“人工智能+制造”产业发展研究报告

1 .“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 联合课题组 2018年6月 

2 . 目录 “人工智能+制造” 互联网助力 01 的概念 04 “人工智能+制造” “人工智能+制造” “人工智能+制造” 02 的现状 05 政策借鉴 加快推进 “人工智能+制造” 03 的影响 06 “人工智能+制造” 对策建议 

3 . “人工智能+制造”的概念 01 什么是人工智能 什么是“人工智能+制造” 人工智能如何“+”制造 

4 . 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， • 英国：高价值制造、人工智能 赚了利润但丢了就业，且 发展计划 贸易逆差 • 美国：先进制造、工业互联网、 • 发展中国家：产业低值化， 制造业回流 赚了收入和就业，但丢了 利润和环境 信息革命 • 算据：大数据 • 德国：工业4.0 • 算力：云+边缘计算 • 日本：机器人新战略、工业价 • 算法：深度神经网络 值链、社会5.0 信息技术的发展，对各行各 • 中国：中国制造2025、新一 业效率提升提供了可能 代人工智能规划 …… 

5 .概念三问 

6 . 问题1：什么是人工智能？ 本田的人 行机器人 ASIMO 波士顿动力的自主机器狗 DeepMind的围棋阿法狗 DeepMind模拟老鼠网格 细胞的定位与导航 

7 . 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） 

8 . 当前：大数据+深度学习 ImageNet大赛 • 深度神经网络 2014：Google-22层 2015：MS-152层 算法突破 • 大规模、无监督、多层次 2016：商汤-1207层 错误率：6.7%->3.6%->3.1% • 非结构数据处理突破（图像、语音） • CPU->GPU->TPU，计算速度和效率大幅提升 TPU速度=15-30倍GPU GPU速度=1-3倍CPU • 云+边缘计算，低成本、海量计算资源 算力飞跃 • 光刻等技术进一步发展，芯片越来越小，端处 理能力持续提高 • 互联网50亿连接，积累了海量数据（主要是人） 算据激增 • 物联网500亿连接，开启更大规模数据的来源： 年增长率47% 2017年超10EB/月 机器、政府、生物、环境…… 数据来源：上图-Survey of neural networks in autonomous driving，Gustav von Zitzewitz，2017.7；中图-Google Cloud官网；下图-Global Mobile Data Traffic Forecast Update, 2016–2021 White Paper，Cisco 

9 . 未来：小数据+大任务 当前：“大数据、小任务” 未来：“小数据、大任务” • 海量数据 • 少量数据 • 局部、特定问题（如计算下棋落 • 全局问题独立闭环（如像人一样 子的位置） 到场-落座-下棋-离场） • “暴力”计算 • “精确”计算 

10 .问题2：什么是“人工智能+制造”？ 

11 . “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） 

12 . 问题3：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 

13 . “人工智能+制造”的现状 02 产业规模 典型案例 面临挑战 

14 .产业结构：从单一链到嵌套网 单一链 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 嵌套网 

15 . 产业结构：六大典型领域 智能工厂应用/解决方案 应用 DCS PLC MES ERP …… 制造云 制造业大数据及商 制造业 平台 （公有） 业分析 人工智能（算法） 基础 工业机器人 制造业物联网 

16 . 产业规模：1千亿到7千亿，连接/平台贡献大 整体规模 • 2016年约为1.2千亿美元 • 2025年将超过7.2千亿美元 • 复合年均增长率预计可超过25% 具体组成 • 连接：工业物联网4.7%->14%，增长近10% • 平台：制造云、大数据和人工智能24%- >36%，增长12%。在互联网领域发展成熟 的平台生态模式，将成为制造业智能化转型 升级的重要选择 数据来源：MarketsandMarkets的Industrial Robotics、IIoT、Artificial Intelligence in Manufacturing、Smart Factory，以及IDC的public cloud services、Big Data and Business Analytics等研究报告数据整合分析 

17 . 六大细分领域特点 领域 典型技术/产品 典型适用行业 传统机器人仍然占据市场主体 金属和机械行业应用增速最显著； 工业机器人 协作机器人将会呈现高速增长 包装、物料处理和自动化机械工具等较多 制造业 广义包括基础-平台-应用-方案 各子行业、全流程都将广泛适用 物联网 具体分为托管服务和专业服务 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 资产型制造（如机器装备，资产跟踪和管理） 制造业大数据 非关系型数据存储和认知软件平台增长最强劲 品牌型制造（如快消品，实时精准营销） 及商业分析 其他：内容分析、搜索系统、IT和商业服务等 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 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 智能工厂应用/ 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 

