人工智能前景

據埃森哲公司測算，到2035年，人工智能技術的應用將使制造業總增長值(GVA)增長近4萬億美元，年度增長率達到4.4%。而中國是制造業第一大國，2018 年制造業增加值達 26.5 萬億元，占 GDP 總量的 29.4%。同時我國又是是人工智能第二大國，擁有全球第二多的 AI 企業。所以未來人工智能與制造業的融合發展未來可期，

政府高度重視人工智能的技術進步與產業發展，人工智能已上升國家戰略。《新一代人工智能發展規劃》提出“到2030年，使中國成為世界主要人工智能創新中心”。人工智能市場前景巨大，預計到2025年人工智能應用市場總值將達1270億美元。

既然市場如此之廣闊，那么為什么需要人工智能與制造業融合呢？原因在于發達國家目前經歷產業空心化、利潤空前但是就業人數卻大量降低，而發展中國家產業低值化嚴重，基本制造業都處于勞動密集型企業。而隨著例如大數據、云計算、神經網絡等信息計劃信息化極速發展，不同國家提出新工業革命：

英國：高價值制造、人工智能發展計劃；

美國：先進制造、工業互聯網與制造業回流；

德國：工業4.0；

中國：智能制造2025、新基建。

人工智能與制造業概念：

人工智能：狹義來講就是計算機對人腦的模擬和應用；廣義為對所有智能的模擬和應用；目前包含計算機視覺、自然語言處理、語音識別、機器學習等都屬于人工智能范疇。

人工智能+制造業：綜合來講是將人工智能技術應用到制造業當中，在數字化、網絡化的基礎上實現自主判斷與業務操作；其核心在于機器是否能對現狀自動反饋和調整。

人工智能+制造業動力不足：

而且《2020人工智能與制造業融合發展白皮書》指出，當前，人工智能與制造業融合應用已具備一定的基礎。從融合特點來看，我國制造業各細分行業形成領軍者、追趕者、探索者三大梯隊特色發展的格局，比如家電制造業（海爾）、機械裝備制造業（徐工、樹根）等細分行業。追趕者融合基礎較好，融合潛力巨大，包括電氣機械和器材制造業、醫藥制造業、紡織服裝制造業等細分行業，探索者包括橡膠和塑料制品業、造紙包裝及印刷業等行業，正積極探索人工智能應用發展路徑。

但是現階段“人工智能+制造”仍然面臨以下挑戰。一是人工智能的價值難以被準確衡量，部分企業尤其是中小企業應用人工智能的動力不足，因為中小企業的核心目的是活下去；如果需要應用人工智能領域部分技術，肯定是要么可以提高品牌、增加產品賦能，從而提高利潤率，要么則是可以內部降低運營成本。綜合來講中小企業如果需要去打開它的市場，肯定是從開源節流出發的。

如果拋開中小企業的噬利行為，即使站在具備領頭定位的重大企業也是裹足不前，原因在于一些細分行業人工智能應用路徑尚不明晰，應用風險、收益和成本難以準確核算，短時間內無法給出切實的解決方案。另外就是制造業由于多年產能過剩原因，大多企業處于溫飽線上掙扎，盡管數據量巨大，但凡是能夠人工處理的絕不想其他辦法，部分設備還保留了80-90年代的牛頭刨床，設備數據采集成還只是空談；由于企業利潤堪憂，也沒有過多的資金投入到企業管理輔助的業務環節當中，因此會造成電網、三桶油比制造業的信息化需求高很多，原因在于制造業人多利薄。

除了利潤缺少之外，還有一部分原因是工業深水區的解決方案仍待探索，目前人工智能應用僅集中在少數變現能力強的熱門場景，更多應用場景還有待挖掘。

由于制造業還都處于堆人的勞動密集型企業，所以對于信息化是有排斥心理的，因為“一旦有錢為什么不擴建廠房而建設成果尚不確定的信息化領域當中”是制造型企業的真實寫照。如果站在數字化—信息化—知識化—智能化這個發展趨勢去看待的話，制造型企業是否有數字化需求都在其次，更何況到智能的地步。數字化、信息化對于哪些企業作用最突出呢？主要是那些訂單多到單純依靠人為去管控、去統計數據已經無法完成的企業，像陽光電氣這樣的龍頭企業許多環節仍然是以Excel對生產進行管理的。

曾經去過一些訂單并不飽和的企業，調研過程中提及業務中最痛苦的地方的時候，工人上班非常自由隨意，思考良久之后說出目前業務中最難的是裝一個空調。所以對于訂單并不包含的企業，或者對于夕陽產業想在內部打開數字化、信息化或者人工智能之門難比登天，所以對于訂單非常飽和的企業重點在于內部可視化管理，縮減交付周期、降低運營成本，也就是如果對于夕陽產業則重點需求在于打開外部市場或者另外的利潤點，而不是集中在管理層面去做事。

人工智能+制造業業務場景：

根據網絡數據顯示我國 AI 公司的數量已超過 2000 家，但真正專注工業領域的企業數量卻不足 5%。有公司曾做過一項分析，中國過去三年最大的 300 項人工智能投資項目中，AI+制造業的投資不到 1%。所以人工智能產生應用場景現在分散到企業全局不太現實，都是以單點為突破口逐漸深入的，而目前應用的現狀用

