ai智能时代的未来（机器之魂论AI）

编者按：未来的工厂会是什么样子的呢？在AI作为关键驱动力的作用下，工厂会变得更敏捷更定制化。这方面以及有一些国家（比如美国、中国）和公司开始捷足先登。但是绝大部分国家和公司对此仍然认知不足，或者能力不足。AI未来将如何变革工厂？在未来的工厂会有哪些用例？理想与现实的差距在哪里？工厂实施AI应该采取什么样的策略？波士顿咨询集团对此进行了分析。

在商业技术领域人工智能（AI）是个热门话题，而且也引起了产业公司的注意。通过应用合适的AI技术组合，制造商可以提高效能，改善灵活性，加快流程，甚至促进自优化运营。BCG的一份分析发现，AI的使用可降低制造商最高20%的加工成本，而这种减少最高有70%源自于更高的劳动生产率。制造商还可以利用AI开发和生产为特定客户量身定制的创新产品，并且将订货到交货时间大大缩短，从而产生更多的销售。AI因此是未来工厂不可或缺的一部分，而技术将会增加工厂结构和流程的灵活性。

全球各地的公司，不同的行业都在探索在经营当中应用AI的可能性，这一点毫不出奇。但一些主管对AI能否带来承诺的好处依然存疑。为了更好地理解其中的机遇与挑战，波士顿咨询公司（BCG）最近对大众对AI的期望以及AI在产业经营中的采用情况进行了梳理。

BCG的研究聚焦在一份涵括众多制造业超过1000名高管和经理的全球调查的结果上。总体上，我们发现制造商预期AI成为改进生产力的关键杠杆。但实现并没有跟上预期的节奏，这很大程度上是因为许多公司缺乏AI的4种使能器：战略（包括全面的路线图），实现的治理模式，相关的员工能力，以及IT基础设施的支持。

研究背景

调查发现，交通、物流、汽车、技术公司处在AI采用的前沿，而加工产业（比如化工）就比较滞后。相对于日本、法国和德国，美国、中国和印度在AI采用方面的领先优势令人印象深刻。不同国家A采用速度的差异反映出对AI好处的期望偏差。

尽管像中国这样的新型国家对这些好处非常狂热，但很多工业化国家，比如德国，其观点就比较保守了。因为德国公司在制订AI采用的详细计划方面也落后了，其滞后的夏装有可能还会持续。德国国内采用AI技术最活跃的当属汽车业，而加工业还有很长一段路要走。

调查结果表明，如果有意实现AI的宏图壮志，工业制造商必须显著加大其实施力度。光靠技术本身是不够的。要想充分发挥AI潜能，公司必须在组织层面考虑所有必要的使能者。

AI将变革企业

AI让计算机和机器有能力用聪明的方式去执行任务。AI帮助制造商决定最好的动作序列来实现目标，也能让他们远程实时对运营进行管理。

运营AI的基础

AI在运营中的许多使用都用到了机器学习——这是数据挖掘与数据科学的算法家族。这些算法不是按照静态、预设的规则或者指令，而是通过分析数据来学习，然后利用所得洞察生成预测或者训练预测模型。

AI技术在运营当中有若干应用：

• 机器视觉。通过可见光、x射线或者激光信号感应生产环境——比方说，用摄像头对零件和产品进行分类。
• 语音识别。处理语音等听觉信号——比方说，用类似Alexa或者Siri的虚拟助手处理操作员有关质量问题的评论。
• 自然语言处理。分析文本，解释最可能的意思——比方说，从不同的绩效报告生成摘要。
• 信息处理。从非结构化文本中析取知识并获取查询答案——比方说，通过搜索产品相关的文字报告。
• 从数据学习。根据生产相关的经验数据对值进行预测或者分类——比方说，利用机器和流程产生的历史数据来预测事件。
• 规划与探索。选择一系列的行动让特定目标最大化——比方说，让自动导引车（AVG）识别最佳的下一步。
• 语音生成。通过文本或语音跟人沟通——比方说，大声朗读指令。
• 处理与控制。操纵物体——比方说，让不需要特殊培训的机器人从储存箱中捡起未分类的零件。
• 导航与运动。在物理环境下机动——比方说，让AGV在工厂内自主移动并优化路线。

