制造业人工智能专题展望分析报告Word文档格式.docx

制造业人工智能专题展望分析报告Word文档格式.docx

《制造业人工智能专题展望分析报告Word文档格式.docx》由会员分享，可在线阅读，更多相关《制造业人工智能专题展望分析报告Word文档格式.docx（19页珍藏版）》请在冰豆网上搜索。

四、工业领域的人工智能应用案例15

4.1典型案例16

4.2国内互联网巨头的相关尝试20

五、投资建议22

六、风险提示23

图表目录

图1：

生产线上忙碌的工业机器人1

图2：

电饭煲及其工作原理2

图3：

智能系统的特征与分类2

图4：

当前人工智能的工业应用更多表现为优化决策过程的辅助作用4

图5：

中长期人工智能的工业应用和实现是一个渐进而持续的过程5

图6：

全生命周期不同环节的数据闭环与智能升级5

图7：

工业领域可利用数据来源多样7

图8：

由不同环节、不同设备构建的数据网络是智能化的前提7

图9：

人工智能算法及应用助力工业数据的价值实现8

图10：

GE工业互联网平台Predix9

图11：

通过精准的操控方法为意大利航空节约燃油成本9

图12：

DeepMind控制设备运行方式提升数据中心能源使用效率10

图13：

富士康利用机器代替人降低劳动力成本10

图14：

传统制造业红领借助数字化、智能化实现需求的快速响应11

表1：

政策迭出，推动工业制造转型升级3

表2：

工业制造相关环节的人工智能升级6

表3：

互联网大数据与工业大数据之间存在明显差别7

表4：

BAT与制造业合作，输出云计算、大数据以及人工智能等技术11

提起工业领域的人工智能应用，或许第一联想到的会是生产线上的工业机器人，那些有序挥舞着的机械臂不知疲倦地重复着各自的动作，完成各生产环节的零部件制造、搬运、组装及检测等任务。

事实上，一方面来讲工业领域的人工智能应用远不止机械臂这么单一，另一方面，有时候看起来很智能的应用或许在本质上并不属于人工智能范畴。

生产线上忙碌的工业机器人

本篇报告将会首先对工业领域的“智能”与“人工智能”加以区分，然后主要针对人工智能在工业域不同环节的应用、难点及实现条件分别展开，并梳理一些代表性案例及国内BAT相关实践。

一、起步于科学效应，逐渐融入人工智能

并非所有的智能都是人工智能。

虽然对于人工智能的定义一直很难有统一说法，但一般意义上会认为让机器能像人一样“听说读写”、“思考决策”就可以划入相关范畴。

那么对于像电饭煲这样能在米饭煮熟以后自动断电算是“智能”吗？

或者说算是“人工智能”吗？

答案很显然，电饭煲的自动断电是“智能”，但似乎还够不上“人工智能”的级别。

从时间来看，世界上第一台电饭煲由东京通讯工程公司发明于1950年代，而“人工智能”是1956年才第一次提出。

从原理来看，电饭煲自动断电只是利用温度高于103℃时感温铁氧体失去磁性的效应，弹簧作用下与永磁铁分开从而切断电源。

因而这种“智能”只是利用了材料本身的“特性”。

电饭煲及其工作原理

电饭煲中感温磁铁在超过一定温度时失去磁性的现象可称为“科学效应”。

一般而言，科学效应是对物理、化学、生物、几何等效应的统称，主要来源于科学研究及日常生活发现。

科学效应在工业领域得到广泛应用，例如空调靠“相变”制冷，洗衣机靠“离心力”将衣服甩干，以及热胀冷缩、热传导、热对流等。

通过算法实现学习提升使得人工智能系统区别于一般工业智能系统。

根据智能系统具备的特征可以分为初级智能系统、恒定智能系统和开放智能系统三类：

智能系统的特征与分类

①、初级智能系统的决策通常依靠科学效应执行动作，不涉及计算分析；

②、恒定智能系统主要是指所具备的智能水平在系统构建之初就已经被设定，嵌入了一定的计算和分析环节，但几乎没有提升空间。

例如智能洗衣机感知衣料特性并自动决定洗衣策略；

③、开放智能系统与恒定智能系统相比多了“学习提升”的环节，这也正是人工智能系统与一般智能系统最大的区别所在。

这样的系统具备一定的认知能力，能通过学习不断提升和改善自身。

工业领域的智能化起步于初级智能系统，主要依赖科学效应形成的工程控制技术。

后来在此基础上逐渐利用机器学习等人工智能算法，从历史数据的分析中挖掘潜在规律，并内化应用于改善和提升系统执行任务的智能水平，逐步融入具备自主学习和提升能力的“人工智能”。

