近年來，中國勞動成本和材料價格處于快速上漲通道，昂貴成本將很多制造企業被逼上了懸崖，從而引發中國制造業出現一些新的變化，其中一個是部份企業開始轉移向東南亞地區，尋找更多便宜的勞動力。另外一個是有企業開始回流美國，主要受到美國“制造業回歸”的政策影響。

除了成本上的壓力，制造業還要面臨不斷變化的市場。隨著個性化需求的增長，對于工廠要求能實現小批量多品種的生產，可以根據客戶需求定制任意產品。傳統工廠必需轉型升級才能達到這樣的標準，所以德國提出了工業4.0，通過信息技術與操作技術的結合，幫助工廠進一步降低制造成本，解決人力短缺的問題，滿足市場個性化的需求。

最近，中國工業技術軟件產業聯盟在北京成立，工業和信息化部和北京索為系統聯手國內領先科研院校及第三方機械大力推動工業智能技術的發展以及百萬工業APP上云。工業技術軟件化是人工智能的必由之路，此聯盟有望提升機器的能力，一步步代替人類決策，實現制造業的智能化。

智能制造已經成為全球制造業發展的趨勢，隨著物聯網、云計算、大數據分析、人工智能的發展和工業機器人技術的進步和推動，傳統廠開始進入了轉型升級大浪潮。加上各國出臺政策大力支持，越來越多的人看到了新的機遇，自動化企業也開始紛紛布局。

1、物聯網

物聯網是實現智能制造的重要環節，作為工業4.0的實踐者同樣也是工業物聯網的領先企業，博世力士樂最近推出了一款式全新的物聯網連接套件Hogglund，此套件可以將驅動電機等設備連接到博世力士樂的知識中心，實現對驅動設備的實時監控、分析、咨詢等服務。

據悉，該軟件組合包括Hogglunds CM和Hogglunds CM premium和博世力士樂公司專有的預測維修系統，Hogglunds CM提供初級監控和日志記錄，而CM premium提供完整的健康指數，包括歷史數據、趨勢和更深層次的分析。

此軟件還包含了一個診斷工具，使用增強現實為客戶提供遠程服務支持。通過移動設備或智能眼鏡、中心服務專家能夠看到現場實時情況，這意味著他們能夠提供指導和支持。博世力士樂有經驗豐富的專家，可以為客戶提供即時分析、實時咨詢和狀態監測以及預測性維護和其他形式的支持。

2、機器視覺

自動化領先廠商歐姆龍在不久前收購了美國機器視覺專家邁思肯，計劃將先進的二維碼識別技術與它的自動化系統集成，進一步推進制造設備和生產線的控制，使用物聯網來連接制造層上幾乎所有的物體，包括部件，設備和機器人。

最近，邁思肯推出了最新LVS-7510系列標簽檢測系統，憑借著卓越的條碼檢驗和驗證功能，此系統擁有1D/2D符號檢驗和驗證、瑕疵檢測、數據和代碼匹配等功能，可以幫助廠商實現缺陷檢測、減少返工、控制浪費和避免責任。

據悉，當生產過程中檢測出錯誤時，系統軟件會在圖表上改變顏色，甚至可能通過燈光、聲音等警告用戶。缺陷檢測功能以檢測圖案或變形字符、有污漬或污損的物體。系統提供了一個可變數據函數，可以防止模式驗證區域內的預期變化，防止錯誤記錄為瑕疵。

3、云計算

云計算在工業領域蘊含著巨大的市場，行業一些巨頭紛紛推出了相應的工業云平臺，工業數字化轉型的步伐開始加快。最近，西門子聯手亞馬遜打造了Mind Sphere工業軟件平臺，預計將在下個月會推出新版本Mind Sphere，此軟件將運行在馬遜云Amazon Web Services(AWS)上。

Mind Sphere作為西門子專門為工業領域設計的開放式物聯網操作系統，目前已經可以在思愛普(SAP)的云端平臺正式運作，此前有媒體報道稱將部署在微軟的Azure云計算平臺上。西門子Mind Sphere可以進行數據采集、數據分析、同時提供各種開發工具及軟件應用服務，有助于評估和利用用戶數據，幫助用戶提高設備性能，優化資產，從而最大限度保證了設備的正常運轉。

數據分析是實現先明決策的前提，Mind Sphere作為一款物聯網軟件，可以對工業設備的海量數據進行記錄、分析，從要提升工廠生產的效率。Mind Sphere以PaaS(平臺即服務)的形式，為企業提供了一個可擴展，自行開發各種應用的云端系統。

4、人工智能

人工智能是智能制造的關鍵技術，通過機器學習算法，可以讓設備擁有認識能力和決策能力，從而實現真正的智能制造。最近吳恩達公開了其重大項目landing.ai，此項目旨在幫助制造商利用人工智能技術，而富士康成為他的第一個客戶。富士康將與人工智能研究人員利用機器學習等AI技術將工廠效率提升到新的高度。

吳恩達是斯坦福大學教授，加入谷歌后創建一個能夠識別貓臉圖片的系統，這個項目就是谷歌大腦，而吳恩達因此成為“谷歌大腦之父”。后來吳恩達加盟百度，開始百度大腦的探索。Landing將以顧問方式為客戶提供專業的知識經驗，這不像谷歌和亞馬遜公司的產品如USAA的NFL。

吳恩達和他的團隊正在構建工具，通過機器視覺對電路板瑕疵進行檢測，可以應用于許多不同的客戶。過去這種乏味的工作通常由人工完成。吳因達研究團隊大約20名，他們還利用機器學習來調整設備的配置，以提產品高質量和材料的使用。