当前，以智能化为核心的产业变革正在兴起，人工智能技术与社会各领域的融合不断加剧，并成为助推工业智能化转型升级的关键燃料。
今年 4 月，工业互联网产业联盟（AII）发布的《工业智能白皮书》显示，截止到 2019 年底，在全球 20 多个经济体近三年发布的 100 份人工智能方面的战略规划或政策文件中，涉及与工业结合的超过一半以上。美、日、德、欧盟分别发布《国家人工智能研究和发展战略规划》，《新机器人战略》，《国家工业战略 2030》，《欧盟人工智能》等一系列政策战略，重点提及产品全生命周期优化、先进机器人、自动驾驶、大数据挖掘等在工业领域的应用。随着人们对于工业 AI 的研究不断深入，逐渐扩展了其在工业领域可解问题的性能与边界。
人工智能是个比较大的话题，包括机器学习、深度学习、计算机视觉等，并且在工业特定领域中有非常多的业务场景和技术应用。缺电检测是工业智能一个比较常见的业务场景，前期他们的很多模型都是靠算法专家以手工方式去训练模型。然而，从交付的形态去说，这些是比较轻量级的交付，因为没有提供摄像头的硬件设备，也没有对客户生产系统进行调整，仅仅利用视觉 AI 的算法做了缺陷检测产品去替代缺陷质检的环节。
当前，工业智能的应用以点状场景居多、普及范围有限、还存在许多问题尚无法解决，仍处在发展的初级阶段。工业智能应用面临的四大问题分别是：
- 实时性问题。现有通用计算架构与芯片尚无法满足工业实时性所带来的计算要求，端侧推理需求迫切。
- 可靠性问题。电商平台的推荐系统达到 60%-70% 的准确率已经算是比较高的精准度，而部分工业领域、部分工业核心环节对推荐参数的准确性要求是 100%，一旦参数出现任何问题，将对生产、制造等环节，甚至生命财产安全产生巨大影响。
- 可解释性问题。在冶炼、核电等工业领域核心环节所面临的问题如果期望 通过数据技术解决，则此类问题的解决必须建立在可靠的工程 / 科学突破上，即需要能够明确 解释其背后机理。
- 适应性问题。通常包括模型间交互、软硬件适配与算法的数据、任务适配三类问题。
就工业智能来说，总的判断还是处于起步阶段，还没有达到成熟。