AI在未來的工廠中的應用
未來的工廠會是什麼樣子的呢？在AI作為關鍵驅動力的作用下，工廠會變得更敏捷更定製化。這方面以及有一些國家（比如美國、中國）和公司開始捷足先登。但是絕大部分國家和公司對此仍然認知不足，或者能力不足。
AI未來將如何變革工廠？
在未來的工廠會有哪些用例？
理想與現實的差距在哪裡？
工廠實施AI應該採取什麼樣的策略？
本文由機器之心經授權轉載自 ofollow,noindex" target="_blank">崑崙資料K2Data（ID：k2datas ） ，未經授權禁止二次轉載。
在商業技術領域人工智慧（AI）是個熱門話題，而且也引起了產業公司的注意。通過應用合適的AI技術組合，製造商可以提高效能，改善靈活性，加快流程，甚至促進自優化運營。BCG的一份分析發現，AI的使用可降低製造商最高20%的加工成本，而這種減少最高有70%源自於更高的勞動生產率。製造商還可以利用AI開發和生產為特定客戶量身定製的創新產品，並且將訂貨到交貨時間大大縮短，從而產生更多的銷售。AI因此是未來工廠不可或缺的一部分，而技術將會增加工廠結構和流程的靈活性。
全球各地的公司，不同的行業都在探索在經營當中應用AI的可能性，這一點毫不出奇。但一些主管對AI能否帶來承諾的好處依然存疑。為了更好地理解其中的機遇與挑戰，波士頓諮詢公司（BCG）最近對大眾對AI的期望以及AI在產業經營中的採用情況進行了梳理。
BCG的研究聚焦在一份涵括眾多製造業超過1000名高管和經理的全球調查的結果上。總體上，我們發現製造商預期AI成為改進生產力的關鍵槓桿。但實現並沒有跟上預期的節奏，這很大程度上是因為許多公司缺乏AI的4種使能器：戰略（包括全面的路線圖），實現的治理模式，相關的員工能力，以及IT基礎設施的支援。
研究背景
調查發現，交通、物流、汽車、技術公司處在AI採用的前沿，而加工產業（比如化工）就比較滯後。相對於日本、法國和德國，美國、中國和印度在AI採用方面的領先優勢令人印象深刻。不同國家A採用速度的差異反映出對AI好處的期望偏差。
儘管像中國這樣的新型國家對這些好處非常狂熱，但很多工業化國家，比如德國，其觀點就比較保守了。因為德國公司在制訂AI採用的詳細計劃方面也落後了，其滯後的夏裝有可能還會持續。德國國內採用AI技術最活躍的當屬汽車業，而加工業還有很長一段路要走。
調查結果表明，如果有意實現AI的巨集圖壯志，工業製造商必須顯著加大其實施力度。光靠技術本身是不夠的。要想充分發揮AI潛能，公司必須在組織層面考慮所有必要的使能者。
AI將變革企業
AI讓計算機和機器有能力用聰明的方式去執行任務。AI幫助製造商決定最好的動作序列來實現目標，也能讓他們遠端實時對運營進行管理。
運營AI的基礎
AI在運營中的許多使用都用到了機器學習——這是資料探勘與資料科學的演算法家族。這些演算法不是按照靜態、預設的規則或者指令，而是通過分析資料來學習，然後利用所得洞察生成預測或者訓練預測模型。
AI技術在運營當中有若干應用
機器視覺：通過可見光、x射線或者鐳射訊號感應生產環境——比方說，用攝像頭對零件和產品進行分類。
語音識別： 處理語音等聽覺訊號——比方說，用類似Alexa或者Siri的虛擬助手處理操作員有關質量問題的評論。
自然語言處理： 分析文字，解釋最可能的意思——比方說，從不同的績效報告生成摘要。
資訊處理：從非結構化文字中析取知識並獲取查詢答案——比方說，通過搜尋產品相關的文字報告。
從資料學習：根據生產相關的經驗資料對值進行預測或者分類——比方說，利用機器和流程產生的歷史資料來預測事件。
