【工业智能】机器之魂：论 AI 在未来工厂中的应用；从这几张图看懂“中国制造2025”和“工业4.0”；

2018 年 5 月 10 日 产业智能官 36氪

编者按：未来的工厂会是什么样子的呢？在AI作为关键驱动力的作用下，工厂会变得更敏捷更定制化。这方面以及有一些国家（比如美国、中国）和公司开始捷足先登。但是绝大部分国家和公司对此仍然认知不足，或者能力不足。AI未来将如何变革工厂？在未来的工厂会有哪些用例？理想与现实的差距在哪里？工厂实施AI应该采取什么样的策略？波士顿咨询集团对此进行了分析。

在商业技术领域人工智能（AI）是个热门话题，而且也引起了产业公司的注意。通过应用合适的AI技术组合，制造商可以提高效能，改善灵活性，加快流程，甚至促进自优化运营。BCG的一份分析发现，AI的使用可降低制造商最高20%的加工成本，而这种减少最高有70%源自于更高的劳动生产率。制造商还可以利用AI开发和生产为特定客户量身定制的创新产品，并且将订货到交货时间大大缩短，从而产生更多的销售。AI因此是未来工厂不可或缺的一部分，而技术将会增加工厂结构和流程的灵活性。

全球各地的公司，不同的行业都在探索在经营当中应用AI的可能性，这一点毫不出奇。但一些主管对AI能否带来承诺的好处依然存疑。为了更好地理解其中的机遇与挑战，波士顿咨询公司（BCG）最近对大众对AI的期望以及AI在产业经营中的采用情况进行了梳理。

BCG的研究聚焦在一份涵括众多制造业超过1000名高管和经理的全球调查的结果上。总体上，我们发现制造商预期AI成为改进生产力的关键杠杆。但实现并没有跟上预期的节奏，这很大程度上是因为许多公司缺乏AI的4种使能器：战略（包括全面的路线图），实现的治理模式，相关的员工能力，以及IT基础设施的支持。

研究背景

调查发现，交通、物流、汽车、技术公司处在AI采用的前沿，而加工产业（比如化工）就比较滞后。相对于日本、法国和德国，美国、中国和印度在AI采用方面的领先优势令人印象深刻。不同国家A采用速度的差异反映出对AI好处的期望偏差。

尽管像中国这样的新型国家对这些好处非常狂热，但很多工业化国家，比如德国，其观点就比较保守了。因为德国公司在制订AI采用的详细计划方面也落后了，其滞后的夏装有可能还会持续。德国国内采用AI技术最活跃的当属汽车业，而加工业还有很长一段路要走。

调查结果表明，如果有意实现AI的宏图壮志，工业制造商必须显著加大其实施力度。光靠技术本身是不够的。要想充分发挥AI潜能，公司必须在组织层面考虑所有必要的使能者。

AI将变革企业

AI让计算机和机器有能力用聪明的方式去执行任务。AI帮助制造商决定最好的动作序列来实现目标，也能让他们远程实时对运营进行管理。

运营AI的基础

AI在运营中的许多使用都用到了机器学习——这是数据挖掘与数据科学的算法家族。这些算法不是按照静态、预设的规则或者指令，而是通过分析数据来学习，然后利用所得洞察生成预测或者训练预测模型。

AI技术在运营当中有若干应用：

机器视觉。通过可见光、x射线或者激光信号感应生产环境——比方说，用摄像头对零件和产品进行分类。
语音识别。处理语音等听觉信号——比方说，用类似Alexa或者Siri的虚拟助手处理操作员有关质量问题的评论。
自然语言处理。分析文本，解释最可能的意思——比方说，从不同的绩效报告生成摘要。
信息处理。从非结构化文本中析取知识并获取查询答案——比方说，通过搜索产品相关的文字报告。
从数据学习。根据生产相关的经验数据对值进行预测或者分类——比方说，利用机器和流程产生的历史数据来预测事件。
规划与探索。选择一系列的行动让特定目标最大化——比方说，让自动导引车（AVG）识别最佳的下一步。
语音生成。通过文本或语音跟人沟通——比方说，大声朗读指令。
处理与控制。操纵物体——比方说，让不需要特殊培训的机器人从储存箱中捡起未分类的零件。
导航与运动。在物理环境下机动——比方说，让AGV在工厂内自主移动并优化路线。

