2018“人工智能+制造”产业发展研究报告

“人工智能+制造”产业发展研究报告——概念、趋势与互联网赋能机会2018年6月 目录“人工智能+制造”的现状“人工智能+制造”的概念互联网助力“人工智能+制造”“人工智能+制造”的影响 010203040506“人工智能+制造”政策借鉴加快推进 “人工智能+制造”对策建议 “人工智能+制造”的概念什么是人工智能什么是“人工智能+制造”人工智能如何“+”制造01 为什么要研究“人工智能+制造”？工业困局信息革命•发达国家：产业空心化，赚了利润但丢了就业，且贸易逆差•发展中国家：产业低值化，赚了收入和就业，但丢了利润和环境•算据：大数据•算力：云+边缘计算•算法：深度神经网络信息技术的发展，对各行各业效率提升提供了可能•英国：高价值制造、人工智能发展计划•美国：先进制造、工业互联网、制造业回流•德国：工业4.0•日本：机器人新战略、工业价值链、社会5.0•中国：中国制造2025、新一代人工智能规划...... 概念三问 问题1：什么是人工智能？波士顿动力的自主机器狗DeepMind的围棋阿法狗本田的人行机器人ASIMODeepMind模拟老鼠网格细胞的定位与导航 历史：理论+专家系统符号主义（逻辑）联结主义（仿生）行为主义（控制） 当前：大数据+深度学习•深度神经网络•大规模、无监督、多层次•非结构数据处理突破（图像、语音）算法突破算力飞跃•互联网50亿连接，积累了海量数据（主要是人）•物联网500亿连接，开启更大规模数据的来源：机器、政府、生物、环境......•CPU->GPU->TPU，计算速度和效率大幅提升•云+边缘计算，低成本、海量计算资源•光刻等技术进一步发展，芯片越来越小，端处理能力持续提高算据激增ImageNet大赛2014：Google-22层2015：MS-152层2016：商汤-1207层错误率：6.7%->3.6%->3.1%年增长率47%2017年超10EB/月TPU速度=15-30倍GPUGPU速度=1-3倍CPU数据来源：上图-Survey of neural networks in autonomous driving，Gustav von Zitzewitz，2017.7；中图-Google Cloud官网；下图-Global Mobile Data Traffic Forecast Update, 2016–2021 White Paper，Cisco 未来：小数据+大任务当前：“大数据、小任务”•海量数据•局部、特定问题（如计算下棋落子的位置）•“暴力”计算未来：“小数据、大任务”•少量数据•全局问题独立闭环（如像人一样到场-落座-下棋-离场）•“精确”计算 问题2：什么是“人工智能+制造”？ “人工智能+制造”简史历史：专家系统辅助制造•20世纪60-80年代，根据“知识库”和“if-then”逻辑推理构建的“专家系统”，在矿藏勘测、污染物处理、太空舱任务控制等方面得到初步应用•专家系统实际上只是一定程度上实现了这些环节和流程的分析和自动化，对于错综复杂的现实问题只能提供有限的辅助参考当前：深度学习优化制造•人工智能及相关技术融合应用，逐步实现对制造业各流程环节效率优化。主要由工业物联网采集各种生产数据，放到云计算资源中，通过深度学习算法处理后提供建议甚至自主优化未来：人机融合协同制造•机器和人将重新磨合成新的相互配合、补充、协同工作的平衡关系。未来智能制造将以人为中心，统筹协调人、信息系统、和物理系统的综合集成大系统，即“人-信息-物理系统”（human-cyber-physical systems, HCPS） 问题3：人工智能如何“+”制造？