規劃與探索： 選擇一系列的行動讓特定目標最大化——比方說，讓自動導引車（AVG）識別最佳的下一步。
語音生成：通過文字或語音跟人溝通——比方說，大聲朗讀指令。
處理與控制：操縱物體——比方說，讓不需要特殊培訓的機器人從儲存箱中撿起未分類的零件。
導航與運動：在物理環境下機動——比方說，讓AGV在工廠內自主移動並優化路線。
很多行業領袖期望AI能從端到端（包括工程、採購、供應鏈管理、工業作業（生產及相關功能）、營銷、銷售以及客戶服務）變革流程以及價值鏈。在最近的一次研究中，產業公司高管認為運營可能是受到AI影響最大的環節。
AI的作用是增強，而不是取代製造商現有用於持續改進生產力的手段。AI是工業4.0主要的技術建構塊之一。此外，製造商還可以用AI來增強傳統的效能手段，比如自動化和精益管理。比方說，通過識別質量問題的根源從而幫助消除缺陷，AI可以支援精益管理減少浪費。的確，我們調研40%的參與者預計，到2030年，AI會成為生產力改進的一個非常重要的驅動力，而相信它對當今生產力起到非常重要作用的人佔比為29%（參見圖1）。
圖1：AI的作用越來越重要
不過，不同國家之間對AI的期望也很不一樣。比方說，來自中國公司的受訪者認為AI採用會顯著減少其總勞動力（這反映了對低技能工人的技術替代），而來自德國的公司預期其更高技能的勞動力並不會減少太多。
AI的用例
AI體現了工廠的正規化轉移。今天的工廠自動化流程和工具採用的是規則導向的做法，今天的機器人程式設計處理的是固定的場景。相反，未來的工廠會利用AI來支援自動化流程和機械製造以響應不熟悉或者意外情況，從而做出明智決定。因此，技術系統會變得更加靈活適應性更強。比方說，在基於規則的做法下，機器人無法從一批未整理的零件中識別和選擇所需的零部件，因為它缺乏必要的詳細程式設計去處理零件無數可能的方向。相比之下，有AI支援的機器人可以從一堆亂糟糟的零件中挑出想要的零件，不管其方向如何。
各種AI用例包括改善工廠內外不同運營領域的生產力。在調查受訪者當中，有37%認為AI對工廠運營中生產的生產力改進發揮了最重要的槓桿作用。而12%的人選擇了物流是AI作用最大的地方。跟這些發現一致的是，公司把自優化機器、質量缺陷檢測以及效能損失預測視為最重要的AI用例。儘管不同的公司對不同用例的價值看法胡有所不同，但製造商唯有應用AI並整合內部不同職能以及供應商與客戶的資料池才能重返發揮其作用。
工廠之外
在工廠外圍，工程和供應鏈管理是AI應用最重要的運營領域。
工程：製造商可以利用AI促進研發努力，從而優化設計，改進對客戶需求和期望的響應並且簡化生產。AI支援生成式產品設計，根據既定目標和約束利用演算法探索各種可能的設計解決方案。通過迭代式測試和學習，AI演算法優化設計，推薦在人類看來非傳統的解決方案。一些航天公司正在利用生成式設計以全新的設計開發飛行器部件，比如提供跟傳統設計功能相同但是卻輕便許多的仿生學結構。
供應鏈管理：需求預測是供應鏈管理領域應用AI的關鍵主題。通過更好地預測需求變化，公司可以有效地調整生產計劃改進工廠利用率。AI通過分析和學習產品釋出、媒體資訊以及天氣情況等相關資料來支援客戶需求預測。一些公司還利用機器學習演算法識別需求模式，其手段是將倉庫、企業資源計劃（ERP）系統與客戶洞察的資料合併起來。
工廠內部
在工廠內部，AI會把各種好處帶給生產以及諸如維護、質量與物流等支援職能。
