一、“人工智能+制造”的概念

　　为什么要研究“人工智能+制造”?

　　概念三问

　　问题1：什么是人工智能?

　　历史：理论+专家系统

当前：大数据+深度学习

　　算法突破

　　• 深度神经网络

　　• 大规模、无监督、多层次

　　• 非结构数据处理突破(图像、语音)

　　算力飞跃

　　• CPU->GPU->TPU，计算速度和效率大幅提升

　　• 云+边缘计算，低成本、海量计算资源

　　• 光刻等技术进一步发展，芯片越来越小，端处理能力持续提高

　　算据激增

　　• 互联网50亿连接，积累了海量数据(主要是人)

　　• 物联网500亿连接，开启更大规模数据的来源：机器、政府、生物、环境……

　　未来：小数据+大任务

　　当前：“大数据、小任务”

　　• 海量数据

　　• 局部、特定问题(如计算下棋落子的位置)

　　• “暴力”计算

　　未来：“小数据、大任务”

　　• 少量数据

　　• 全局问题独立闭环(如像人一样

　　到场-落座-下棋-离场)

　　• “精确”计算

　　问题2：什么是“人工智能+制造”?

　　“人工智能+制造”简史

　　历史：专家系统辅助制造

　　• 20世纪60-80年代，根据“知识库”和“if-then”逻辑推理构建的“专家系统”，在矿藏勘测、污染物处理、太空舱任务控制等方面得到初步应用

　　• 专家系统实际上只是一定程度上实现了这些环节和流程的分析和自动化，对于错综复杂的现实问题只能提供有限的辅助参考

　　当前：深度学习优化制造

　　• 人工智能及相关技术融合应用，逐步实现对制造业各流程环节效率优化。主要由工业物联网采集各种生产数据，放到云计算资源中，通过深度学习算法处理后提供建议甚至自主优化

　　未来：人机融合协同制造

　　• 机器和人将重新磨合成新的相互配合、补充、协同工作的平衡关系。未来智能制造将以人为中心，统筹协调人、信息系统、和物理系统的综合集成大系统，即“人-信息-物理系统”(human-cyber-physical systems, HCPS)

　　问题3：人工智能如何“+”制造?

“人工智能+制造”魔方体系模型　　

   技术范式

　　. 数字化：可编程

　　. 网络化：可协同

　　. 智能化：可自主

　　生产组织

　　. 工厂：生产单元自主

　　. 企业：企业各部门协同

　　. 生态：供应链+客群连接

　　价值形态

　　. 产品：人性化功能

　　. 制造：人机协同生产

　　. 服务：个性化服务

　　二、“人工智能+制造”的现状

　　产业结构：从单一链到嵌套网

　　物体<->数字体

　　• 物体与数字体映射，一个变另一个也变

　　物流<->信息流

　　• 多个物体的变化形成物流，对应的数字体变化汇聚为信息流，通过洞察信息流通盘管理整个物流

　　制造业<->信息业

　　• 两个产业融合，形成新的产品、生产组织方式、满足新的需求

　　• AI+实质是两化融合的高阶

　　产业结构：六大典型领域

　　产业规模：1千亿到7千亿，连接/平台贡献大

　　整体规模

　　• 2016年约为1.2千亿美元

　　• 2025年将超过7.2千亿美元

　　• 复合年均增长率预计可超过25%

　　具体组成

　　. 连接：工业物联网4.7%->14%，增长近10%

　　. 平台：制造云、大数据和人工智能24%->36%，增长12%。在互联网领域发展成熟的平台生态模式，将成为制造业智能化转型升级的重要选择

　　六大细分领域特点

　　案例1—研发设计，大幅降低不确定性成本

　　基于卷积神经网络的新药研发(Atomwise)

　　【痛点】：研发 慢+贵

　　• 新药研发 = 各种不同化合物组合与测试

　　• 10-15年 + 5-10亿美元 = 一款新药研发成功

　　【方案】：超级计算机(IBM蓝色基因)+独家算法(AtomNet)

　　. 学习：分析学习已有数据库

　　. 发现：数字化模拟药品研发过程，对基本的化学基团(如氢键、单键碳等)组合发掘新的有机化合物

　　. 测试：分析化合物的成效关系

　　. 评估：新药结构组成和风险

　　【效果】：快+便宜(相比传统技术*)

　　• 节省一半早期药物筛选实验的数量

　　• 大大提高结果成功率

　　案例2—生产制造，柔性生产满足个性需求

　　基于个人数据分析的批量定制(adidas)

　　【痛点】：同质竞争 -> 价格战 -> 低利润

　　. 传统生产 = 标准化 + 大批量 = 同质竞争

　　. 竞争差异化 = 个性化需求定制 = 高成本

　　【方案】：迅捷工厂(Speed Factory)