很多行业领袖期望AI能从端到端（包括工程、采购、供应链管理、工业作业（生产及相关功能）、营销、销售以及客户服务）变革流程以及价值链。在最近的一次研究中，产业公司高管认为运营可能是受到AI影响最大的环节。

AI的作用是增强，而不是取代制造商现有用于持续改进生产力的手段。AI是工业4.0主要的技术建构块之一。此外，制造商还可以用AI来增强传统的效能手段，比如自动化和精益管理。比方说，通过识别质量问题的根源从而帮助消除缺陷，AI可以支持精益管理减少浪费。的确，我们调研40%的参与者预计，到2030年，AI会成为生产力改进的一个非常重要的驱动力，而相信它对当今生产力起到非常重要作用的人占比为29%（参见图1）。

图1：AI的作用越来越重要

AI采用将显著改变劳动力的构成，并且由于减少了生产过程中的人工活动而降低加工成本。比方说，今天质控相关的任务需要密集的人类参与，但在有了AI的广泛支持后将会变得高度自动化。不过即便现有工作会被消灭，需要与AI互补技能的新工作机会也会出现。总体而言，调查参与者呈现出轻微的偏见，认为AI的净效应会是总劳动力的减少。

不过，不同国家之间对AI的期望也很不一样。比方说，来自中国公司的受访者认为AI采用会显著减少其总劳动力（这反映了对低技能工人的技术替代），而来自德国的公司预期其更高技能的劳动力并不会减少太多。

AI的用例

AI体现了工厂的范式转移。今天的工厂自动化流程和工具采用的是规则导向的做法，今天的机器人编程处理的是固定的场景。相反，未来的工厂会利用AI来支持自动化流程和机械制造以响应不熟悉或者意外情况，从而做出明智决定。因此，技术系统会变得更加灵活适应性更强。比方说，在基于规则的做法下，机器人无法从一批未整理的零件中识别和选择所需的零部件，因为它缺乏必要的详细编程去处理零件无数可能的方向。相比之下，有AI支持的机器人可以从一堆乱糟糟的零件中挑出想要的零件，不管其方向如何。

各种AI用例包括改善工厂内外不同运营领域的生产力。在调查受访者当中，有37%认为AI对工厂运营中生产的生产力改进发挥了最重要的杠杆作用。而12%的人选择了物流是AI作用最大的地方。跟这些发现一致的是，公司把自优化机器、质量缺陷检测以及效能损失预测视为最重要的AI用例。尽管不同的公司对不同用例的价值看法胡有所不同，但制造商唯有应用AI并集成内部不同职能以及供应商与客户的数据池才能重返发挥其作用。

工厂之外。在工厂外围，工程和供应链管理是AI应用最重要的运营领域：

工程：制造商可以利用AI促进研发努力，从而优化设计，改进对客户需求和期望的响应并且简化生产。AI支持生成式产品设计，根据既定目标和约束利用算法探索各种可能的设计解决方案。通过迭代式测试和学习，AI算法优化设计，推荐在人类看来非传统的解决方案。一些航天公司正在利用生成式设计以全新的设计开发飞行器部件，比如提供跟传统设计功能相同但是却轻便许多的仿生学结构。
供应链管理。需求预测是供应链管理领域应用AI的关键主题。通过更好地预测需求变化，公司可以有效地调整生产计划改进工厂利用率。AI通过分析和学习产品发布、媒体信息以及天气情况等相关数据来支持客户需求预测。一些公司还利用机器学习算法识别需求模式，其手段是将仓库、企业资源计划（ERP）系统与客户洞察的数据合并起来。