生產：我們的研究涵括了所有的生產環境，包括連續加工（比如生產化學和建築材料的）以及離散型生產（比如裝配任務）。在所有的環境中，製造商都會利用AI來降低成本提高速度，從而提升生產力。他們還會用它來改善靈活性應對生產的複雜性——比方說客戶定製產品的生產。AI還可以讓機器和部件成為自優化的系統，通過對當前和歷史資料進行連續分析和學習實時調整自身引數一些鋼鐵廠已經在利用AI讓熔爐自動優化設定了。AI分析鑄溝的材料構成，識別穩定工藝條件的最低溫度，從而降低整體的能耗。在另一個重要的生產用例中，得到智慧影象識別能力增強的機器人可以從未定義的位置（比如箱子裡或傳送帶上）裡撿起未分類的零件。這已經在汽車業有了實際應用。
維護：製造商會利用AI減少裝置故障提高資產利用。AI支援預測性維護——比方說，通過根據實際情況替換磨損部件來避免故障。AI會持續分析和學習機器和部件產生的資料（比方說感測器資料和產品結構）。這一技術對加工業尤其有好處，因為故障會導致銷售損失。比方說，一些煉油廠已經實現了在裝置失效前估計剩餘時間的機器學習模型。這種模型會考慮超過1000個與材料投入、材料輸出、工藝引數以及氣候條件有關的變數。
質量：製造商可以利用AI幫助儘早檢測出質量問題。視覺系統利用影象識別技術識別缺陷以及產品功能的偏差。因為這些系統可以持續學習，其效能會隨著時間轉移而改善。汽車供應商已經開始利用帶機器學習演算法的視覺系統識別有質量問題的部件，包括檢測沒有出現在用於訓練演算法的資料集內的缺陷。AI還可以持續分析和學習由機器和生產環境產生的資料。比方說，AI可以將材料屬性和行為與鑽床設定資訊比較，預測鑽孔超出耐受度的風險。
物流：我們的研究關注於產內物流和倉儲，而不是外部供應鏈的物流。AI會促進場內材料供應的自動轉移和效率，這對於管理製造多種產品衍生和定製產品所帶來的日益增長的複雜性是必不可少的。在工廠和倉庫內運輸物品的無人車會利用AI感應障礙調整車輛路線從而實現最佳路線。醫療包建設部製造商已經開始在自己的維修中心利用無人車。在不需要磁條或者傳送帶引導的情況下，這些車輛可以在遇到障礙時停下來然後自動確定最佳路線。機器學習演算法會利用物流資料——比如材料進出的資料、庫存量、零件的週轉率等——來促進倉庫自主優化運營。比方說，有一個演算法會建議將低需求的零件轉移到更遠的地方，並且將高需求的零件放到可以更快獲取的附近區域。
一些AI用例還可以應用到多個運營領域。比方說，能夠生成語言並進行處理的虛擬助理（類似蘋果的Siri和Amazon的Alexa）可向操作員提供源自IT系統的相關背景資訊。一些公司已經在利用語音分揀系統處理分揀、打包、接收以及補給事務。在這些應用中，語音系統會連線到ERP系統的物料清單引導操作員去到正確的箱子那裡。
AI系統會根據事件報告（比如圖片和書面報告）建議相應事件（比如機器故障、質量離差、效能損失）的解決方案，而且還會持續分析和學習這些報告。飛機制造商已經實現了利用事件報告識別生產問題模式的自學習演算法，然後將當前事件與過去類似事件進行匹配，並且提出解決方案建議。
在研究參與者中國，期望上述用例到2030年會變得非常重要的人佔比在81%到88%之間，但是認為這種能力已經在生產的多個領域完全實現的佔比就相當低（6%到8%）。圖2提供了受訪者認為在未來工廠中發揮重要作用的用例排名的概覽。
圖2：AI在未來的工廠中將變得無所不在
雄心與現實之間的差距
很多公司都打算加快實施AI，但是我們的研究發現，平均而言，中國、印度、新加坡的公司對在近期在生產中實施AI的抱負最大。在受調查的離散產業中，醫療保健和能源是近期最有野心的；加工業和工程產品往往就沒那麼迫切。
