当前我国制造业正处于从传统生产模式向数字化、网联化、智能化的新发展阶段。在我国致力于碳中和的战略背景下，智能制造的发展是我国实现碳中和的关键，也是我们从制造大国走向制造强国的重要一步。一方面，AI赋能制造业能通过提高良率、降低原材料损耗等方式来降低生产成本，减少碳排放；另一方面，人工智能可通过全自动化、动态监控等方式提高各生产环节的效率，由此实现降本增效，双重发展。

业内有专家认为，AI赋能制造业，可以从以下五个环节得以体现：1）设计端，仿真系统提升研发效率；2）生产端，智能机器人提高生产效率；3）运维端，AI算法智能预测；4）检测端，机器视觉增强检测精准度；5）物流端，智慧物流提升运输配送效率。

AI赋能制造降本提效的必要性

智能制造是将物联网、云计算、AI等新一代信息技术应用于生产制造全生命周期，以通过自主深度感知、自主优化决策和自主精准执行提升制造各环节效率。制造业企业智能化转型可通过数字化、网联化、智能化三步实现。工厂可以通过数字化、网联化、智能化的层层递进，实现“智能工厂”转型，进一步优化全行业生态。

► 数字化：采集海量数据，“感受”工业过程。工业传感器作为工业数据的“采集感官”，多类别、广应用为智能化奠基；

► 网联化：通过互联互通、高速传输、云端计算，打破“信息化孤岛”。一方面打通工厂内部的数据流；另一方面进一步打通供应链各个环节数据流，最终实现产品全生命周期数字化；

► 智能化：提高自主决策水平，通过对生产过程中海量数据信息进行自主理解，学习沉淀形成知识，最终由智能设备自主执行。

总结来看，借助于高速通信网络和云计算平台可实现海量数据的汇集，这有助于AI技术的广泛采用。通过应用深度学习等AI技术，制造业未来有望实现自主智能决策。智能制造的核心也是在海量工业数据的基础上，通过对数据的深度集成和分析，实现智能化的决策，并通过柔性生产、动态调控、网联协同等新型制造模式，提高资源配置效率。

设计端：数字化设计软件集成AI模块实现高效模拟仿真研发

仿真设计系统通过集成AI模块，可以缩短研发周期。未来的工厂会为物理对象创建数字化的虚拟模型，来映射其在现实中行为。整合制造流程的数字孪生生产系统，可以将产品设计到生产制造的全过程数字化，提升产品的可靠性和制造效率。其中，产品设计阶段具有高不确定性和高成本的特性，基于数字孪生技术的设计仿真通过避免重复进行物理原型测试并改进质量，降低了产品开发成本并缩短了产品开发时间。

数字孪生与AI结合，可进一步提升设计研发的效率：1）数字孪生模型中积累的数据可以在人工智能模型中实现知识积累和沉淀，为AI决策提供数据支持；2）AI模型的决策结果也可以在数字孪生模型得到反复仿真和验证，为AI决策提供低成本试错和优化机会，不断提升其可靠性；3）由于目前仿真系统要求用户对仿真优化算法和仿真建模工具有较深入的了解，非仿真专业人士难以优化大量参数，而利用AI技术可以帮助研发人员进行选择。将AI模块（如机器学习模块）集成到设计软件，可以实现高效的模拟仿真分析；因此，研究人员可以在研发阶段以低成本进行大量验证和模拟，或进行数字化自动研发，提升研发效率，大幅缩短研发周期。

生产端：大数据与及其自动化大幅提升生产力

人工智能赋能下的智能制造提供了大数据信息处理、机器视觉信息获取等功能，为生产环节带来新的生产力，提升生产效率。

► 大数据信息处理：工业生产中产生的海量数据将与工业云平台相连，采用分布式架构进行分布式数据挖掘，提炼有效生产改进信息，最终将用于预测性维护等领域。

► 机器视觉：机器视觉通过计算机模拟人的视觉，基于提取的信息进行处理与理解。随着工业生产复杂程度的不断加深，越来越多的微加工生产流程不断涌现，随之而来的是大量不可控制的磨损和消耗。为了保证生产精度，机器视觉被广泛用于零部件的尺寸测量与定位与工序间自动化等工序。

其中，上下料机器人可以精准物料产品传输、协作式机器人完成柔性高效人机协作、仓储机器人对柔性物料产品传输等，都是自动化机器人为生产环节带来新生产力提升效率的普遍体现。

