1.AI应用背景

       自1978年我国实行改革开放至今，已近50年的光景，从最开始的卖衬衫T恤等纺织品到如今的工业全品类的全球贸易，我国制造业的发展也从靠低附加值的产品走量逐步转变为追求合理回报的贸易模式。然而我们也应清醒的认识到：制造企业的可持续发展，其一端需要靠降本增效，另一端则需要靠产品创新。两者相结合，才能在贸易中攫取合理的利润回报。单求其中的任何一端都不能很好的解决企业生存及发展的现实问题。以降本增效为例，在产品研发-生产-销售-物流-质保这5大环节中，企业常通过减少员工数量来降低成本，以此来促进工作绩效。然而当产品缺少创新，或者说不能很好的解决客户需求，制造业同行又以同质化产品进行竞争，那么结果必然是进入互相压价的红海。反观具有创新性的产品，若不考虑5大过程的降本增效，其总成本亦将十分高昂，最终蚕食所获取的利润。而AI作为新时代的产物，凭借其强大的算力、自学习的能力、不仅可以帮助做好降本增效，又能给研发人员提供多角度的产品创新。AI是质量及成本的“中和剂”，其可帮助企业既满足产品质量，又兼顾成本。

2.AI在制造业中的应用场景梳理

       2019年起全球新冠疫情的蔓延导致供应链断裂、劳动力短缺等问题出现，一定程度上制约了全球制造企业的正常运营，人工智能在制造业中的应用能够有效抵御相关风险，推动制造业走向数字化、智能化的道路。借助AI技术，制造业在对海量工业数据的深度集成和分析的基础上，实现柔性化、自动化和网络化生产，大幅提高制造业生产效率。2010年以后，德国、中国、美国等国家相继提出智能制造战略，从顶层设计角度谋划制造业未来发展，抢占智能制造发展制高点。目前，人工智能与制造业的深度融合体现在设计、生产、运维、检测、物流等多个环节，在预测性维护、产品质量检测等多个场景均有所应用。

       2.1 引入性价比

       要将AI引入到制造业中，首先要考虑引入AI的性价比，单纯考虑引入成本，不关注引入后产生的价值，这无助于AI的应用及推广。对于新兴技术的引入，从逐步摸索到技术成熟都需要一个过程，同理其性价比也会从低到高逐步提升。制造企业对于引入AI至少先应设立一个预期，即：短期内AI承担什么样的角色及功能，协助或是主导处理什么样的问题，若要达到这样的预期，需要付出多大的成本，所换来的收益是哪几项，这样的成本投入，对于公司的正常经营是否会有影响，若有影响，是否需要同步调整预算及价值预期？

       当企业规划引入AI时，应尽可能量化成本及收益两项关键指标，但直面的困难包括：

       1）企业内部人员对新事物的学习滞后，导致成本评估不准确，常见于成本范围识别不足导致项目后期需要追加预算或者项目成效不尽人意。

       2）为了AI项目能立项成功，当申报人对业务及技术认识不足的情况下，常会提出一系列不切实际的预期收益。

       综上所述，制造业企业应先从自身实际出发，戒急戒躁，明确短中长期所需要通过AI实现的目标，结合经营情况，逐步推进AI的实施落地。同时，内部人员也需要加强建设，无论是通过内部培训还是外部引入，都应当坚持制造业的AI应用主场是在制造，而非信息化技术的单纯引入，而外部信息化企业未必了解制造业，所以可以预见：制造业企业应用AI的深度及广度直接体现了其组织内人员对智能制造的理解及掌握程度。

       2.2 AI应用场景

       中国是全球唯一一个具备从基础的原材料生产到高端制造业所有工业类别的国家，制造领域的应用场景丰富多元。人工智能的技术创新成果已经在制造业的产品与工艺的设计研发、生产线的智能制造、设备与系统的运维管理、市场营销和客户服务等多个环节中应用，涵盖产品设计、计划排产、质量检测、设备运维管理、营销服务和供应链管理等多个应用场景（见图1），其中产品研发和工艺设计、智能计划排产、智能质量检测和智能设备运维是人工智能和制造业融合的四大核心场景。
 
       2.2.1 研发设计场景

       产品研发和工艺设计是以大模型为代表的生成式人工智能制造业场景。在产品研发和工艺设计中，大模型技术可以通过数据分析优化新产品的性能表现，构建高度逼真的虚拟环节对产品设计进行模拟和仿真，辅助设计师进行创新设计和筛选最优方案，从而较好地完成产品设计和工艺设计等多项任务。

