制造商在采用数字技术方面一直落后，这已经不是什么秘密。在COVID-19大流行期间，许多公司在适应远程工作、变化的客户需求和供应链中断时，暴露了这一缺陷。
“这场大流行真正揭示了他们在数字投资方面的不足，”安永美洲区工业产品咨询部门负责人Sachin Lulla说。公司通过收购实现增长，堆积了从未整合的遗留负债应用——“显然，他们为此付出了代价，”他说。
Lulla表示，安永现在看到制造公司在数字化方面的“巨大转变”，更重要的是，他们开始关注具有“明确投资回报/商业案例”的数字和人工智能战略。
人工智能成为董事会议题
随着ChatGPT的重磅推出，人工智能已成为制造商董事会的优先事项——这一趋势在制造客户与安永接洽寻求人工智能指导的频率上得到了反映，Lulla指出。
本文是
企业人工智能指南
- 其中还包括：
- 人工智能如何推动收入？这里有10种方法
- 人工智能无法替代的8种工作及原因
- 2024年十大人工智能和机器学习趋势
“每个董事会现在都在问首席执行官，‘我们是否需要一个利用人工智能的战略？'”Lulla说。“我们的建议是：他们不需要一个人工智能战略——他们需要一个数字和人工智能战略，二者应当一致。人工智能战略应与公司的整体商业结果相联系，每个用例在追求之前必须有明确的商业案例。”
Sachin Lulla
生成性人工智能在制造业的变革力量
制造商正在关注人工智能，特别是生成性人工智能（GenAI）的潜在变革力量，这项技术是ChatGPT和其他人工智能助手的基础。
根据ABI Research的研究，制造业对GenAI的投资将在2026年至2029年间产生“额外收入，预计将大幅增加44亿美元。到2033年，制造业因使用GenAI而增加的收入将达到105亿美元。”
根据ABI在2024年的调查，全球制造商使用GenAI的首要原因是更快识别生产问题的根本原因，其次是“更快速地创建工作指令”和“提高劳动力编码技能”。
麦肯锡指出，人工智能和数字技术与更高的员工技能水平相结合，已经为该行业带来了冲击。该公司表示，美国制造业的增长在过去20年一直停滞在1.4%：“最近，人工智能、数字技术、可持续特性和更高技能重新激活了市场：在过去五年中，美国工业公司产生的股东回报比之前15年高出约400个基点。”
麦肯锡还预测，生成性人工智能在制造的多个领域有潜力产生重大影响，包括通过根本原因分析来预测故障和减少缺陷的规划和生产力，以及通过帮助按时将产品送达客户并通过人工智能聊天机器人与他们沟通的交付。“与数字双胞胎相结合，GenAI可以更快地创建仓库设计和生产场景，”该咨询公司表示。
Reece Hayden
然而，ABI Research的首席分析师Reece Hayden强调，制造业在人工智能部署方面仍处于相对早期阶段，包括在生成性人工智能领域，目前“GenAI的唯一实际应用目前是在后端办公室，并需人工监督。”
不过，他表示，传统的机器学习（ML）模型，如机器视觉和基于图形的自然语言处理，正在开始扩展。
“随着人工智能工具的投资回报变得更加明确，技术成熟，制造商加速数字化转型战略，这些模型正越来越多地被部署以支持各种后端甚至操作用例，”他说。
制造业中的人工智能用例
制造业中人工智能的具体用例包括以下几个方面。
1. 协作机器人和自主移动机器人
根据罗克韦尔自动化的“第九届智能制造状态报告”，协作机器人（cobots）和自主移动机器人（AMRs）已经被制造商采用，以增强和补充劳动力，同时减少错误、提高价值实现速度和改善质量。大约85%的受访者已经在这些领域投资或计划在今年投资人工智能/机器学习。