很多行业领袖期望AI能从端到端（包括工程、采购、供应链管理、工业作业（生产及相关功能）、营销、销售以及客户服务）变革流程以及价值链。在最近的一次研究中，产业公司高管认为运营可能是受到AI影响最大的环节。

AI的作用是增强，而不是取代制造商现有用于持续改进生产力的手段。AI是工业4.0主要的技术建构块之一。此外，制造商还可以用AI来增强传统的效能手段，比如自动化和精益管理。比方说，通过识别质量问题的根源从而帮助消除缺陷，AI可以支持精益管理减少浪费。的确，我们调研40%的参与者预计，到2030年，AI会成为生产力改进的一个非常重要的驱动力，而相信它对当今生产力起到非常重要作用的人占比为29%（参见图1）。

图1：AI的作用越来越重要

AI采用将显著改变劳动力的构成，并且由于减少了生产过程中的人工活动而降低加工成本。比方说，今天质控相关的任务需要密集的人类参与，但在有了AI的广泛支持后将会变得高度自动化。不过即便现有工作会被消灭，需要与AI互补技能的新工作机会也会出现。总体而言，调查参与者呈现出轻微的偏见，认为AI的净效应会是总劳动力的减少。

不过，不同国家之间对AI的期望也很不一样。比方说，来自中国公司的受访者认为AI采用会显著减少其总劳动力（这反映了对低技能工人的技术替代），而来自德国的公司预期其更高技能的劳动力并不会减少太多。

AI的用例

AI体现了工厂的范式转移。今天的工厂自动化流程和工具采用的是规则导向的做法，今天的机器人编程处理的是固定的场景。相反，未来的工厂会利用AI来支持自动化流程和机械制造以响应不熟悉或者意外情况，从而做出明智决定。因此，技术系统会变得更加灵活适应性更强。比方说，在基于规则的做法下，机器人无法从一批未整理的零件中识别和选择所需的零部件，因为它缺乏必要的详细编程去处理零件无数可能的方向。相比之下，有AI支持的机器人可以从一堆乱糟糟的零件中挑出想要的零件，不管其方向如何。

各种AI用例包括改善工厂内外不同运营领域的生产力。在调查受访者当中，有37%认为AI对工厂运营中生产的生产力改进发挥了最重要的杠杆作用。而12%的人选择了物流是AI作用最大的地方。跟这些发现一致的是，公司把自优化机器、质量缺陷检测以及效能损失预测视为最重要的AI用例。尽管不同的公司对不同用例的价值看法胡有所不同，但制造商唯有应用AI并集成内部不同职能以及供应商与客户的数据池才能重返发挥其作用。

（1）工厂之外

在工厂外围，工程和供应链管理是AI应用最重要的运营领域：

• 工程：制造商可以利用AI促进研发努力，从而优化设计，改进对客户需求和期望的响应并且简化生产。AI支持生成式产品设计，根据既定目标和约束利用算法探索各种可能的设计解决方案。通过迭代式测试和学习，AI算法优化设计，推荐在人类看来非传统的解决方案。一些航天公司正在利用生成式设计以全新的设计开发飞行器部件，比如提供跟传统设计功能相同但是却轻便许多的仿生学结构。
• 供应链管理。需求预测是供应链管理领域应用AI的关键主题。通过更好地预测需求变化，公司可以有效地调整生产计划改进工厂利用率。AI通过分析和学习产品发布、媒体信息以及天气情况等相关数据来支持客户需求预测。一些公司还利用机器学习算法识别需求模式，其手段是将仓库、企业资源计划（ERP）系统与客户洞察的数据合并起来。

