|
制造業應用人工智能可以提高制造業的生產效率，推動制造業高質量發展和競爭力提升，促進國民經濟的持續穩定增長。近年來，制造業人工智能的場景化應用落地不斷推進，但在落地過程中遇到一些難點。本文對于制造企業應用人工智能的場景化落地的現狀和難點進行分析，提出制造業人工智能的場景應用落地的建議。 制造業人工智能的場景應用落地的現狀 人工智能在中國制造業應用市場規模逐年增加，但是目前總量不高。根據德勤數據，2023年人工智能在中國制造業應用市場規模總量僅為56億元。 根據頭豹研究院數據，2022年中國人工智能行業市場規模為3,716億元，預計2027年將達15,372億元。與此相比，制造行業人工智能應用市場規模目前總量不高。 圖1 數據來源：德勤 人工智能在制造業領域的應用普及率目前較低。根據凱捷統計數據顯示，截至2023年，歐洲頂級制造企業的人工智能應用普及率超過30%，日本制造企業人工智能應用普及率接近30%，美國制造企業為28%，而中國制造企業的人工智能應用普及率尚不足11%，需要通過更多的場景應用落地提高應用普及率。 人工智能在制造業的現有落地場景、技術應用的現狀有進步但需要優化。人工智能在制造業的應用貫穿于設計、生產、管理和服務等各個環節，以下是一些常見的落地場景及技術應用現狀： 制造業人工智能的場景應用落地的難點 1.制造業智能化基礎和智能化需求差異大，難以采用統一的人工智能解決方案，影響規模化的場景應用落地 不同應用場景的智能化基礎存在較大差異，有些具備了較為完善的數字化基礎，有些信息基礎設施落后。根據工信部數據統計顯示，目前我國32%的制造企業達到了智能制造能力成熟度一級水平，21%的企業達到了二級，12%的企業達到三級，四級及以上是成熟度最高等級，其企業占比達4%，其他31%企業都尚未達到最低的一級成熟度的水平。同時，不同的應用場景有不同的智能化需求，對人工智能包括算力、算法、數據的需求和配置也不同。應用場景智能化基礎不同和智能化需求不同，決定了其應用人工智能起點不同，場景化落地的條件和實施方式也會隨之不同，制造業人工智能場景應用解決方案需要進行定制化開發，以適應特定的生產流程、設備配置、數據格式等，導致難以復制推廣統一的人工智能解決方案實施規模化的場景落地。 2.場景應用要求的高度實時性、可靠性和準確性，增加了場景應用落地的難度 制造業場景應用對高度實時性、可靠性和準確性的要求，源于制造業生產流程的連續性和設備的精密性以及對產品質量和安全性的嚴格標準。制造業生產需要實時控制和響應，以確保生產流程的連續性和穩定性。目前有些通用計算架構較難滿足制造業實時性的計算要求，端側推理需求迫切。電商平臺的推薦系統達到60%-70%的準確率算是比較高的精準度，而制造業部分核心環節對推薦參數的準確性要求非常高，一旦參數出現問題，將對生產、制造等環節產生巨大影響。制造企業不敢輕易應用人工智能技術于具體的生產場景和生產流程，擔心應用人工智能導致生產流程停頓、生產過程出問題、產品質量出問題。場景應用要求的高度實時性、可靠性和準確性，增加了場景應用落地的難度。 3.制造業人工智能應用場景的多樣性增加了應用落地成本，企業擔心應用落地的成本效益，影響了場景應用落地 一是應用場景的多樣性增加了應用落地成本，影響了場景應用的落地。以大模型為例，很多企業參與場景應用落地基本采用“一個場景一個模型”的小作坊模式，需要針對每個場景獨立地完成模型選擇、數據處理、模型優化、模型迭代等開發環節，導致周期長、成本高。場景應用解決方案需要進行定制化開發，以適應特定的生產流程、設備配置等，這增加了軟件開發和硬件設備的成本，這些因素影響了場景應用的落地。 