雖然數字化，尤其是智能自動化技術已成為各大制造商的熱門話題，但時至今日，人工智能尚未對制造業產生重大影響。麥肯錫公司的Harald Bauer認為制造業的智能化轉型指日可待。他表示：“到目前為止，只有一小部分制造商在少數領域應用人工智能。但現在條件已經成熟，不久后更多的制造商將會在更多領域規模化部署人工智能。”

這些成熟條件包括高水平的數字化和自動化程度、海量數據、強大的云計算能力，以及無處不在的物聯網傳感器。在工業化國家，這些傳感器已遍布于大多數工廠車間和物流中心。

除了自動駕駛及部分消費者電子產品外，人工智能還將推動生產、研發以及供應鏈各個流程的優化升級。國際制造業企業解決方案協會（MESA）主席Michael Yost指出，盡管制造商通過運用人工智能所獲得的益處不太可能引發媒體關注，但人工智能的確可以大幅提升制造商的運營效率、產品質量和創新能力。

這些較為長期的效率改進會帶來十分顯著的效果。波士頓咨詢公司（BCG）2018年發布的報告稱，人工智能會使制造業的加工成本（即直接人工加間接管理費用）降低20%，這樣的成本降幅對于制造商而言***吸引力。報告還指出，80%–90%的汽車、日用消費品、加工業以及工程產品企業計劃在未來三年內將人工智能技術運用于生產流程中。

未來五年內，人工智能將對多個關鍵制造領域帶來重大影響。人工智能的影響將率先在汽車和半導體行業中顯現，目前這兩大行業在人工智能應用方面已取得一定進展，實現了高度自動化運作。此外，加工制造、重型設備以及快消品行業也將逐漸采用人工智能技術。^[1]目前各個行業的人工智能早期利用率也印證了這一趨勢。2018年BCG報告顯示，在汽車行業中，率先采用人工智能技術的企業占20%，而工程產品和加工業企業的占比分別為15%和13%。在上述領域，人工智能都能創造可觀的潛在收益，但企業必須克服一系列艱巨的挑戰才能真正享受人工智能帶來的價值。

預測性維護，提升資產生產力

資產利用率是衡量制造業績效的一項重要指標。提升資產利用率需要將生產設備維持在***狀態，從而***限度地減少代價高昂的停工時間以及***限度地延長設備的生命周期。通過預測性分析、先進的圖像識別技術以及海量設備性能數據，可助力算法預測可能發生的設備故障。Bauer先生表示，預測性維護系統最典型的特性就是不斷學習，利用算法在經驗和數據的基礎上進行自學，從而生成更準確的預測。

制造商不僅可以采取預防性措施來避免停工，還可以根據預測情況進行按需維護，從而取代定期維護。如此一來，不但可以大大降低運營成本，還能提升資產生產力。麥肯錫公司稱，基于人工智能的預測性維護可幫助德國的工業制造商將資產生產力提升20%，同時將維護成本降低10%。^[2]

不難想象，預測性維護還將重塑許多設備制造商的服務模式。隨著預測性維護市場不斷壯大，業內企業將逐步轉型為服務提供商。預測性維護可以減少服務停工時間、降低高成本設備的運營風險，從而助力設備供應商從設備銷售的經營模式轉變為長期設備租賃運營或維護服務模式。

質量與效率同步提升

同樣，預測性維護還有助于改善制成品的質量，實現自動化質量檢驗。先進的圖像識別和自主學習系統可幫助制造商降低產品缺陷率，這一點在半導體等行業中可能會更為突出。Bauer先生認為，自動化檢出率會大大高于人工檢驗（對德國制造商而言，兩者間的差異高達90%）。除了改善生產流程外，人工智能還將助力制造商大大提高產量（Bauer先生認為這在半導體行業中表現得尤為明顯）。

優化供應鏈

在過去三年間，華為一直利用人工智能技術簡化其自身復雜的供應鏈流程。華為表示，基于人工智能的路線優化減少了物流服務提供商的取貨次數，并***限度地提高滿載次數，從而將運輸成本降低了30%。物流路線的縮短還意味著可以降低碳排放量，使供應鏈變得更加環保、可持續。

更智能的機器人

對預測性維護至關重要的某些監控工作將由機器人來完成，這一點在各大工廠中已經非常普遍。然而新一代的機器人遠比從前更加智能，更了解自身環境（部分原因要歸功于機器視覺，其中一個重要組成部分是圖像識別），自學能力也越來越強，無需人工干預。Yost先生設想未來工廠將會形成高度人機合作的環境，機器人主要配合工程師開展工作，而非完全取代工程師。

為智能化轉型奠定基礎

只有在各項條件成熟之后，制造商才能夠實現人工智能的規模化應用，并通過運用人工智能獲得理想的回報。首要條件是互聯互通。大多數由人工智能驅動的算法需要強大的算力支撐，而云端具備這種算力以及運行人工智能輔助應用所需的軟件平臺和虛擬硬件，因此企業應與一家或多家云供應商展開合作。此外，云端也是開源平臺的匯聚點，各行各業的企業紛紛利用開源平臺來開展人工智能技術創新。因此，制造商必須更廣泛地參與開放創新，以便獲取知識、專業技術以及關于人工智能應用的先進理念。

充足、可用的數據是另一項重要的前提條件。制造商一般并不缺少數據，但許多制造商抱怨稱，很多數據由于錯誤、標簽不當或缺失以及數據集之間的標準化不足等原因而無法使用。因此，企業必須努力清洗、正確整合自己的數據集并持續積累更多數據。企業的分析工具也必須支持非結構化數據（例如設備和產品的圖像），分析這類數據可大大提升人工智能的能力。

在解決上述難題以及人工智能相關的其他難題（包括技能和專業技術的獲取）之前，制造商不要安于現狀、被動等待。人工智能也許尚未對制造業產生重大影響，但制造業的智能化轉型必將指日可待。

HUAWEI CONNECT 2018作為華為自辦的面向ICT產業的全球性年度旗艦大會，將于2018年10月10日–12日在上海隆重舉行。本屆大會以“+智能，見未來”為主題，旨在搭建一個開放、合作、共享的平臺，與客戶伙伴一同探討如何把握新機遇，創造智能未來。

欲了解更多詳情，請參閱：

https://www.huawei.com/cn/press-events/events/huaweiconnect2018

1. BCG，《機器之魂：論AI在未來工廠中的應用》（2018年4月）。 ↑

2. 麥肯錫公司，《人工智能***智能化——對德國及其工業領域有何意義？》（2017年） ↑