傳統制造企業在全面實施“人工智能+制造”有困難時可以優先發展人工智能質量檢測、預測性運營與維護、供應鏈管理等相對成熟的“人工智能+制造”應用。

人工智能技術可能是繼蒸汽機、電力、互聯網科技之后推動新一輪產業革命浪潮的革命性技術。在大量的數據、更好的算法和更強的算力的共同推動下，人工智能的應用已經在很多行業落地，逐漸滲透并開始帶來實際的價值。
根據壹行研（Innova Reserch）的研究，在全球范圍內，人工智能在先進制造、自動駕駛、醫療、金融、安防、電網、家居、零售等數據基礎較好的行業的應用場景正在不斷建立起來。相關案例包括：人工智能在金融行業的智能風險控制、智能投資顧問、市場預測、信用評級等領域的應用；在醫療領域，人工智能算法被應用到新藥研制、輔助診療、癌癥檢測等方面；谷歌、百度、特斯拉、奧迪等新興科技企業和傳統汽車企業巨頭紛紛進入人工智能輔助的自動駕駛領域；在制造業，人工智能可以幫助制造企業建立產品的設計模型、優化生產流程和工藝、提升生產效率、降低成本、提升質量。

?

“人工智能+制造”，助力中國制造業升級轉型

“人工智能+制造”是將人工智能技術應用到制造業，在自動化、數字化、網絡化的基礎上，實現智能化。其核心在于機器和系統實現自適應、自感知、自決策、自學習，以及能夠自動反饋與調整。人工智能、工業互聯網等相關技術的融合應用能逐步實現對制造業各流程環節效率優化。其主要路徑是由工業物聯網采集各種生產、物流等數據，放到云計算資源中，通過深度學習算法處理后提供流程、工藝等方面的優化建議，甚至實現自主優化，以及在未來實現人類工人與智能機器融合的協同制造。

中國是制造大國，人工智能在制造領域的應用備受重視。2017年12月16日，工業和信息化部發布《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》（以下簡稱《行動計劃》），提出鼓勵新一代人工智能技術在工業領域各環節的探索應用，提升智能制造關鍵技術裝備創新能力，培育推廣智能制造新模式。《行動計劃》還進一步提出了加快應用人工智能技術進行制造業改造升級的具體任務，為我國智能制造的深化發展提供有力的支撐。

目前，中國的制造業面臨內部和外部多種壓力。來自內部的影響包括勞動力成本上升、原材料成本上升、環境壓力和市場飽和。外部壓力一方面來自西方發達國家的貿易摩擦、關稅壁壘、技術封鎖、設備和關鍵零部件禁運等，另一方面來自印度、東南亞低成本新興國家的競爭。在內部、外部壓力越來越大的情況下，提升效率、保證質量、降低成本和節能環保等成為中國制造業升級轉型的方向，而人工智能技術在制造業的應用將會助力中國制造業實現這些升級轉型的目標。

“人工智能+制造”的機遇與挑戰

據羿戓技術文件編制所了解，“人工智能+制造”是中國制造業升級轉型的一個重要途徑。將人工智能技術用于制造業將有效提高生產效率；實現柔性化生產；提高產品質量，降低人為錯誤；持續工藝改善，提升成品率，并降低生產成本。未來幾年，中國制造業轉型升級的巨大需求可以為“人工智能+制造”市場的拓展提供極好的機遇。不過，“人工智能+制造”機遇與挑戰并存。

一方面，近年來全球人工智能應用不斷拓展，人工智能領域的資金投入迅速增長，人工智能的數據、算力和算法都取得很大的進步，技術可行性越來越高。大數據相關技術在數據輸入、儲存、清洗、整合等方面作出了貢獻，幫助提升了人工智能深度學習等算法的性能。云計算的大規模并行和分布式計算能力帶來了低成本、高效率的計算力。

物聯網和通信技術的持續發展也為“人工智能+制造”的發展提供了重要的基礎設施。在未來5G等無線互聯技術的支持下，數據的傳輸與處理速度將進一步提升。同時，傳感器、無線傳感網絡等技術的發展幫助“人工智能+制造”系統收集大量的制造流程、物流等數據，高質量的海量數據對人工智能數據訓練至關重要。總體而言，上述技術的發展使得人工智能賴以學習的標記數據獲得的成本在不斷下降。