　　• 技术：3D打印+机器人手臂+电脑针织

　　• 需求：依靠云端收集顾客足型和运动数据

　　• 生产：按照顾客的喜好选择配料和设计，并在库卡机器人手臂、电脑针织和人工辅助的共同协作下完成定制

　　【效果】：快+个性化

　　• 节省时间：18个月 -> 1周，完成生产上架

　　• 成本不变，实现小规模、个性化定制

　　案例3——质量管控，快速质检并保障质量

　　基于视觉识别的质量检测(IBM)

　　【痛点】：人工速度慢、误差多、成本高

　　. 传统质检 = 人工为主 = 精度有限 = 次品漏检

　　. 人工经验难量化，难以指导产线优化

　　【方案】：视觉洞察(Visual Insights)

　　• 技术：前台高清摄像头 + 后台Watson算法

　　• 建模：Watson中央学习服务器通过训练不断识别合格和异常产品图像差异从而建模

　　• 分析判断：摄像头捕捉产品组件在生产和组装过程中的图像，提供给Watson进行分析

　　• 检查：人工检查员进行二次检查和确认

　　【效果】：快+高质量+成本节约

　　. 质检时间缩短80%、产品质量缺陷减少7%-10%、节约重复性人工成本

　　案例4——供应管理，精准掌握供需变化提效能

　　基于需求感知的库存动态调整(Tools Group)

　　【痛点】：供应链效率低、成本高

　　. 技术有限 -> 需求预测不准 -> 供应响应不足

　　. 导致：库存管理成本提高 + 最终用户体验差

　　【方案】：端-端供应链优化组件SO99+

　　. 组件组成：需求、计划和库存

　　. 需求预测：基于贸易促销和媒体活动预测;基于新产品介绍预测;基于社交聆听预测;基于极端或复杂的季节性预测;基于气候数据预测

　　. 供应优化：多级库存、计划生产等动态调整，最终实现采购和补货的半自动甚至全自动化

　　【效果】：快+精准

　　有效减少50%的预测误差、提高20%的库存性能，并能有效优化库存分布

　　案例5——运营维护，提前预测和解决故障风险

　　基于运营数据分析的预测性维护(Microsoft)

　　【痛点】：故障事后处理，高成本

　　• 有限状态指标 + 缺乏预测模型 -> 设备故障后处理-> 停机停产维修 -> 高成本

　　【方案】：预测性维护

　　• 技术：物联网+云计算+机器学习

　　• 步骤：确定预测目标和结果、明确数据源、获取及整合数据、建模、测试和迭代、现场操作验证、融入运营

　　• 功能：设备或产品运营状态的实时监测和健康预警

　　【效果】：全天候+节约

　　• 如电梯制造服务商thyssenkrupp，借此减少50%电梯停运时间、节约15%维护费用

　　对于设备或产品故障成本高的行业意义重大，比如装备、精密仪器等

　　面临挑战：四个主要方面

　　① 技术有缺口

　　. 缺关键自主技术(如芯片、核心装备部件、软件/算法等)

　　. 导致产业受制(如美国最新针对中国制造2025贸易战)

　　. 但关键技术、尤其是基础技术需要长期大量投入研发，短时难突破

　　② 标准难落地

　　• 政府和机构已牵头在建各种标准

　　• 但不同线条的标准间仍存差异

　　• 更重要的是，当前制造业设备很多来自国外厂商，多厂家软硬件不兼容的情况多见，顶层设计的标准与复杂的现状一时难以匹配落地

　　③ 管理模式旧

　　• 工业时代的大规模、标准化生产，造成制造企业管理仍然以金字塔、多层次、细分化为主

　　• 这种模式，组织末梢人员任务单一、弹性弱，难适应快速变动的市场

　　• 而人工智能的普及，更可能需要新的人机协同分工机制设计

　　④ 资本投入少

　　• 近年来制造业普遍利润不高，投资回报率相对其他高新领域低，商业资本的关注度走低

　　• 而制造业的改造升级，又需要长期大量的资本投入，短期效益可能很难显现，资本投入就更偏谨慎

　　三、“人工智能+制造”的影响

　　人工智能+对制造业影响的四个角度

　　① 提高生产效率

　　. 增效：柔性生产、全天候生产

　　. 提质：降低人为错误、持续工艺改善，提升成品率

　　. 降本：重复性、危险性工作机器替人;生产废料、时间等成本节约

　　② 改变就业市场

　　. 结构性失业：50%的现有工作可能被替代，制造业就业人口缩减

　　. 创造新职业/岗位：针对机器的开发、管理、维护等岗位增加

　　. 人机赛跑的拐点?就业数量绝对减少的拐点可能到来

　　③ 优化产业结构

　　• 淘汰：大部分传统“非智能”产品，尤其是电子制品

　　• 改造：部分产品被逐渐“注智”，变成新产业，如自动驾驶汽车

　　• 孕育：新的智能产业，如算法公司

　　④ 重构国际分工

　　• 削弱传统劳动力比较优势

　　• 工业强国向下游、工业大国向上游，争夺更多价值空间

　　• 地理上的国家国际分工，可能进一步形成新跨国平台间的竞争与合作

　　人工智能+对不同制造业的影响差异比较

　　四、互联网助力“人工智能+制造”

