如今，我們終於迎來了第四次工業革命。感測器、計算力、以及網路傳輸的指數級增長，產生著巨大的力量。從德國的「工業 4.0」到「中國製造2025」,製造業迎來了新一輪的革新。

製造業的轉型是從數字化到自動化最後到智能化的過程。

數字化

就目前來看，國內工業物聯網處於早期階段，不論是網路及硬體設備都尚未成熟，基礎設施建設和數據採集這一步還沒有全部完成。工廠首先需要為生產設備裝上感測器和控制裝置，打通生產設備、生產管理、製造執行及規劃系統，更實時透明地掌控生產進度。

自動化

除了汽車製造業，中國大量的工廠自動化程度仍然偏低。2015年，根據經濟學人發布的統計，中國雖然每年採購全球最多的機器人，但整個國家平均每萬工人只配備了50個機器人，而在自動化程度相對發達的德國和日本這個數字是約300個，在韓國甚至是500個之多。如果要繼續提高生產效率，那麼自動化生產系統一定會在工廠普及。

智能化

歷史上，「自動化」代表著機器可以執行某個具體獨立的任務，例如根據定義好的規則開啟和關閉泵。自動化是取代人做重複性的勞動，而智能化是做人做不了的事情。智能工廠的定義是一個靈活的協同系統，自主運行整個生產流程，在全局範圍內自我優化，實時地適應新的環境。它代表著一個持續的自適應的過程，而不是過去「一勞永逸」的升級改造。

人工智慧在製造業的主要應用

1、大數據分析 - 設備預測性維護

在傳統工廠里，生產設備依然不能聯網，只有在設備出現故障後再去維修，或者採取定期維護的方式而不考慮設備實際的運行情況。一旦出現計劃外的宕機就需要臨時性地採購零件，花高額費用做緊急檢修，以便儘快恢復正常的生產。就算沒有宕機，當人發現機器故障時，它可能已經製造了不合格的產品，給工廠帶來經濟損失。

美國的AI工業預測平台Uptake，通過在工廠的設備里置入感測器，可以採集前端設備的各項運營數據，結合大數據分析以及機器學習技術為工業客戶提供設備的預測性診斷和能效優化等管理建議。工廠可以實時監測運行狀態，對比歷史數據，預判潛在的設備故障，有效規避正常生產的中斷。

如果以後將設備預測性維護的數據整合到ERP系統中，企業就可以實現生產流程的最優化，通過動態調整生產計劃，將設備故障帶來的經濟損失降到最低。對不同數據源，生產設備以及管理系統進行集成和分析將成為未來製造企業進行決策的標準配置。

2、自動質量控制 - 機器視覺檢測

在深度神經網路發展起來之前，機器視覺已經應用在工業自動化系統中了，如拾取放置、對象跟蹤、計量、缺陷檢測等。其中，將近80%的工業視覺系統集中在缺陷檢測。

人眼也可以發現產品的異常，即使這種異常我們從未見過。但由於眼睛容易疲勞，人的判斷也很主觀，這樣就會造成產品檢驗的不一致甚至有漏檢的情況。人眼也很難適應高速生產的需求，比如對於圖形複雜的印刷電路板，人工檢查需要很長的時間。通常只能基於抽樣檢查，無法像自動化系統可以進行實時全面的檢查。目前在PCB和IC的生產線上，大約60％的檢測任務都是由機器視覺來完成的。

機器視覺則憑藉快速、精確和客觀等優勢，在現代工業中得到越來越廣泛的應用。舉例來說，在生產線上，自動檢測系統每分鐘能對成百上千個元件進行檢測。如果配備了適當解析度的相機和光學器件，機器還能檢驗到人眼無法看到的細節特徵。另外，由於消除了人與被檢驗元件之間的直接接觸，機器視覺減少了元件磨損的成本，也能讓工人免受危險環境的威脅。

但機器視覺仍然面臨著適應不同工業生產環境的挑戰，因為很少有企業會專門為了某一種類型的產品而部署自動化檢測系統。在不同的環境下，相機的鏡頭方向、與元件的相對位置、元件表面的強反射光都會影響檢測精度。所以視覺演算法本身必須有很強的適應力。