       以研发设计为例，目前主要有2种模式：

       1）以PTC等国外原厂为代表的创成式设计

       Creo GTO根据用户的约束和要求（包括材料和制造流程）创建经过优化的产品设计。完全在Creo设计环境中快速探索创新的设计选项，减少开发时间和开支。AI驱动的GTO帮助用户提供更高质量、更低成本且可适用于制造的设计。

       用户只要在Creo中输入产品设计要求，软件即可自动生成一个或多个设计方案，软件可代替设计师自主完成设计。如图2所示，需要在左图灰色透明区域中避开红区设计一个零件，在跑道内壁固定的情况下，能承重350公斤并且该零件重量不超过0.2公斤，同时要求能够通过数控机床加工或模具加工或3D打印制造出来，右图是Creo创成式设计自生成的可3D打印的合金材料零件结果。
 
       Creo使用多核CPU或显示卡GPU并行计算和云计算的技术，使得创成式设计的计算速度有了颠覆性的提升。Creo创成式设计的高阶能力是生成一批方案，图3所示是自动生成的雪地摩托车前悬架的三种设计方案。
 
       2）以设序科技公司为代表的国内独立自主研发的生成式智能设计

       基于设序科技自研工业AI垂直生成模型，根据企业设计标准和零件库选型快速生成3D设计方案，集成快捷修改工具，满足工业企业研发设计需求。目前已实现部分行业的智能设计，其主要在4个方面：

       ●装备智能设计

       AI自动学习历史装备设计数据，一键自动设计汽车焊装夹具，航空工装，3C装备。详见图4A。

       ●零部件智能设计

       AI自动学习历史零部件设计数据，一键自动设计汽车内外饰、飞机等零部件。详见图4B。

       ●自动匹配设计合理性

       AI自动匹配空间位置合理性、结果单元的合理性，以及零部件参数的合理性。详见图4C。

       ●自动生成设计意图

       AI自动生成设计结果对应的设计过程（即设计意图），兼容不同的CAD软件进行导出。详见图4D。
 
       2.2.2 生产制造领域

       目前在生产制造领域，AI的应用集中在生产排程及品质检验这两块。但这两块发展的势头有较大差异。

       ●生产排程

       在制造业的所有运营领域中，最能快速显现出AI效果的就是生产排程，其与研发设计不同，生产排程基于有限的资源，有限的产能，有限的需求，计算出最有利于企业的生产计划。从业务逻辑上来分析，此生产排程通过AI可以明显提升生产效率，减少生产人员，合理利用电能等自然资源。但从各产业实际情况来看，应用效果不尽如人意，其原因如下：

       （1）基础数据质量欠佳

       生产排程极其依赖基础数据，包括xBOM、订单信息（产品所需生产数量）、交货日期、工艺路线、采购订单、设备检修计划，主生产计划，能源价格等。但不少企业的生产BOM不准确，MPS及MRP数据尚不可信，工艺路线更是没有结构化。这样的基础数据情况，很难支撑准确的生产排程，强行推动AI智能排产，无异于缘木求鱼。

       （2）生产排程平台建设不如预期

       有部分企业并非为了真正解决生产排期而上平台，甚至有企业通过低代码平台，只实现报排产流程即当做生产排程平台。而一个合格的生产排程平台需要自带算法逻辑，甚至还需要根据客户的情况定义特殊算法。这类平台往往价格不菲，若再考虑到项目实施费用，则整体项目成本更高，而企业内部的IT人员及生产人员对信息化及制造过程往往不能都精通，所以导致项目出现过分注重生产业务或过分注重系统实现两种极端。而企业决策层在不了解实际情况下，贸然参考其他信息化项目制定预算，这就进一步增加项目失败的风险。

       （3）各系统之间未实现互联互通

       因生产排程平台需要从各系统中抽取数据，并根据算法对数据进行加工和计算，若生产排程平台没有与其他周边系统打通，或者系统集成没有收集到基础的、完备的、准确的数据，那么基本可以判定此生产排程项目很难达成预期目标。