（2）工厂内部

在工厂内部，AI会把各种好处带给生产以及诸如维护、质量与物流等支持职能：

• 生产。我们的研究涵括了所有的生产环境，包括连续加工（比如生产化学和建筑材料的）以及离散型生产（比如装配任务）。在所有的环境中，制造商都会利用AI来降低成本提高速度，从而提升生产力。他们还会用它来改善灵活性应对生产的复杂性——比方说客户定制产品的生产。AI还可以让机器和部件成为自优化的系统，通过对当前和历史数据进行连续分析和学习实时调整自身参数一些钢铁厂已经在利用AI让熔炉自动优化设置了。AI分析铸沟的材料构成，识别稳定工艺条件的最低温度，从而降低整体的能耗。在另一个重要的生产用例中，得到智能图像识别能力增强的机器人可以从未定义的位置（比如箱子里或传送带上）里捡起未分类的零件。这已经在汽车业有了实际应用。
• 维护。制造商会利用AI减少设备故障提高资产利用。AI支持预测性维护——比方说，通过根据实际情况替换磨损部件来避免故障。AI会持续分析和学习机器和部件产生的数据（比方说传感器数据和产品结构）。这一技术对加工业尤其有好处，因为故障会导致销售损失。比方说，一些炼油厂已经实现了在设备失效前估计剩余时间的机器学习模型。这种模型会考虑超过1000个与材料投入、材料输出、工艺参数以及气候条件有关的变量。
• 质量。制造商可以利用AI帮助尽早检测出质量问题。视觉系统利用图像识别技术识别缺陷以及产品功能的偏差。因为这些系统可以持续学习，其性能会随着时间转移而改善。汽车供应商已经开始利用带机器学习算法的视觉系统识别有质量问题的部件，包括检测没有出现在用于训练算法的数据集内的缺陷。AI还可以持续分析和学习由机器和生产环境产生的数据。比方说，AI可以将材料属性和行为与钻床设置信息比较，预测钻孔超出耐受度的风险。
• 物流。我们的研究关注于产内物流和仓储，而不是外部供应链的物流。AI会促进场内材料供应的自动转移和效率，这对于管理制造多种产品衍生和定制产品所带来的日益增长的复杂性是必不可少的。在工厂和仓库内运输物品的无人车会利用AI感应障碍调整车辆路线从而实现最佳路线。医疗包建设部制造商已经开始在自己的维修中心利用无人车。在不需要磁条或者传送带引导的情况下，这些车辆可以在遇到障碍时停下来然后自动确定最佳路线。机器学习算法会利用物流数据——比如材料进出的数据、库存量、零件的周转率等——来促进仓库自主优化运营。比方说，有一个算法会建议将低需求的零件转移到更远的地方，并且将高需求的零件放到可以更快获取的附近区域。

一些AI用例还可以应用到多个运营领域。比方说，能够生成语言并进行处理的虚拟助理（类似苹果的Siri和Amazon的Alexa）可向操作员提供源自IT系统的相关背景信息。一些公司已经在利用语音分拣系统处理分拣、打包、接收以及补给事务。在这些应用中，语音系统会连接到ERP系统的物料清单引导操作员去到正确的箱子那里。

AI系统会根据事件报告（比如图片和书面报告）建议相应事件（比如机器故障、质量离差、性能损失）的解决方案，而且还会持续分析和学习这些报告。飞机制造商已经实现了利用事件报告识别生产问题模式的自学习算法，然后将当前事件与过去类似事件进行匹配，并且提出解决方案建议。

在研究参与者中国，期望上述用例到2030年会变得非常重要的人占比在81%到88%之间，但是认为这种能力已经在生产的多个领域完全实现的占比就相当低（6%到8%）。图2提供了受访者认为在未来工厂中发挥重要作用的用例排名的概览。

图2：AI在未来的工厂中将变得无所不在

雄心与现实之间的差距

很多公司都打算加快实施AI，但是我们的研究发现，平均而言，中国、印度、新加坡的公司对在近期在生产中实施AI的抱负最大。在受调查的离散产业中，医疗保健和能源是近期最有野心的；加工业和工程产品往往就没那么迫切。

参与我们研究的大多数公司都说他们注意到AI的重要性正在增强。然而，他们的投资、话以及实施都没法跟他们的野心相称。尽管87%的受访者成计划在未来3年内在生产中实施AI，但只有28%制订了全面实施的路线图。剩下的72%缺乏详细计划：32%正在测试选定用例，27%只有一些初步想法，13%并未将AI列为优先事项或者还没有考虑。

