AI：《人工智能+制造(智能制造)产业发展的现状、影响、+互联网、未来展望》演讲听课笔记
目录
人工智能+制造”产业发展研究报告
主要参考2018年6月腾讯研究院的联合课题组的《人工智能+制造”产业发展研究报告—概念、趋势与互联网赋能机会》
1、人工智能+制造的现状
1.1、为什么要研究“人工智能+制造”
工业困局
- 发达国家：产业空心化， 赚了利润但丢了就业，且 贸易逆差；
- 发展中国家：产业低值化， 赚了收入和就业，但丢了 利润和环境
信息革命
- 算据：大数据
- 算力：云+边缘计算
- 算法：深度神经网络
新工业革命
- 英国：高价值制造、人工智能 发展计划
- 美国：先进制造、工业互联网、 制造业回流
- 德国：工业4.0
- 日本：机器人新战略、工业价 值链、社会5.0
- 中国：中国制造2025、新一 代人工智能规划
1.2、什么是人工智能？
狭义：对人脑的模手断口应用
广义：对所有智能的模拟和应用；
目前包括计算机视觉、自然语言理解与交流、 语音识别与生成、机器人学、博弈与伦理、机声学习等六个大学科融合。
| 历史：理论+专家系统 |
符号主义 （逻辑）
联结主义 （仿生）
行为主义 （控制）
|
| 当前：大数据+深度学习 |
算法突破
算力飞跃
算据激增
|
| 未来：小数据+大任务 |
当前：“大数据、小任务”
未来：“小数据、大任务”
|
莫拉维克悖论(Moravec's paradox)：“要让电脑如成人般地下棋是相对容易的，但是要让电脑有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。”
莫拉维克悖论是由人工智能 和机器人学者所发现的一个和常识相佐的现象。和传统假设不同，人类所独有的高阶智慧能力只需要非常少的计算能力，例如推理，但是无意识的技能和直觉却需要极大的运算能力。这个理念是由汉斯·莫拉维克、布鲁克斯、马文·闵斯基等人于1980年代所阐释。
1.3、什么是人工智能+制造？
智能制造：将传统工业软件应用到制造业；实际上是数字化＋自动化；强调机器的自动化功能。
互联网＋制造：将互联网工具应用到制造业；强调供需的对接；工业互联网是工业角度的互联网＋模式。
人工智能+制造：将人工智能技术应用到制造业；是在数字化、网络化基础上，实现自主；核心在于机器是否能自动反馈和调整。
1.4、人工智能+制造简史
历史：专家系统辅助制造
- 20世纪60-80年代，根据“知识库”和“if-then”逻辑推理构建的“专家系统”，在矿藏 勘测、污染物处理、太空舱任务控制等方面得到初步应用。
- 专家系统实际上只是一定程度上实现了这些环节和流程的分析和自动化，对于错综复杂的现 实问题只能提供有限的辅助参考。
当前：深度学习优化制造
- 人工智能及相关技术融合应用，逐步实现对制造业各流程环节效率优化。主要由工业物联网采集各种生产数据，放到云计算资源中，通过深度学习算法处理后提供建议甚至自主优化。
未来：人机融合协同制造
- 机器和人将重新磨合成新的相互配合、补充、协同工作的平衡关系。未来智能制造将以人为 中心，统筹协调人、信息系统、和物理系统的综合集成大系统，即“人-信息-物理系统” （human-cyber-physical systems, HCPS）
1.5、人工智能如何+制造
“人工智能+制造”魔方体系模型
技术范式
- 数字化：可编程；网络化：可协同；智能化：可自主
生产组织
- 工厂：生产单元自主；企业：企业各部门协同 ；生态：供应链+客群连接
价值形态
- 产品：人性化功能；制造：人机协同生产；服务：个性化服务
2、人工智能+制造的现状
2.1、产业规模——产业结构：从单一链到嵌套网
物体⇋数字体：物体与数字体映射，一个变另一个也变。
物流⇋信息流 ：多个物体的变化形成物流，对应的数字；体变化汇聚为信息流，通过洞察信息流通盘管理整个物流。
