中国制造业如何应对AI时代.pdf

中国制造业如何应对AI时代 德勤新视界 | 7 人工智能不仅正在改变我们的生活方式，也向着更广阔的工业领域渗透，改变我们 的生产方式。目前已在应用阶段的人工智能在算法上并没有本质区别，产品的差异往往 体现在应用场景明确程度和工程化能力。目前制造业人工智能应用场景有哪些热点？未 来会发生怎样的变化？ 人工智能的应用正从消费智能扩大到企业智能。中国的制造业企业正借助自动 化、机器学习、计算机视觉及其他人工智能技术来满足不断提高的用户需求并改变 其制造、运输和销售产品的方式。 中国制造业 如何应对 AI 时代 文 / 董伟龙 屈倩如 封面故事中国制造业如何应对AI时代 德勤新视界 | 9 8 | 德勤新视界 这些应用可以为那些生产昂贵产品、对产品质量要求高的企业创造可观的经济价值。 在产品与服务领域目前已经在应用人工智能技术的企业较少，但计划在两年内优先 部署的企业数量明显增加，特别是在缩短产品设计周期、个性化客户体验以及提升营销 效率等应用场景。 制造企业面临既要提升产品性能、降低能耗，又要缩短设计周期的挑战。生成式产 品设计是目前比较受欢迎的利用人工智能缩短设计周期的应用。它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。 人工智能在提升产品客户体验、客户需求洞察和提高营销效率等方面的应用同样具 有很大潜力 ( 见图 4)，因为制造业企业不仅需要了解发生在工厂里的事，更要了解产品出 厂后的生命旅程。以用户体验（安全性）为例， iPhone X 使用了安全性更高的 Face ID， Face ID 是通过人脸识别技术进行的生物特征认证。苹果表示， Touch ID 指纹识别被相同 指纹破解的概率是五万分之一， Face ID 面部识别被相同面貌破解的概率为一百万分之一， Face ID 面部识别的安全性整整提升了 20 倍 。 在供应链领域，配送管理和需求管理与预测是目前制造企业应用人工智能提升供应 链效率的主要应用场景（见图 5）。未来两年内，物流服务、需求预测、资产与设备管理 等相关应用场景将快速增长。 一、制造业应用场景 从人工智能应用阶段来看， 87% 的受访企业已经或计划在两年内部署人工智能，只 有 13% 的企业尚未规划。在已经或计划部署的企业中，已经取得可见成果的企业占比 18%， 处于示范项目或测试阶段的企业占比 34%，计划部署企业占比 35%（见图 1）。 人工智能在制造业的应用场景众多，大致可以分为智能生产、产品和服务、企业运 营管理、供应链以及业务模式决策五个领域。 51% 的受访企业已经或计划部署智能生产 相关场景应用，25% 的企业将部署产品和服务相关场景（见图 2）。 在智能生产领域，目前 应用比较多的场景是自动化 生产工厂和订单管理。未来两 年内将有更多人工智能技术 用于产品质量监控。 人工智能在自动化生产 工厂的应用很大程度上与工 厂大规模安装机器人有关。中 国的工业自动化和工作岗位 的转移正在增加，过去三年 里，中国的一些工业企业已经 使其 40% 的劳动力自动化。 自 2012 年以来，中国每年的 机器人安装数量增长 500%（欧 洲为 112%）。虽然目前无法 得知这些安装的机器人在多 大程度上运行人工智能软件，但这样庞大的基础无疑会促进人工智能应用场景的增长。 人工智能在产品质量监控和缺陷管理方面的应用有望快速增长（见图 3），很大程度 受益于机器视觉技术的进步。机器视觉工具利用机器学习算法，经过少量图像样本训练， 可以在精密产品上以远超人类视觉的分辨率发现微小缺陷。产品质量提升还可以通过工 艺优化实现，人工智能对关键工艺步骤的数据进行感知分析，并依此实施优化提升良品率。 图3 受访企业在智能生产领域的人工智能应用场景 注：数字代表企业数量。 资料来源：德勤制造业人工智能应用调查 2019。 