算力增長也為“人工智能+制造”的應用提供了條件。在過去10年間，芯片處理能力提升、云服務普及以及硬件價格下降使計算能力大幅提升。成本不斷下降以及算力的提高為“人工智能+制造”的實施提供了保障。

另一方面，中國發展“人工智能+制造”還面臨諸多挑戰。這表現在以下幾點：

首先，關鍵技術自主能力弱。在“人工智能+制造”所涉及的關鍵技術上，我國的自主能力還比較弱。相關技術包括半導體芯片、核心裝備部件、相關軟件、算法等。這些關鍵技術，尤其是芯片等基礎技術，需要大量的人力、物力投入以及長期的技術積累和經驗沉淀，短時間內難以突破。

其次，傳統制造業的管理模式陳舊。傳統制造企業的根基起源于工業時代的大規模、標準化生產，其管理模式仍然以金字塔、多層次、細分化為主。這種企業管理模式靈活性差，較難適應快速變動的制造任務和客戶需求。未來，人工智能的實施需要人機協同、人機分工，組織管理也需要更靈活、更高效。為了適應這種變化，很多傳統制造企業的管理模式需要改變。

再則，資本投入不足。雖然人工智能行業吸引很多資本涌入，但在“人工智能+制造”應用領域的資本投入比較少。這主要是由于傳統制造業利潤普遍不高，而傳統制造企業的改造升級涉及大量的設備、軟件和硬件更新與改造，需要長期、大量的資本投入，投資周期長，短期效益很難顯現。因此，雖然“人工智能+制造”的概念深入人心，但真正拿出真金白銀投入的相對較少。

最后，制造業細分領域眾多，每個細分的行業標準不一。即使在同一制造業領域，企業情況也是千差萬別的。因此，“人工智能+制造”項目實施面臨的情況十分復雜，沒有什么統一的標準可言。例如，在企業車間往往有大量不同廠牌的數字化機床和其他工業自動化產品，涉及很多不同的工業以太網和現場總線標準，廠家軟硬件不兼容的情況非常普遍。由于數據格式不兼容，只是進行設備改造，將底層數據收集上來就要花費很多時間和精力，還需要對這些數據進行清洗和轉化。對傳統制造企業來說，相關標準缺少和復雜的生產線現狀使得實施“人工智能+制造”困難重重。

從相對成熟的“人工智能+制造”場景入手

“人工智能+制造”實施投入大，傳統制造企業實施相關項目的復雜程度較高。不過，壹行研（Innova Research）研究發現，在眾多的“人工智能+制造”應用場景中有一些技術相對成熟，并有了相當數量的項目落地。這些相對成熟的“人工智能+制造”的應用主要包括以下幾種。

● 質量檢測

電子制造、汽車等行業工序復雜，在線檢測的環節比較多，需要對產品進行大量的、基于視覺識別的質量檢測、缺陷檢查等。傳統的質量檢測以人工為主，人工識別精度有限，檢測速度慢、誤差大、成本高，工人長時間工作容易疲勞，容易出現次品漏檢現象。另外，工人經驗很難量化，工人流動性高，經驗難以積累，難以指導生產線優化，而培訓工人的時間較長、花費較高。

使用工業相機或高清攝像頭捕捉產品組件、電路模塊等在生產和組裝過程中的圖像和視頻，可以提供給人工智能軟件進行分析判斷。在開始時用人工檢查員進行二次檢查和確認，人工智能技術可對當前和歷史數據進行智能分析與處理，而人工的判斷可以反過來幫助人工智能完善算法，指導人工智能系統持續學習。該系統的檢測準確率能隨著經驗積累而持續改善。

例如，騰訊云幫助福耀玻璃工業集團股份有限公司實現了質量檢測工序替代80%的人力，并且不良品檢出率為90%以上。該系統使用的視覺洞察（Visual Insights）技術，前端使用高清攝像頭，后端使用人工智能算法。云端處理器通過訓練不斷識別合格和異常產品圖像的差異，進行快速學習、訓練，并完成人工智能算法的建模。

又如，日本NEC公司推出的機器視覺檢測系統可以逐一檢測生產線上的產品，從視覺上判別金屬、人工樹脂、塑膠等多種材質產品的各類缺陷，從而快速檢測出不合格品并指導生產線進行分揀，在降低人工成本的同時提升出廠產品的合格率。

人工智能視覺檢測可以最終實現無須人力的機器自主質檢，且全天候無間斷。目前，人工智能視覺檢測過程用時已經可以做到比人工檢測時間縮短80%，有效節約了檢測的人工成本。另外，計算機視覺檢測精準度高，可以檢測到肉眼無法檢測的微小瑕疵，且判斷標準一致，保持了檢測過程的一致性。

