人工智能和機器學習正在變革制造業。根據世界經濟論壇去年年底發布的報告，人工智能、先進機器人、增材制造和物聯網的結合將共同引領第四次工業革命。

大多數制造業企業（80％）預測未來會看到人工智能計劃的積極影響，預計收入增長22.6％，成本降低17.6％。

事實上，制造企業已經在使用人工智能和機器學習技術來減少設備停機時間、發現生產缺陷、改善供應鏈和縮短設計時間了。然而，缺乏技術人員、數據和標準使得許多企業無法繼續前行。

通用電氣走在前沿

通用電氣（General Electric）是走在這一輪產業轉型浪潮前沿的企業之一，該領域的生產力下降促使通用電氣一直致力于探索人工智能的使用。

“截至2010年，生產力增長率在4％至5％之間，”通用電氣軟件研究副總裁Colin Parris表示。然后，這個領域發生了變化，經驗豐富的工程師們即將退休，而通用電氣所在的新興地區如印度和中國，主要勞動力是年輕人。

同時，客戶要求正在迅速變得越來越復雜。通向目的地的多條線路上的極端天氣條件和空氣污染影響了通用電氣生產的噴氣發動機。社交媒體放大了任何故障的影響，迫使客戶要求更高的可靠性和更少的停機時間。

與此同時，客戶預計價格也將繼續下跌。

Parris說：“人們會說你無法預測未來。你絕對可以。人們希望價格更便宜。”

為了解決這個問題，通用電氣公司轉向采用人工智能和機器學習，從給客戶提供服務開始，例如對噴氣發動機和渦輪機進行維護。然后，通用電氣將AI應用于內部制造，然后是設計和內部流程，例如數據中心運營和人力資源。

“在過去至少10到15年中，我們一直在服務中使用各種模型和分析形式，”Parris說。5年前，通用電氣開始使用機器學習和數字雙胞胎以提供機器的虛擬呈現，例如風力渦輪機或分組、風電場等。數字雙胞胎也可用于呈現裝配線、整個工廠或采購流程。

在通用電氣，數字雙胞胎用于模擬性能，預測故障，并對潛在改進進行快速測試。

“我們可以預測會在哪發生故障，這樣我們就會派專門的工程師，有針對性地庫存零件。我們提高燃油效率，延長飛行時間，不用庫存不必要的零件。我們已經為客戶實現數百萬美元的成本節約。”

為每臺設備、每個系統或者每個流程配備數字雙胞胎的另一個好處是，通用電氣可以利用增材制造（例如3D打印）來生產定制零件，而不必依賴傳統裝配上的那個批量生產出來的替換零件。

“隨著時間的推移，機器的性能會發生降級。現在我可以說，‘因為我看到訓練邊緣出現的設備損壞或者是這種刀片出現更多的開裂，所以我是否可以設計專門的零部件？’增材制造讓我可以一次生產出一個部件，來解決這臺機器在環境中遇到的獨有問題，而不是必須在大型工廠內生產出數百個部件。以前，我不得不投資數億美元來建造工廠。現在，我一次只打印一個部件，并且還可以不斷調整機器的機身和核心系統。現在我有了這樣一臺可以不斷自適應的、越來越富有成效的機器，我們稱之為不朽的機器。”

“我正是我認為對通用電氣來說未來會變得非常有趣的原因，”他補充道。

預測性維護前景看好

還有其他一些制造企業也在考慮使用人工智能和機器學習來降低成本、提高性能。

總部位于美國佛羅里達州的Jabil是一家財富500強公司，為全球主要品牌提供合約制造服務。幾個月前，Jabil公司開始使用人工智能來發現制造缺陷，以及進行預測性維護。

例如，Jabil在中國開設的一家工廠中，自動光學檢測機器配置有多個攝像頭尋找制造中的電路板存在的缺陷。

此前Jabil已經使用了基本的圖像識別技術來尋找缺陷，但系統標記出要發送給操作人員進行檢查的電路板中，有35％到40％實際上根本沒有問題。

Jabil公司高級經理Ryan Litvak表示：“操作員對每個圖像有兩秒鐘的時間，其中一些圖像可能非常大，有數百個組件。挑戰就在于要捕捉操作員的直覺，并且要有很高的準確度，能夠判斷出這是一個缺陷，或者這不是一個缺陷。”

