以速度和规模采用 AI ： 4IR 推动保持竞争力

操作实践 以速度和规模采用AI：4IR推动保持竞争力 人工智能将第四次工业革命带到了一个拐点，制造商必须选择一条前进的道路：创新、加速或快速跟随。 亨利·布里斯托尔，恩诺·德布尔，迪努·德·克罗恩，侯森林，拉胡尔·沙哈尼和费德里科·托尔蒂 世界已经改变对制造商来说。为不确定性做准备已经成为一种行业常态，高管们预计中断的影响——无论是地缘政治紧张局势、气候变化影响、技术突破还是供应链脆弱性——在未来五年内将增加15%至25%。1 他们建立的能力可以快速和大规模地部署它。在第一期文章中，我们将探讨AI的成熟如何标志着4IR拐点；研究领先的制造商如何利用这种技术重新定义制造业的前沿；最后，考虑三种类型 随着行业变得更具竞争力，制造商将需要考虑的战略对策-创新，加速或快速跟进。第二篇和第三篇文章将分别关注AI在制造业中的规模影响以及推动AI采用的基本功能。 同时，先进制造业现在在停滞似乎难以解决的市场中蓬勃发展。例如，美国制造业的增长已经超过1.4％最近，人工智能、数字技术、可持续功能和更高的技能重振了市场:在过去的五年里，美国工业公司创造的总股东回报比前15年高出约400个基点。 工业革命的S曲线 第四次工业革命（4IR）的加速步伐可以帮助实现这种类型的下一级性能，同时也增加全球灯塔网络,2Now in its第五年, provides an expandingpool of examples. In effect, each Lighthouse collargeprovides a three - to five - year look ahead at the future ofoperations across the value chain. 全球产业转型从来都不是瞬间发生的。每一次“革命性转变”都经历了从启用基础到广泛采用之间的滞后期。考虑蒸汽机。罗马建筑师维特鲁威早在公元前15年就提到了一种基本的蒸汽动力装置。因此，为什么广泛采用需要1800多年的时间？答案很简单：蒸汽既不实用也不具有成本效益，直到突破性的发动机技术-以及煤炭供应链的基础设施-做到了这一点。这个临界点基本上消除了学习曲线，允许“做曲线”变陡。领跑者已经完成了学习。直到18世纪末，在。 最新的群体确认了4IR拐点，其特征有两个因素。首先，机器智能技术- AI，它不是试图模拟人类智能，而是为机器提供在网络物理生产世界中执行复杂任务所需的专业智能-正在达到前所未有的成熟度。其次，领先的公司 在短短20年的时间里，蒸汽机在工业中的采用从几乎没有增加到近80%。 正在重新定义试点的概念，因为他们通过使用整个工厂而不是单独的用例作为试点来扩大影响。 第一次工业革命的动力是什么，AI将是第四次。就像煤炭供应链和工厂基础设施是使蒸汽动力在采用曲线上竞争的转折点一样，数据收集和数据基础设施在第四个方面也在做同样的事情。一些世界领先的工厂已经每周生成数PB的数据。如果世界上所有1000万个工厂都在这个水平上运作，它们将使所有人类信息增加一倍。 本系列三篇文章将探讨：（1）全球制造业的现状，特别关注（2）人工智能在当今领先的制造商中的样子，以及（3） 不到一个月(见侧栏“革命的演变”)。 革命— —我们认为他们在4IR的采用曲线上比其他制造商远三到五年。今天，他们不是专注于试点用例。相反，他们已经建立了快速且无需试用即可获得新用例的功能。对于拥有多个灯塔的公司，整个工厂都是大规模网络部署的试点。领导者现在正在获取4IR技术的价值一次50家工厂，其他人仍在努力在一家工厂中寻找价值。 采用S曲线 当我们回顾每一次工业革命时，我们可以看到一种模式：它总是呈“S曲线”的形状。“第一阶段是一个学习曲线，它往往很长，并且以试验和错误为标志，因为早期的领先者会弄清楚如何使事情运转。然后移动到下一个阶段，即曲线的“做”部分。这是基础技术已经建立的时候，组织努力在他们的 灯塔正在加速发展，它们与其他人之间的成熟度鸿沟也在加速发展。在最近的混乱和动荡之后，这种鸿沟显而易见。考虑到在COVID - 19大流行期间，85%的灯塔收入减少了不到10%；这是真的 只有14%的其他制造商。灯塔可以更快地做出反应:尽管它们面临同样的供应链风险，但65%的灯塔已经是双重采购和到2022年增加库存，而其他公司只有24%。 production networks. Finally, we see an optimization curve,which is when industries align around what works best. Newstandards and protocols become ingrained, and costs start tostable (Exhibit 1). 人们只需要回顾一下现在无处不在的技术，例如智能手机，就可以识别出这三个阶段的S曲线。 全球灯塔网络成员最重要的区别之一-第四工业前沿的153家工厂 从学习到做：灯塔正在迅速攀升第四次工业革命的采用曲线。 