0 10 20 30 40 50 自动化生产工厂 订单管理和自 动化生产排程 产品质量监控 和缺陷管理 安全生产风险 预防与管控 固定资产与生产设备 的性能监控与维护 已经应用 两年内优先应用 非优先 未规划 图1 制造企业人工智能应用所处 阶段及项目进展情况 资料来源：德勤制造业人工智能应用调查 2019。 图2 受访企业人工智能部署重点 资料来源：德勤制造业人工智能应用调查 2019。 智能生产 产品和服务 企业运营管理 供应链 业务模式决策 尚未部署/规划 51% 25% 8% 8% 4% 4% 13% 18% 34% 35% 已经取得可见成果 处于示范项目或测试阶段 计划部署 尚无计划 缩短产品设计周期 0 10 20 30 40 50 60 个性化的客户体验 识别新的商业机会 提升营销效率 客户需求洞察 已经使用 两年内优先应用 非优先 未规划 图4 受访企业在产品与服务领域的人工智能应用场景 注：数字代表企业数量。 资料来源：德勤制造业人工智能应用调查 2019。 封面故事中国制造业如何应对AI时代 德勤新视界 | 11 10 | 德勤新视界 供应链管理的另一大挑战是预测下个季度的热销产品，从而让供应链专家们对库存、 人员以及物流能力进行合理规划，甚至在人们购买之前将货物提前储藏在临近销售点的 仓库内。利用人工智能可以对消费趋势进行更好的规划，它们可以整合诸如内部销售数据、 消费者记录、竞争情报、趋势分析和社交媒体偏好等数据以对消费行为和消费习惯进行 画像。 在企业运营管理领域，目前比较多的应用场景是财务管理（见图 6）。未来两年内， 人工智能在能源管理和人力资源管理方面的应用将显著增长。 制造企业的能源消耗占企业生产成本的比例较高，不同的装备水平、工艺流程、产 品结构和能源管理水平对能源消耗都会产生不同的影响。将人工智能应用于能效诊断可 以帮助企业提高节能效率。有的企业已经实现所有能源的分析和消耗均通过神经网络来 完成，通过人工智能技术来实现工厂整体能耗的降低。 二、挑战与机遇 （一）91% 的项目未能达到预期 通过企业调查我们发现，不论是从企业获益角度，还是从预算及时间投入角度衡量， 认为项目达到 80% 100% 预期的企业占比仅为 9%，这意味着 91% 的人工智能项目未 能达到企业预期（见图 7）。 人工智能项目结果与预期差距较大是全球普遍存在的现象。这种落差往往由以下几 方面的问题造成。 （1）既有经验及组织架构障碍。当人工智能技术的导入涉及管理变革或流程优化操 作时，由于员工已经熟悉原有工作流程，要实施新流程是一个非常困难的过程。 资金、 培训和时间的投入是公司难以承担的巨大风险。 （2）基础设施条件制约。实施人工智能项目对企业的基础设施有一定的要求。调查 发现，45% 的企业认为基础设施影响较大，从而不得不推迟原有计划；还有 14% 的企业 认为基础设施问题影响严重，导致企业无法进行某些转型。 （3）数据采集方法及数据质量问题。当基础设施条件具备后，采集数据的方法、数 据的质量、多样性以及规模直接决定了机器学习的发挥余地。 （4）缺乏工程经验。人工智能技术公司需要把天马行空的技术理论落实到企业实际 应用场景中，考验的不仅是项目团队的技术能力，也考验团队结合行业经验、综合运用 各种软硬件资源、搭建可靠产品的能力。 （5）项目规模过大、过于复杂。人工智能解决的是非常具体的问题，通用型大项目 往往涉及复杂的多种因素决策，超出目前人工智能的能力范围。 （二）企业对人工智能项目寄予厚望 尽管项目的实施结果与企业预期有差距，但 83% 的企业认为人工智能已经或将在未 来 5 年内对企业产生实际可见的影响，其中 27% 的受访者认为人工智能项目已经为企业 带来价值；56% 的受访者认为人工智能将在未来 2 5 年为企业带来回报（见图 8）。 图5 受访企业在供应链领域的人工智能应用场景 注：数字代表企业数量。 资料来源：德勤制造业人工智能应用调查 2019。 