Jabil通過減少標記的電路板數量而不犧牲準確性，能夠讓其運營商把更多時間用在研究出問題的電路板上，或者用于其他更有價值的任務上。”

“我們已經能夠得出非常好的結果。真實缺陷的捕獲率在93％到98％，這是非常高的，不僅如此，還避免了大約70％的誤判，也就是那些實際上沒有缺陷的組件。”

他說，概念驗證涉及兩條生產線，這兩條生產線在設備和工藝上非常相似。現在，Jabil正在努力將其推廣到不同的生產線上，以處理更大量的數據，并將新的決策過程直接納入工作流中。

Jabil公司關注的另一個領域是預測性維護，最大挑戰是要獲取所需的數據。

Litvak表示：“在使用中的系統有很多，大量不同的設備。其中一些系統有自己的系統來進行維護，有些則沒有。一些供應商通過電子表格來追蹤維護情況，有些則是有自己開發的系統。”

他說，Jabil的數據科學家正在努力規范這些數據，并與微軟的專家合作，建立預測設備故障所需的深度學習模型。

根據麥肯錫的研究結果，對工業設備進行AI增強的預測性維護將使年度維護成本降低10％，停機時間減少20％，檢查成本降低25％。

麥肯錫慕尼黑辦事處的合伙人MatthiasK?sser表示，最近幾個月有幾個對人工智能特定用例進行試點項目引起了人們極大的興趣。

最大的影響是在質量檢查和預測性維護中使用計算機視覺和傳感器數據。

他說：“我們目前在幾家試圖利用人工智能巨大潛力的公司內實施這種基于視覺的AI應用。然而，為了充分利用潛力，企業需要快速將這些試點的學習項目轉化為跨職能和流程的整體AI轉型。這個時候才真正開始發揮作用。”

準確性問題

另一家剛剛開始使用圖像識別來發現制造問題的制造企業是Lennox International，一家位于美國達拉斯的HVAC系統制造商。

Lennox公司IT、高級和新興技術總監Sunil Bondalapati表示：“準確率遠高于人類。現在，我們的準確率提高了大約20％。我們認為這不是人員數量的對比，更多是準確率的對比。”

Lennox公司還向企業客戶提供設備租賃，與通用電氣一樣，改善維護是核心需求。

如今，HVAC設備將有關其性能的信息傳輸到云端，每小時有800萬條新記錄。

利用智能來實現實時預測設備故障，這在以前是不可能的。

Bondalapati表示：“這就是人工智能的用武之地，它可以保留兩年前特定設備的背景和記憶——設備在105度溫度下的性能如何，當濕度達到某個點的時候，性能如何，現在性能又是怎樣的。”

Lennox從4個月前開始這個項目，其結果令人鼓舞，Lennox已經決定在接下來的4個月內開始全面推進該技術。

他說，計算維護方面的投資回報是一件棘手的事情。“當設備沒有發生故障時，你如何計算投資回報率？我們不得不在明年做一些數據收集方面的工作。”

但Lennox已經把存儲和計算成本降低一半了，因為使用了DataBricks技術來整合數據。

“現在20個內核減少到4個內核，”他說。

人工智能在的Lennox另一個用途是財務方面。舉例來說，計算公司應該為保修留出多少錢。

Bondalapati說：“以前，我們只是批準一定數額的金額——例如2000萬美元或者3000萬美元——而沒有科學的方法來知道需要多少錢來為客戶退貨。今天，使用人工智能，我們能夠預測每個組件的故障率，并告訴保修部門預留多少錢，隨著我們獲得的數據越來越多，我們也可以隨時調整預算金額。”

他說，他預計這樣做可以讓預留金額減少10％。

人工智能激增的力量

Lennox也在使用人工智能來解決會計問題。

“我們做了數以百萬計的總分類賬，讓財務員工來處理每天所有的賬目顯然是不可能的。”