制造业⇋信息业：两个产业融合，形成新的产品、生产组 织方式、满足新的需求；AI+实质是两化融合的高阶。
六大典型领域
六大细分领域特点
|
领域 |
典型技术/产品 |
典型适用行业 |
|
工业机器人 |
传统机器人仍然占据市场主体 协作机器人将会呈现高速增长 |
金属和机械行业应用增速最显著； 包装、物料处理和自动化机械工具等较多 |
|
制造业 物联网 |
广义包括基础-平台-应用-方案 具体分为托管服务和专业服务 |
各子行业、全流程都将广泛适用 |
|
制造云 |
IaaS/PaaS是未来主要增长 |
离散型由于环境分散、过程复杂，更需要 |
|
制造业大数据 及商业分析 |
非关系型数据存储和认知软件平台增长最强劲 其他：内容分析、搜索系统、IT和商业服务等 |
资产型制造（如机器装备，资产跟踪和管理） 品牌型制造（如快消品，实时精准营销） 技术型制造（如电子产品，供应链监测和管理） |
|
制造业 |
技术：计算机视觉目前占比最大 |
主要应用于工序复杂的行业 |
|
人工智能 |
产品：预测性维护和机械检查目前占比最大 |
目前汽车行业人工智能技术应用最多 |
|
智能工厂应用 |
分布式控制系统（DCS）目前占最比最大。结合大 |
汽车行业将占全球智能工厂市场最高份额，因 |
|
数据和人工智能可有效实现预测性防护和优化 |
新一代电动和智能汽车规模发展 |
|
|
解决方案 |
制造执行系统（MES）预计未来增速最快。生产执 |
石油天然气工厂对安全性和可靠性需求日益增 |
|
行操作和管理，能够有效缩时、提产 |
加，因此采用智能工厂预计会最高 |
2.2、典型案例
案例1—研发设计，大幅降低不确定性成本——基于卷积神经网络的新药研发（Atomwise）
案例2—生产制造，柔性生产满足个性需求——基于个人数据分析的批量定制（adidas）
案例3—质量管控，快速质检并保障质量——基于视觉识别的质量检测（IBM）
案例4—供应管理，精准掌握供需变化提效能——基于需求感知的库存动态调整（Tools Group）
案例5—运营维护，提前预测和解决故障风险——基于运营数据分析的预测性维护（Microsoft）
2.3、面临挑战
| ① 技术有缺口 | 缺关键自主技术（如芯片、核心装备部件、 软件/算法等）。导致产业受制（如美国最新针对中国制造 2025贸易战）。但关键技术、尤其是基础技术需要长期大 量投入研发，短时难突破 。 |
| ② 标准难落地 | 政府和机构已牵头在建各种标准，但不同线条的标准间仍存差异，更重要的是，当前制造业设备很多来自国 外厂商。多厂家软硬件不兼容的情况多见， 顶层设计的标准与复杂的现状一时难以匹 配落地。 |
| ③ 管理模式旧 | 工业时代的大规模、标准化生产，造成制 造企业管理仍然以金字塔、多层次、细分 化为主。这种模式，组织末梢人员任务单一、弹性 弱，难适应快速变动的市场 。而人工智能的普及，更可能需要新的人机 协同分工机制设计。 |
| ④ 资本投入少 | 近年来制造业普遍利润不高，投资回报率 相对其他高新领域低，商业资本的关注度 走低 。 而制造业的改造升级，又需要长期大量的 资本投入，短期效益可能很难显现，资本投入就更偏谨慎。 |
2.4、人工智能+对制造业影响的四个角度
| ① 提高生产效率 |
增效：柔性生产、全天候生产 提质：降低人为错误、持续工艺改善，提 升成品率 降本：重复性、危险性工作机器替人；生 产废料、时间等成本节约 |
| ② 改变就业市场 |
结构性失业：50%*的现有工作可能被替 代，制造业就业人口缩减 创造新职业/岗位：针对机器的开发、管 理、维护等岗位增加 人机赛跑的拐点？就业数量绝对减少的拐 点可能到来 |
| ③ 优化产业结构 |