运维端：工业大数据+AI算法智能预测设备异常

制造业作为资产密集型行业，实现企业资产在其生命周期内的价值最大化尤为重要。相较于资产或生产设备出现故障后进行维护，事前预测性的维护，有助于提高生产力，避免宕机带来的损失，降低设备运营和维护成本。

预测性维护是指基于被监测设备、物料、环境的信息，预测诸如设备剩余使用寿命、物料良率等指标。预测性维护系统可以预测昂贵的维修需求或严重故障，并在发生严重损坏之前启动预防措施。服务部门可以快速反应，更换特定零件，或者提前进行维护工作，从而达到预测性维护降低企业生产成本的目的。

以半导体生产为例，设备通常包括大量的零部件，通常在生产厂商所存的零部件有限，如果由于磨损导致生产停止生产公司往往要看零部件的交期才能恢复生产，这个时间有可能是一周或者一个月甚至更久。如果可以预测到零部件的更换时间，通过安排及时的设备维护，生产企业只需在预先安排的设备维护时间更换即可避免无法控制的产能损失。

随着工业大数据的完善以及数据分析能力不断提升，基于设备机理模型和产品数据挖掘，尤其是利用神经网络和机器学习算法建立分析模型，开展基于规则的故障预测、工艺参数优化、设备状态趋势预测等单点应用。根据ARC Advisory Group分析，利用传统方法只能预防约18%的故障，而其他约82%的故障是偶然发生的。但是，人工智能技术结合巡检机器人构建可预测性维护模型，不仅减少维护人员成本，更能提早发现故障，降低工厂的运营成本，保证企业生产效率的提升，减少额外能耗，助力碳中和。

检测端：AI+机器视觉助力检测环节提质增效

传统的检测环节通常由人工完成，存在检测效率低、识别错误率相对较高等问题，传统的机器视觉方案在碎片化的工业生产中仍面临定制化成本高、周期长、参数标定复杂导致使用不方便等问题。AI借助图像处理技术进行识别，利用训练出的模型进行质量检测，减少人工成本的同时提高精准度，助力制造业实现降本增效。AI+机器视觉的检测方案有良好的延展性以及统一的标准，并能够减少人力成本、提高检测效率，同时普通用户能对AI工业质检平台进行个性化操作，保证使用的便捷性。

日联科技在线式X-Ray检测设备

► 良好的延展性和统一的标准：机器学习是人工智能的实现方法之一，机器学习模型一旦训练出，能够快速部署到工厂的每台设备，既能保证检测的实时性要求，又能保证工厂检测精度的标准统一。

► 减少人力成本，提高检测精度和速度：机器学习模型随着数据的增加逐渐迭代，从而能保证越来越高的精度和速度 ，在一些精密工业品的识别上具备优势。随着时代的变化，愿意从事工资低、工作重复枯燥质检的工人越来越少，AI工业质检有助于制造企业降低人力成本和增加效率。

► 定制化程度高，用户界面易上手：目前，AI技术在检测端产业化落地的主要产品之一是AI工业质检平台。AI工业质检平台是对工业视觉检测推出的集模型训练和预测于一体的智能平台，是AI技术针对质检进行产业化落地的产品。针对传统制造业缺少AI类人才，新推出的AI工业质检平台逐渐模块化，无需编程基础即可操作，并且工厂可根据实际需求进行模型的选择和更新，保证灵活性和时效性。

物流端：智慧物流引领供应链变革

智慧物流是将物流活动有关信息与智能硬件、物联网、人工智能等技术相结合，是具有智能分析决策和智能执行能力的物流系统。智慧物流通过信息流与物品流的快速高效流转，实现降低成本、提高生产效率的目的。

从国家政策导向而言，工业4.0时代，客户需求高度个性化，产品生命周期缩短，智能化的工厂需要智慧物流与之匹配，降低企业成本，管理或整合上下游供应链。2016年国务院办公厅、交通运输部、发改委、国家邮政局等多部委密集出台了一系列相关政策和法规，推动智慧物流的落地。

（图源：站酷海洛）

目前智慧物流需求热点主要集中在物流数据、物流云和物流技术三部分，主要可以总结为信息化、标准化、智能化三大趋势。从目前而言，TMS（Terminal Management System，终端远程维护管理系统）、WMS（Warehouse Management System，仓库管理系统）、RFID（Radio Frequency Identification，射频识别技术）、快递柜、机器人等技术已经逐渐开始商用，而无人卡车、无人机、甚至基于多种技术之上的人工智能目前尚处于研发或测试阶段，未来应用场景广泛。