人工智能赋能制造，车间场景数据革命全面爆发

　　1995年，国际象棋大神卡斯帕罗夫败给了体重1.4吨的人工智能电脑“深蓝”，这是人工智能(AI)第一次打得人类猝不及防地满地找牙，2016年世界围棋冠军李世石在与Alpha Go的比赛中投子认输，人们开始惊觉到人工智能的力量已不容忽视。时隔二十余年，浪潮迭起，未来已至，人工智能正在全球引领一场比互联网影响更为深远的科技革命，颠覆现有的商业模式，重塑产业的思维方式。

　　创新工场创始人、人工智能AI科学院院长李开复在9月推出的名为《AI·未来》的新书中将这次的人工智能复兴称之为“第三次AI热潮”，这一次热潮最大的不一样在于，AI真正从学术界走到工业界和人们所处的应用场景中，AI技术革新赋能产业升级正成为现实。

　　AI赋能制造业本质是「人机协同」

　　2017年，“人工智能”第一次出现在两会政府工作报告上，同年7月，国务院首次印发《新一代人工智能发展规则》即明确指出，2020年，中国要跟上全球领先国家的AI技术与应用，2030年更要成为全球顶级的AI创新中心，有数据预测，到2030年中国GDP中AI将有高达20%的贡献。

　　在中国，伴随着人脸识别、无人零售等新技术带来的消费升级，人工智能已帮助零售业围绕消费者，在时间碎片化、信息获取社交化的大背景下，建立更加灵活便捷的零售场景，提升用户体验。

　　那么，人工智能究竟能为庞大的制造产业群带来什么?制造业在过去很长的一段时间里，是“劳动密集型”产业的代名词。当人工智能来临的时候，许多人不禁担忧：“是不是制造业中的劳动力要被替代了?”李开复甚至断言，十年后50%的人类工作将被AI取代。诚然，人工智能经常被通俗的解读为“与人类一样聪明的人造机器”，将这个“聪明的机器”放进制造现场，主要的作用就是使机器能够“达到甚至超过人类技工水平”，以实现企业生产运营效率的提升。而这个AI介入的“智能化”过程，与过往制造业追求“自动化”的过程有本质上的差异。

　　“自动化”追求的是机器自动生产，本质是「机器换人」，强调在完全不需要人的情况下进行不间断的大规模机器生产;而“智能化”追求的是机器的柔性生产，本质是「人机协同」，强调机器能够自主配合要素变化和人的工作。

　　因此，“人工智能+制造”未来所追求的，不应是简单粗暴的“机器替人”，而应是将工业革命以来极度细化、甚至异化的工人流水线工作，重新拉回“以人为本”的组织模式，让机器承担更多简单重复甚至危险的工作，而人承担更多管理和创造工作。

　　未来已至还原人工智能+制造应用场景

　　即便在未来，想以人工智能全面取代制造过程中人类专家的智能，独立承担起分析、判断、决策等任务是不现实的。“人工智能+制造”实现的人机一体化高度协同可以在智能机器的配合下，更好地发挥出人的潜能，使人机之间形成一种平等共事、相互理解、相互协作的关系，让设备、软件、数据、人都在拥有智慧的基础上，把自己在生产制造场景中的价值发挥到极致。

　　由中国社会科学院工业经济研究所、腾讯研究院共同编制的《“人工智能+制造”产业发展研究报告》中将AI作用于制造业的典型应用场景分为以下三类：

　　实现从软件到硬件的智能升级。

　　人工智能算法将以能力封装和开放方式嵌入到产品中，从而帮助制造业生产出新一代的智能产品。如谷歌开发出专用于大规模机器学习的智能芯片TPU、腾讯AI开放平台对外提供计算机视觉等AI能力、亚马逊推出内嵌人工智能语音助手的智能音箱echo等。

　　提高营销和售后的精准水平。

　　在售前营销，以人工智能进行用户侧需求数据的多维分析，将能实现更实时、精准的广告信息传递，如谷歌为制造业专门开发了精准广告平台;在售后维护，人工智能将有机会和物联网、大数据一起，实现对制造业产品的实时监测、管理和风险预警。如三一重工把分布全球的30万台设备接入平台，实时采集近1万个运行参数，利用大数据和智能算法，远程管理庞大设备群的运行状况，有效实现故障风险预警，大大提升了排障效率并降低维护成本。

