全球性的新冠疫情使制造業陷入困境，供應鏈、供貨商和分銷商均遭受了巨大打擊。 在縮緊開支的同時，很多公司將目光聚焦到人工智能（AI）技術上，希望借此機會加速產業的自動化、智能化轉型，拓展 AI 的應用場景。 CB Insights 通過研究和分析制造業產業鏈，整理出了三篇有關制造業領域 AI 應用前景的報告，分別側重產品設計與研發、供應鏈與供應商、以及生產線和裝配線三大方向。以下是經過整理的三篇報告的核心內容和精華部分。 方向一：更快、更具成本效益的產品設計

對制造業來說，產品零部件的材料、形狀和尺寸設計，會影響整個價值鏈的生產和運營效率。事實上，設計決策可能決定了產品制造成本的 70% 左右。

除了成本考量，制造業還需要不斷創新，將新產品和新設計推向市場，以保持競爭力。但這實現起來，往往并不容易：設計一款產品，比如汽車或集成電路，可能需要 2 到 5 年的時間，而發現全新材料可能需要長達數十年的時間。 現在，制造業正在嘗試使用人工智能來使這一過程 更加省時省力，同時不影響安全性和結構完整性。 削減成本的生成式設計 生成式設計軟件可以讓工程師快速迭代和測試設計。CB Insights 數據顯示，預計到 2030 年，生成式設計軟件的市場規模將可以達到 445 億美元。 在生成式設計中，算法將根據工程師設定的輸入標準，如尺寸、材料、重量等，為產品生成數千種備選設計方案。 隨著生成式對抗網絡（GAN）等泛化能力較強的模型問世，工業設計軟件正變得更加強大。生成式設計軟件會生成一個初始設計池，然后挑選出最好的設計，將它們的特征混合，迭代后生成第二個設計池。算法的快速迭代可以在短時間內測試成千上萬種設計，比人類快數百萬倍。 這種技術思路在汽車和飛機零部件快速成型制造設計（3D 打印）中得到廣泛關注和應用，比如，日本的兩家汽車行業制造商——電裝（DENSO）和本田——都通過與設計軟件供應商 Autodesk 合作，在生成關鍵汽車部件原型的時候使用生成式設計。電裝是世界第一大汽車零部件供應商，它利用該技術設計了一個發動機控制單元（ECU），使其減重 12%。 飛機制造商空客也曾試行通過生成式設計來制造 A320 飛機的隔板。新設計比以前的設計輕了 45%，具有巨大的成本節約潛力。據空客估算，新設計每年可減少近 50 萬噸的二氧化碳排放。

該技術仍然面臨不少挑戰，比如 AI 算法的輸出本質上取決于人類設定的參數和約束條件，尋找最優參數可能既復雜又耗時。此外，如何在成千上萬的設計中梳理和挑選最佳設計，也需要一種高效且可擴展的方法。 盡管如此，生成式設計仍然是制造業追求的熱門技術。隨著物聯網、實時模擬和增強現實等技術的普及，以它為核心的軟件即服務（SaaS）戰略有望成為復興制造業的關鍵。AI 自動化電子設計 電子設計自動化，包括芯片和印刷電路板的設計，預計到 2022 年將成為一個 110 億美元的市場。 芯片設計由兩個主要元素組成：布局和布線。前者指的是使用設計軟件繪制出不同元件的位置，后者則是用線將元件虛擬地連接起來。現在，研究人員正在嘗試使用 AI 軟件在幾天內完成原本可能需要幾周的芯片設計工作。 谷歌最近發表了利用強化學習（reinforced learning，RL）實現自動布局的研究。在設計電路布局時，RL 算法的優勢體現在可以使用更少的電線、更有效地利用空間，或者功耗更低。在最初的實驗中，RL 算法能夠在 24 小時內為谷歌云芯片 TPU 提出設計建議。相比之下，人工方式則需要數周時間。

圖 | 谷歌自動布局研究（來源：Google Brain）

在芯片設計中，AI 的應用還是相當小眾的，除了谷歌這樣的巨頭，也就僅有幾家早期創業公司在籌集資金，比如英國的 InstaDeep，德國的 Celus 和美國的 JITx。其中 Celus 今年剛剛獲得了 190 萬美元種子輪融資。 整體上來看，將 AI 用于電子設計自動化仍是一個未知領域，早期初創公司和少數研究型實驗室都在探索。機器學習算法的有效性尚未得到大規模驗證，評價也是褒貶不一。 發現新材料 AI 可以幫助縮短發現新材料所需的時間。一種材料從發現到商業化，通常需要十年或二十年的時間。AI 可以壓縮這個過程：只要列出材料屬性，它就能快速篩選出優秀的候選材料。而且，材料領域使用AI 技術也有可能助力3D 打印技術，發現新型打印材料。預計到2025年，先進材料市場規模將以 10% 的年均增長率達到 1220 億美元。 不同的公司使用了很多不同的方法。初創公司 Citrine Informatics 將隨機森林與不確定性估計結合起來使用，讓算法對自己預測的信心程度打分。歐洲最大的平板玻璃制造商 AGC 正在與該公司合作，尋找和加速研發高性能玻璃。