       ●品质检验

       在质量检测方面，AI赋能的质检能够利用较小的样本在数分钟内完成深度学习模型训练，以毫秒为单位识别缺陷，支持高速应用并提高吞吐量，解决传统方法无法解决的复杂缺陷检测、定位等问题，检测效率提升显著。质检在工业生产中处于非常重要的一环，然而，传统质检大量依赖人工，工资低，工作枯燥，越来越难以吸引工人，且人工存在个体差异，不利于保证质量一致性。传统机器视觉基于规则或者简单的算法，能够满足有比较明确特征的检测或测量需求，在处理一致且制造精良的部件时能够可靠运行，但随着缺陷库的增大，算法也会变得越来越有挑战性。某些传统的机器视觉检测，因为有许多不易被机器识别的变量，编程比较困难，例如照明、颜色变化、曲面或视野。因此，深度学习技术在产品外观缺陷视觉检测中发挥了极大的效用，借助深度学习工具，可以在生产线上更加一致、更加可靠且更加快速地完成这些任务。可以说，基于AI算法的视觉缺陷检测实现了对随机缺陷的识别和检测，拓展了传统机器视觉的应用范围。AI算法的视觉缺陷检测不仅能提高简单场景中的检测率，更能在复杂业务场景，例如布匹、薄膜、金属、化纤、食品等表面缺陷中发挥很好的作用。在AI赋能的工业质检场景落地过程中，因为工厂的业务、技术负责人可以根据缺陷识别的准确率、误检率，降低企业内部人力成本的数量、训练并识别缺陷的时效性来衡量这一场景的业务结果，所以AI工业质检场景因ROI清晰已在工业企业大量尝试，成为工业智能领域较为成熟的应用。
 
       2.2.3 设备运维管理

       基于AI技术的远程运维需要对设备进行实时监测和故障诊断。这需要利用传感器、摄像头等设备采集数据，然后利用人工智能算法进行分析和判断。但是，由于高端设备的复杂性和多样性，这些算法需要针对不同的设备进行优化和调整。由于远程运维需要实时响应，算法的速度和准确性也是非常重要的考虑因素。因此，开发高效、准确的算法是基于AI技术的远程运维面临的主要挑战之一。基于AI技术的远程运维需要不断更新和升级技术，以应对新的挑战和需求。这需要持续进行研发和创新，开发更加高效、准确的算法和工具，不断优化和完善现有的系统和流程，以提高运维效率和降低成本。这方面的挑战包括如何平衡技术更新和稳定性，如何确保新技术的可靠性和安全性等。

       智能诊断系统可以对设备进行全面的诊断和监测，及时发现设备运行中的故障和问题，并给出相应的解决方案。智能诊断系统可以通过机器学习和深度学习技术进行建模和训练，通过模型预测和诊断可以快速定位设备故障和问题，进而采取相应的措施进行修复。值得注意的是，高端设备远程运维需要注意的一个重要问题是安全性。为了确保远程运维的安全性，需要采取多种措施：首先，需要采用加密技术保护数据传输的安全性；其次，需要对设备进行身份验证和授权。例如，使用多因素身份验证技术，以及指纹识别、面部识别和密码等，保护设备的安全性。最后，需要采用安全性策略和技术来保护设备的安全性，例如防火墙、入侵检测和安全性监控等。在一些企业中，构建了基于深度学习的智能诊断系统。该系统可以实时监测设备运行状态和运行数据，通过深度学习模型进行训练和预测，及时发现设备运行中的故障和问题。例如，管理人员可以通过智能诊断系统发现设备硬盘出现故障，及时采取措施进行更换，降低了数据丢失和设备停机的风险。

       2.2.4 其他应用场景

       除上述3大直接与业务领域相关的AI应用场景外，AI也体现了其超强的场景渗透及应用能力，场景及功能描述详见表1。
 
3.总结

       目前国家为积极推进通用人工智能产业高质量发展，围绕人工智能垂直产业应用案例升级迭代，以场景应用为牵引、加速垂直产业的案例应用落地，工业和信息化部工业文化发展中心于2024年5月启动“AI产业创新场景应用案例”征集与评估工作。整个应用领域涵盖AI+教育、AI+医疗、AI+消费、AI+文娱、AI+企服、AI+政务、AI+法律、AI+招聘、AI+工业、AI+农业等多个细分行业。

       随着新一轮科技革命和产业变革迅猛发展，人工智能等新技术方兴未艾，相信未来AI一定可以大幅提升人类认识世界和改造世界的能力。