0 25 5 10 15 20 30 35 40 45 50 配送管理 需求管理与预测 物流服务 资产与设备管理 运输与网络 设计管理 紧急时间响应 已经应用 两年内优先应用 非优先 未规划 图6 受访企业在运营管理领域的人工智能应用场景 注：数字代表企业数量。 资料来源：德勤制造业人工智能应用调查 2019。 50 40 30 20 10 0 财务管理 能源管理 人力资源管理 投资管理 已经使用 两年内优先应用 非优先 未规划 图7 受访企业人工智能项目结果与预期差异 资料来源：德勤制造业人工智能应用调查 2019。 从企业获益角度衡量，人工智能项目在多大程度上符合公司预期 80%j100% 60%j79% 45%j59% 20%j39% 少于20% 9% 33% 28% 17% 13% 从投资预算和时间衡量，人工智能项目在多大程度上符合公司预期 80%j100% 60%j79% 45%j59% 20%j39% 少于20% 9% 35% 29% 15% 12% 未来 2j5 年 已经产生影响 未来5年之后 未来 1年 56% 27% 12% 5% 资料来源：德勤制造业人工智能应用调查 2019。 图8 人工智能项目影响可期 封面故事中国制造业如何应对AI时代 德勤新视界 | 13 12 | 德勤新视界 （三）热点应用场景将在两年内发生明显变化 人工智能在制造业领域的热点应用场景将在两年内发生重大变化，主要体现在两方 面。 （1）人工智能在工业领域的热点应用从智能生产领域转向更加注重产品服务和供应 链管理。 （2）两年内会出现新的应用增长点，其中提升营销效率、物流服务、资产与设备管 理、客户需求洞察、能源管理以及供应链运输与网络设计管理成为企业重点关注的应用（见 图 9）。 这种变化是制造业向柔性制造转型的必然结果，企业必须更加关注产品推向市场的 时间和客户需求的变化。预测性制造和弹性工厂生产线将导致不断缩短的产品周期。在 一些非常先进的领域，如电子产品领域，已经可以实现将设计直接从 CAD 送到生产线的 前端，与预测制造算法和敏捷机械一起使用，大大缩短产品周期 。 三、实践步骤 中国制造业正处于人工智能大规模落地应用爆发的前夕，领先企业已经开始布局以 赢得先机。德勤建议企业从自身战略、应用场景、数据基础、团队组建、合作伙伴、验 证及实施开展人工智能的实际落地（见图 10）。 （一）战略目标匹配 企业首先需要确保其人工智能部署必须与企业的战略和业务目标相匹配，不论这个 目标是创造新的收入、减少成本，还是提升运营效率，关键是选择合适的复杂程度来满 足企业的业务目标。人工智能应用程序还需要符合企业业务目标所设定的时间表。某项 技术越先进，其成熟所需的时间就越长。 在人工智能运用到任何商业情景中之前，建议企业借助这个机会对相关业务流程及 运营模式进行优化，确保基础设施条件可以支持人工智能项目的实施。毕竟，企业在到 达工业 4.0 之前，必然要经过工业 2.0/3.0 的过程。 （二）明确应用场景 要找到合适的人工智能落地应用场景，本质上是要理解这项技术在哪些方面可以做 得比人类更好。 目前的人工智能技术并不善于解决通用型问题，人工智能技术要实现应用场景落地 并形成商业价值，需要明确其所能解决的特定领域问题，并明确应用场景边界，将人工 智能的功能需求限定在有限的特定问题边界之内，这样得出的解决方案才能相对可行可 靠。如基于深度学习的 AI 技术在海量信息处理方面已经比人类更优秀，所以可以代替人 类的肉眼检测、数据审查并决定何时进行维护。 （三）落实数据基础 由于目前基于深度学习的人工智能高度依赖大数据，企业的数据基础往往是决定 AI 项目是否能成功实施的基石。在实施 AI 方案之前企业可以对自身的数据基础进行诊断和 评估，可以简单地将数据基础成熟度分成以下几个等级。 L1：关键业务数据缺失。 