AI水平缺乏了解，或者不大認同。盡管，我們認為自動化類企業和專業具有解決工業場景AI應用的優勢，但就當前認知層面來說，可能專業還需要加強工業AI的人才培養。

另一個問題在于教材的問題，個人閱讀了很多相關的教材。基本上都缺乏對工業場景的介紹，以及應用的分析，這說明工業AI本身市場較小，也未得到有效的重視。當然，也可以理解為工業AI的應用太過于碎片、個性化，很難具有可推廣性的，寫成教材比較稀缺。

但是，從教材開發視角，如何把AI與工業結合，解決產業問題—這類教材的確是極其匱乏的，甚至比人才更匱乏。

第8題 最近3-5年，新招入自動化相關專業的學生，他們在您企業的表現是否讓你們滿意？

解讀：

這個是一位參與前期問卷的老師提出的，他覺得還不如問問大家對自動化類專業畢業的學生是否滿意。不過，從結果來看，也合乎邏輯，畢竟，優秀的學生總是少數，仍然需要企業自身不斷的培養，發展。

以上是針對115個樣本的解讀，也與大家分享結果。也請大家留言點評解讀。謝謝！