有限的实施程度反映出综合规划的缺乏，这揭示了理想之丰满与现实之骨感的差距。在过去，在实现AI用例方面，只有约50%的公司实现了自己的目标。因此不奇怪的是，只有约16%的公司在多个厂区充分实现了超过1个的AI用例——这样的成绩按照我们的定义可称之为早期采用者。对于纳入我们研究的12个国家来说，早期采用占比最高的国家包括美国（25%）、中国（23%）以及印度（19%），最低的是日本（11%）、新加坡（10%）以及法国（10%）（参见图3）。在受访的德国公司中，只有15%属于早期采用者。

图3：中国、美国的AI早期采用者最多，对推进AI最积极

美国公司的高采用水平可能反映出那里的AI技术的广泛普及。即便如此，中国在AI投资上仍压倒了美国，去年中国投资占到了AI初创企业全球投资的将近一半。2017年中国国务院还颁布了《下一代人工智能发展规划》，打算用三步走的策略到2030年达到AI全球领先水平；天津市政府已经设立了300亿元的基金来支持AI产业。其他的新兴国家，比如印度，其态度也类似，将AI采用视为保持其制造业全球竞争力的必要元素，并且对AI进行了大规模投资。与之相反的是，一些工业化国家，比如日本，仍然专注于过去提升其竞争能力的传统手段（比如精益制造）。

在我们关注的8个行业中，交通和物流（21%）以及汽车业（20%）的早期采用者所占份额最高，工程产品（15%）和加工业（13%）相对滞后。（参见图4）这些差异反映了行业的不同奇点以及与数字化的密切关系不同。汽车和技术公司属于最先进行列并不出奇。其他行业甚至还没有学习已经成为那些行业价值链不可或缺部分的众多数字化策略。

图4：不同产业的AI雄心与现实之间的差距

公司雇员数也会对AI实施产生影响。小企业相对于大企业成为早期采用者的可能性更低——这也许是因为小公司往往预算更加拮据，腾出给AI采用的能力更少。尽管最近的技术发展以及数据存储和数据处理的成本下降会降低对AI投资的阈值，总体的能力差距可能仍将持续。

缩小差距

有4个使能器对AI在运营中的成功实施至关重要：战略和路线图，治理模式，员工能力，以及IT基础设施。在让AI使能器充分发挥方面，早期采用者比滞后的公司所取得的进展要大得多。（参见图5）

图5：AI实施的四大使能器

（1）战略与路线图

为了给自己所有的AI实施活动提供方向和指导，公司需要有清晰的战略。AI战略应该专注于最有价值的用例——那些解决公司特定业务需求和挑战的用例——并且跟公司的总体数字化战略保持一致。公司还需要清晰的实现路线图，为投资建立商业案例和可衡量的目标。调查参与者将为运营制订清晰的AI战略列为最重要的使能器。

（2）治理模式

管理层给出看得见的承诺对于实现潜在的改进非常关键。高层管理应该利用结构化的沟通来确保组织内对AI有清晰的了解。公司应该为AI实施建立明确的角色和责任，并且设立清晰的组织架构。相关职能部门间有效协作和沟通对于克服AI应用的文化抵触必不可少。

（3）员工能力

为了采用AI——以及更广泛的数字化——公司必须让员工具备很强的编程、数据管理及分析等技能。公司应该对所需的技能集有清晰的想法，并且应该评估那些需求与员工目前所具备的技能之间的差距。

对于了解运营AI基础这样的主题，员工可以通过培训计划获得所需的技能，这种培训可以来自公司内部或者外部。对于需要更正式的IT相关学习课程，比如先进分析，公司必须招聘包括数据科学家在内的新型员工。

在研究的参与者当中，93%者报告自己公司内部没有足够能力在运营中实施AI。4人中就有超过1人（29%）称自己的公司已经增加了专门做AI的员工数量，而将近一半（47%）预期未来几年这个数字还会增长。

（4）IT基础设施

遗留IT系统和机械设备的互操作性对于AI实施的成功非常关键，这需要由API和网络标准来促进。网络安全是致力于AI与工业4.0实践者的另一个重要关切。

在实施AI中，公司应该考虑采用敏捷的工作模式，这样可以在需求变化时调整自己的战略和路线图。在应用AI技术中，公司应该采用快速失败，最小可行产品的做法，这样可以小规模测试新想法然后通过快速迭代调整，最后再全面铺开。早期采用者比滞后者更有可能采用这种敏捷工作模式。