（來源：Citrine Informatics）

對于這一應用領域，最有挑戰性的是如何準備好數據并挑選合適的 AI 模型，這一挑戰不僅耗時耗力，而且涉及計算機科學、物理、化學和數學理論等多個領域，需要交叉學科專家的深度參與。 除了降低實驗成本，AI 還可以降低下游的采購、生產和維護成本。我們可能會看到，新材料的商業會速度在未來十年中不斷加速。 方向二：降低供應鏈和供貨商風險 受到疫情影響，許多制造業公司都不得不面對因為供應鏈中斷和采購合同中斷，導致正常的生產計劃受到嚴重拖累。 Thomas Net 最近的一項調查顯示，在接受調查的 1000 家北美制造商和供應商中，超過 55% 的公司預計收入將下降。 為了保持機動性并快速應對突發的全球事件，制造商需要預測商業風險，并對與他們的合作伙伴保持關注。 預測供應鏈中斷和供應商風險風險管理包括了解環境風險、監測品牌聲譽受損情況、評估網絡安全風險或違法行為等等。預計到 2025 年，供應商風險管理市場規模將擴大到 28 億美元。 制造業的供應鏈越來越復雜：一家制造商可能直接與多家一級供應商打交道，這些供應商可能有自己的二級供應商網絡，而二級供應商又依賴于三級供應商，以此類推。所以，制造商不僅需要在全球范圍內維系這種復雜的關系網，還需要監控運營的中斷，即使是那些與他們沒有直接合作的二、三級供應商。 通常來說，供應商風險管理依賴于數據庫，這些數據庫廣泛地繪制了該公司全球供應商的關系。AI 在其中扮演的角色與在銀行和醫療保健系統中類似：經過大量數據訓練后，提供一種了解客戶或者預測風險的解決方案。 AI 公司可以使用 NLP 來檢索多語種的新聞、政府數據庫、行業期刊和公司地理數據庫等資源，并監測工廠事故、自然災害、非法活動或網絡安全漏洞等事件。機器學習算法還能用于評估各個供應商的供應鏈網絡，為其生成風險評分。

初創公司 Interos 表示，它擁有一個包含 5000 萬供應商業務關系的數據庫，可以用機器學習從 8.5 萬種信源中提取數據。這些信息組成了風險分析模型的數據基礎。 在這一過程中，數據質量是最大的挑戰之一。復雜且全球化的供應鏈網絡，使得同一家公司可以以不同名字開展業務，依賴供應商匯報的數據，也可能導致某些數據缺失。 另一方面，風險管理通常涉及多個數據集和解決方案，不同的供應商有不同的風險，很少有公司能完成一站式服務，滿足制造商的所有風險評估需求。因此，一些初創公司專注于更細分的市場。比如獨角獸 OneTrust 專注于分析網絡安全風險，BlueDot 則專門從事醫療事件監測。 我們可能會在供應鏈管理領域看到更多的合作和整合，因為風險評估服務提供商的目標是成為制造商的一站式服務平臺。目前，制造商不得不暫時尋找多個能夠相互契合的供應商數據分析平臺。 按需制造市場 CB Insights 的市場規模數據顯示，按需制造是一個 2200 億美元的市場。 按需制造在汽車和醫療保健等行業正在飛速發展，因為它解決了關鍵的采購問題。比如標準化價格和與供應商聯系的冗長過程。 前文提到，AI 可以加速制造業的設計過程。在設計完成后，按需制造允許工程師和設計師上傳 3D 文檔，讓 AI 來判斷設計的可行性、所需成本和所需時間。 這種情況通常出現在制造商需要定制特定部件并外包給第三方的時候。很多初創公司瞄準了這一領域，為制造商提供供應商網絡和即時報價服務。 他們主要利用 AI 分析制造商的 3D 設計文件、判斷其是否可行，需要使用什么技術和材料，還可以即時生成報價、估算交貨時間。

圖 | 按需生產（來源：3D Hubs） 當然，報價服務離不開供應商的數據。AI 會根據過去的采購訂單（包括特定設計和材料的常用報價等信息）進行訓練，學會如何綜合分析平臺上的供應商，選出從制造工藝到交貨時間都符合要求的一家或多家，將其與供應商匹配。 成立七年的初創公司 Xometry 表示，他們致力于消除制造商和供應商之間的冗余溝通。這家公司已經獲得了寶馬和通用電氣的投資，目前擁有超過 4000 個合作伙伴。 按需制造的另一個優勢是小批量制造。大供應商對小訂單的回應速度很慢，而小供應商又很難找到，按需制造平臺可以有效解決這一問題，準確匹配小訂單和小供應商。 利用 NLP 分析合同 CB Insights 的數據顯示，到 2027 年，合同管理預計將成為一個 50 億美元的市場，而法律科技中的人工智能市場，預計到 2026 年將達到 380 億美元。 采購或制造合同中涉及到的詞語和細節，如果不加重視，可能會導致巨大的風險和損失。例如對不可抗力的定義，直接關乎企業能否在疫情期間無損解除合同。 AI 可以在幾分鐘內掃描數千頁的法律文件，找出不符合公司政策的地方。這項工作如果換成人類律師來做，可能要花數天時間。