18 . 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） 【痛点】：研发 慢+贵 ——————【启示】—————— • 新药研发 = 各种不同化合物组合与测试 研发设计环节，人工智能可基于海量数据建模 • 10-15年 + 5-10亿美元 = 一款新药研发成功 分析，将原本高不确定性、高成本的实物研发、 转变为低成本高效率的数字化自动研发 【方案】：超级计算机（IBM蓝色基因）+独家 对于制药、化工、材料等研发周期长、成本高、 算法（AtomNet） 潜在数据丰富的行业，作用尤其明显 • 学习：分析学习已有数据库 配体有效结合蛋白质 • 发现：数字化模拟药品研发过程，对基本的化学基 团（如氢键、单键碳等）组合发掘新的有机化合物 • 测试：分析化合物的成效关系 • 评估：新药结构组成和风险 = 钥匙开门锁 【效果】：快+便宜（相比传统技术*） • 节省一半早期药物筛选实验的数量 • 大大提高结果成功率 *DOCK和Autodock-smina 

19 . 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） 【痛点】：同质竞争 -> 价格战 -> 低利润 ——————【启示】—————— • 传统生产 = 标准化 + 大批量 = 同质竞争 生产制造环节，人工智能可针对消费者个性化 • 竞争差异化 = 个性化需求定制 = 高成本 需求数据，在保持与大规模生产同等、甚至更 低成本的同时，提高生产的柔性 【方案】：迅捷工厂（Speed Factory）* 生产制造系统越柔性，越能快速响应市场需求 等关键因素的变化，尤其适合服饰、工艺品等 • 技术：3D打印+机器人手臂+电脑针织 与消费者体征或品味等需求相关性强的行业 • 需求：依靠云端收集顾客足型和运动数据 • 生产：按照顾客的喜好选择配料和设计，并在库卡 机器人手臂、电脑针织和人工辅助的共同协作下完 成定制 【效果】：快+个性化 • 节省时间：18个月 -> 1周，完成生产上架 • 成本不变，实现小规模、个性化定制 *2015年底在德国安斯巴赫（Ansbach）开设首家 

20 . 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） 【痛点】：人工速度慢、误差多、成本高 ——————【启示】—————— • 传统质检 = 人工为主 = 精度有限 = 次品漏检 质量管控环节，人工智能结合物联网和大数据 • 人工经验难量化，难以指导产线优化 技术，能够实现对产品质量的自动检测扩展到 生产的全流程，从而不仅提高质检效率，甚至 【方案】：视觉洞察（Visual Insights）* 能指导工艺、流程等改善，提高整体良品率 • 技术：前台高清摄像头 + 后台Watson算法 尤其适合材料、零配件、精密仪器等产量大、 • 建模：Watson中央学习服务器通过训练不断识别 部件复杂、工艺要求高的行业 合格和异常产品图像差异从而建模 • 分析判断：摄像头捕捉产品组件在生产和组装过程 中的图像，提供给Watson进行分析 • 检查：人工检查员进行二次检查和确认 【效果】：快+高质量+成本节约 • 质检时间缩短80%、产品质量缺陷减少7%-10%、 节约重复性人工成本 *基于IBM物联网和人工智能平台（Watson）能力 

21 . 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） 【痛点】：供应链效率低、成本高 ——————【启示】—————— • 技术有限 -> 需求预测不准 -> 供应响应不足 供应管理环节，人工智能在于建立更实时、精 • 导致：库存管理成本提高 + 最终用户体验差 准匹配的供需关系。即通过掌握和预测需求动 态变化，以进行更有效的供应链调整优化 【方案】：端-端供应链优化组件SO99+* 更适合于快消、零配件等市场需求变动较大、 • 组件组成：需求、计划和库存 供应链较复杂的行业 • 需求预测：基于贸易促销和媒体活动预测；基于新 产品介绍预测；基于社交聆听预测；基于极端或复 杂的季节性预测；基于气候数据预测 • 供应优化：多级库存、计划生产等动态调整，最终 实现采购和补货的半自动甚至全自动化 【效果】：快+精准 • 有效减少50%的预测误差、提高20%的库存性能， 并能有效优化库存分布 *将机器学习引入供应链管理开发新软件 