工厂内部。在工厂内部，AI会把各种好处带给生产以及诸如维护、质量与物流等支持职能：

生产。我们的研究涵括了所有的生产环境，包括连续加工（比如生产化学和建筑材料的）以及离散型生产（比如装配任务）。在所有的环境中，制造商都会利用AI来降低成本提高速度，从而提升生产力。他们还会用它来改善灵活性应对生产的复杂性——比方说客户定制产品的生产。AI还可以让机器和部件成为自优化的系统，通过对当前和历史数据进行连续分析和学习实时调整自身参数一些钢铁厂已经在利用AI让熔炉自动优化设置了。AI分析铸沟的材料构成，识别稳定工艺条件的最低温度，从而降低整体的能耗。在另一个重要的生产用例中，得到智能图像识别能力增强的机器人可以从未定义的位置（比如箱子里或传送带上）里捡起未分类的零件。这已经在汽车业有了实际应用。
维护。制造商会利用AI减少设备故障提高资产利用。AI支持预测性维护——比方说，通过根据实际情况替换磨损部件来避免故障。AI会持续分析和学习机器和部件产生的数据（比方说传感器数据和产品结构）。这一技术对加工业尤其有好处，因为故障会导致销售损失。比方说，一些炼油厂已经实现了在设备失效前估计剩余时间的机器学习模型。这种模型会考虑超过1000个与材料投入、材料输出、工艺参数以及气候条件有关的变量。
质量。制造商可以利用AI帮助尽早检测出质量问题。视觉系统利用图像识别技术识别缺陷以及产品功能的偏差。因为这些系统可以持续学习，其性能会随着时间转移而改善。汽车供应商已经开始利用带机器学习算法的视觉系统识别有质量问题的部件，包括检测没有出现在用于训练算法的数据集内的缺陷。AI还可以持续分析和学习由机器和生产环境产生的数据。比方说，AI可以将材料属性和行为与钻床设置信息比较，预测钻孔超出耐受度的风险。
物流。我们的研究关注于产内物流和仓储，而不是外部供应链的物流。AI会促进场内材料供应的自动转移和效率，这对于管理制造多种产品衍生和定制产品所带来的日益增长的复杂性是必不可少的。在工厂和仓库内运输物品的无人车会利用AI感应障碍调整车辆路线从而实现最佳路线。医疗包建设部制造商已经开始在自己的维修中心利用无人车。在不需要磁条或者传送带引导的情况下，这些车辆可以在遇到障碍时停下来然后自动确定最佳路线。机器学习算法会利用物流数据——比如材料进出的数据、库存量、零件的周转率等——来促进仓库自主优化运营。比方说，有一个算法会建议将低需求的零件转移到更远的地方，并且将高需求的零件放到可以更快获取的附近区域。

一些AI用例还可以应用到多个运营领域。比方说，能够生成语言并进行处理的虚拟助理（类似苹果的Siri和Amazon的Alexa）可向操作员提供源自IT系统的相关背景信息。一些公司已经在利用语音分拣系统处理分拣、打包、接收以及补给事务。在这些应用中，语音系统会连接到ERP系统的物料清单引导操作员去到正确的箱子那里。

AI系统会根据事件报告（比如图片和书面报告）建议相应事件（比如机器故障、质量离差、性能损失）的解决方案，而且还会持续分析和学习这些报告。飞机制造商已经实现了利用事件报告识别生产问题模式的自学习算法，然后将当前事件与过去类似事件进行匹配，并且提出解决方案建议。

在研究参与者中国，期望上述用例到2030年会变得非常重要的人占比在81%到88%之间，但是认为这种能力已经在生产的多个领域完全实现的占比就相当低（6%到8%）。图2提供了受访者认为在未来工厂中发挥重要作用的用例排名的概览。

图2：AI在未来的工厂中将变得无所不在

雄心与现实之间的差距

很多公司都打算加快实施AI，但是我们的研究发现，平均而言，中国、印度、新加坡的公司对在近期在生产中实施AI的抱负最大。在受调查的离散产业中，医疗保健和能源是近期最有野心的；加工业和工程产品往往就没那么迫切。