參與我們研究的大多數公司都說他們注意到AI的重要性正在增強。然而，他們的投資、話以及實施都沒法跟他們的野心相稱。儘管87%的受訪者成計劃在未來3年內在生產中實施AI，但只有28%制訂了全面實施的路線圖。剩下的72%缺乏詳細計劃：32%正在測試選定用例，27%只有一些初步想法，13%並未將AI列為優先事項或者還沒有考慮。
有限的實施程度反映出綜合規劃的缺乏，這揭示了理想之豐滿與現實之骨感的差距。在過去，在實現AI用例方面，只有約50%的公司實現了自己的目標。因此不奇怪的是，只有約16%的公司在多個廠區充分實現了超過1個的AI用例——這樣的成績按照我們的定義可稱之為早期採用者。對於納入我們研究的12個國家來說，早期採用佔比最高的國家包括美國（25%）、中國（23%）以及印度（19%），最低的是日本（11%）、新加坡（10%）以及法國（10%）（參見圖3）。在受訪的德國公司中，只有15%屬於早期採用者。
圖3：中國、美國的AI早期採用者最多，對推進AI最積極
在我們關注的8個行業中，交通和物流（21%）以及汽車業（20%）的早期採用者所佔份額最高，工程產品（15%）和加工業（13%）相對滯後。（參見圖4）這些差異反映了行業的不同奇點以及與數字化的密切關係不同。汽車和技術公司屬於最先進行列並不出奇。其他行業甚至還沒有學習已經成為那些行業價值鏈不可或缺部分的眾多數字化策略。
圖4：不同產業的AI雄心與現實之間的差距
公司僱員數也會對AI實施產生影響。小企業相對於大企業成為早期採用者的可能性更低——這也許是因為小公司往往預算更加拮据，騰出給AI採用的能力更少。儘管最近的技術發展以及資料儲存和資料處理的成本下降會降低對AI投資的閾值，總體的能力差距可能仍將持續。
縮小差距
有4個使能器對AI在運營中的成功實施至關重要：戰略和路線圖，治理模式，員工能力，以及IT基礎設施。在讓AI使能器充分發揮方面，早期採用者比滯後的公司所取得的進展要大得多。（參見圖5）
圖5：AI實施的四大使能器
治理模式：管理層給出看得見的承諾對於實現潛在的改進非常關鍵。高層管理應該利用結構化的溝通來確保組織內對AI有清晰的瞭解。公司應該為AI實施建立明確的角色和責任，並且設立清晰的組織架構。相關職能部門間有效協作和溝通對於克服AI應用的文化牴觸必不可少。
員工能力：為了採用AI——以及更廣泛的數字化——公司必須讓員工具備很強的程式設計、資料管理及分析等技能。公司應該對所需的技能集有清晰的想法，並且應該評估那些需求與員工目前所具備的技能之間的差距。
對於瞭解運營AI基礎這樣的主題，員工可以通過培訓計劃獲得所需的技能，這種培訓可以來自公司內部或者外部。對於需要更正式的IT相關學習課程，比如先進分析，公司必須招聘包括資料科學家在內的新型員工。
在研究的參與者當中，93%者報告自己公司內部沒有足夠能力在運營中實施AI。4人中就有超過1人（29%）稱自己的公司已經增加了專門做AI的員工數量，而將近一半（47%）預期未來幾年這個數字還會增長。
IT基礎設施：遺留IT系統和機械裝置的互操作性對於AI實施的成功非常關鍵，這需要由API和網路標準來促進。網路安全是致力於AI與工業4.0實踐者的另一個重要關切。
在實施AI中，公司應該考慮採用敏捷的工作模式，這樣可以在需求變化時調整自己的戰略和路線圖。在應用AI技術中，公司應該採用快速失敗，最小可行產品的做法，這樣可以小規模測試新想法然後通過快速迭代調整，最後再全面鋪開。早期採用者比滯後者更有可能採用這種敏捷工作模式。
入門指南
這份研究的發現指向了行動需求，這不僅要求行業公司採取行動，工業機械和自動化製造商也要行動起來。