3、智能協作機器人

傳統的機器人由於運動路徑是固定的，每一個動作都需要工程師編程、調試和手工配置來適應具體的生產環境。當機器人要應對不斷變化的場景時，手工調整就無用武之地了。深度學習已經帶來了一場變革，賦予機器人「柔性」學習能力。隨著時間的推移，機器人可以從數據中學習，在不同的任務之間自主切換，新任務的導入也可以在數分鐘之內完成。最終這些機器人不但可以互通互聯，還可以安全地與人類一起工作，甚至觀察工人演示生產流程，自動學會新技能。

目前高端工業機器人主要還是由國外公司主導，瑞士的ABB、德國的庫卡、日本的發那科和安川電機並稱四大家族，他們佔據著國內機器人市場50%以上的份額。四大家族也在積極地推動智能協作。例如庫卡機器人就具備相互溝通的能力，可以根據生產線上的工序來合作分配各自執行的生產任務。類似地，ABB也推出了雙臂機器人YuMi（縮寫自You and Me)，針對3C產品生產線上的焊接和裝配場景。它可以與工人一起安全地肩並肩工作，一旦處於運動狀態的手臂可能觸碰到工人，它就會自動放慢速度或者停止運動。

除了直接銷售協作機器人，很多公司也在嘗試新的租賃方式，讓使用機器人像僱傭工人一樣按時計費。傳統的機器人不具備安全性，需要與工人隔離，不但無法滿足即插即用的場景還造成了額外的部署成本。機器人即服務（RaaS, Robot as a Service) 這種新興的商業模式，降低了初期的付費門檻，也更強調了硬體產品以外軟體和服務的部分。可以反覆重新編程以完成新的任務，幫助企業應對小批量多訂單的生產挑戰。

人工智慧時代下的製造業

原創：

Linkwin

勵雲科技

近年來，人工智慧加速發展，實現了戰略性突破，是製造業數字化、網路化、智能化轉型發展的關鍵領域，形成新一代智能製造。在政策引導和技術發展的雙重推動下，人工智慧正在逐漸融入製造業，驅動企業智能化製造轉型升級。以人工智慧為代表的新技術正在對其生產流程、生產模式和供應鏈體系等生產運營過程產生巨大影響。

新一代智能製造的主要特徵表現在製造系統具備學習能力，通過深度學習、增強學習等技術，應用於製造領域。知識產生、獲取、運用和傳承，都發生了革命性變化，顯著提高創新與服務能力。例如，機器部分取代了人的工作，實現智能自動化，可以彌補由於老齡化、人力資源成本提升帶來的勞動力短缺問題；加速新產品的開發過程，徹底顛覆原有的生產流程。人工智慧程序不僅可以自動完成任務，而且還可以實現全新的業務流程。根據客戶的個性化需求自定義產品配置，將是人工智慧在製造業領域的最終目標。

目前，人工智慧技術正在被不斷地應用到圖像識別、語音識別、智能機器人、智能駕駛、故障診斷、預測性維護和質量監控等各個領域，覆蓋從研發創新、生產管理、質量控制、故障診斷等多個方面。

產品研發方面

創新的軟體平台和3D列印軟體集成了人工智慧和機器學習模塊。它能理解設計師的需求，掌握造型、結構、材料和加工製造等數字化設計生產要素的性能參數。在系統的智能化指引下，設計師只需設置期望的尺寸、重量及材料等約束條件，即可由系統自主設計出成百上千種可選方案。製造新產品，無論是設計還是生產過程，都是一個迭代的過程。人工智慧可以縮短這一過程，提升新產品製造過程中設計、製造的效率。

生產製造方面

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，快速偵測出不合格產品，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。人工智慧可以對複雜過程進行智能化指引，在生產製造管理方面發揮作用，創新生產模式，提高生產效率和產品質量。通過調節和改進生產過程中的參數，對製造中使用的很多機器進行參數設置，收集所有這些數據，優化生產過程。

供應鏈運營方面

針對卡車貨運的運營需求，開發出用於預測價格的機器學習模型。模型中既整合了不同路線貨運定價的歷史數據，又將天氣、交通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。

市場營銷方面

基於機器學習模型對用戶的購買習慣和產品屬性進行深度學習，形成全面的知識圖譜，再向用戶進行個性化推薦，也向銷售方提供相關的生產與營銷建議。

產品服務方面

系統利用感測器對設備狀態進行監測，通過機器學習建立設備故障的分析模型，在故障發生前，將可能發生故障的工件替換，從而保障設備的持續無故障運行。

人工智慧的應用不僅涵蓋了3C、紡織、冶金、汽車等傳統製造業，還涉及高端裝備製造、機器人、新能源等戰略新興產業。人工智慧正在從多方面支撐傳統製造走向智能製造，為中國製造業「由大變強」的發展注入新動能。

