当前智能制造在中国很热，但是对其定义，内涵、外延还缺乏统一认识。

        智能制造不仅仅是一个技术体系，更重要的是对智能的理解、解决问题的逻辑和重新定义制造的思维。智能制造所需要解决的核心问题是，如何对制造系统的5M（材料、装备、工艺、测量和维护）要素的活动进行建模，并通过模型（第六个M）驱动5M要素。智能制造所要解决的核心问题是知识的产生与传承过程。

        同时，推进智能制造还应针对不同的行业领域采取不同的策略，因为领域不同，所以相关的特征也不同。例如在医疗领域中，推进智能制造的重点是追溯性，而不是生产制造，目的在于确认加工过程是否会影响后的认证。而半导体行业则关注的是检测，因为频繁的检测可能需要耗费大量时间，同时检测装备的价格也很昂贵。如果可以用数据直接预测并验证，则可以为全过程节省三分之一的时间，也节约了购买检测设备的成本。

        如果要预测某一个设备的状况，比如经过相关算法预测得出该设备预计三个星期后可能轴承或齿轮会损坏。

        初我们考虑的是从不同的算法中找出好的一种，后来我们意识到可以通过多种算法并行来进行互相印证，以共性高的结果作为参考。

        如今大多数工厂普遍应用商品化的管理软件来获取整体设备效率(OEE)等信息，及时掌控对生产系统中可见的影响因素和导致的结果。然而，生产系统中更多的是不可见因素，比如设备性能衰退、精度丧失等。而可见的影响因素往往是不可见因素积累到一定程度所引起的，比如设备的衰退导致终停机、精度丧失导致质量偏差等。因此，对这些不可见因素进行预测和管理是关键。

        人工智能的深度学习算法如果没有任何引导，这种算法有实际意义吗？

        深度学习是机器学习中的一种，它的先决条件是要制定限制条件。