“人工智能+制造”魔方体系模型技术范式•数字化：可编程•网络化：可协同•智能化：可自主生产组织•工厂：生产单元自主•企业：企业各部门协同•生态：供应链+客群连接价值形态•产品：人性化功能•制造：人机协同生产•服务：个性化服务 “人工智能+制造”的现状产业规模典型案例面临挑战02 产业结构：从单一链到嵌套网嵌套网单一链物体<->数字体•物体与数字体映射，一个变另一个也变物流<->信息流•多个物体的变化形成物流，对应的数字体变化汇聚为信息流，通过洞察信息流通盘管理整个物流制造业<->信息业•两个产业融合，形成新的产品、生产组织方式、满足新的需求•AI+实质是两化融合的高阶 产业结构：六大典型领域基础平台应用制造业物联网制造云（公有）制造业大数据及商业分析制造业人工智能（算法）工业机器人智能工厂应用/解决方案DCSPLCMESERP...... 产业规模：1千亿到7千亿，连接/平台贡献大整体规模•2016年约为1.2千亿美元•2025年将超过7.2千亿美元•复合年均增长率预计可超过25%具体组成•连接：工业物联网4.7%->14%，增长近10%•平台：制造云、大数据和人工智能24%->36%，增长12%。在互联网领域发展成熟的平台生态模式，将成为制造业智能化转型升级的重要选择数据来源：MarketsandMarkets的Industrial Robotics、IIoT、Artificial Intelligence in Manufacturing、Smart Factory，以及IDC的public cloud services、Big Data and Business Analytics等研究报告数据整合分析 六大细分领域特点领域典型技术/产品典型适用行业工业机器人传统机器人仍然占据市场主体协作机器人将会呈现高速增长金属和机械行业应用增速最显著；包装、物料处理和自动化机械工具等较多制造业物联网广义包括基础-平台-应用-方案具体分为托管服务和专业服务各子行业、全流程都将广泛适用制造云IaaS/PaaS是未来主要增长离散型由于环境分散、过程复杂，更需要制造业大数据及商业分析非关系型数据存储和认知软件平台增长最强劲其他：内容分析、搜索系统、IT和商业服务等资产型制造（如机器装备，资产跟踪和管理）品牌型制造（如快消品，实时精准营销）技术型制造（如电子产品，供应链监测和管理）制造业人工智能技术：计算机视觉目前占比最大产品：预测性维护和机械检查目前占比最大主要应用于工序复杂的行业目前汽车行业人工智能技术应用最多智能工厂应用/解决方案分布式控制系统（DCS）目前占最比最大。结合大数据和人工智能可有效实现预测性防护和优化制造执行系统（MES）预计未来增速最快。生产执行操作和管理，能够有效缩时、提产汽车行业将占全球智能工厂市场最高份额，因新一代电动和智能汽车规模发展石油天然气工厂对安全性和可靠性需求日益增加，因此采用智能工厂预计会最高 案例1—研发设计，大幅降低不确定性成本基于卷积神经网络的新药研发（Atomwise）——————【启示】——————【效果】：快+便宜（相比传统技术*）•节省一半早期药物筛选实验的数量•大大提高结果成功率【方案】：超级计算机（IBM蓝色基因）+独家算法（AtomNet）•学习：分析学习已有数据库•发现：数字化模拟药品研发过程，对基本的化学基团（如氢键、单键碳等）组合发掘新的有机化合物•测试：分析化合物的成效关系•评估：新药结构组成和风险*DOCK和Autodock-smina研发设计环节，人工智能可基于海量数据建模分析，将原本高不确定性、高成本的实物研发、转变为低成本高效率的数字化自动研发对于制药、化工、材料等研发周期长、成本高、潜在数据丰富的行业，作用尤其明显【痛点】：研发 慢+贵•新药研发 = 各种不同化合物组合与测试•10-15年 + 5-10亿美元 = 一款新药研发成功钥匙开门锁配体有效结合蛋白质= 案例2—生产制造，柔性生产满足个性需求基于个人数据分析的批量定制（adidas）——————【启示】——————【效果】：快+个性化•节省时间：18个月 -> 1周，完成生产上架•成本不变，实现小规模、个性化定制【方案】：迅捷工厂（Speed