傳統企業向人工智慧轉型面臨的挑戰

儘管當前人工智慧與製造業的融合發展已經顯露出一些成效，但該領域仍然較為前沿，在技術架構、實施路徑、行業標準及產業生態等方面都存在一定的發展瓶頸。

1

產業總體發展尚不成熟

作為一項基礎性、通用性的技術，人工智慧在工業領域的應用實踐，需要產業界多方合作，開展大量的融合創新探索。對相關產品、解決方案的成本、可靠性等指標也有較高的要求。當前人工智慧在製造業的創新主要是由數據、知識密集型的製造企業與具備人工智慧技術優勢的互聯網企業或軟體企業聯合推進的，其開發成本、技術壁壘較高，應用覆蓋面較窄。這使得人工智慧技術暫時不能在製造業大範圍推廣。

2

行業標準有待完善

工業領域的人工智慧應用需要基於大樣本的數據建模，這些數據通常是來自智能裝備和現場部署的獨立感測器。然而，工業現場目前的數據通信標準之間通常不能兼容，無法滿足人工智慧技術對優化建模數據量基本需求。以工業現場匯流排為例，目前在工業界常見的通信協議達二十餘種，這些協議之間不能直接互聯互通，使得信息孤島的情況在工業界廣泛存在。

3

產業發展保障體系有待健全

人工智慧技術作為信息技術的一種，其自身就存在一定的安全風險，引入工業領域後，將與工業系統自身的功能風險疊加放大。此外，在面對與倫理道德相關的問題時，人工智慧系統的研發也缺乏相關的法律標準。例如，在工業事故中，人工智慧應急管理系統在面對重大資產與人員安全無法兼顧時，沒有權威的處理標準。

當前，人工智慧技術向製造領域的滲透在快速推進，各製造企業為了重塑自身在競爭中的優勢，高度重視智能製造，因為，它可以降低生產單位價值產品所需付出的成本，合理優化資源結構，提高生產效率。但產業界對其應用還處於探索階段，對部分環節的應用模式還存在較大爭議。多數企業仍處於觀望狀態，距全行業普及應用還有較大距離。未來，中國製造企業還會大面積轉型升級，結合人工智慧技術，通過對智能製造各個環節的布局，將釋放巨大潛力。

傳統製造業智能化趨勢，勢不可擋。中國製造業實現「華麗轉身」，任重而道遠！

GIF

製造業+人工智慧，將創造3.7萬億美元新機遇

英特爾知IN

溫度達到3000°F的熔融金屬從鋼水包流至澆鑄機，經過冷卻形成滾燙的橙色板坯。過去70年，這一過程發生在全球各地的鋼廠中，已經重複數十億次。

從表面來看，現代工業可能變化不大，但一場變革悄然上演：製造商正在向線上轉變。過去十年，感測器成本大幅下降，讓企業能夠在各個生產階段採集數據。

目前，有150億台機器連接了互聯網；到2020年，這一數值將超過500億台。麥肯錫預測，到2025年，「智能工廠」的產值將高達3.7萬億美元。

這些現代製造商不斷產生海量的數據，需要藉助人工智慧才可以從這些數據中挖掘出價值。

正如數據科學家Alp Kucukelbir所說：「只靠人類掌握的專業知識，根本無法梳理出想要的洞察。機器學習可以從大量雜亂的數據集中，揭示人類難以或者無法發現的模式和規律。」

看到這個機會，Kucukelbir與其他人一起創立了Fero Labs，這家公司的平台把感測器數據從工廠推送到雲端，然後用機器學習演算法對數據進行處理。他們的軟體能夠提供有關如何提高工業產量、預防成本高昂的機器故障以及減少浪費的洞察，所有這些都有利於提高產品質量和降低成本。

運用感測器後，鋼鐵公司每年可以節省數百萬美元的成本，因為這樣做可以減少鐵合金（一種昂貴的材料）的用量並防止「氧化鐵皮」（一種有害的鋼鐵氧化）。Kucukelbir表示，Fero Labs能預測「氧化鐵皮」，準確率高達78-100%，可使這種現象減少15%。