二、人工智能在工业领域不同环节的应用

2.1政策与技术助推生产与业务模式转型

重大政策迭出，从“互联网+”到“人工智能+”，制造业始终是政策重点关注的领域。

2015年5月份国务院印发的《中国制造2025》是推动我国制造业转型升级、提升企业国际竞争力的战略规划和行动纲领，随后在7月份《关于积极推进“互联网+”行动的指导意见》更是直接指出要推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，实现从制造向“制造+服务”转型升级。

而在2016年5月《“互联网+”人工智能三年行动实施方案》和2017年7月《新一代人工智能发展规划》中，“制造”都位列人工智能应用试点示范重点领域首位。

政策迭出，推动工业制造转型升级

算法及基础计算设施等技术的进步助推人工智能应用落地。

①、一方面，随着外部政策环境的推动，以及企业内部对生产、管理等环节成本效率要求的提升，借助信息化手段优化管理流程已逐渐成为共识。

而随着数字化程度加深以及大数据处理技术手段的进步，“用数据说话”也开始发挥效力，甚至通过自研或与互联网巨头合作等方式，借助人工智能关算法进一步提升效率、降低成本、改进客户体验，并逐渐向服务型制造转型也能看到苗头。

②、另一方面，在技术层面上，不同场景之间人工智能应用的迁移、新场景下无法获取足够训练数据以及深度学习算法的过程“黑箱”等问题一直困扰着人工智能应用的进一步发展，尤其是在工业制造、机器人等领域。

而近来众多研究者开始在考虑将基于神经网络的深度学习与基于符号主义的逻辑推理相结合来解决“黑箱”问题，以及迁移学习与增强学习之间的结合以期实现相近但不同的场景之间应用迁移的“冷启动”，从而不再需要每次都从大量数据开始训练。

但以上更多还处于学术研究阶段，距离工业界大规模实践还有些远。

整体而言，在人工智能领域的算法以及基础设施不断进步的基础上，辅之以政策的持续推动，传统制造型企业开始转向新的生产方式与业务模式。

①、生产驱动型生产转向需求快速响应驱动。

这一转型的实现主要得益于对需求数据的采集、处理以及生产线的智能化升级，过程中涉及的数据处理及生产决策分析对人力而言都是几乎难以企及的海量，而借助大数据技术及算法，通过生产端与用户端数据的反馈交换，不断学习提升现有模型的精准度，从而实现面向个性化、定制化需求的快速响应。

例如红领作为一家传统服装厂，就在数据基础上实现了面向客户需求快速响应并实现定制化。

②、生产制造商向服务提供商转型。

向服务提供商转型意味着业务重心从偏后端的生产制造转移到更接近客户的服务环节，最常见的实现方式通过在设备上安装大量传感器，对售后使用过程的数据进行实时采集、处理和分析，及时给用户提供关于使用状况检测、故障预警维护等增值服务。

例如GE航空从发动机制造商转向为客户提供类似“飞行过程节省燃油”等解决方案的服务提供商。

2.2工业领域的人工智能应用是渐进而持续的过程

相比互联网大数据，工业大数据领域的智能化及人工智能渗透还属于蓝海。

首先必须要承认，当前工业领域的智能、自动化控制或者说当下流行的说法“智能制造”，对人工智能的应用还处于相对初级的阶段，无论是利用了机械、电子还是生物技术，更多依赖的还是长期以来对于“科学效应”的应用积累。