入门指南

这份研究的发现指向了行动需求，这不仅要求行业公司采取行动，工业机械和自动化制造商也要行动起来。

对机械与自动化板块的影响

作为对所有其他类型产业公司的供应商，机械和自动化制造商在实现AI技术潜能已经满足工厂对AI支持应用的需求中将扮演重要角色。AI将让机械与自动化制造商形成新的创收商业模式，比如“机械即服务”。为了挖掘这一市场，此类制造商应该增强自身设备并且收集数据来试验AI技术。

在所有行业里，调查受访者把自优化机器视为机器重要的AI用例。机械与自动化制造商可为产业公司提供利用机器学习技术实时分析参数并优化流程的机器。

调查受访者还注意到机器视觉系统的重要性正在不断增加。机械制造商可以直接将机器视觉集成到自己的机械系统里面。尽管底层的AI技术来自于知名供应商，但机械制造商应该考虑开发自己的AI解决方案以便避免对特定供应商形成依赖。

作为开发AI支持的分析与自优化机器的第一步，机械与自动化制造商应该对自身机器性能保持完全透明。这会让用户在AI之旅中取得进展，比如感知机器参数，以及对数据的持续学习。感知与行动需要监控温度、转矩、振动等过程参数来获得对机器情况以及制造零件的质量的洞察。最后，透明性还为自调整系统奠定基础。此外，机械和自动化制造商还必须让客户放心从他们的机器访问的数据是安全机密的。

为了在实现AI的竞赛中不被落下，产业公司应该采取结构化的三步走策略：

（1）评估现状

公司应该从苹果自身痛点以及AI成熟度开始，然后应该拿自己的现状与同行或者行业平均水平进行基准比较。因为健壮的IT基础设施对AI事实必不可少，公司必须评估其运营IT的现状。进行车间评估的一个先决条件是在一定设备上建立一个评估主题和基准的库。

（2）确立使能器

公司应该制全面的AI用例清单来处理在健康检查中发现的痛点问题。所有利益攸关者都应该集中起来召开研讨会深入讨论用例，确定优先实现哪一个。在评估该优先用例额财务及非财务好处时，公司应该为投资测算商业案例。对量化好处以及所需投资有经验的AI专家的输入在这一阶段具有极其重要的价值。在找出了这个优先考虑的用例之后，公司可以为AI在运营中的应用制订目标图，并且为实施制订路线图。

公司的治理模式应该清晰描述AI实施的角色与责任，并且应该建立一个协调的组织架构。公司还需要将目前劳动力的素质与那些需要实现的AI用例进行对比，确定如何缩短差距。此外，公司还需要为用例实现定义IT需求，并且为有效能和效率的数据管理制订第二套治理模式。数据科学家和具备AI知识的IT专家应该参与到需求的定义中来。

（3）测试与解决方案拓展

公司应该在工厂的特定地方测试AI用例。为了加快流程，公司应该在定义好愿景、建立起使能器的同时发起第一批试点计划。每一个试点的目标应该是迅速开发出最小可行解决方案，然后通过敏捷开发方法以多次迭代的方式改进试点的设计。员工通过与试点计划的互动可以体验到AI用例是什么感觉。为了促进这些试点，公司必须利用可产生迅速影响的技术工具，比如资产监控传感器和智能眼镜等。公司还应该扩大试点成功的解决方案。最后，为了发挥AI实施的全部潜能，公司应该全范围实施集成的解决方案。

我们的研究表明，AI即将成为增强运营生产力最重要的手段。但许多公司仍未意识到获得AI的好处需要的不仅仅是对技术的投资。一个描述清晰的战略时必不可少的起点——但即便如此仍然不够。公司还必须有适当的治理和支持基础设施就位，同时还必须对劳动力进行重新配置和培训。尚未对AI实施采取全面视角的公司制造商应该迅速提高自己的竞争能力才能赶上那些早期采用者。

附：报告下载。

译者：boxi，由36氪编译组出品。编辑：郝鹏程。

译文地址：http://36kr.com/p/5133138.html

本文由 @郝鹏程 授权发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自 Pexels，基于 CC0 协议

,