阿里云智能副總裁、數據智能總裁曾震宇的話來說就是：“把人工智能的計算機視覺拿到工業領域，相當于拿著錘子找釘子”。企業信息化與人工智能如果需要有個界限的話，那么兩者更像是一個是單點突破一個是貫穿整個流程。而單點的業務場景無非以下幾種（不同行業具備不同的業務場景）：

質量檢驗：比如芯片檢測，比如如果生產5億芯片，由于會出現很多質量問題，如果人工檢測的話每年大約需要1億美金，每個芯片的成本也會增加。但是如果利用視覺+機器學習，人工參與度將大大降低。如果質量業務按照時間維度分為前中后三種的話，那么質量檢驗相當于是事后處理，對于事前預防并沒有做太多的文章。所以這種頭疼醫頭腳疼醫腳的方式帶來的利益點僅僅是降低工人數量或者降低工人不舒適的勞動強度，對于業務鏈整體的提升顯然比不上MES系統。

庫房管理與物流：比如京東物流某庫房，需要按照訂單和發貨地分揀成品，同時回收空的料箱，并把部分廢料、廢品扔進廢料堆放處。這個工作每個班次由兩名工人合作完成，庫房內有粉塵和噪音，每天累計重復分揀動作要執行2000-3000次，雖然重物搬運由機械手完成，但仍是強度大、環境差、技術含量低的重復性工作。

企業用一臺機器人替換每天三班倒的兩個工位，機器人帶有機器視覺系統，訂單和發貨地分揀可以掃RFID碼，成品、空箱、廢料廢品的判斷由AI學習算法逐步提高識別率，最初識別率只有62%左右，需要每個班次配合一個工人拾遺補缺，隨著數據積累，AI識別模型不斷完善，9個月后，綜合識別率提高到96%的水平，成品識別和發貨地分揀完全準確，已不需要庫房留人補缺，只在廢料廢品回收時，撿出極少量的空箱即可。

工藝優化：AI通過調節和改進生產過程中的參數，對于制造中使用的很多機器進行參數設置。生產過程中，機器需要進行諸多參數的設置。例如，在注塑中，可能需要控制塑料的溫度、冷卻時間表、速度等等。所有這些參數都可能受到各種外部因素的影響，例如，外界溫度等。通過收集所有這些數據，AI可以改進自動設置和調整機器的參數。理想很豐滿，但是現實很骨感，盡管阿里云、百度云擁有優質的架構、中臺與算法，但在工業領域落地時，往往要借助行業信息化供應商，才能提供全流程解決方案，核心就在于對行業理解的匱乏。

生產制造：福特曾經豪言：不管你要什么車，我都只生產黑色，這是流水線大生產的典型寫照，但如果福特放在現狀還是這種思路的話福特汽車只有死路一條。因為現在個性化越來越多，但是個性化生產的成本又非常巨大，那么只有一種途徑就是大規模定制，利用個人消費數據進行分析后形成綜合的訂單，然后平臺分發進行大規模生產進而降低成品單價，犀牛制造目前就是走的這條路子。但雖然電商具備大量的消費行為數據，但是數據永遠是落后于實際需求的，這種應用場景需要將分析平臺極大化準確率才從增加。

阿里犀牛智造是做什么的？

人工智能與制造業未來之路：

雖然人工智能技術剛剛越過曲線高峰處于狂熱去，但是制造業真正應用到且效益非常高的場景比較少，除了制造業業務鏈冗長與復雜之外，AI技術的儲存不足也是人工智能+制造業融合裹足不前的原因之一。人工智能技術還在不斷優化發展當中，比如企業需要識別PDF當中訂單數據，但是識別率只有60%左右，最終淪為了人工智能+手工的模式，技術深度還不足以應用到實際業務當中；而現在揚言人工智能的小米AI淪為了兒歌、詩歌播放機，與人對話不足幾句就是小愛同學還在不斷學習當中，語言識別與視覺識別只是個例，但是在一定程度上代表了技術深淺。

綜合來講人工智能與制造業的深度融合時機尚未成熟，但是目標是一致的：促進生產力提升、降低勞動強度、提升安全保障。而目前就著這三個目標點，已經有部分在推動實施，但是僅僅依靠單點的人工智能將企業升級到另外一個管理水平顯然不可取，因為單點的人工智能優化將產生更多的信息孤島，而如果希望從企業整條價值鏈來優化提升，最好的方式是信息化+人工智能，人工智能在單點進行突破，而信息化站在整條價值鏈上進行賦能優化，也就是說AI+其實是兩化融合的高級階段。

所以人工智能更改不了企業需要經歷數字化、信息化等階段的事實，人工智能的突然興起更像是為企業信息化吹起來號角，因為人工智能對于企業諸如生產工藝、制造過程、質量等方面的優化更像是為企業信息化服務，因為經過人工優化的業務環節會以數據孤島的形式存在，而打破信息孤島貫通企業所有數據只能依靠信息化。人工智能更多的是解決產業鏈單點問題，而企業信息化解決的是整條業務鏈的問題。