對機械與自動化板塊的影響
作為對所有其他型別產業公司的供應商，機械和自動化製造商在實現AI技術潛能已經滿足工廠對AI支援應用的需求中將扮演重要角色。AI將讓機械與自動化製造商形成新的創收商業模式，比如“機械即服務”。為了挖掘這一市場，此類製造商應該增強自身裝置並且收集資料來試驗AI技術。
在所有行業裡，調查受訪者把自優化機器視為機器重要的AI用例。機械與自動化製造商可為產業公司提供利用機器學習技術實時分析引數並優化流程的機器。
調查受訪者還注意到機器視覺系統的重要性正在不斷增加。機械製造商可以直接將機器視覺整合到自己的機械系統裡面。儘管底層的AI技術來自於知名供應商，但機械製造商應該考慮開發自己的AI解決方案以便避免對特定供應商形成依賴。
作為開發AI支援的分析與自優化機器的第一步，機械與自動化製造商應該對自身機器效能保持完全透明。這會讓使用者在AI之旅中取得進展，比如感知機器引數，以及對資料的持續學習。感知與行動需要監控溫度、轉矩、振動等過程引數來獲得對機器情況以及製造零件的質量的洞察。最後，透明性還為自調整系統奠定基礎。此外，機械和自動化製造商還必須讓客戶放心從他們的機器訪問的資料是安全機密的。
為了在實現AI的競賽中不被落下，產業公司應該採取結構化的三步走策略：
評估現狀：公司應該從蘋果自身痛點以及AI成熟度開始，然後應該拿自己的現狀與同行或者行業平均水平進行基準比較。因為健壯的IT基礎設施對AI事實必不可少，公司必須評估其運營IT的現狀。進行車間評估的一個先決條件是在一定裝置上建立一個評估主題和基準的庫。
確立使能器：公司應該制全面的AI用例清單來處理在健康檢查中發現的痛點問題。所有利益攸關者都應該集中起來召開研討會深入討論用例，確定優先實現哪一個。在評估該優先用例額財務及非財務好處時，公司應該為投資測算商業案例。對量化好處以及所需投資有經驗的AI專家的輸入在這一階段具有極其重要的價值。在找出了這個優先考慮的用例之後，公司可以為AI在運營中的應用制訂目標圖，並且為實施制訂路線圖。
公司的治理模式應該清晰描述AI實施的角色與責任，並且應該建立一個協調的組織架構。公司還需要將目前勞動力的素質與那些需要實現的AI用例進行對比，確定如何縮短差距。此外，公司還需要為用例實現定義IT需求，並且為有效能和效率的資料管理制訂第二套治理模式。資料科學家和具備AI知識的IT專家應該參與到需求的定義中來。
測試與解決方案拓展：公司應該在工廠的特定地方測試AI用例。為了加快流程，公司應該在定義好願景、建立起使能器的同時發起第一批試點計劃。每一個試點的目標應該是迅速開發出最小可行解決方案，然後通過敏捷開發方法以多次迭代的方式改進試點的設計。員工通過與試點計劃的互動可以體驗到AI用例是什麼感覺。為了促進這些試點，公司必須利用可產生迅速影響的技術工具，比如資產監控感測器和智慧眼鏡等。公司還應該擴大試點成功的解決方案。最後，為了發揮AI實施的全部潛能，公司應該全範圍實施整合的解決方案。
我們的研究表明，AI即將成為增強運營生產力最重要的手段。但許多公司仍未意識到獲得AI的好處需要的不僅僅是對技術的投資。一個描述清晰的戰略時必不可少的起點——但即便如此仍然不夠。公司還必須有適當的治理和支援基礎設施就位，同時還必須對勞動力進行重新配置和培訓。尚未對AI實施採取全面視角的公司製造商應該迅速提高自己的競爭能力才能趕上那些早期採用者。
（文章來源：波士頓諮詢）
本文由機器之心經授權轉載自 崑崙資料K2Data（ID：k2datas ） ，未經授權禁止二次轉載。