人工智慧時代來臨：德國工業部門應如何應對？
來源:中國科協創新戰略研究院《創新研究報告》
第11期（總第212期）2018-3-19
編者按：機器學習是人工智慧（Artificial Intelligence，AI）的精髓。近年來，AI 已突破科學領域的局限，迅速擴大至各行各業。AI 的支持將使生產力大幅提高，對經濟產生深遠影響。鑒於AI 對德國經濟，特別是工業的重要性，2017年4月，麥肯錫發布報告《德國及其工業部門如何通過AI 實現智能化》（Smartening up with Artificial Intelligence（AI）-What』s in it for Germany and its Industrial Sector），主要從人工智慧的發展現狀、對德國工業部門的重要意義、典型應用案例進行闡述和分析，為企業更好地利用AI 提出了其應遵循的五項建議。本文就其主要內容進行摘編。
一、人工智慧領域發展迅速，有助於大力提高德國生產力
機器可以根據強大的學習演算法進行類似人類的訓練來執行任務。由於較易免費獲得的演算法和資料庫、雲計算成本的下降以及生成數據的感測器的增加，AI 的採用變得越來越便利，在成熟或初創企業中發揮的作用越來越大。在工業部門中，通過物聯網（IoT）連接的設備和感測器越來越多地採用AI 應用。AI 能夠以高準確性處理大量數據，將這些數據用於高附加值任務。預計到2025 年，全球基於AI 的服務將增長15％～ 25％，市值達1300 億美元。
基於自然語言處理和視覺對象識別等領域的進步，AI 將是自動化的核心推動者。根據麥肯錫全球研究所（MGI）的數據顯示，62％的德國職業中至少有30％的活動可以實現自動化，該水平與美國相當。預計AI 將使德國的生產力每年提高0.8％到1.4％。通過成為AI 的最早採用者之一，德國甚至可能超過其2030年設定的GDP 目標的4％。為了解各部門可以從AI 獲益的程度，所有工作被分為7個類別，並確定了各部門活動的相對組合。除管理、專業知識和界面外，其他活動類型均具有超過50％的自動化潛力。在德國製造業中，大約55％的活動具有AI技術自動化的潛力。在可預見的環境（例如，產品的包裝、焊接）中，進行體力勞動或操作機器占整個製造時間的1/4，這種活動類型具有約90% 的自動化潛力。
二、AI 在工業部門的典型使用案例顯示出巨大發展潛力
1. 產品和服務提升方面使用案例—自動駕駛汽車（Autonomous Vehicles）
自動駕駛保證了更流暢、更安全、更舒適的移動體驗。汽車行業正在從輔助駕駛過渡到自動駕駛中。當前，大多數先進的駕駛輔助系統（Advanced Driver Assistance Systems，ADAS），如行人識別系統仍然通過基於規則的編程來實現。但是實際交通情況複雜多變，為實現真正的自主駕駛，使用AI 將成為先決條件。
目前，一些機器學習方法已經開始在ADAS 中應用，對基於規則的系統進行補充或者取代。谷歌（Google）和特斯拉（Tesla）推出的自動駕駛汽車應用了一種基於機器學習和ADAS 的混合系統，將機器自主學習功能添加到傳統系統中。此外，一些汽車初創公司的目標是擴大AI 的使用範圍。研發者通過4個主要步驟—感測器處理、數據解釋、規劃和決策以及執行，來增強AI 演算法以實現完全集成的基於學習的系統。這些系統的獨立培訓需要大量的感測數據和強大的計算能力。在支持AI 的自動駕駛汽車中，首先，系統接受代表性場景培訓以掌握基本技能；其次，系統會從實際應用遇到的所有情況中學習，不斷提高性能，並且這些車輛將能夠通過直接互動或集中式平台分享各自的經驗。除此之外，AI 系統還可以利用市場上所有車輛的累積知識來改進每輛車。
2. 製造業操作方面使用案例
（1）AI 增強預測性維護（AI-enhanced Predictive Maintenance）
預測性維護旨在通過利用數據來預測機器故障以提高生產率。早期識別機器故障的主要方法是狀態監測，而各種龐雜多變的因素影響往往導致預測失敗。將新的感測器和物聯網設備集成到生產流程和操作中，大大提高了監測的數據量及其可用性，並且基於AI 的演算法能夠識別錯誤信息，獲得有效信息，並將有效信息中的雜訊與預先分析的故障區分開來，以預測故障並指導決策。
機器學習技術檢查數據記錄與標記輸出（例如失敗）之間的關係，然後創建一個數據驅動模型來預測這些結果。Neuron Soundware 公司開發的人工聽覺皮層模擬人聲來自動化檢測和識別故障原因，工業物聯網創業公司KONUX 研發的基於雲計算的AI 系統具有強大的自我學習和提高能力，這些應用大大簡化了預測性維護系統的部署，提高了預測的準確性。