　　增强机器自主生产能力。

　　人工智能技术可以使得机器在更多复杂情况下实现自主生产，从而全面提升生产效率。应用场景包含：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;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。

　　而其中，视觉缺陷检测、机器人视觉定位分拣和设备故障预测报警等应用场景得益于深度学习和人工智能的加速成熟，已在制造现场实现落地。例如通过集成3D扫描仪和协作机器人、视觉系统、吸盘/智能夹爪，实现对目标物品的视觉定位、抓取、搬运、旋转、摆放等操作，并对自动化流水生产线中无序或任意摆放的物品进行抓取和分拣。这既可应用于机床无序上下料、激光标刻无序上下料，也可用于物品检测、物品分拣和产品分拣包装等。目前在应用场景案例中已能实现规则条形工件100%的拾取成功率。

　　在设备故障语境应用场景中，基于人工智能和IOT技术，通过在工厂各个设备加装传感器，对设备运行状态进行监测，并利用神经网络建立设备故障的模型，从而在故障发生前提前预测故障，并将可能发生故障的工件替换，从而保障设备的持续无故障运行。这样的应用可以将产线停工时间从几十分钟压缩至几分钟。

　　总之，消费互联网的蓬勃兴起让软件成功定义了我们的生活，而且这种发展趋势必然会蔓延到制造业来。工业4.0理念下的制造，是将一切的人、事、物都连接起来，形成万物互联，形成与整合为由智能机器与人类专家共同组成的人机一体化智能系统，在制造过程能进行智能活动，注入分析、推理、判断、构思和决策等融合成为一套智能制造系统。

　　工业互联网支撑深挖大数据「AI+制造」场景价值

　　随着物联网向制造领域的加速渗透，工业OT层数据采集范围不断扩大，在制造数据的规模、类型和速度正在呈指数级增长的同时，企业对于信息化软件的依赖程度也越来越高，PLM/PDM、ERP、MES、APS、CRM、SCM、SPC等各式软件不仅需要协调管理好企业内部资源，还需要良好支撑不同企业间资源与业务的交互，并实现不同主体、不同系统间的高效集成。

　　为解决由多个功能模块聚合而成的应用软件复杂度高,且难以拓展等问题，越来越多的工业软件将在新的工业互联网平台上，以微服务的方式实现小而精、易于敏捷开发和独立更新和与管理。在制造业这个庞大的产业，数据的连通与交互更为复杂，要让「人工智能+制造」的梦幻般应用场景尽快成为现实，工业互联网成为关键的基础平台，借助工业互联网，打破传统企业架构，实现工业4.0所强调的横向集成、纵向集成和端到端集成，进入「人工智能+制造」关键应用场景。

　　面对越来越庞大的生产数据，以及日益复杂的数据分析任务，在工业互联网平台上，通过全产业的数字化互联与资产的实时监控，综合利用分析数据与预见分析，以此来建立智能的工业化运营模式是必然趋势。因此，要加快实现「人工智能+制造」应用场景，制造业需要有能力借助先进的工业大数据分析和预测工具，高效实现监控、报警、预测及优化等生产过程的全面数字化，而这些，都依托于汇集所有工业数据，构成端到端的数字化、网络化、智能化整体解决方案的工业互联网平台的支撑。

　　「没有数据便无法学习」企业需要AI Thinking 思维

　　“人工智能发展一定是从数据最大、最快能产生价值的领域开始，决定AI商业化的关键在于应用行业本身收集数据的情况。”被称为国内人工智能之父的李开复曾不止一次在公开场合这样喊话。诚然，没有大数据就无法深度学习，因为在单一领域，经过大量的数据，能够达到比人远更精确的判断。可以说，有了大数据就有了人工智能的机会。

　　人工智能时代，深度学习与大数据密不可分。深度学习可以从大数据中挖掘出以往难以想象的有价值的数据、知识或规律，然后再将这些概念或知识应用到之前从来没有看见过的新数据上。任何拥有大数据的领域，都可以找到深度学习一展身手的空间，从而寻找人工智能应用场景实现的可能性。但是，在导入人工智能技术前，我们必须清楚：人工智能要靠数据才能发挥作用，唯有透过海量数据的学习后，才能让人工智能达到自行调适与优化的效果，因此数据可以说是人工智能的必要前提。