亚马逊已经部署了超过75万个机器人与员工协同工作，包括一种名为Sequoia的新型机器人工具，亚马逊表示，它能以比公司目前快75%的速度识别和存储履行中心的库存。Sequoia将处理订单的时间减少了多达25%，亚马逊表示，这提高了运输的可预测性，并增加了可以提供当天或次日发货的产品数量。
根据ABI Research，无人机在制造业中也逐渐获得关注。
James Iversen
2. GenAI在PLC编码中的应用
“极具数字化成熟度”的制造商正在采用GenAI进行可编程逻辑控制器（PLC）编码，ABI Research的工业和制造业分析师James Iversen表示。
“对于任何用例，公司必须拥有正确的数据输入和理解使用GenAI风险的员工，”他解释道。他补充说，不少小型制造商没有合适的应用程序、数据流和输出。
即使在成熟的公司中，Iversen也警告称，GenAI必须经过严格审查。“当GenAI为PLC编写代码时，必须由编码人员进行双重和三重检查，以确保没有幻觉，并且没有添加完全无关的代码行。”
西门子与运动技术公司Schaeffler合作开发了工业助手，帮助Schaeffler的自动化工程师更快地为PLC生成代码，从而减少时间、精力和错误的可能性。PLC代码是通过自然语言输入生成的。
ABI Research之前的“制造业技术现状”调查发现，52%的美国制造商认为GenAI可以帮助他们更快地修复有缺陷的软件代码。
3. GenAI在管理库存水平和采购周期中的应用
检查仓库中原材料组件的库存水平是另一个重要的GenAI用例。“制造商可以查看过去原材料的历史成本，并建议最佳采购时间，”Iversen说。
人工智能还可以用于简化仓库操作，确保库存的正确水平，并避免重复采购组件，他说。
4. 自主车辆
自主车辆（AV）的部署处于不同阶段。汽车制造商Rivian已将人工智能预测技术整合到其R1T皮卡和R1S SUV中，并正在进行将传统人工智能和GenAI集成到其车辆中的计划。
今年早些时候，特斯拉宣布计划在其纽约超级工厂安装一台价值5亿美元的Dojo超级计算机，该计算机将用于训练支持自主驾驶的人工智能系统。特斯拉表示，Dojo超级计算机处理来自汽车制造商电动车的数百万TB数据，将有助于提高特斯拉自主驾驶功能的安全性和工程水平。
然而，由于人工智能无法解决因果关系挑战，该技术在自主车辆方面仍处于初级阶段。《汽车新闻》指出，通用汽车例如已停止开发其完全自主的Cruise Origin，这款车型设计时没有方向盘或其他人类控制装置。
英国汽车制造商宾利对自主车辆也持谨慎态度，专注于实施2级自主系统的计划，该系统接管控制，例如协助远程停车、转向和管理速度，但要求驾驶员始终保持专注于道路。
5. 预测需求以优化供应链
在COVID-19大流行期间，一家食品产品分销商通过实施需求预测而不是依赖历史数据重新构想了其供应链。该公司与埃森哲合作开发了一种利用新数据和建模技术来改善需求感知的人工智能系统。通过使用内部数据（如销售和库存）以及外部数据（包括天气和餐厅预订），该公司获得了更多的可见性和灵活性，以预测供应链中断。
该人工智能系统不仅使分销商能够更有效地管理其供应链，还能更好地为未来的中断做好准备。
6. GenAI用于文档管理
人工智能可以用于创建一线工人的文档——即所有机器及其处理问题的标准操作程序的汇总列表，Iversen表示。工人可以通过语音询问或在GenAI工具中输入问题，例如如果机器未按正确输出运行该怎么办，工具会给出原因。
“假设一台机器过热，[该工具]会提供逐步说明，告诉你该怎么做，”他说。“这是一种节省时间的机制，可以减少与机器相关的制造线错误。”
7. GenAI在CAD产品设计中的应用
Iversen表示，GenAI软件在计算机辅助设计（CAD）软件中的首次制造应用，现在70%的制造商在离散流程中使用该技术。