（2）協作和場景感知機器人（Collaborative and Contextaware Robots）
當今的工業機器人仍然無法應對環境變化，需要在指定的機器人區域內進行作業。AI 的重大進步使新一代自動化機器人成為可能：靈活的非專用機器人。它們需要更少的配置時間，並且更容易進入特定的環境中。人和情境感知機器人之間的進一步合作將大大提高重型工業的行業效率。
協作和情景感知機器人發展的主要驅動因素是計算機視覺的進步。在計算機視覺領域，尤其是對象識別和語義分割（即識別對象類型）的能力變得越來越重要。這種進步使機器人表現出情景感知能力，可以識別他們所交互的材料和對象的屬性，能夠靈活自主地實現與現實世界和人類的互動。一款新型AI 增強的物流機器人（AI-enhanced Logistics Robots）被教導如何通過照相機自動識別空貨架，深度學習正在被用於正確識別對象及其位置。
（3）製造業中生產增產（Yield Enhancement in Manufacturing）
製造環境的複雜性會產生大量由於缺陷而必須處理或需要重新加工的產品，造成產量損失，這大大增加了製造業的生產成本。例如，在多步驟半導體晶元生產工藝過程中，其測試成本和產量損失可佔總生產成本的20％～ 30％。將過程式控制制數據與質量控制、產量數據聯繫起來，是確定產量損失以及質量損失根本原因的基礎。基於AI 的分析支持，半導體製造商可以通過改變生產工藝或晶元設計來避免損失。
基於AI 的測試演算法能夠有效節省成本，提高產量。首先，啟用AI 的根本原因分析可以通過降低廢品率來提高收益；其次，AI 可以提高整體設備效率，盡量減少設備和維護所需的成本；再次，AI 優化的測試程序較便宜，例如，AI 優化的半導體生產工藝中所需的測試晶片更少。使用AI 可以將產量損失減少30％。
（4）自動質量檢測（Automated Quality Testing）
產品的質量保證是製造業企業存活和成功的關鍵要素。生產中的質量保證體系通常需要強大的前期投資和大量的測試與校準。目前，用於各種產品（如印刷電路板、車身）生產線的自動化視覺質量檢查系統對生產環境的條件要求非常嚴格，且容易出現誤報，降低操作人員對自動化檢測結果的信任度。而基於計算機視覺和機器學習的人工智慧方法有望克服這些挑戰。
在支持人工智慧的視覺質量檢測系統中，參考示例是通過對不同視角下的良品和缺陷產品進行可視化成像，從而為監督學習演算法（例如，基於深度神經網路）的訓練提供動力。阿姆斯特丹大學的子公司Scyfer 應用深層神經網路來自動化鋼表面的視覺檢測，顯著提高了在檢測複雜或罕見的鋼表面缺陷方面的功能；美國Nanotronics 公司將AI 與3D 顯微鏡結合起來，可以用於檢測低至納米級的缺陷。近來，基於AI 自動質量檢測方面的進步使生產率提高達50％。
3. 業務流程方面使用案例
（1）AI 增強供應鏈管理（AI-enhanced Supply Chain Management）
運作良好的供應鏈對任何行業的發展都至關重要。為了實現供需之間的緊密匹配，高度準確的需求預測以及優化的補貨策略是關鍵。然而，傳統的預測和補貨系統被大量的數據淹沒，因此，企業產品的即時生產通常是依據在標準條件下的高效供應鏈效果，而不能快速有效地對上游或下游變做出反應。基於機器學習的方法能夠提高預測精度並優化補貨策略，其目標是減少牛鞭效應（Bullwhip Effect）並增加靈活性。
基於AI 的供應鏈優化不僅關注給定環境中的性能，而且還能靈活地適應由於不可預見的事件而產生的變化。此外，未來的系統將可以處理從原材料供應商到最終客戶的整個價值鏈。例如，基於貝葉斯網路的監督學習方法不僅包括歷史銷售數據和供應鏈的設置，而且還依賴於實時數據。一些公司已經開始試驗自己的內部解決方案，以實現基於AI 的預測和補貨。Blue Yonder 公司通過AI 技術優化預售和補貨，並同時調整定價。基於AI 的預測方法有望在一些環境中將誤差降低30％～ 50％。
（2）傑出研發項目（High Performance R&D Projects）
傑出高效的管理研發項目是一項非常具有挑戰性的任務，不僅需要應對技術和市場的不確定性，而且還要面臨緊迫的上市時間和預算有限的壓力。基於AI 的方法在優化研發項目優先次序和提高個別項目的績效方面有重要潛力，能夠更好地釋放預算並提高子項目的效率。
F1賽車隊的研發項目為基於AI 的研發績效提升功能提供了完美的測試基礎。傳統上，數千個研發項目（其中一些相互競爭）採用強力方法來確定賽車的最佳配置，研發項目的失敗率約為90％。而麥肯錫的Quantum-Black 成功地利用AI 來簡化研發流程，將各種數據與燃料機器學習和計量經濟學方法相結合，能夠在早期確定最有前途的研發項目，優化整個項目的研發流程，爭取更短的上市時間。
