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。
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。比如我看到一种花，这种花属于哪一类的？这类花还有哪些品种？这类花有什么颜色、叶型？意思就是说每一种植物都有一个种群。但如果仅仅只说这就是一种花，那么这种学习是不可能完成的。所以，深度学习首先要有逻辑支撑，其次要有数据支撑。因为所处的环境不一样，参数也会不一样，背景资料也会变化。另外，我提出深度学习中还要有宽度学习，宽度学习讲的是速度，深度学习讲的是精度，二者的目的性不同。其实这跟我们人类学习一样，宽度学习是通过外部资料去了解，深度学习是自己去研习。
