金属加工领域的分布式人工智能 - 边缘计算与分布式人工智能

DAI (即distributed artificial intelligence，分布式人工智能) 是指在工厂内的多个不同节点部署AI，而所有节点都是彼此独立的。所谓“节点”是指发生计算过程的地方，类似于人类大脑中的神经元。与传统意义上的AI十分类似的是，分布式节点和DAI使用机器学习算法和其他技术进行自动决策。

但是，另一方面，两者截然不同的是：AI是集中化的，而DAI是分布式的；后者使不同节点 (有时被称作代理) 互相协作，由此朝着一个共同目标对多个不同智能节点的知识和技能进行协调。或者，如果需要，它们也可以为了各自不同目标而独立工作。以这个模式为目标的行动被称为AI融合。

AI在工业领域仍被广泛视为一种新技术。然而，我们当前对于AI的应用却已经过时了。将数据反馈回同一个集中源的集中化AI是工业环境中最常部署的AI类型，但是大幅受限。

集中化AI的最大障碍是过于依赖数据中心和中央架构。为了有效处理数据，集中化AI必须在节点采集数据，然后将其传递至其他各处接受处理和分析。对于充斥着大量复杂机械的工业环境，所生成的数据范围可能是相当广泛的。

转而使用分布式模式，等于将这个挑战彻底颠倒过来：将算法带向数据，而不是将数据带向算法。转而使用非集中化的方法，算法将最终被导向数据 — 无论这个数据是在边缘还是平台上被采集。如此一来，优势多多，包括强烈需求高带宽连接能力，因为数据无需从机床传向数据中心，也无需再返回。

在工业领域，DAI提供了一种能够在每一个流程自动采集大量情报的方法 — 但是，其最关键的优势是自动采取措施的能力。根据DAI所在的节点不同，这些措施也可能以不同流程的各自目标为基础。例如，减少浪费或能源消耗，或者是助力实现更宏大的工厂使命。

DAI与大热的技术 — 边缘计算，协力合作。边缘计算描述设备上发生的数据采集、处理和分析过程 — 在过程的边缘进行 — 实时描述。

与DAI十分相似的是，边缘计算采用非集中化的工作方式，因而实现了机床层面的优化，而无需发回某个集中储存点。“边缘计算”是处理数据，而DAI是采取措施。

作为DAI调试的一部分，大量节点将各自独立运行，往往分布于同一个工厂内的多个不同地点。在金属加工领域，这些节点可能分布于切削刀具或是某个车削应用中 (仅举例)。

由于该数据是在过程的边缘生成和被采集的，所以能够提供集中化计算所不能提供的繁复细节。以我们的切削刀具节点为例，边缘计算和分析可在过程本身，即切削进行的过程中，实现数据采集。数据可能包括设备温度、切削精准性、刀具偏斜，等等更多。

通过在过程的边缘进行这种处理，更快速地获得了深刻见解，而如果将数据传至某个集中化的储存点是无法做到如此迅速的。此外，它还能降低带宽成本，因为只有最重要的数据才会发给云。

如果加工金属，边缘分析数据可能证明：紧接着的下一次切割将是不精准的。与AI结合，系统能够自动执行停止操作用软件代理的话，这种类型的节点被视作反应主体 — 对其周围数据做出反应。由于在DAI环境中所有节点都是平行处理的，所以该信息可与同一个工厂内其他所有节点共享。

这些节点是被动反应的，还是经过商议的，或者是混合代理 — 将决定它们使用该信息的能力。协商代理具备从外界采集数据和生成措施以实现目标的能力，而混合代理同时具备两种能力。理想的情况是：大多数节点都是混合型。

为什么是分布式？

对于工业领域而言，关于DAI的争论显而易见。DAI的目标是解决传统AI的推理、规划和洞析问题，尤其是在处理非常大的数据集时的问题。

工业环境中往往存在大量过程，全部都影响着工厂整体的生产率、质量和产量。使用边缘计算技术分析这些过程，使用AI自动对它们进行优化 — 这并不费脑筋。

虽然没有在流行文化中得到充分而精彩的演绎，但是一个事实是：工业AI远远没有达到银幕上经常描绘的那种“机器人恶魔”的程度。事实上，DAI与此正相反 — 它为人们提供了作为一个和谐团队共同合作的机会，同时处理速度和能力远远强于其人类前辈。

Nevzat Ertan

山特维克可乐满（Sandvik Coromant）首席架构师兼全球经理。

Nevzat拥有应用数学、计算方法方面的广泛背景，在信息和通信技术（ICT）、预测科学以及技术业务开发和战略领域拥有超过35年的工作经验。他还是山特维克可乐满数字化加工架构部门负责人，是数字业务/数字化转型和工业物联网（IIoT）的主题专家，并拥有担任多个董事会执行成员的广泛国际经验。