　　互联网助力的五大基石

　　互联网助力的三种典型模式

　　模式1：智能+产品

   只能+芯片

　　从应用需求出发

　　主导设计和开发更高性能的人工智能芯片

　　为产业提供更有效的算力支持

　　智能+组件

　　将算法API化对外开放

　　供企业调用并二次开发

　　借助生态推动智能产品落地

　　智能+产品

　　基于自身人工智能技术/应用

　　直接生产相应软硬件一体化的人工智能产品

　　将此产品作为平台进一步发展

　　模式2：智能+服务

　　C端(用户)：功能即服务

　　• 狭义：产品附加智能功能。比如在安全方面，通过脸部、声纹等识别解锁;

　　• 广义：产品可提供的所有智能应用。需智能产品变成一个开放平台，使得各种开发方可开发和提供丰富的应用

　　B端(企业)：洞察即服务

　　• 借助人工智能算法能够比较完整地勾勒出用户的画像和需求特征

　　• 一是售前营销：实现更实时、精准的广告信息传递

　　• 二是售后维护：对制造业产品的实时监测、管理和风险预警

　　模式3：智能+生产

　　横向通用平台：基础设施

　　• 用云计算构建工业云平台，在此基础上提供人工智能算法能力

　　• 方式一：自建，如阿里巴巴的ET工业大脑，自建并主导IaaS和PaaS层，在SaaS层引入工业软件等合作服务商;方式二：合建，如腾讯与三一重工合作构建“根云”工业互联网平台

　　纵向垂直应用：场景应用

　　• 针对具体制造企业的某一生产环节，利用软、硬件人工智能工具，提升该环节的生产效能。主要应用在：

　　• 一是工艺优化：即通过机器学习建立产品的健康模型，识别各制造环节参数对最终产品质量的影响，最终找到最佳生产工艺参数

　　• 二是智能质检：即借助机器视觉识别，快速扫描产品质量，提高质检效率

　　腾讯实践：“智慧 + 工业”典型案例

　　腾讯案例1：工艺优化 - 亿纬锂能

　　腾讯案例2：智能质检 - 华星光电

　　腾讯案例3：预测性维保 - 三一重工

　　腾讯案例4：工业互联网平台 - 木星云

　　五、“人工智能+制造”政策借鉴

　　顶层设计与战略指引

　　具体策略对比借鉴

　　加快推进我国“人工智能+制造”对策建议

　　前提：长期稳定的资源投入，“钱”和“人”

　　①建立多渠道投融资机制

　　财政手段+金融资本+社会资源

　　• 设立面向制造业专门的贷款及融资方案，鼓励银行等金融机构提供资金

　　• 严格政府补贴审核，向民营、中小企业适当倾斜，同时鼓励更多用投资方式

　　• 采取更激励的政策，如成果返税等

　　②健全复合人才培养机制

　　完备教育体系+复合学科新设+重点培养

　　• 建立完善针对新型制造，从幼儿到高等完备的教育体系，尤其对区域、社区性学校增强本地制造业人才培养义务

　　• 增加相关复合专业和学科设置，如工业算法工程、机器人维护、STEAM等

　　• 鼓励产学研结合培养，如共建培训基地

　　中坚：公共性的平台，高效共享资源和服务

　　③搭建多方协作服务平台

　　资源共享+便利协作+服务聚合

　　• 鼓励计算力、数据、算法等开源或开放

　　• 提供产学研等协作的信息沟通渠道

　　• 提供创新企业注册、项目申报、税务等服务

　　④加强技术标准体系建设

　　技术联盟+创新鼓励+国际接轨

　　. 鼓励产学研联合组建“智能+制造”技术联盟

　　. 在产权保护基础上鼓励各方共享专利

　　. 鼓励积极参与国际标准制定，推广我国标准

　　⑤构建信息安全保障体系

　　工业信息安全标准+应用开发+认证机制

　　• 完善工业信息安全管理等政策法规和标准

　　• 鼓励工业安全应用和解决方案开发及试点

　　• 推动建立工业信息安全测试平台，实施认证

　　突破：产学研结合，集群+工程推动创新落地

　　⑥建立融合创新试点基地

　　产学研集群+众创空间+应用示范

　　. 推动工业园升级为“智能+制造”集群

　　. 支持工业界与信息业联合创办众创空间

　　. 提供资金奖励等鼓励应用创新与试点

　　⑦布局重大科技工程项目

　　基础理论研究+专项应用研发

　　. “智能+制造”生产组织和管理模式

　　. “算法+工艺”的融合基础理论

　　. 智能装备、生产流程、供应管理等重点领域

　　⑧重点突破关键共性技术

　　定义共性技术+鼓励整合与突破+国际化

　　. 引导对人工智能关键共性技术的持续归纳总结

　　. 鼓励各方整合相应技术标准，并联合研究突破

　　. 鼓励海外建立研究机构，吸纳人才并推广技术

　　互联网助力“人工智能+制造”政策前行