文 | 大灣區(qū)人工智能應(yīng)用研究院
這兩年洶涌而來的AI浪潮，讓很多制造業(yè)企業(yè)家和管理層非常焦慮和迷茫。大家普遍意識到AI的重要性，不擁抱AI，怕被時代拋棄，失去未來的入場券；擁抱AI，卻發(fā)現(xiàn)除了簡單的應(yīng)用或依托成熟技術(shù)的場景，企業(yè)往往不知從何下手，難以系統(tǒng)性推進，或者在嘗試后發(fā)現(xiàn)與預(yù)期相去甚遠。麻省理工學(xué)院在25年的一個調(diào)研中發(fā)現(xiàn)，在眾多的企業(yè)嘗試系統(tǒng)性利用AI的案例中，只有5%左右是成功的。
AI在在制造業(yè)中的應(yīng)用現(xiàn)狀
在理想狀態(tài)下，在端到端的智慧工廠中，人工智能（AI）將全面取代或主導(dǎo)人類在制造業(yè)價值鏈中的角色，從研發(fā)、設(shè)計、生產(chǎn)、營銷到售后服務(wù)，所有環(huán)節(jié)均由AI驅(qū)動或高度自動化。這不僅僅是效率提升，更是要實現(xiàn)無縫的、預(yù)測性的和自適應(yīng)生產(chǎn)的全智能狀態(tài)。
盡管理想愿景令人向往，但當(dāng)前制造業(yè)的AI應(yīng)用仍遠未達到端到端的智慧水平。大多數(shù)企業(yè)仍處于“點狀智能”階段，AI主要輔助特定環(huán)節(jié)，而非系統(tǒng)性主導(dǎo)。
在研發(fā)環(huán)節(jié)，AI雖能提升效率，但對核心創(chuàng)新貢獻有限。研發(fā)本質(zhì)上是突破性創(chuàng)造，現(xiàn)行AI（如基于規(guī)則的系統(tǒng)、機器學(xué)習(xí)或大模型）擅長傳統(tǒng)數(shù)據(jù)分析、模式識別等而非原創(chuàng)。AI在輔助研究上表現(xiàn)出色，例如利用大語言模型總結(jié)學(xué)術(shù)進展，或如Google DeepMind的GNoME工具，在2023年《Nature》論文中披露，通過圖神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)了超過528種潛在鋰離子導(dǎo)體，相當(dāng)于此前發(fā)現(xiàn)總量的25倍，有助于提升電池性能。然而，這些均為輔助，核心創(chuàng)新仍依賴人類直覺。
設(shè)計環(huán)節(jié)中，生成式AI潛力巨大，但應(yīng)用深度不均。一方面，AI可以快速生成文字、圖像、視頻，可以大幅提升平面設(shè)計的速度。另一方面，在復(fù)雜工業(yè)設(shè)計如汽車整體造型時，AI輸出多限于概念啟發(fā)，無法深度考慮物理約束（如空氣動力學(xué)、人體工程學(xué)和材料強度）及成本因素。即使是Tesla這樣的AI引領(lǐng)者，雖然在車輛規(guī)劃和優(yōu)化中大量使用AI，但最終設(shè)計定稿仍需工程師干預(yù)。對于高精度產(chǎn)品如芯片或電路板，AI在布局優(yōu)化上初顯價值（如NVIDIA的AI輔助芯片設(shè)計工具），但整體滲透率仍然較低。
生產(chǎn)制造環(huán)節(jié)，AI在特定節(jié)點如品質(zhì)檢測和預(yù)測性維護上成效顯著。例如，根據(jù)博世的披露，其某條產(chǎn)線的AI品質(zhì)檢測可以做到準確率99.8%，高于人類95%的水平；單件檢測時間從20秒縮短到約5秒；檢測成本下降約50%。預(yù)測性維護使用傳感器數(shù)據(jù)和機器學(xué)習(xí)，提前識別設(shè)備故障，減少停機損失——GE Aviation的系統(tǒng)據(jù)稱每年可以節(jié)省數(shù)億美元。然而，在智能排產(chǎn)、流程優(yōu)化、工藝參數(shù)動態(tài)調(diào)整和個性化制造等領(lǐng)域，AI影響有限。2025年的一項麥肯錫報告顯示，88%企業(yè)使用AI，但僅6%報告對利潤（EBIT）有企業(yè)級影響。
在銷售服務(wù)環(huán)節(jié)，由于其場景通常容錯率相對較高（一次不完美的回復(fù)可通過人工糾正），且主要處理語言、知識類任務(wù)，與大模型的核心能力高度匹配，目前在制造業(yè)領(lǐng)域有不錯的應(yīng)用進展。