但人工智能的介入程度正在逐渐加深，带来效率的提升、成本的下降，甚至业务与服务模式的转变创新这一趋势不可否认。

从目前来看，人工智能在工业领域的应用更多表现为优化决策过程的辅助作用。

正如前文所述，当前工业领域很多智能依然属于传统的“科学效应”范畴，即使能通过一定的算法实现“学习提升”的智能化，更多也只是表现为在决策优化过程中发挥的辅助或部分替代作用。

如果将待解决问题的全过程概括为数据获取、决策优化、方案实施这三个阶段，那么人工智能更可能发挥作用的应该是决策优化过程，基于海量数据和算法，更快更好地完成正常人力难以实现的任务。

当然，在数据采集阶段也可能会应用到对图像、声音等非结构化信息的识别。

最后方案实施阶段的相关反馈信息依然可以作为新的输入数据，不断改进和提升整个系统的能力。

当前人工智能的工业应用更多表现为优化决策过程的辅助作用

从中长期来看，人工智能在工业领域的应用和实现是一个渐进而持续的过程。

从初期的技术、设备、生产线的布局投入，到内部生产、制造流程的优化和效率提升尽可能降低成本，接着与外部整个供应链生态的系统的协同，最后真正实现人和机器各自做最擅长的工作并达到增加资源供给的目标。

这将是一个相对长期的渐进过程。

中长期人工智能的工业应用和实现是一个渐进而持续的过程

总体而言，源于工业领域长期积累的工业智能与信息领域的人工智能的融合，将逐步带来工业领域的制造升级和服务转型，但绝非一蹴而就。

2.3全生命周期不同环节的智能升级

在工业制造领域，考虑产品的整个生命周期，大致可以划分为研发、制造、物流、营销、使用、售后等环节。

理想中的状态，最终各环节会在数据化基础上形成闭环，表现较为突出的是将客户（用户）使用以及售后服务所产生的数据作为研发和制造阶段的输入数据来源之一，一方面可以根据用户需求实现定制化设计和生产，另一方面也有助于合理安排生产调度及库存计划。

设备、人员、物料等要素，车间、生产线、整个工厂等生产环境，以及包括生产、物流、销售、售后等全过程在内的数据化网络，是实现智能升级的前提和基础。

全生命周期不同环节的数据闭环与智能升级

在数据化基础上再考虑在相应环节嵌入人工智能应用，或许初期会有一定的布局和投入成本，但在投入使用以后能达到的效果无外乎表现在以下四个方面：

①、降低生产成本：

从短期来看更多是从工艺的自动化和流程的优化来节约成本，借助的也更多是基于“科学效应”的工业智能而非人工智能；

但是基于产品所采集的包括数字、音频、视频图像等在内的基础数据智能分析，可实现异常状况的预警，提前维护，避免更大的损失；

从更为长期的范围来看，随着工业机器人的发展，目前尚不能交由机器完成的任务，未来很可能直接由更为智能的机器人所取代，在一定程度上缓解了人力资源的供给以及劳动力成本上升带来的压力。

②、提高运营效率：

一方面通过实时掌握关键设备的运行状态，辅之以预测性维护，可以提高设备正常运行时间；

另一方面通过对物流及用户端数据的建模处理，预测销量并自动调整生产计划。

③、提升产品质量：

一方面在生产线上的产品质量检测环节，可通过机器学习的方法对产品质量进行鉴定并自动分级分类；

另一方面可以将设备的实时状态与生产的过程控制相结合，使得产品质量在设备或系统状态发生变化时依然能保持稳定。

④、改善客户体验：

主要表现为研发及生产过程面向客户需求的定制化、配送与销售环节的精准精细化，以及售后环节产品的持续跟踪和预测性维护。

工业制造相关环节的人工智能升级

三、人工智能在工业领域实现的难点与条件

对于基于科学效应积累所带来的工业智能应用这里不作过多描述，重点放在梳理和挖掘在工业领域实现人工智能应用可能遇到的难点以及必须具备的条件。

在我们的人工智能系列报告中曾将人工智能商业化应用的要素归纳为“人机料法环”五点，即：

人才储备、计算设施、数据积累、技术算法、应用场景。

而具