圖 | NLP 掃描條款（來源：Sievo） 自然語言處理技術（NLP）是掃描合同的首選算法之一。它可以提取關鍵信息，標記措辭或遺漏信息的潛在問題，以便進一步人工審查。AI 技術還可以確保整個組織的合同標準化。 美國公司 Icertis 是合同管理領域的獨角獸，與空客、戴姆勒等制造業客戶均有合作。Icertis 平臺可以用 AI 分析 40 多種語言的合同，識別其中的條款，并從過去的合同談判獲得經驗。 雖然以 AI 為基礎的合同管理正在金融和企業法律部門興起，但在制造業發展緩慢。隨著技術的成熟，它有望成為制造業采購和流程自動化業務的重要工具。 方向三：利用 AI 加速產品生產和組裝

新冠疫情讓已經陷入困境的制造業雪上加霜。隨著制造商被迫重新思考產品生產和組裝業務，AI 的地位正在迅速上升。 我們研究了 AI 在生產線和裝配線的案列，意識到整個制造業正處于十字路口。 次世代協作機器人預計到 2026 年，工業機器人系統的市場價值將達到 1380 億美元。其中的一個分支，協作機器人，到 2030 年將成為 120 億美元的市場。協作機器人通常以機械臂的形式存在，與人類一同工作，負責物體的拾取、放置或分類，也可用于裝配和檢查。 AI 可以幫助這些機器人更好地工作。對于一家公司來說，如果每個機器人都能連接到中央云端，就可以組成一個“AI 大腦”，每個機器人不僅可以從自己的環境中不斷學習，還可以從整個工業機器人網絡中學習。 物流 AI 公司 Covariant 就采用了這種理念，通過強化學習技術訓練網絡中的機器人，提升其性能。另一家公司 Universal Robots 生產的機械臂，還可以通過計算機視覺識別物體的形狀和大小，幫助篩查和分類產品。 貨物運輸機器人 預計到 2026 年，自主移動機器人（Autonomous Mobile Robots，簡寫為 AMR）將成為一個價值 5900 億美元的市場。 在制造業，AMR 主要用于運輸貨物。它們可以在工廠的樓層、裝配線和倉庫之間移動，從而運輸需要的零件。AI 軟件使其能夠感知環境，并對路徑上的障礙物作出實時反應，而不是遵循預先設定的靜態路線。 當部署多個 AMR 時，一個集中的“AI 大腦”可以處理協調和導航，其中會用到計算機視覺、機器學習和軌跡規劃算法。這種控制系統，在上百個機器人同時工作時，是不可或缺的。雖然目前 AMR 的應用仍處于早期階段，但它的潛力值得肯定。

2018 年，空客進行了首次 AMR 試驗，在其英國工廠內運輸重型飛機機翼。該公司使用了由丹麥移動工業機器人公司 MiR 的產品，并與研究小組 AMRC 合作，使機器人適應其特定需求。在 AI 的幫助下，MiR 機器人可以預見路徑上潛在的障礙物并主動改道，還能夠做到實時決策。 實時生產監控和質量檢測 根據 CB Insights 的數據，預計到 2023 年，生產監控將具有60 億美元的市場。企業在該領域使用 AI 的方式有兩種：實時監控裝配線工人和工作流程，以及實時檢測零件缺陷。 AI 算法可以基于企業收集到的工人和產品數據（比如什么是正常操作、什么是錯誤操作、以及哪些零件有缺陷等等），來判斷流水線上的產品質量是否合格，以減少后期的產品召回和其他問題。

在這一領域的初創公司包括 Instrumental、Elementary Robotics 和 Landing AI。其中 Instrumental 專注于利用 AI 實時識別流水線上的產品缺陷，并在 2020 年第三季度獲得了 2000 萬美元融資， 寶馬在德國的一家工廠引入了圖像識別技術。員工從不同角度拍攝汽車并與車型匹配，用作訓練 AI 的初始數據集，隨后就可以在生產過程中自動驗證汽車上是否貼有正確的代號。 為了減少人工錯誤，制造業巨頭 ABB 和電信公司 Telia 合作，在流水線引入了 AI 攝像頭和 5G 技術，可以用計算機視覺軟件對監控工人，并提供實時反饋。 總結 目前來看，制造業整體上對 AI 的應用仍處于早期階段，但許多應用場景都有具備大規模引入 AI 技術的潛力，許多公司正在朝著這個目標努力，隊伍中既有初創企業，也有老牌制造業巨頭和科技巨頭。 隨著 AI 技術的進步，市場規模還將進一步擴大。可以預見的是，未來會有更多公司涉足該領域，AI 驅動的自動化趨勢也將繼續保持下去。 - END -

原文標題：后疫情時代，AI如何復興制造業 | CB Insights報告

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。