Factory）*•技术：3D打印+机器人手臂+电脑针织•需求：依靠云端收集顾客足型和运动数据•生产：按照顾客的喜好选择配料和设计，并在库卡机器人手臂、电脑针织和人工辅助的共同协作下完成定制*2015年底在德国安斯巴赫（Ansbach）开设首家生产制造环节，人工智能可针对消费者个性化需求数据，在保持与大规模生产同等、甚至更低成本的同时，提高生产的柔性生产制造系统越柔性，越能快速响应市场需求等关键因素的变化，尤其适合服饰、工艺品等与消费者体征或品味等需求相关性强的行业【痛点】：同质竞争 -> 价格战 -> 低利润•传统生产 = 标准化 + 大批量 = 同质竞争•竞争差异化 = 个性化需求定制 = 高成本 案例3—质量管控，快速质检并保障质量基于视觉识别的质量检测（IBM）——————【启示】——————【效果】：快+高质量+成本节约•质检时间缩短80%、产品质量缺陷减少7%-10%、节约重复性人工成本【方案】：视觉洞察（Visual Insights）*•技术：前台高清摄像头 + 后台Watson算法•建模：Watson中央学习服务器通过训练不断识别合格和异常产品图像差异从而建模•分析判断：摄像头捕捉产品组件在生产和组装过程中的图像，提供给Watson进行分析•检查：人工检查员进行二次检查和确认*基于IBM物联网和人工智能平台（Watson）能力质量管控环节，人工智能结合物联网和大数据技术，能够实现对产品质量的自动检测扩展到生产的全流程，从而不仅提高质检效率，甚至能指导工艺、流程等改善，提高整体良品率尤其适合材料、零配件、精密仪器等产量大、部件复杂、工艺要求高的行业【痛点】：人工速度慢、误差多、成本高•传统质检 = 人工为主 = 精度有限 = 次品漏检•人工经验难量化，难以指导产线优化 案例4—供应管理，精准掌握供需变化提效能基于需求感知的库存动态调整（Tools Group）——————【启示】——————【效果】：快+精准•有效减少50%的预测误差、提高20%的库存性能，并能有效优化库存分布【方案】：端-端供应链优化组件SO99+*•组件组成：需求、计划和库存•需求预测：基于贸易促销和媒体活动预测；基于新产品介绍预测；基于社交聆听预测；基于极端或复杂的季节性预测；基于气候数据预测•供应优化：多级库存、计划生产等动态调整，最终实现采购和补货的半自动甚至全自动化*将机器学习引入供应链管理开发新软件供应管理环节，人工智能在于建立更实时、精准匹配的供需关系。即通过掌握和预测需求动态变化，以进行更有效的供应链调整优化更适合于快消、零配件等市场需求变动较大、供应链较复杂的行业【痛点】：供应链效率低、成本高•技术有限 -> 需求预测不准 -> 供应响应不足•导致：库存管理成本提高 + 最终用户体验差 案例5—运营维护，提前预测和解决故障风险基于运营数据分析的预测性维护（Microsoft）——————【启示】——————【效果】：全天候+节约•如电梯制造服务商thyssenkrupp，借此减少50%电梯停运时间、节约15%维护费用【方案】：预测性维护*•技术：物联网+云计算+机器学习•步骤：确定预测目标和结果、明确数据源、获取及整合数据、建模、测试和迭代、现场操作验证、融入运营•功能：设备或产品运营状态的实时监测和健康预警*Microsoft将其搭载在物联网平台上作为服务项运营维护环节，人工智能在于对设备或产品的运行状态建立模型，找到与其运行状态强相关的先行指标，通过这些指标的变化、能够提前预测设备故障的风险，从而预防故障的发生对于设备或产品故障成本高的行业意义重大，比如装备、精密仪器等【痛点】：故障事后处理，高成本•有限状态指标 + 缺乏预测模型 -> 设备故障后处理 -> 停机停产维修 -> 高成本 面临挑战：四个主要方面② 标准难落地•政府和机构已牵头在建各种标准•但不同线条的标准间仍存差异•更重要的是，当前制造业设备很多来自国外厂商，多厂家软硬件不兼容的情况多见，顶层设计的标准与复杂的现状一时难以匹配落地① 技术有缺口•缺关键自主技术（如芯片、核心装备部件、软