人工智能檢測在電子、汽車等制造行業的質量控制環節應用越來越廣泛。在有些案例中，使用人工智能結合物聯網和大數據技術已經能夠實現把產品質量的自動監控擴展到整個生產流程。這不僅能提高質量檢測效率，還能指導工藝、流程等改善，提高整體良品率。

● 預測性運營與維護

傳統上，工廠流水線車間一直采用被動式維護，只是在設備產生故障之后，才采取一定的措施來修理，也有采用工人定期巡檢的方式來發現問題。這些維護方式過度依靠人工，且效率低下。

基于人工智能的預測性運維系統可以利用機器學習、處理設備的歷史數據和實時數據，搭建預警模式，提前更換即將損壞的部件，從而有效地避免機器故障的發生。企業可以借助人工智能運維系統來減少設備故障和由此帶來的損失，提高設備利用效率。

例如，美國初創企業Uptake公司憑借大數據、人工智能等技術提供端到端服務，以工業設備故障預測分析、性能優化為主營業務。國內科技創新型企業智擎信息技術（北京）有限公司的故障預測解決方案也可以提前2～4天預判故障，從而降低運維成本和備品備件庫存成本，提升設備可利用率和整體運轉性能。此外，還有公司推出基于人工智能的軸承健康狀態感知系統，利用深度學習方法對軸與軸承部件的狀態參數進行大量的歷史數據分析，判斷軸承的運行壽命。這項技術使設備年平均大修次數降低67%，系統診斷及維護響應時間少于1小時，從而大大縮短了維護周期，提高了設備利用率。

● 供應鏈管理

電子等制造行業的零部件供應商來自全球各地，供應鏈比較長，涉及的元器件種類和分銷渠道的流通環節非常多，容易受到國際政治、天災人禍等因素的影響。傳統供應鏈管理的效率低、流通成本高、需求預測不準、供應響應不足、應對供應鏈波動的能力不足、廠商的庫存管理成本比較高。

供應鏈管理落后可能帶來巨大損失。例如，2018年上半年存儲芯片、硅片、貼片電容（MLCC）全線短缺，價格瘋漲，很多電子制造業OEM廠商付出幾倍甚至幾十倍的價格購買芯片，甚至因為元器件缺貨造成一些廠商生產線停產。

使用機器學習深入研究供應管理環節，分析需求、計劃和庫存，建立實時、精準匹配的供需關系，通過掌握和預測需求動態變化能夠有效地促進供應鏈調整優化。借助人工智能，可以幫助制造業企業實施多級庫存、計劃生產等庫存動態調整，最終實現采購和補貨的半自動甚至全自動化。

人工智能可以基于大數據進行需求預測，這些大數據不僅來自供應鏈內部的各個環節，還來自行業外的數據，如貿易促銷、媒體活動、新產品發布、季節性變化，甚至氣候數據預測等。一些公司還利用機器學習算法識別需求模式，其手段是將倉庫、企業資源計劃（ERP）系統與客戶洞察的數據合并利用，使用人工智能算法進行有效分析和判斷。

在供應鏈運營方面，美國多式聯運運輸公司羅賓遜全球物流（C. H. Robinson）針對卡車貨運的運營需求開發了用于預測價格的機器學習模型。模型既整合了不同路線貨運定價的歷史數據，又將天氣、交通以及社會經濟突發因素等實時參數加入其中，為每一次貨運交易估算出公平的交易價格，在確保運輸任務規劃合理的前提下實現企業利潤的最大化。

用人工智能進行供應鏈管理和預測可以有效地減少預測誤差、提高庫存周轉率，并能有效地優化庫存分布。人工智能掌握和預測需求的動態變化，尤其適合于電子制造、汽車及相關零配件、食品飲料等市場需求變動較大、供應鏈體系復雜的行業。

綜上所述，“人工智能+制造”是中國制造業轉型升級的重要途徑，其發展的機遇與挑戰并存。傳統制造企業在全面實施“人工智能+制造”有困難時可以優先發展人工智能質量檢測、預測性運營與維護、供應鏈管理等相對成熟的“人工智能+制造”應用，實現“人工智能+制造”的單點突破。這些系統可以獨立運作，帶來實實在在的收益，也可以在未來并入“人工智能+制造”大系統。