大多數製造商已經部署了感測器，但能夠充分利用感測器的製造商非常少。Fero Labs的一個客戶在一家鋼廠里安裝了1200個感測器，但經常使用的只有5個。在建立人工智慧平台時，Fero Labs只是把以前未使用的信息傳至人工智慧演算法，就能使感測器數據的利用率提高40倍，無需安裝任何新設備，即可全面了解工廠活動。

但實時運行這些巨大的工作負載需要強大的計算能力。Fero Labs採用英特爾至強處理器來加快演算法速度，這幫助他們在客戶系統正式上線之前改進了機器學習模型。

Fero Labs只是英特爾與眾多生態夥伴攜手推動製造業轉型的一個代表。而除鋼鐵行業之外，人工智慧在其他領域甚至能帶來更大的回報。

弗若斯特沙利文諮詢公司 (Frost & Sullivan) 工業自動化高級研究分析師 Nandini Natarajan 表示：「我相信，汽車、航空和石油天然氣行業將是人工智慧技術的主要受益者。」這些製造商都有複雜的供應鏈，涉及數以千計的各類零部件和專用工具。

任何延遲、故障或錯誤都可能導致生產「單元」中斷，而生產單元是精益製造系統中的獨立裝配點。只有人工智慧可以預測各個生產單位之間的複雜交互，從而實現零部件、人力、工具和維修請求自動化，最大限度地提高效率。

信息技術與創新基金會 (Information Technology and Innovation Foundation) 全球創新策略專家Stephen Ezell稱，未採用數據驅動型戰略的製造商將會掉隊，「如果您墨守成規，堅持老一套做法，並且沒有能力實現製造流程的數字化，您的成本很可能會上漲，產品的上市周期可能會拉長，您向客戶提供獨特附加值的能力也會大打折扣。」

在英特爾公司首席執行官科再奇看來，AI戰略決定每家企業的未來勝負，「每家公司都應當制定人工智慧戰略，刻不容緩。隨著數字化革命進程的加快，數據越來越多、越來越複雜、越來越多樣，企業必須迅速做出關鍵決策。為了駕馭數據洪流，企業需要人工智慧戰略，否則就會落後於時代。」

人工智慧賽博物理操作系統

AI-CPS OS

「人工智慧賽博物理操作系統」（新一代技術+商業操作系統「AI-CPS OS」：雲計算+大數據+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須了解如何將「技術」全面滲入整個公司、產品等「商業」場景中，利用AI-CPS OS形成數字化+智能化力量，實現行業的重新布局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+信息化、智造+產品+服務和數據+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業操作系統AI-CPS OS顛覆性的數字化+智能化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

重新行業布局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智能化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智能化創新平台，設計思路是將大數據、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智能化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

智能：模型隨著時間（數據）的變化而變化，整個系統就具備了智能（自學習）的能力。

高效：企業需要建立實時或者准實時的數據採集傳輸、模型預測和響應決策能力，這樣智能就從批量性、階段性的行為變成一個可以實時觸達的行為。

不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智能化力量通過三個方式激發經濟增長：

創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即「智能自動化」，以區別於傳統的自動化解決方案；

對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智能，為企業創造新商機；

迎接新一代信息技術，迎接人工智慧：無縫整合人類智慧與機器智能，重新

評估未來的知識和技能類型；

制定道德規範：切實為人工智慧生態系統制定道德準則，並在智能機器的開

發過程中確定更加明晰的標準和最佳實踐；

重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

較高失業風險的人群；

開發數字化+智能化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想像力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：「君子和而不同，小人同而不和。」 《論語·子路》雲計算、大數據、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，拓展的是人類的物理空間。那麼這一次地理大發現，拓展的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲計算，大數據、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智慧賽博物理操作系統AI-CPS OS作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從宏觀到微觀各領域的智能化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

產業智能官 AI-CPS

用「人工智慧賽博物理操作系統」（新一代技術+商業操作系統「AI-CPS OS」：雲計算+大數據+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智能；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號：AI-CPS，更多信息回復：

新技術：「雲計算」、「大數據」、「物聯網」、「區塊鏈」、「人工智慧」；新產業：「智能製造」、「智能金融」、「智能零售」、「智能駕駛」、「智能城市」；新模式：「財富空間」、「工業互聯網」、「數據科學家」、「賽博物理系統CPS」、「供應鏈金融」。

本文系「產業智能官」（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！