参与我们研究的大多数公司都说他们注意到AI的重要性正在增强。然而，他们的投资、话以及实施都没法跟他们的野心相称。尽管87%的受访者成计划在未来3年内在生产中实施AI，但只有28%制订了全面实施的路线图。剩下的72%缺乏详细计划：32%正在测试选定用例，27%只有一些初步想法，13%并未将AI列为优先事项或者还没有考虑。

有限的实施程度反映出综合规划的缺乏，这揭示了理想之丰满与现实之骨感的差距。在过去，在实现AI用例方面，只有约50%的公司实现了自己的目标。因此不奇怪的是，只有约16%的公司在多个厂区充分实现了超过1个的AI用例——这样的成绩按照我们的定义可称之为早期采用者。对于纳入我们研究的12个国家来说，早期采用占比最高的国家包括美国（25%）、中国（23%）以及印度（19%），最低的是日本（11%）、新加坡（10%）以及法国（10%）（参见图3）。在受访的德国公司中，只有15%属于早期采用者。

图3：中国、美国的AI早期采用者最多，对推进AI最积极

美国公司的高采用水平可能反映出那里的AI技术的广泛普及。即便如此，中国在AI投资上仍压倒了美国，去年中国投资占到了AI初创企业全球投资的将近一半。2017年中国国务院还颁布了《下一代人工智能发展规划》，打算用三步走的策略到2030年达到AI全球领先水平；天津市政府已经设立了300亿元的基金来支持AI产业。其他的新兴国家，比如印度，其态度也类似，将AI采用视为保持其制造业全球竞争力的必要元素，并且对AI进行了大规模投资。与之相反的是，一些工业化国家，比如日本，仍然专注于过去提升其竞争能力的传统手段（比如精益制造）。

在我们关注的8个行业中，交通和物流（21%）以及汽车业（20%）的早期采用者所占份额最高，工程产品（15%）和加工业（13%）相对滞后。（参见图4）这些差异反映了行业的不同奇点以及与数字化的密切关系不同。汽车和技术公司属于最先进行列并不出奇。其他行业甚至还没有学习已经成为那些行业价值链不可或缺部分的众多数字化策略。

图4：不同产业的AI雄心与现实之间的差距

公司雇员数也会对AI实施产生影响。小企业相对于大企业成为早期采用者的可能性更低——这也许是因为小公司往往预算更加拮据，腾出给AI采用的能力更少。尽管最近的技术发展以及数据存储和数据处理的成本下降会降低对AI投资的阈值，总体的能力差距可能仍将持续。

缩小差距

有4个使能器对AI在运营中的成功实施至关重要：战略和路线图，治理模式，员工能力，以及IT基础设施。在让AI使能器充分发挥方面，早期采用者比滞后的公司所取得的进展要大得多。（参见图5）

图5：AI实施的四大使能器

战略与路线图。为了给自己所有的AI实施活动提供方向和指导，公司需要有清晰的战略。AI战略应该专注于最有价值的用例——那些解决公司特定业务需求和挑战的用例——并且跟公司的总体数字化战略保持一致。公司还需要清晰的实现路线图，为投资建立商业案例和可衡量的目标。调查参与者将为运营制订清晰的AI战略列为最重要的使能器。

治理模式。管理层给出看得见的承诺对于实现潜在的改进非常关键。高层管理应该利用结构化的沟通来确保组织内对AI有清晰的了解。公司应该为AI实施建立明确的角色和责任，并且设立清晰的组织架构。相关职能部门间有效协作和沟通对于克服AI应用的文化抵触必不可少。

员工能力。为了采用AI——以及更广泛的数字化——公司必须让员工具备很强的编程、数据管理及分析等技能。公司应该对所需的技能集有清晰的想法，并且应该评估那些需求与员工目前所具备的技能之间的差距。

对于了解运营AI基础这样的主题，员工可以通过培训计划获得所需的技能，这种培训可以来自公司内部或者外部。对于需要更正式的IT相关学习课程，比如先进分析，公司必须招聘包括数据科学家在内的新型员工。

