算法+算力+數據=生產線
算法+算力+數據，就形成了一條可以生產的生產線，就像冷軋產線、熱軋產線、退火產線。
這些產線串聯起來，就是一個工廠：
鋼鐵工廠：高爐/電爐——連鑄/模鑄——熱連軋/厚板單軋——酸洗冷軋——連退/罩退/熱鍍/電鍍。
人工智能工廠：語音/CV/OCR——NLP/規則模型——知識圖譜/SQL庫——應用功能模塊。
在這一輪互聯網+的人工智能大潮之前，鋼鐵、電力、化工等行業其實都已經做了大量的探索和基礎工作?；蛟S受限于工業體系技術成熟，設備更新周期較長等原因，所以工業智能軟件的迭代沒有互聯網行業那么快。
但是這并不意味著工業領域的人工智能基礎薄弱，反而是在基礎數據的規范體系建設、在如何結合現場設備壓榨算力等方面，工業領域做的非常出色。
以計算機視覺識別技術為例，其實鋼廠二十年前就在使用了。即使當年計算機算力低下，但工業領域的工程師仍然通過規范輸入信息（固定距離、流明等參數）+領域專家高質量標注，通過大系統設計的思維，使得300米/分鐘的高速產線的視覺識別得以實現并穩定應用。
工業生產對準確性和穩定性要求非常高，一些從互聯網領域發展起來的人工智能技術或許很難短期快速的進入工業生產的領域，但是在工業的管理和服務等領域人工智能技術還是可以有很大的發揮空間。
比如使用NLP（自然語言處理）技術用來讀取質量異議文檔，自動轉成表格化數據，然后減輕人工整理的工作量，便于統計分析和質量管理。
或是使用NLP技術對工業領域的知識文檔進行知識抽取，并用知識圖譜技術做底層的關系結構，用于鋼廠技術文稿、檔案、知識庫的管理，提供技術資料的快速檢索也是可以探索的。

至于知識圖譜技術，它在流控方面具有天然優勢，用來做制造部排產優化、質量異議的產線排查、質量缺陷傳導分析等方面理論上也可以帶來更高的能效。

智能工廠離不開實時質量的監測，實時質量的監測離不開智能測量儀的在線檢測。常用的智能測量儀有在線測徑儀測量外徑與橢圓度，螺紋鋼測徑儀測量內徑及肋高，在線測寬儀測量寬度，激光測厚儀測量厚度，測長儀測量長度，直線度測量儀測量直線度尺寸。這些都是智能化的檢測設備，負責實時質量尺寸的檢測工作，不漏檢、不延時。