　　于此，AI企业级应用遇到显着的难点，就是企业常常面临数据不足的情况，因为对很多企业来说实际的情况可能是连结构化的数据收集都没做到，或者有储存了数据但是散落在各系统上仍然无法整合利用起来。对此，很多专家都建议应该回头来先做好基础的软件系统导入和先做好数据的积累。因为人工智能的实现需要过程，缺乏对数据的重视，AI离企业还很远。

　　台湾东海大学软件工程与技术中心主任周忠信教授强调数据搜集的重要性，他表示目前市面上的AI训练，大多数是由下往上学习AI技术，例如深度学习等开发，但对于企业管理阶层而言，钻入AI技术小宇宙不仅在时间、成本上不符效益，更可能偏离企业运用AI的初衷。因此，周忠信教授提出「AI Thinking 人工智能思维」认为，技术和数据都很重要，但是企业也决不可能等到万事具备才能使用AI，关键要从Model based转换到Learning based上，尽早让既有数据展开学习，才能让数据转变成决策讯息。

　　所谓AI思维不是强调人工智能技术，而是强调具备对人工智能抽象概念的理解。人工智能技术的范围颇广，从计算机视觉、自然语言理解、机器学习、深度学习到强化学习等，若要先懂得这些技术才能将之运用在企业上，那么企业将很难顺利转型成功。如何跨越AI技术议题，仍能具备人工智能的运用能力，对于企业而言才最为关键。

　　周教授定义AI思维的四个「自」构面，分别为自动、自学、自主与自觉。对于企业运用AI思维而言，便是自动掌握变化例如运用人工智能的视觉辨识，自动检视产品掌握产品的瑕疵变化;自学拟预测，深入企业数据中，拟定预测模型，协助企业预见趋势;自主佐决策，运用人工智能撷取职能的关键知识与经验，主动辅佐管理者做好决策;自觉重体验，人工智能不是取代人，而是以人为中心，来满足使用者的应用与互动体验。

　　AI+ERP 深度学习融合大数据的应用典范

　　人工智能时代，深度学习与大数据密不可分。深度学习可以从大数据中挖掘出以往难以想象的有价值的数据、知识或规律，然后再将这些概念或知识应用到之前从来没有看见过的新数据上。任何拥有大数据的领域，都可以找到深度学习一展身手的空间，从而寻找人工智能应用场景实现的可能性。

　　除AI于制造业的应用外，AI的触手也伸入软件开发中。ERP智能化便是人工智能领域深度学习与大数据结合的典型应用方向。作为制造业最为核心的智能运营平台，如何实现人机交互的企业级ERP智能化用户体验成为被热烈讨论的议题。智能语音助理可以听懂用户讲的话，进而在庞大的企业数据库中，快速获取用户所需的信息。从此让ERP系统可以通过自然对话与系统沟通，使用户得以摆脱面对各种不同系统的复杂和困扰，让工作变得简单、高效。

　　在AI技术助力下，未来ERP软件应用不仅加速迈入智能化阶段，更能在大数据分析的支持下，通过学习用户行为习惯，实现整个制造业基础改造及应用职能智能化，从基础数据取得的智能化、流程执行的智能化、数据监控的智能化到后期数据分析的智能化、日常实施维护的智能化…可以说智能化的ERP将充分发挥出职能助理的作用，在销售、采购、生产、财务等多方面帮助制造企业智能化运转，借助ERP延展到企业的人、事、物，通过AI+ERP加速企业智能运营效能提升。

　　结合大数据、移动互联网，围绕“自我学习”这一AI重要特性，智能的ERP将能以语音对话的形式与用户随时随地快捷交互，完成自我需求、自我分析、自我决策、自我执行循环，既可简单高效完成日常工作任务和精准数据查询，更能提供智能化的决策建议与异常警示，给出更合理的行动建议。这也能将用户从日常操作的重复性工作中彻底解放出来，投入到更具价值的业务和决策层面。

　　掘金数据红利逐梦人工智能

　　如果说，农耕社会和工业社会，人类基于物质和能量的动力工具得到极大的发展;今天，劳动工具则转向了基于数据、信息、知识、价值和智能的智力工具。当人口红利、劳动力红利消失，数据红利也就来了。

　　已走过60年的人工智能，如今正奔跑在快车道上。在大数据、深度学习的“喂养”下，人工智能已展现出前所未有的数据红利，这些如金矿般的数据红利也正在为各产业带来不可预测的爆发点。让我们一起站在数据巨人的肩膀上，掘金数据红利，逐梦人工智能。