二是技術人員成本、算力成本、維護和運營成本支出較高等因素，制約了制造業人工智能的應用落地。在技術人員成本方面，傳統制造業企業缺乏對人工智能技術精通的技術人員，從外部招聘面臨高昂的人力成本。算力成本除了硬件設備的購置和維護費用，硬件設備和軟件系統需要定期升級或更換，會產生較高的成本，電力消耗也是算力成本的重要組成部分。在維護和運營成本方面，硬件設備的維護、軟件系統的維護、技術支持服務、數據的維護和處理、故障診斷和修復等都需要投入大量成本，影響制造業人工智能的應用落地。 制造業人工智能的場景應用落地的建議 1.對于制造企業：提高場景應用解決方案的通用性，促進場景應用規模化落地 一是補強智能化基礎薄弱的應用場景的基礎設施建設，搭建基本的網絡設施和硬件設備，為人工智能解決方案的實施打下基礎；二是了解不同制造場景的智能化需求，對各個制造環節和場景的智能化需求有深入的理解和洞察，將不同場景下的需求進行歸納和總結，提煉出核心功能和需求，基于這些核心功能和需求設計人工智能解決方案，提高解決方案的通用性和可擴展性。三是提高人工智能解決方案實施的通用性。定義通用的接口標準和協議，使不同模塊、系統之間能夠無縫對接和交互，提高人工智能解決方案的通用性。 2.對于管理機構：及時制訂細分應用場景的具體操作指南，指導場景應用落地 一是對制造業不同細分行業的細分場景進行深入調研，了解具體生產流程、痛點及需求。對目前典型應用場景分類的基礎上進行下沉，對更加細分的應用場景進行識別，歸納和提煉出各細分場景的人工智能解決方案，針對每個分類制定具體的操作指南。二是根據細分應用場景特點，在操作指南里推薦適合的機器學習或深度學習算法，提供模型訓練的具體步驟和參數調優方法，提高模型性能。提供人工智能模型的部署方案，包括硬件要求、軟件環境配置等。有了應用場景分類的系統設計和具體的操作指南，可以更加具體地指導場景應用的落地。 3.對于產業鏈：通過生態合作降低場景應用落地成本，提高場景應用落地效率 一是通過產業鏈的生態合作產出性價比高的人工智能硬件和軟件，減少投入成本。在模型方面通過減小模型大小，降低計算資源和存儲需求從而降低成本。二是通過生態合作研發更先進、更高效的人工智能算法和模型，降低應用場景對數據處理、分析和決策的需求，減少計算資源和數據處理的成本。通過生態合作建立數據共享機制，促進不同應用場景的數據共享，提高數據資源的利用率，有效解決應用場景的多樣化導致的數據處理難度，提高數據處理的效率和準確性，降低數據處理成本，提高場景應用落地的效率。 4.對于電信運營商：通過提供穩定高速的網絡、豐富的存儲資源和安全的數據服務，推進場景應用穩步落地 對于電信運營商來說，需要提供高速穩定的網絡連接，確保制造企業能夠實時傳輸和處理大量的數據，為人工智能應用提供堅實的網絡基礎。搭建云計算平臺，為制造業提供強大的計算能力和存儲資源，支持人工智能模型的訓練和部署。為制造業應用人工智能提供安全高效的數據服務。如提供數據采集、分析服務，幫助企業打破數據壁壘，實現數據匯聚和綜合利用，推進場景應用穩步落地。 中服云（www.cserver.com.cn）——長期致力于工業物聯網平臺及工業APP的研發和服務，工業物聯網技術業界領先。全力打造自動數據采集獲取技術+數據分析價值挖掘技術兩個核心技術，基于“平臺+APPS”的產品架構思想。從數字化底座、到智能化生產、再到生產環境的智能化，形成了完整的“中服云”數智化產品品牌。致力于業務層和物理層的深度融合，從根本上解決智能化的核心問題。 |