22 . 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） 【痛点】：故障事后处理，高成本 ——————【启示】—————— • 有限状态指标 + 缺乏预测模型 -> 设备故障后处理 运营维护环节，人工智能在于对设备或产品的 -> 停机停产维修 -> 高成本 运行状态建立模型，找到与其运行状态强相关 的先行指标，通过这些指标的变化、能够提前 预测设备故障的风险，从而预防故障的发生 【方案】：预测性维护* 对于设备或产品故障成本高的行业意义重大， • 技术：物联网+云计算+机器学习 比如装备、精密仪器等 • 步骤：确定预测目标和结果、明确数据源、获取及 整合数据、建模、测试和迭代、现场操作验证、融 入运营 • 功能：设备或产品运营状态的实时监测和健康预警 【效果】：全天候+节约 • 如电梯制造服务商thyssenkrupp，借此减少50% 电梯停运时间、节约15%维护费用 *Microsoft将其搭载在物联网平台上作为服务项 

23 . 面临挑战：四个主要方面 ① 技术有缺口 ③ 管理模式旧 • 缺关键自主技术（如芯片、核心装备部件、 • 工业时代的大规模、标准化生产，造成制 软件/算法等） 造企业管理仍然以金字塔、多层次、细分 • 导致产业受制（如美国最新针对中国制造 化为主 2025贸易战） • 这种模式，组织末梢人员任务单一、弹性 • 但关键技术、尤其是基础技术需要长期大 弱，难适应快速变动的市场 量投入研发，短时难突破 • 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 ② 标准难落地 ④ 资本投入少 • 政府和机构已牵头在建各种标准 • 近年来制造业普遍利润不高，投资回报率 • 但不同线条的标准间仍存差异 相对其他高新领域低，商业资本的关注度 走低 • 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， • 而制造业的改造升级，又需要长期大量的 顶层设计的标准与复杂的现状一时难以匹 资本投入，短期效益可能很难显现，资本 配落地 投入就更偏谨慎 

24 . “人工智能+制造”的影响 03 整体产业影响 分类产业影响 

25 . 人工智能+对制造业影响的四个角度 ① 提高生产效率 ③ 优化产业结构 • 增效：柔性生产、全天候生产 • 淘汰：大部分传统“非智能”产品，尤其 • 提质：降低人为错误、持续工艺改善，提 是电子制品 升成品率 • 改造：部分产品被逐渐“注智”，变成新 • 降本：重复性、危险性工作机器替人；生 产业，如自动驾驶汽车 产废料、时间等成本节约 • 孕育：新的智能产业，如算法公司 ② 改变就业市场 ④ 重构国际分工 • 结构性失业：50%*的现有工作可能被替 • 削弱传统劳动力比较优势 代，制造业就业人口缩减 • 工业强国向下游、工业大国向上游，争夺 • 创造新职业/岗位：针对机器的开发、管 更多价值空间 理、维护等岗位增加 • 地理上的国家国际分工，可能进一步形成 • 人机赛跑的拐点？就业数量绝对减少的拐 新跨国平台间的竞争与合作 点可能到来** *李开复：50%的工作将被AI取代，第48届世界经济论坛年会发言，新浪财经，2018年05月05日；**布林约尔松《与机器赛跑》，东西文库，2013年01月20日 

26 . 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 减少人工 劳动 低劳动力成本 加工组装 人工成本不断提高 降低人工造成的品质 密集型 为核心竞争力 （家电、电子产品…） 工人不稳定性影响品质 不稳定 资本 材料 柔性化程度低不能满足 实现低成本定制化 固定成本占比高 密集型 （冶金、化工…） 定制需求 生产 技术 依靠技术进步 高新 技术研发的风险、不可 提高技术研发成功率 引领型 获得竞争力 （生物医药、航空航天…） 控和长周期 缩短研发周期 市场 快消品 准确预测和快速响应 产品生命周期短 难以准确预测市场走向 变动型 （服装、食品…） 市场 

27 . 互联网助力“人工智能+制造” 04 互联网助力的基础 互联网助力的模式 互联网助力的实践 

28 . 互联网助力的五大基石 连 安 接 全 用户->产品 信息->物理 • 海量用户连接， • 多年信息安全经验， 可扩展为用户和 将成为企业生产经 产品/企业的连接 营物理安全的保障 数 云 算 据 法 需求->生产 公有->私有 通用->专用 • 基于海量用户连接 • 海量数据推动云计算 • 数据挖掘推动智能 洞察趋势，能帮助 建设领先，能有效转 算法领先，能为企 企业生产贴近需求 化为对企业的服务 业直接调用和转化 

29 . 互联网助力的三种典型模式 智能+产品 智能+服务 智能+生产 • 由软到硬 • 由硬到软 • 由外到内 • 算法嵌入产品 • 卖产品转向卖服务 • 从供需到生产 • 人工智能成产品功能 • 销售变成智能运营 • 从通用深入专用智能