在供應(yīng)鏈管理環(huán)節(jié)，未來AI有很大的應(yīng)用潛力，但現(xiàn)在受限于企業(yè)內(nèi)部的數(shù)據(jù)孤島、企業(yè)內(nèi)外部的數(shù)據(jù)不通暢、企業(yè)采購的規(guī)則復(fù)雜多變、不確定性難以處理等原因，實際落地的效果還比較有限。
總體而言，AI應(yīng)用多依賴傳統(tǒng)機器學(xué)習(xí)而非前沿大模型，停留在孤立優(yōu)化而非系統(tǒng)集成。
為什么現(xiàn)實和理想的差距這么大？
制造業(yè)AI落地滯后的根源在于行業(yè)固有復(fù)雜性、物理交互挑戰(zhàn)和高標準要求，與當(dāng)前AI技術(shù)范式不完全匹配。
首先，制造業(yè)很復(fù)雜，這體現(xiàn)在多個維度：第一，生產(chǎn)系統(tǒng)鏈條長，涉及計劃、調(diào)度、設(shè)備、環(huán)境、流程、物流、質(zhì)量控制、售后等，每個環(huán)節(jié)都有約束條件和目標，鏈條之間高度耦合，一處變更可能波及后續(xù)所有工序和交付。第二，制造業(yè)涉及的數(shù)據(jù)和知識復(fù)雜，往往涉及機械、材料、控制、熱力學(xué)、化學(xué)、流體、電氣、自動化等，每個領(lǐng)域有專屬標準和工藝規(guī)范，且這些知識往往碎片化，散布在Excel、PDF等文檔中，甚至僅存于紙質(zhì)文件或員工頭腦中。第三，差異巨大。半導(dǎo)體、鋼鐵和食品加工都是制造業(yè)，但知識、經(jīng)驗很難復(fù)用；即便同一行業(yè)的不同企業(yè)工藝路線、設(shè)備組合、管理模式可能都不一樣。這些挑戰(zhàn)需要模型有很強的邏輯推理、規(guī)劃、泛化能力，還需要有完備的數(shù)據(jù)支撐。
其次，與物理世界的深度交互增加AI落地難度。制造業(yè)不同于廣告、游戲或教育等領(lǐng)域，它需要AI與物理環(huán)境緊密互動?，F(xiàn)今大模型在語義理解和統(tǒng)計關(guān)聯(lián)上表現(xiàn)出色，但在具身感知、物理規(guī)則理解和空間推理等方面存在顯著局限，需要具身智能、世界模型更深入的發(fā)展才能在一些場景下真正的滿足制造業(yè)對智能的需求。除了算法瓶頸，物理世界屬性還帶來更多障礙：比如制造業(yè)的數(shù)據(jù)來自物理世界的各種傳感器（溫度、壓力、振動、視覺、聲學(xué)等）、PLC、CNC機床，這些數(shù)據(jù)格式、協(xié)議、頻率各不相同，且常常伴隨著物理環(huán)境中的噪聲、干擾、缺失和不準確（例如傳感器故障、灰塵遮擋、電磁干擾）；仿真與真實（Sim-to-real）情況差距大的問題難解決，會造成在仿真中訓(xùn)練的策略現(xiàn)實中失敗。
再次，制造業(yè)有高標準要求。第一，對實時性的要求高，我們可以接受智能醫(yī)療診斷等幾分鐘出結(jié)果，或?qū)υ挕⑺阉鞯葞酌腌姵鐾陜?nèi)容，但制造業(yè)涉及環(huán)環(huán)相扣的物理閉環(huán)控制，一旦決策慢了，不是“體驗差一點”，而可能是產(chǎn)品報廢、設(shè)備損壞、人身安全威脅。第二，容錯率低，特別是高端制造業(yè)對錯誤幾乎是零容忍，飛機的引擎葉片瑕疵可能帶來空難，心臟起搏器的故障以生命為代價，核反應(yīng)堆部件的品質(zhì)問題帶來不堪設(shè)想的災(zāi)難性后果。一個最近的例子是理想汽車的旗艦車型MEGA使用的冷卻液在防腐性能上存在缺陷，召回導(dǎo)致?lián)p失超過11億元。而我們知道大模型不夠快，而且幻覺是其根深蒂固的特征，可靠性是其深度賦能制造業(yè)的重大挑戰(zhàn)。
怎樣才能減小現(xiàn)實和理想之間的差距？
要縮短理想和現(xiàn)實之間的差距，技術(shù)需要進步，企業(yè)也需要有適配的AI戰(zhàn)略。
具體來說，智慧工廠中的AI需要發(fā)展四種核心能力：
首先，需要開發(fā)真正適配制造業(yè)的工業(yè)大模型。這不僅要求模型的能力要突破現(xiàn)在的大語言模型，也要求模型匹配制造業(yè)的特征與訴求，在制造業(yè)中能用、好用。因為制造業(yè)的復(fù)雜、專業(yè)和差異化，要求模型在通用知識以外，還要掌握專業(yè)、領(lǐng)域知識，這需要通過模型微調(diào)、RAG等方式解決，難點在于需要高質(zhì)量的領(lǐng)域數(shù)據(jù)；要求模型有更好的可靠性，這需要通過提升大模型性能、結(jié)合知識圖譜與符號AI、優(yōu)化部署工程等改善；還要求通過輕量化技術(shù)令模型在速度上符合制造業(yè)場景的需求。