淘汰：大部分传统“非智能”产品，尤其 是电子制品 改造：部分产品被逐渐“注智”，变成新 产业，如自动驾驶汽车 孕育：新的智能产业，如算法公司 |
| ④ 重构国际分工 |
削弱传统劳动力比较优势 • 工业强国向下游、工业大国向上游，争夺 更多价值空间 地理上的国家国际分工，可能进一步形成 新跨国平台间的竞争与合作 |
2.5、人工智能+对不同制造业的影响差异比较
|
行业类型 |
特征 |
典型行业 |
发展瓶颈 |
人工智能作用 |
|
劳动 密集型 |
低劳动力成本 为核心竞争力 |
加工组装 （家电、电子产品…） |
人工成本不断提高 工人不稳定性影响品质 |
减少人工 降低人工造成的品质 不稳定 |
|
资本 密集型 |
固定成本占比高 |
材料 （冶金、化工…） |
柔性化程度低不能满足 定制需求 |
实现低成本定制化 生产 |
|
技术 引领型 |
依靠技术进步 获得竞争力 |
高新 （生物医药、航空航天…） |
技术研发的风险、不可 控和长周期 |
提高技术研发成功率 缩短研发周期 |
|
市场 变动型 |
产品生命周期短 |
快消品 （服装、食品…） |
难以准确预测市场走向 |
准确预测和快速响应 市场 |
3、人工智能+制造借助互联网
3.1、互联网助力的基础
互联网助力的五大基石
| 连 接 用户→产品 | 海量用户连接， 可扩展为用户和 产品/企业的连接 |
| 安 全 信息→物理 | 多年信息安全经验， 将成为企业生产经 营物理安全的保障 |
| 数 据 需求→生产 | 基于海量用户连接 洞察趋势，能帮助 企业生产贴近需求 |
| 公有→私有 | 海量数据推动云计算 建设领先，能有效转 化为对企业的服务 |
| 算 法 通用→专用 | 数据挖掘推动智能 算法领先，能为企 业直接调用和转化 |
3.2、互联网助力的模式
智能+产品：由软到硬 • 算法嵌入产品 • 人工智能成产品功能
- 智能+芯片：从应用需求出发 • 主导设计和开发更高性能的人工智能芯片 • 为产业提供更有效的算力支持
- 智能+组件：将算法API化对外开放 • 供企业调用并二次开发 • 借助生态推动智能产品落地
- 智能+产品：基于自身人工智能技术/应用 • 直接生产相应软硬件一体化的人工智能产品 • 将此产品作为平台进一步发展
智能+服务：由硬到软 • 卖产品转向卖服务 • 销售变成智能运营
- C端（用户）：功能即服务
狭义：产品附加智能功能。比如在安全方 面，通过脸部、声纹等识别解锁；
广义：产品可提供的所有智能应用。需智 能产品变成一个开放平台，使得各种开发 方可开发和提供丰富的应用 - B端（企业）：洞察即服务
借助人工智能算法能够比较完整地勾勒出 用户的画像和需求特征
一是售前营销：实现更实时、精准的广告 信息传递
二是售后维护：对制造业产品的实时监测、 管理和风险预警
智能+生产：由外到内 • 从供需到生产 • 从通用深入专用智能
- 横向通用平台：基础设施 • 用云计算构建工业云平台，在此基础上提供人 工智能算法能力 •
方式一：自建，如阿里巴巴的ET工业大脑，自 建并主导IaaS和PaaS层，在SaaS层引入工业 软件等合作服务商；
方式二：合建，如腾讯与 三一重工合作构建“根云”工业互联网平台 - 纵向垂直应用：场景应用 • 针对具体制造企业的某一生产环节，利用软、 硬件人工智能工具，提升该环节的生产效能。 主要应用在： •
一是工艺优化：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 •
二是智能质检：即借助机器视觉识别，快速扫 描产品质量，提高质检效率
3.3、互联网助力的实践
腾讯案例1：工艺优化 - 亿纬锂能
腾讯案例2：智能质检 - 华星光电
腾讯案例3：预测性维保 - 三一重工
腾讯案例4：工业互联网平台 - 木星云