在研究的参与者当中，93%者报告自己公司内部没有足够能力在运营中实施AI。4人中就有超过1人（29%）称自己的公司已经增加了专门做AI的员工数量，而将近一半（47%）预期未来几年这个数字还会增长。

IT基础设施。遗留IT系统和机械设备的互操作性对于AI实施的成功非常关键，这需要由API和网络标准来促进。网络安全是致力于AI与工业4.0实践者的另一个重要关切。

在实施AI中，公司应该考虑采用敏捷的工作模式，这样可以在需求变化时调整自己的战略和路线图。在应用AI技术中，公司应该采用快速失败，最小可行产品的做法，这样可以小规模测试新想法然后通过快速迭代调整，最后再全面铺开。早期采用者比滞后者更有可能采用这种敏捷工作模式。

入门指南

这份研究的发现指向了行动需求，这不仅要求行业公司采取行动，工业机械和自动化制造商也要行动起来。

对机械与自动化板块的影响

作为对所有其他类型产业公司的供应商，机械和自动化制造商在实现AI技术潜能已经满足工厂对AI支持应用的需求中将扮演重要角色。AI将让机械与自动化制造商形成新的创收商业模式，比如“机械即服务”。为了挖掘这一市场，此类制造商应该增强自身设备并且收集数据来试验AI技术。

在所有行业里，调查受访者把自优化机器视为机器重要的AI用例。机械与自动化制造商可为产业公司提供利用机器学习技术实时分析参数并优化流程的机器。

调查受访者还注意到机器视觉系统的重要性正在不断增加。机械制造商可以直接将机器视觉集成到自己的机械系统里面。尽管底层的AI技术来自于知名供应商，但机械制造商应该考虑开发自己的AI解决方案以便避免对特定供应商形成依赖。

作为开发AI支持的分析与自优化机器的第一步，机械与自动化制造商应该对自身机器性能保持完全透明。这会让用户在AI之旅中取得进展，比如感知机器参数，以及对数据的持续学习。感知与行动需要监控温度、转矩、振动等过程参数来获得对机器情况以及制造零件的质量的洞察。最后，透明性还为自调整系统奠定基础。此外，机械和自动化制造商还必须让客户放心从他们的机器访问的数据是安全机密的。

为了在实现AI的竞赛中不被落下，产业公司应该采取结构化的三步走策略：

评估现状。公司应该从苹果自身痛点以及AI成熟度开始，然后应该拿自己的现状与同行或者行业平均水平进行基准比较。因为健壮的IT基础设施对AI事实必不可少，公司必须评估其运营IT的现状。进行车间评估的一个先决条件是在一定设备上建立一个评估主题和基准的库。

确立使能器。公司应该制全面的AI用例清单来处理在健康检查中发现的痛点问题。所有利益攸关者都应该集中起来召开研讨会深入讨论用例，确定优先实现哪一个。在评估该优先用例额财务及非财务好处时，公司应该为投资测算商业案例。对量化好处以及所需投资有经验的AI专家的输入在这一阶段具有极其重要的价值。在找出了这个优先考虑的用例之后，公司可以为AI在运营中的应用制订目标图，并且为实施制订路线图。

公司的治理模式应该清晰描述AI实施的角色与责任，并且应该建立一个协调的组织架构。公司还需要将目前劳动力的素质与那些需要实现的AI用例进行对比，确定如何缩短差距。此外，公司还需要为用例实现定义IT需求，并且为有效能和效率的数据管理制订第二套治理模式。数据科学家和具备AI知识的IT专家应该参与到需求的定义中来。

