首先，从技术上来说，工业AI的技术体系由基础支撑、算法技术、应用技术和工业适配技术四个层级组成，其中算法技术、应用技术属于核心赋能技术；基础支撑、工业适配属于工程化技术。

     核心赋能技术主要包括以机器学习、深度学习和其他学习方式为主的数据科学；以专家系统、知识图谱为代表的知识工程；以人机、类脑为代表的探索技术；以机器视觉、NLP和语音识别为代表的应用技术。其典型的应用场景包括两种，一种是以数据建模分析或知识图谱构建等方式，解决工业领域的个性化场景问题，例如：生产制造过程参数优化、设备预测性维护、工业供应链优化等；另外一种是以视觉、语音等相对成熟应用技术直接迁移到工业领域，解决相似工业问题，例如：表单识别、产品表面检测、安全巡检等。

     工程化技术主要解决核心赋能技术落地推广的关键问题：一是基础支撑层，主要包括数据、芯片与计算模块、开源计算框架等，涵盖人工智能“算法”、“算力”、“数据”三大要素的后两个，为工业算法模型提供软硬件支持。二是工业适配技术，具体指为了适应工业领域特殊需求、解决融合技术问题、实现产业化相关的技术，如数据可用性、可解释性、实时性与自动训练等，工业适配层面的技术是驱动AI实际落地工业的关键。

     其次，从产业上来说，AI与工业供给产业融合形成的核心产品、方案与服务，是AI赋能工业的主要载体。主要包括四个方面，按层级关系可分为基础软硬件、智能工业装备、自动化与边缘系统、平台/工业软件与方案。其中，基础软硬件是指各类芯片/计算模块、AI框架、工业相机等相对通用的软硬产品；智能工业装备是融合智能算法能力的机器人、AGV、机床等通用/专用的工业生产制造装备；自动化与边缘系统主要指融合了智能算法的工业控制系统；平台/工业软件与方案既包括传统单机软件与AI融合升级，也包含各类具有AI能力的工业互联网平台及其衍生的解决方案、智能应用服务。

     最后，从应用上来说，工业智能形成三类核心应用模式。工业智能已经在研发、生产、管理与服务等全环节形成各类智能化场景。一是识别类应用，与工业智能的应用技术相对应，包括工业视觉检测、表单识别和工业语音信号识别等；二是数据建模优化类应用，与通用算法技术中的数据科学相对应，如基于机器学习、深度学习技术的智能排产、设备运维、工艺参数优化等；三是知识推理决策类应用，与通用算法技术中的知识工程相对应，如冶炼专家系统、设备故障诊断专家系统、供应链知识图谱等。