图9 人工智能制造业热点应用场景变化 目前人工智能制造业应用热点 10 15 20 25 30 35 40 45 50 自动化生产工厂 订单管理和自动化 生产排程 产品质量监控 和缺陷管理 安全生产风险 预防与管控 固定资产与生产设备 性能监控与维护 配送管理 财务管理 缩短产品设计周期 需求管理与预测 客户体验 未来两年人工智能制造业应用增长点 38 40 42 44 46 48 50 缩短产品 设计周期 客户体验 提升营销效率 物流服务 资产与设备管理 产品质量监控 和缺陷管理 客户需求洞察 需求管理与预测 能源管理 订单管理和自动化 生产排程 运输与网络 设计管理 注：数字代表企业数量。 资料来源：德勤制造业人工智能应用调查 2019。 目前人工智能制造业应用热点 10 15 20 25 30 35 40 45 50 自动化生产工厂 订单管理和自动化 生产排程 产品质量监控 和缺陷管理 安全生产风险 预防与管控 固定资产与生产设备 性能监控与维护 配送管理 财务管理 缩短产品设计周期 需求管理与预测 客户体验 未来两年人工智能制造业应用增长点 38 40 42 44 46 48 50 缩短产品 设计周期 客户体验 提升营销效率 物流服务 资产与设备管理 产品质量监控 和缺陷管理 客户需求洞察 需求管理与预测 能源管理 订单管理和自动化 生产排程 运输与网络 设计管理 验证及实施 战略目标匹配 明确应用场景 落实数据基础 团队及合作伙伴 图 10 人工智能应用实践步骤 封面故事中国制造业如何应对AI时代 德勤新视界 | 15 14 | 德勤新视界 L2：基础数据完整但组织内存在信息孤岛。 L3：数据整合度高但不能支持业务决策。 L4：可以进行数据驱动的业务决策但不能实时响应业务变化。 L5：支持数据驱动的业务决策并能实时响应业务变化。 当企业的数据基础成熟度处于较低级别时，如关键数据缺失的 L1 级，需要做的往往 不是马上实施 AI 方案，而是先进行数字化（或信息化）改造以打好基础。互联网和金融 行业由于每天发生的业务天然就能产生大量数据，相对而言数字化程度最高，最早有机 会尝试利用 AI 技术；对于数据基础建设还未完成的其他传统行业，则必须通过业务流程 的改进将数字化的程度提高才能考虑 AI 解决方案。有了大数据，人工智能的落地就成功 了一半！ （四）组建团队及搭建伙伴关系 企业如果想打造 AI 能力，至少需要以下几类人才所组成的团队。 （1）AI 技术专家包括数学、统计学方面的科学家，进行底层算法的研究；同时 也包括传统意义上的 IT 技术专家，能使用最新的 AI 算法开发技术原型以及后续的商业 产品。 （2）行业专家 对于特定行业的 AI 解决方案，团队中需要有经验的行业专家。 （3） AI 应用专家 AI 应用专家首先是一名优秀的产品经理，其次要了解算法特性， 最后还要能理解行业问题，这样才能将 AI 技术专家和行业专家的优势整合在一起构建适 合行业的技术解决方案。 组建内部人工智能团队的同时，企业也可通过伙伴关系快速引进人工智能相关专业 知识，特别是在人工智能战略、实施流程、技术实践、项目交付等方面可以借助合作伙 伴的协助填补能力空白。 （五）验证及大规模实施 有了应用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于 AI 的过程 设计原型验证 (proof of concept)。在确认技术原型可行的情况下进行迭代和最终的大规模 实施。 全球制造业与新技术融合的动力与日俱增。随着制造企业累计的数据量增加以及人 工智能技术的成熟和配套工程能力的发展，人工智能将能够发挥其全部潜力。 在喧嚣的人工智能热潮下，工业企业切忌盲目投资，在大规模实施落地前，应该明 确自身战略，找准应用场景，坚实数据基础，打造团队并构建合作伙伴关系，进行验证 和测试，让人工智能真正为企业创造价值。 董伟龙 | 德勤中国工业产品及建筑子行业、中国工业 4.0 卓越中心领导人 屈倩如 | 德勤研究制造业、能源行业研究高级经理 德勤中国版权所有。未经许可，不得以任何形式转载。