测试与解决方案拓展。公司应该在工厂的特定地方测试AI用例。为了加快流程，公司应该在定义好愿景、建立起使能器的同时发起第一批试点计划。每一个试点的目标应该是迅速开发出最小可行解决方案，然后通过敏捷开发方法以多次迭代的方式改进试点的设计。员工通过与试点计划的互动可以体验到AI用例是什么感觉。为了促进这些试点，公司必须利用可产生迅速影响的技术工具，比如资产监控传感器和智能眼镜等。公司还应该扩大试点成功的解决方案。最后，为了发挥AI实施的全部潜能，公司应该全范围实施集成的解决方案。

我们的研究表明，AI即将成为增强运营生产力最重要的手段。但许多公司仍未意识到获得AI的好处需要的不仅仅是对技术的投资。一个描述清晰的战略时必不可少的起点——但即便如此仍然不够。公司还必须有适当的治理和支持基础设施就位，同时还必须对劳动力进行重新配置和培训。尚未对AI实施采取全面视角的公司制造商应该迅速提高自己的竞争能力才能赶上那些早期采用者。

附：报告下载。

原文链接：https://www.bcg.com/en-us/publications/2018/artificial-intelligence-factory-future.aspx

编译组出品。编辑：郝鹏程。

RaaS（Robot as a Service）即将到来，人工智能给制造业带来了哪些转变

金沙江创投

作者张予彤

本文作者张予彤，担任金沙江创业投资基金的合伙人，专注于移动互联网以及人工智能领域早期公司的投资。她投资的项目，包括小红书、零零科技和深鉴科技等。在加入金沙江之前，她组建并主导了趣加游戏的海外发行部门。张予彤拥有斯坦福大学的工程硕士学位以及清华大学的电子工程学士学位。

第四次工业革命

第一次工业革命源于蒸汽机的发明。它推动了机械化生产，提供了人力无法企及的物理动能。第二次工业革命是因电力产生的福特汽车的大规模生产线。第三次工业革命则来自于计算能力，1969年发明的可编程逻辑控制器（PLC）取代了工业生产中复杂的继电器电路，从而实现了工业自动化控制，让工业生产力大幅提升。然而此后制造业技术的发展相比移动互联网却放慢了脚步，近30年工业技术并没有取得突破性的进展。

如今，我们终于迎来了第四次工业革命。传感器、计算力、以及网络传输的指数级增长，产生着巨大的力量。从德国的“工业 4.0”到“中国制造2025”，新一轮制造业的较量已悄然启动。

中国制造业的现状

中国2015年之前实行的独生子女政策导致了现在的低生育率。符合劳动年龄的人口数量已经达到峰值。农村人口从内陆省份向沿海地区的迁移也正在放缓。如果没有外来劳动力的流入，许多工厂产能增长的目标将难以实现。中国的制造企业第一次迫切地需要提高生产力。

Source: World Bank

在之前的二十年里，虽然中国的劳动生产率每年平均上升8.5％，但绝对的生产率水平仍然偏低，仅为发达国家的15-30%。同时人力成本不断上涨，工人的平均工资已增长到每月5000-6000元。

在之前快速发展和用工成本较低的年代，很多工厂并没有太在意效率和质量，也没有采用一些先进的生产管理理念，例如使用统计方法确保质量的六西格玛，以及强调效率和减少浪费的精益制造。如果出现问题，他们会选择用更多的人去解决问题，而不是对自动化生产进行投资。

而现在的制造企业都开始积极地拥抱自动化技术。高盛的分析数据显示，部分物联网底层传感器的成本在过去十年中下降了50%，带宽成本下降了近40倍，数据处理成本下降了近60倍。以人工智能为代表的新一波创新技术如果可以为中国制造业的生产效率带来15%的提升，那将会创造4万亿的价值。

制造业转型之旅分三步走

制造企业开始转型的第一阶段一定是数字化

就目前来看，国内工业物联网处于早期阶段，不论是网络及硬件设备都尚未成熟，基础设施建设和数据采集这一步还没有全部完成。工厂首先需要为生产设备装上传感器和控制装置，打通生产设备、生产管理、制造执行及规划系统，更实时透明地掌控生产进度。