第二，AI必須具備全面感知和獲取數(shù)據(jù)的能力，涵蓋研發(fā)、制造、供應(yīng)鏈等全鏈條的關(guān)鍵信息。AI的核心是數(shù)據(jù)驅(qū)動，沒有完整、高質(zhì)量的數(shù)據(jù)，AI就無法發(fā)揮作用。為此，智慧工廠需構(gòu)建深度數(shù)字孿生系統(tǒng)，這不僅僅是設(shè)備、產(chǎn)線和庫存的靜態(tài)鏡像，更是融入物理約束、業(yè)務(wù)邏輯的動態(tài)模擬平臺，能夠進行實時推演和優(yōu)化。例如，西門子的工業(yè)元宇宙概念已初步體現(xiàn)了這一愿景，通過數(shù)字孿生模擬整個工廠生態(tài)，幫助企業(yè)預(yù)測潛在故障并優(yōu)化資源分配。
在現(xiàn)有范式下，制造業(yè)數(shù)據(jù)來源復(fù)雜、連通性和對齊度差：數(shù)據(jù)分散在MES、ERP、WMS、QMS等不同的系統(tǒng)和不同廠商、不同年代、甚至不同通信協(xié)議的設(shè)備中。要匹配工業(yè)大模型，我們需要對這些數(shù)據(jù)歸集、清洗、對齊（數(shù)據(jù)格式、時間同步、多源對齊）。
制造業(yè)還需要高質(zhì)量標注數(shù)據(jù)來提升模型性能。語言模型可以用低成本的自監(jiān)督學(xué)習(xí)來進行大規(guī)模的預(yù)訓(xùn)練，但工業(yè)大模型的訓(xùn)練需要大量高質(zhì)量的標注數(shù)據(jù)，比如復(fù)雜故障需要資深工程師來判斷，企業(yè)需要把工程師的分析判斷（標注）和故障數(shù)據(jù)一起喂給模型才能讓它學(xué)會對這類故障歸因。
第三，AI必須在復(fù)雜條件下進行深度理解和高質(zhì)量決策，包括物理、安全、合規(guī)和商業(yè)約束下的多目標優(yōu)化（如交期、成本、良率和安全間的權(quán)衡），以及應(yīng)對不確定性（如市場需求波動或供應(yīng)商延誤）。這要求AI具備持續(xù)在線學(xué)習(xí)、從錯誤中自我改進的能力，甚至通過強化學(xué)習(xí)主動設(shè)計實驗進行知識創(chuàng)新。理想狀態(tài)下，AI能像人類專家一樣，在不確定環(huán)境中實現(xiàn)零缺陷生產(chǎn)。
最后，AI需具備具身智能，理解并操控物理世界。制造業(yè)本質(zhì)上是物理變換過程，缺乏對物理環(huán)境的感知和執(zhí)行能力，AI就無法真正落地。鑒于制造鏈條涉及多供應(yīng)商的設(shè)備和機器人，AI需統(tǒng)籌具身智能間的協(xié)同，確保頂層集成。
這些能力需在極高可靠性、安全性和確定性下運行，確保生產(chǎn)連續(xù)性和零風(fēng)險。
顯然，要完全獲得這些能力需要巨大的努力，還有很長的路要走。不僅需要AI技術(shù)從本質(zhì)上有巨大的飛躍，也需要企業(yè)從數(shù)據(jù)能力，人才配置和組織架構(gòu)上做根本性的調(diào)整。
為了適應(yīng)這種變化，制造也企業(yè)應(yīng)該制定長期和短期的AI戰(zhàn)略。短期，可以以點帶面，在匹配場景落地AI，如大模型輔助知識問答或傳統(tǒng)機器學(xué)習(xí)的缺陷檢測、預(yù)測維修等，積累經(jīng)驗；長期，應(yīng)該專注數(shù)據(jù)資產(chǎn)的構(gòu)建，誰掌握高質(zhì)量數(shù)據(jù)，誰將在工業(yè)AI生態(tài)中領(lǐng)先。雖然模型研發(fā)多由科技巨頭主導(dǎo)，制造業(yè)企業(yè)可以通過數(shù)據(jù)合作占據(jù)上游位置。掌握了數(shù)據(jù)資源以后，隨著AI技術(shù)的日漸成熟，就可以逐步擴大AI的利用廣度和深度，最終打造端到端的智能工廠。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論