（3）業務支持功能自動化（Business Support Function Automation）
儘管業務支持部門職能（財務、人力資源和信息技術等）對於確保企業的有效運營至關重要，但通常面臨資源緊張、成本較高的壓力。新一輪數字化浪潮使企業能夠在商業支持功能中利用機器人過程自動化（Robotic Process Automation，RPA）來提高效率。RPA 通過記錄活動序列，能夠自動重複已記錄的活動過程。但是這一方法在任務複雜性超過某個閾值時即失效。因此， 智能過程自動化（Intelligent Process Automation，IPA），即RPA 和AI 的結合，提供了新的可能。
IPA 在實現業務支持功能自動化方面具有超高潛力，這是因為當前的AI 系統在輸入和輸出範圍明確定義的環境（例如IT 中的伺服器操作控制）中運行得最好。基於IPA 的複雜任務的自動化通常將自然語言處理與機器學習的其他應用程序結合起來。典型例子是使用AI 的IT 服務台的自動化。首先，將人類解決問題的策略進行編碼，每一段編碼都代表了一項簡單的任務；其次，將這些編碼片段輸入自主學習的AI 演算法中。根據特定IT 標籤需求的內容，AI 引擎將各個知識點組合起來，以創建量身定製的解決流程。
三、為確保企業利用AI 的效果，應遵循以下建議
第一，了解AI 的用途並確定可使用案例的優先順序，同時不可忽視經濟學知識。
AI領域的創新速度驚人。僅在10年前，好的語音識別演算法還只存在於科幻小說中，而如今數百萬人依靠AI 與周圍的機器進行通信。然而，企業家一定要在充分理解AI如何能夠為自己的業務帶來價值的基礎上採取行動，而不是盲目地在時髦的技術上進行倉促投資。高層決策者一定要對AI的功能有清醒的認識，包括對AI 的實力及局限性的誠實評估，以期對如何利用AI引擎開展自己的業務具備足夠高層次的把握。
第二，加強企業內部核心分析能力的人才培養，同時注重利用第三方資源培訓。
為真正把握AI 的績效提升價值，企業需要發展強大的內部核心分析能力，與AI 領域的知名公司或初創公司合作。當前企業極缺的人才是開發演算法的「寬客」（Quants）和縮小數據專家和管理層之間差距的「翻譯者」（Translators）。然而，目前具有這兩種能力的人才極為稀缺。鑒於此，綜合運用內部培養手段和外部招聘手段以獲得擁有啟動AI 引擎的技能是最切實可行的。
第三，注重顆粒數據存儲，並使平面或非結構化數據可用。
數據已經被視為日益重要的企業資產，沒有數據，AI 引擎不能工作。因此，企業領導者應該知道自身企業數據和信息的價值，以及獲得與其企業未來成功的相關數據的途徑。AI 的一個重要功能是使平面數據和傳統方法無法分析的數據格式可用。預計從生產環境中生成的所有數據中，90％是沒有關係結構的平面數據。使此數據可用需要有效處理數據量和類型的新方法，而最重要的是No SQL21 技術。
第四，注重專業知識的運用，利用領域知識來提升AI 引擎。
擁有特定領域的專業知識（例如針對特定製造流程的參數）是原始設備製造商（Original Equipment Manufacturer，OEM）不會敗給初創企業或服務提供商的一個最可能優勢。關於將AI 和機器學習應用於業務問題，領域知識可以通過兩種方式幫助OEM。首先，在自己的行業或技術環境中，對AI、系統、技術和企業之間的依賴性有深入了解，能夠充分描述使用AI 想解決的具體問題；其次，AI 的應用可以使領域知識成為系統的一個組成部分。例如，可以對領域知識進行編碼，並在自學習開始之前對AI 演算法的性能進行重大提升。總之，AI 作為一種可應用於許多問題的工具，如果不深入理解領域專業背景，它將無法實現任何預期的改進潛力。
第五，通過試點、測試和模擬實現小而快的步驟，靈活敏捷是AI成功的先決條件。
企業可以以低成本甚至免費獲得基本編程介面，通過基於雲的解決方案獲得更大規模的計算能力，也可以在第三方的幫助下建立初始流程，同時保持底層數據和領域知識的所有權。公司內部AI實施的最佳做法基於敏捷管理，並對AI 持開放態度，建立人類和機器合作開放的組織文化。
文章來源：
https：//www.mckinsey.com/industries/semiconductors/our-insights/smartening-up-with-artificial-intelligence
編譯：曹學偉 陳海濤 張新玲
《創新研究報告》編輯：曹學偉 張麗琴
TAG:創新研究 |