第二阶段是自动化

除了汽车制造业，中国大量的工厂自动化程度仍然偏低。2015年，根据经济学人发布的统计，中国虽然每年采购全球最多的机器人，但整个国家平均每万工人只配备了50个机器人，而在自动化程度相对发达的德国和日本这个数字是约300个，在韩国甚至是500个之多。如果要继续提高生产效率，那么自动化生产系统一定会在工厂普及。

在自动化充分实现后，制造企业会逐步向智能化过渡

历史上，“自动化”代表着机器可以执行某个具体独立的任务，例如根据定义好的规则开启和关闭泵。自动化是取代人做重复性的劳动，而智能化是做人做不了的事情。智能工厂的定义是一个灵活的协同系统，自主运行整个生产流程，在全局范围内自我优化，实时地适应新的环境。它代表着一个持续的自适应的过程，而不是过去“一劳永逸”的升级改造。

人工智能在制造业的主要应用

1、大数据分析 - 设备预测性维护

在传统工厂里，生产设备依然不能联网，只有在设备出现故障后再去维修，或者采取定期维护的方式而不考虑设备实际的运行情况。一旦出现计划外的宕机就需要临时性地采购零件，花高额费用做紧急检修，以便尽快恢复正常的生产。就算没有宕机，当人发现机器故障时，它可能已经制造了不合格的产品，给工厂带来经济损失。

美国的AI工业预测平台Uptake去年宣布完成了4000万美金的融资。通过在工厂的设备里置入传感器，Uptake可以采集前端设备的各项运营数据，结合大数据分析以及机器学习技术为工业客户提供设备的预测性诊断和能效优化等管理建议。工厂可以实时监测运行状态，对比历史数据，预判潜在的设备故障，有效规避正常生产的中断。

如果以后将设备预测性维护的数据整合到ERP系统中，企业就可以实现生产流程的最优化，通过动态调整生产计划，将设备故障带来的经济损失降到最低。对不同数据源，生产设备以及管理系统进行集成和分析将成为未来制造企业进行决策的标准配置。

2、自动质量控制 - 机器视觉检测

在深度神经网络发展起来之前，机器视觉已经应用在工业自动化系统中了，如拾取放置、对象跟踪、计量、缺陷检测等。其中，将近80%的工业视觉系统集中在缺陷检测。

人眼也可以发现产品的异常，即使这种异常我们从未见过。但由于眼睛容易疲劳，人的判断也很主观，这样就会造成产品检验的不一致甚至有漏检的情况。人眼也很难适应高速生产的需求，比如对于图形复杂的印刷电路板，人工检查需要很长的时间。通常只能基于抽样检查，无法像自动化系统可以进行实时全面的检查。目前在PCB和IC的生产线上，大约60％的检测任务都是由机器视觉来完成的。

机器视觉则凭借快速、精确和客观等优势，在现代工业中得到越来越广泛的应用。举例来说，在生产线上，自动检测系统每分钟能对成百上千个元件进行检测。如果配备了适当分辨率的相机和光学器件，机器还能检验到人眼无法看到的细节特征。另外，由于消除了人与被检验元件之间的直接接触，机器视觉减少了元件磨损的成本，也能让工人免受危险环境的威胁。

但机器视觉仍然面临着适应不同工业生产环境的挑战，因为很少有企业会专门为了某一种类型的产品而部署自动化检测系统。在不同的环境下，相机的镜头方向、与元件的相对位置、元件表面的强反射光都会影响检测精度。所以视觉算法本身必须有很强的适应力。

3、智能协作机器人

传统的机器人由于运动路径是固定的，每一个动作都需要工程师编程、调试和手工配置来适应具体的生产环境。当机器人要应对不断变化的场景时，手工调整就无用武之地了。深度学习已经带来了一场变革，赋予机器人“柔性”学习能力。随着时间的推移，机器人可以从数据中学习，在不同的任务之间自主切换，新任务的导入也可以在数分钟之内完成。最终这些机器人不但可以互通互联，还可以安全地与人类一起工作，甚至观察工人演示生产流程，自动学会新技能。