制造商在这里看到的生产力提升主要体现在时间节省上。“如果我正在设计一款产品，不想从头开始，我可以上传我之前做过的相似设计，并添加参数，例如‘不超过这个材料量'或‘必须能够承受这个剪切力和应变'，”他说。
作为回应，GenAI工具会产生1到100个准确符合这些参数的设计方案。
8. 预测性维护
“预测性维护将成为一个巨大的人工智能用例，”Iversen说，并且已经被少数制造商推出。但它尚未成为顶级用例，部分原因是它通常不需要GenAI。“如果你有一个强大的[制造执行系统]或数据分析解决方案，你可以相对有效地了解机器何时会停机、发生原因以及如何解决问题，”他说。
在制造业实施人工智能的挑战
数据质量
与任何行业一样，更好的数据管理是推动人工智能和赋能团队的必要条件。罗克韦尔的报告发现，受访者“正在利用数据推动人工智能/机器学习并优化流程。然而，他们认为自己组织有效利用收集数据的比例不到一半。”
“人工智能需要从各种来源生成和收集的TB级数据：企业系统、机器传感器、连接基础设施和人工工人，”麦肯锡报告称。确实，人工智能部署中最先进的领先者之所以领先，是因为他们“具有前瞻性，进行了投资并承担了建设数据基础所需的风险，以支持人工智能技术并释放其潜在影响，”报告指出。
专注于构建高质量、干净、结构化、特定应用的数据集将有助于解锁各种人工智能用例。Reece HaydenABI Research首席分析师
安永的Lulla对此表示赞同。要真正扩展人工智能，需要准确、可信的数据，他说——而且你需要知道哪些数据是当前商业案例所需的。在为客户实施人工智能时，安永首先关注的是商业结果。“基于此，我们定义需要哪些数据来实现人工智能用例，包括历史数据和质量，”他说。“大多数公司没有正确的数据，或者需要大量人工努力才能将其落实。”
他提到一个与安永合作的公司，该公司生产厨房台面的保护膜，正经历大规模的产品召回。“我们需要许多不同的数据，例如影响过程的条件或参数，”Lulla说，以进行分析。这包括温度、压力和速度，以及设备的配置设置、实时传感器数据、历史时间序列数据、操作员事件日志和最终检查结果。
“我们发现，最终检查是手动进行的，质量检查员没有记录失败的原因代码，如颜色或规格缺陷，因此，直到该过程修复以捕获这些数据，人工智能模型才能准确预测质量问题，”Lulla说。
操作风险
ABI Research的Hayden将操作风险视为制造业中人工智能面临的最大挑战，尤其是在涉及生成性人工智能时。
“绝大多数制造操作都是关键的，这意味着准确性、可靠性、安全性、隐私、可用性和延迟都是至关重要的，”他说。“生成性人工智能模型仍然不成熟，高度概括，准确性有限，这使得它们在这些应用中效果不佳。”
此外，由于生成性人工智能模型的规模和内存负担，难以在边缘部署它们，而大多数制造应用程序都在边缘部署，Hayden补充道，并表示最终GenAI将为边缘部署扩展。
生成性人工智能：尚未到位
在机器视觉、工业物联网和数字双胞胎等领域，生成性人工智能有很多应用，但目前，Iversen与制造商的访谈表明，他们专注于最“务实的用例，”他说——那些能够带来最快和最佳结果的项目。“而现在，它们是节省员工时间的。”
他预测，在未来六个月到一年内，公司将扩大对生成性人工智能的使用。
Hayden同样表示，除了后端办公室之外，生成性人工智能的部署“非常非常有限，”他解释说，GenAI“尚不适合关键任务用例。”这是因为数据集不足以训练和微调生成性人工智能模型。此外，生成性人工智能仍然依赖于人类，“考虑到部署的高风险，”Hayden说。
最终，数据瓶颈将得到解决。在此期间，他建议公司整理好数据。
“专注于构建高质量、干净、结构化、特定应用的数据集将有助于解锁各种人工智能用例，”他说。
