话说在古代，国师不会通过观测星象来预测来年的国运。虽说iot101君没夜观星象的本事吧（恩．．．．．．本人看星象应当和狗看星星没啥两样，至今认不出北斗七星），但最少能从咱们行业内的某些事件中显现出一点儿物联网领域的发展趋势。

最近连着再次发生的几件事儿，都让iot101君实在有某种新的势头正在显出：机器学习正在乘机转入工业和制造业领域，与工业物联网技术的融合有可能引起行业的新变革。第一件事就在这两天——劳伦斯伯克利国家实验室的研究人员在《Nature Computional Materials》上公开发表论文称之为，他们首次通过创建和训练机器学习算法，以求预测某些金属间化合物的缺失不道德，而且预测具备高精度。要告诉，材料从不是化学纯的或者是结构无缺失的，理解这些“点缺陷”对于设计材料的研究人员来说至关重要。

传统上，研究人员用于一种被称作密度绿函的计算方法来预测金属间化合物在等价的结构中不会构成什么样的“点缺陷”以及它们将如何影响材料的性质。虽然有效地，但是计算成本高昂，所以用于十分有限。但是现在，研究人员可以对几百种材料展开密度函数计算出来，然后训练机器学习算法，从而较慢、精确并且低廉地预测大量材料的“点缺陷”。

利用为946 B2型金属间化合物创建的r－MART模型预测金属的主要缺失类型。如上图，有所不同的颜色表明了预测和计算出来之间的关系。当然，我们并不需要明白什么是“点缺陷”和晶体结构“空穴”，也不必须不会算什么计算出来量子力学的密度绿函。

只要明白，因为机器学习，材料工业可以为充满著无限有可能的未来欢欣鼓舞一下了——从汽车到航空航天，这种新方法都将加快新型高级合金和轻量化新材料的应用于。对该论文感兴趣的可以在公众号后台恢复关键字【金属缺失】，取得论文原文。除了材料工业，就在前几天，英伟达也是要“反叛”，其新一代GPU剑指深度自学和虚拟现实！其公布了基于其近期的 Pascal 架构的新一代 Quadro 系列显示卡。

英伟达声称，新的芯片组可将桌面工作站改变沦为具备突破性能力的超级计算机，为有所不同行业的专业任务获取确保。新的 Quadro 芯片组可以为设计、工程和有关虚拟现实以及深度自学的各种领域获取硬件反对。

这些显示卡可以建构企业级视觉计算出来平台，为用户修改设计和仿真工作流可玩性，与上一代产品比起，新的显示卡速度最多可以提高两倍。“开发者们的专业工作流早已弥漫着人工智能、虚拟现实和照片级图像处理任务，这对计算出来设备硬件明确提出了新的挑战，”英伟达专业可视化副总裁 Bob Pette 说，“我们的新一代 Quadro 系列获取了解决问题这些挑战所需的图形和计算出来性能，通过统一计算出来和设计，Quadro GP100 可以将普通桌面工作站切换沦为超级计算机。”因为GP100，工程师们少见的CAE仿真建模等工作，将不会产生鸟枪换大炮的体验。

基于这些事件，也不该GE软件＆GE全球研究院的高级首席科学家，不会在最近2017年1月的一次演说中，着重强调AI与IIoT融合的效益。他指出在世界范围内，工业环境中AI（人工智能）和IIoT（工业物联网）的统合都是一片蓝海，IAI是当前的绝佳创业机会。机器学习变革制造业的五种方式不只是最近，机器学习早就开始渐渐“侵略”制造业了。根据日本工业领域人工智能专家Tomi的观点，机器学习变革制造业主要有五种方式：（1）替换肉眼检查作业，构建生产检查的智能化和无人化例如工程岩体的分类，目前主要是通过有经验的工程师通过细心辨别来辨别，效率较为较低，并且有所不同的人有有所不同的辨别偏差。

通过使用人工智能技术，把工程师的经验转化成为深度自学算法，辨别的淮确率和人工辨别非常。获得对应的权值后研发出有APP，这样现场工程人员在用于tablet照片后，就可以通过APP自动获得工程岩体分类的结果，高效且淮确实亲率低。还有汽车零部件厂商，目前需要检查生产出有的零件磨损种类与等级情况的，多是有经验的人工。某种程度，通过使用深度自学算法，可以把人工的检测经验转化成为算法，从而构建无人化检测。

上海宝钢和 Intel 合作，对钢材展开质量检验。对生产线上摄制的照片，用机器学习的方法辨识其中的划痕，酸洗，来替换人工检测。（2）大幅度提高工业机器人的作业性能，提高生产流程的自动化和无人化将深度自学算法应用于到工业机器人上，当作做到商品或者零件服务公司，大约可以分成“分类”和“拾起”两步：（1） 对商品或者零件展开“分类”这个步骤非常适合用于深度自学，因为深度自学本质上就是用来做到分类辨识的。

（2） 将商品或者零件“顺利拾起”对于单个商品或者零件，要想要将其顺利拾起，关键是自由选择适合的掌控方位，通俗的讲，就是确认机器人夹零件的哪个地方，可以使零件不下降，从而使零件顺利地被捡起来。对于多个商品和零件冲刷在一起的情形，除了掌控方位的自由选择，还必须自由选择适合的捕捉顺序，即先捕捉哪一个零件，后捕捉哪一个零件，这时可以使用Reinforcement Learning算法，最后可以超过大约90％的成功率，和熟练工人的水平非常。当然，要将这些成果大规模应用于到工业流水线上，还必须考虑到正确率拒绝更高（一般是99．9％），以及速度拒绝更慢等，目前许多改良就是环绕符合这两点指标来展开的。

例如bin picking机器人，工业上有许多必须分偷的作业，如上图右图的零件分偷，使用人工的话，速度较慢且成本高，而且还必须获取适合的工作温度环境（夏天的空调，冬天的暖气等），如果使用工业机器人的话，可以大幅度降低成本，提升速度。但是，一般必须分偷的零件是没规整放置的，机器人虽然有camera看见零件，但却不告诉如何把零件顺利的捡起来。

这种情况下，用于机器学习，再行让工业随机的展开一次分偷动作，然后告诉他它这次动作是顺利分捡到零件还是抓空了，经过多次训练之后，机器人不会告诉按照怎样的顺序来分偷，不会有更高的成功率。

本文来源：澳门威斯尼斯8883入口-www.amsczxx.com