他說他的團隊一直在尋求利用人工智能來幫助企業的機會。

“我們就像一個內部咨詢機構。我們一直在售賣這種產品，我們每周與業務部門和其他利益相關方進行溝通，并提出其他用例供他們試用。”

他說，Lennox在使用人工智能方面還處于初期階段。“對于像我們這樣的行業來說，人工智能是一條艱難的道路，而且需要說服那些還持懷疑態度的受眾。”

AI今天的主要局限：技能和數據

機器學習和高級分析在預測性維護和制造過流程的其他方面也發揮著重要作用。

根據普華永道最近的一項研究，78％的制造企業已經部署或計劃部署預測性維護技術，其次是制造執行系統（73％）、數字雙胞胎（60％）、機器人過程自動化（59％）。

只有29％的企業正在使用或者計劃使用人工智能，而普華永道將人工智能定義為不僅是機器學習和高級分析、能夠制定獨立認知決策的技術。

今天，大多數焦點集中在嵌入人工智能和機器學習技術以降低成本，普華永道負責IT戰略的負責人Kumar Krishnamurthy表示。“但我的預測是，其中一些技術將幫助企業擴大規模并提高生產力水平。”

他說，客戶的需求和行業顛覆者所面臨的壓力將迫使制造企業做出改變。

然而，這項技術并不像人們所認為的那樣成熟，他說。此外，缺乏人工智能技能和缺乏可用數據也阻礙了這一過程的發展。

根據普華永道的調查，在實施了人工智能的制造企業中，有52％的企業表示，缺乏技術人才是一項重大挑戰，42％的企業認為挑戰是數據的可靠性。

將AI融入設計過程中

帕羅奧多研究中心（Palo Alto Research Center，PARC）正試圖在制造流程中很難且極其耗時的設計階段，克服技能和數據問題。這家施樂旗下的公司專注于各項創新技術，例如激光打印、面向對象的編程、圖形用戶接口、光存儲和許多其他基礎技術。

PARC實驗室經理兼研發副總裁Ersin Uzun說，人工智能可以滿足功能性要求，解決成本、監管和制造方面的限制，并提出人類無法想到的設計。

“如果我要你設計一些能讓我拿著液體的東西，你可能一下子會想到像杯子這樣的東西。你不一定會立刻想出像Camelback這樣的設計。”

除了設計，PARC還致力于創造可以知道如何使用減材和增材制造方法實現這一設計的技術，并考慮到不同設計和制造選擇可能帶來的缺陷。

“今天，你設計出東西之后，發送給制造專家，他們要弄清楚如何制造出來，然后工程和分析人員看看制造的部件是否滿足我們的操作要求，這需要幾個月的時間。”

Uzun說，制造業是一個少見的、物理能力遠遠領先于軟件能力的領域。

“我們擁有非常令人興奮的新材料，新的增材制造技術，混合制造設備。但是你看看人們正在使用的軟件，就會發現在這個時代你可以用你擁有的材料和工具來實現這一目標。我們現在擁有的這些機器可以同時進行增材和減材制造，但你無法真正為制造能力而進行設計。所有這一切都是手工完成的，基本上超出了任何人類的認知能力，滿足了我們今天的大多數復雜制造的需求。”

PARC區域經理Sai Nelaturi表示，為了使設計工具能夠跟上材料科學和制造技術的變化步伐，人工智能需要融入工具本身中。

PARC還致力于創建標準和協議，使制造工廠中的所有不同系統能夠相互通信，并創建以AI為驅動的算法，優化能源使用、吞吐量、效率和安全性。

Uzun說，PARC不會制造技術本身。“我們是創新的合作伙伴和技術提供商。我們創造這些技術，讓他們進入原型階段，并找到合適的合作伙伴將其推向市場。”

今天，PARC正在與大型和小型制造企業合作，測試這些技術并將其推向市場。他說，人工智能技術可以幫助中小型制造企業提高競爭力。