Industriell AI er et bredere felt enn kroppslig intelligens, og den potensielle markedsstørrelsen er enda større.

Industrielle scenarier har alltid vært et av de viktigste områdene for kommersialisering av AI. I løpet av de siste to årene har mange selskaper begynt å bruke AI-teknologi i stor grad på enheter, i datasentre og i online menneske-maskin-grensesnitt (HMI-er). I følge IDC-prognoser øker penetrasjonsraten og markedsandelen til AI raskt, enten det er innen generell programvare, industriell programmeringsprogramvare, industriell visjonsprogramvare eller annen industriprogramvare. Tilsvarende vil etterspørselen etter AI-datakraft, enten det er på enhetssiden eller i datasentre, også fortsette å øke.

I tillegg til kroppsliggjort intelligens inkluderer spesifikke bruksscenarier for industriell AI også følgende:

Maskinsyn: Som en pioner innen implementering av kunstig intelligens har konvolusjonelle nevrale nettverk (CNN-er) lenge vært mye brukt i klassifisering og deteksjon gjennom hele utviklingen. I de senere årene, med fremveksten av store modeller, har flere AI-teknologier blitt introdusert for maskinsyn, for eksempel bruk av stordatamodeller for å generere prøver eller oppdage avvik, og dermed overvinne begrensningene til tradisjonelle CNN-nettverk, som krever omskolering når de står overfor nye problemer.

Industriell kontroll: Innen kontrollfeltet ble klassiske algoritmer tidligere brukt. I løpet av de siste to årene har imidlertid forsterkningslæring gradvis blitt en populær utrullingstrend, både innen robotbevegelseskontroll og andre tradisjonelle kontrollere.

Industriell digitalisering: Tidligere var fokuset på funksjoner som optimalisering av produksjonsplanlegging og drift og vedlikehold. Disse funksjonene, basert på maskinlæring, har gradvis innlemmet flere AI-algoritmer. I løpet av de siste to årene har fremveksten av store modeller ført til betydelig fremgang innen RAG (Retrieval Augmentation Generation). Globalt ledende produsenter, så vel som mange innenlandske ODM-er og til og med ISV-er, har tatt i bruk RAG i stor grad i sine programvareprodukter for å redusere kostnader og øke effektiviteten.