6GK5524-8GR00-2AR2产品大甩卖
***应用简单，低端应用复杂
汽车行业整体规范标准，虽然复杂产品但易于实现***制造。而其它行业缺乏原材料、整体产品的规范性，流程的复杂和约束反倒需要更大的学习模型，却受限于数据量、成本约束没有办法进行模型学习。
对于深度学习而言，在很多场景，如波士顿大狗、AlphaGo等已经有了成熟的应用，人们寄望于同样的技术能够为工业场景提供应用，但就深度学习对工业而言，存在很多难点：
（1）.解释性工具的缺失
现在的各种深度学习模型，往往需要通过多层***网络，使用方法类似于一个黑匣子，这给模型的解释与拍错带来巨大的挑战，我们在进行机器学习的应用场景中，取得***的精度往往只是众多任务中的一个，应用中另外一个重要的是任务是分析预测失败的结果，从中吸取教训对模型进行拍错，并进行优化提高。
由于深度学习的模型复杂，我们已经无法通过人工方式得知为什么对一些特定的模型预测会出现失误，这样的问题让我们在实际中往往束手无策，这就好比深度学习在靶场上能够取得优异的成绩，但不能上战场。
为什么深度学习从业人员没有开发相应的评判，解释工具？这就要从开发人员面对的囚徒困境说起，对于统计中经典的决策树、线性模型，往往需要***人员数十年的努力，才能得到比较完备的预测、评判、拍错体系，这个过程往往比较痛苦，得到的注意力较少，而现今的***人物都开始进入工业界捞名捞利，几乎没有人会选择更难走的道路进行工具开发。
6GK5524-8GR00-2AR2
.应用场景限制
深度学习目前***为火热的是在图像、计算机语言领域，这些领域往往有大量的数据，而且变量维度非常高，观测之间、变量之间往往具有强相关性。而对于工业场景而言，其数据量较小、数据维度较低，深度学习的成绩往往就不那么显著了。
数据量小的时候，稀疏的数据量不足以支撑复杂***网络的训练，而经典统计和机器学习模型可能已经取得了优异的成绩，而且不会过度拟合。当维度较低的时候，从业人员往往进行人工单变量观察，进行多种变量组合，以得到***的成绩，因此不需要依赖深度机器学习。
（3）.模型训练成本限制
由于采用GPU集群、FPGA等硬件对深度学习进行加速，这些成本高昂的方法也使得一般从业人员难以承受，对人才的培养也造成了壁垒，对于需要部署大量GPU集群的应用而言，工业领域的成本投入产出评估就是问题。
6GK5524-8GR00-2AR2
共性易于解决但不解决个性整体就没有意义，解决核心工艺解决相当于解决90%的问题，其它数据呈现、传输、操作都是小问题，可以用公共技术资。每个不同的行业会有不同的行业Know-How,IT与OT的区别就是一个共性的工作，一个个性的工作在自己的领域，IT希望采用通用的平台架构来适应变化的市场，通过大规模的普遍使用降低整体拥有成本，而OT通过技术壁垒提升竞争力，这看上去是矛盾的，但是，并非不能解决，抽取共性技术，这是需要两方的技术人员在一起协同的，但沟通的语言和方法一直处于障碍阶段，IT似乎总认为你只要有数据我就能分析，而OT的问题在于，你到底想要什么数据？为了这个问题双方纠缠了许多年，就是所谓的两化融合之所以难的原因。
不同的行业不同的特征，这是工业互联网的平台遇到的难题，而每个垂直的行业又有着自己的技术保密性需求，因此，对于如何推进，这些垂直的壁垒构成了巨大的障碍。