目前高端工业机器人主要还是由国外公司主导，瑞士的ABB、德国的库卡、日本的发那科和安川电机并称四大家族，他们占据着国内机器人市场50%以上的份额。四大家族也在积极地推动智能协作。例如库卡机器人就具备相互沟通的能力，可以根据生产线上的工序来合作分配各自执行的生产任务。类似地，ABB也推出了双臂机器人YuMi（缩写自You and Me)，针对3C产品生产线上的焊接和装配场景。它可以与工人一起安全地肩并肩工作，一旦处于运动状态的手臂可能触碰到工人，它就会自动放慢速度或者停止运动。

Source: ABB

除了直接销售协作机器人，很多公司也在尝试新的租赁方式，让使用机器人像雇佣工人一样按时计费。传统的机器人不具备安全性，需要与工人隔离，不但无法满足即插即用的场景还造成了额外的部署成本。机器人即服务（RaaS, Robot as a Service) 这种新兴的商业模式，降低了初期的付费门槛，也更强调了硬件产品以外软件和服务的部分。可以反复重新编程以完成新的任务，帮助企业应对小批量多订单的生产挑战。

制造业挑战重重，现在制约人工智能应用落地的三大关键因素是可靠性，交付周期和易用性

1、工业设备对可靠性的要求极高。即便机器预测设备故障的准确率很高，但在某些行业里不能达到百分之百依旧难以被客户接受。就像之前纽约客的封面文章，制造企业希望的状态是无人值守的全自动化生产模式。没有人在生产环境里，也无需开灯（Dark Factory）。那就要求一切的生产技术，都要在没有人工监督和辅助的情况下，可以不间断地重复性工作。比如保证在两周连续运转都不产生错误，甚至将来可以自我配置和自我修复。

2、制造业并不是一个行业，汽车零件，电子产品，食物和药品，每一个垂直领域的生产流程和工艺都千差万别，每个领域的理解成本都非常高。如果产品底层的通用性和柔性不够强，那就很难满足企业对上层应用提出的定制化需求。产品交付的周期变长，进而降低了系统投资给工厂带来的经济回报。

3、此外给制造业提供的产品一定要具备易用性，因为行业本身的技术能力有限，必须要降低使用系统的操作门槛。比如重新编程已有的机器人需要高学历的专家，那就导致了维护成本的上升。如果工业产品也可以做出苹果iOS的产品体验，那么只要是会用电脑的人，之前用Word和Excel进行流程设计和工作安排，现在就能够学会如何让机器人运转起来。

当然任何的应用都离不开实实在在的业务场景，人工智能必须建立在一系列商业应用的基础上，控制好系统成本，并且为工厂量化系统改造所带来的投资回报。比如一个协作机器人的售价为20万，由于机器可以24小时不间断地工作，相当于替换了三位工人。假设工人的月薪是5000元的话，那么工厂用机器换人的投资回报周期仅为一年。这样的系统一定可以打动大部分制造企业。

数字世界和物理世界的终极融合

众所周知，在1965年，摩尔定律提出每18-24个月晶体管的数量就会翻倍。53年间，它改变的不只是晶体管的数量，而是由它带动了所有事情的进步。从半导体、PLC到智能手机、传感器的出现，包括现在训练神经网络所需要的算力，都是得益于摩尔定律。再通过线上线下的连接性，现在人与人、机器与机器之间的联系和互动已经非常普及。摩尔定律促使了人和机器的共同进化，IT技术把物理世界和数字世界彻底融合在一起了。这一波新技术正在对生产体系和生产模式产生巨大的影响，给经济注入新的能量。我们的生活方式最终也会因此而发生巨大的转变。

从这几张图看懂“中国制造2025”和“工业4.0”

一、现今制造业面临怎样的挑战？

二、世界各个国家如何应对挑战？

三、智能制造的关键技术有哪些？

四、智能制造技术的发展趋势如何？

五、中国制造业呈现的趋势

六、智能制造业正在改变哪些行业？

七、想要从事智能制造行业重点掌握哪些技术？

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。