第四次工业革命(4IR)采用曲线，说明性 麦肯锡公司 AI正在定义第四次工业革命 4IR技术的“金字塔” -它正在扮演4IR技术的指挥家的角色，它们共同演奏了影响的交响曲（图2）。 AI对第四次工业革命的真正力量在于它位于 第四次工业革命技术的全部价值来自一套技术解决方案。 第四次工业革命（4IR）技术金字塔 用于优化、增强或自动化决策的机器智能，例如启发式模型、应用AI和生成AI 操作员或过程级别的数字工人生产力工具（例如，增强/虚拟现实，可穿戴设备和外骨骼） 自动化和流程中断，例如协同机器人和柔性机器人，自动引导车辆和无人机，以及3D打印 基础数据、连接和计算工具（例如，云和边缘主机、5G通信和数据湖） 革命的演变 18世纪末 —革命性的转变：机器智能做出权衡决策，实现增强和优化—解锁：先进制造—启用基础架构：大数据 人工智能正在定义第四次工业革命，灯塔向我们展示了人工智能有无数新的用例和无法想象的性能改进的可能性。 考虑在生产现场进行快速转换的示例（图表3）。这需要灵活的机器人来处理不同的产品，自动引导车辆来移动材料和零件，3D打印来定制生产线夹具，以及可穿戴技术来让管理人员和技术人员了解实时数据。是什么安排了这种复杂的元素相互作用，每个元素都是单独复杂的？答案：AI。 透明的数据连接和可视化仪表板，以及类似的数字精益解决方案。这些用例的实现时间比今天要长得多；大多数灯塔说，实现前五个用例平均需要10到20个月的时间，75％的人说他们现在可以在不到六个月的时间内完成。更令人印象深刻的是，30％的人声称他们可以在不到三个月的时间内完成。 但AI需要从广泛的来源生成和收集的数TB的数据：企业系统、机器传感器、连接基础设施和人类工人。这就是为什么最先进的领跑者领先。他们有远见，进行投资并承担构建数据基础所涉及的风险，这些数据基础是为AI技术提供动力并释放其潜在影响所需的（参见侧栏“理解AI：它实际上是如何工作的）。 这是因为对于早期用例，工厂首先必须重新连接其数据收集和连接层，设计添加或升级传统基础设施的技术堆栈，培训员工如何使用先进的新工具，并重组自己以快速部署数字解决方案 并提供强大的反馈。一旦构建，这些功能就成为快速部署新用例的基础。例如，One Lighthouse表示，它能够在几天和几周内实现基于gen - AI的技术人员顾问，而不是几个月和几年。 借助AI，机器智能可以为快速解决方案协调高度复杂的技术。 持续的挑战使灯塔从试点炼狱转变为扩大衰退。在工厂一级，能力是一个解决的问题，至少对于灯塔来说是这样。现在，许多灯塔 解决规模下滑的能力 在沿着学习曲线的“假高峰”的山谷中，在影响上停滞不前，同时他们重新连接网络规模。这不容易.采用在一个地方工作的技术并将其扩展到整个生产网络会带来巨大的新挑战：单个站点上存在的数据，技术，人才和组织挑战在宏观层面上并不相同-两者都不是。 人工智能正在定义第四次工业革命，灯塔向我们展示了人工智能有无数新的用例和无法想象的性能改进的可能性。 用例告知能力，能力引领规模。早在2018年，尖端用例看起来就像是高级分析和自动驾驶汽车的本地化应用，或者从根本上 附件3 借助AI，机器智能可以为快速解决方案协调高度复杂的技术。 是解决方案。要让基于gener - AI的技术人员顾问看到二十多个工厂的光芒，这些工厂必须首先准备好接受它。 在ChatGPT推出后仅几个月就将其整合到Bing中。 就像第一次工业革命中的蒸汽机和科技和银行业的人工智能技术一样，我们预计4IR的突破性技术将从个位数开始 那些克服规模衰退的人可以定义整个行业。这是因为他们设定了标准。蒸汽机在制造中的采用是一个早期的例子。对于一个更现代的例子:考虑丰田，它设法在宏观层面。此后不久，精益制造和六西格玛成为世界各地公司的标准票价— —伴随着新标准、协议、认证和监管措施的出现。创新变得制度化；丰田定义了新常态，这反映了 在十年内广泛采用。灯塔正在引领潮流。基于AI的用例已经占新灯塔申请人提供的用例的60％以上，而2019年仅为11％。 采用曲线的优化阶段。在制造业以外的其他行业，如科技和银行业，人工智能已经处于这一阶段，因此对话集中在标准和监管合规上。这些行业可以快速大规模部署人工智能— —例如，微软能够 灯塔正在加速发展：您将如何回应？ 尽管Gene AI和其他高度先进的新兴技术在制造业中实现全网络采用可能还需要一段时间，但灯塔已经实现了工厂规模的采用。所有新认可的灯塔都至少有一个Gene AI试点项目，其中一些已经实施，测试和迭代 理解AI：它实际上是如何工作的 在探索之前详细介绍了灯塔如何迅速采用分析AI并试行其新兴分支，即生成AI，首先至关重要的是收集对什么的基本理解 支撑AI。每个人都在谈论它，这提出了一个有价值的问题：做你真的知道AI是如何工作的？ 人工智能的一个子集领域，机器学习，在20世纪80年代开始发展牵引力。它专注于教机器学习隐藏在数据和 大型语言模型（具有数千亿个神经元），可以学习特别抽象的模式（展示）。 这些突破中的每一个都遵循了自己的加速采用曲线。如今，机器学习和深度学习技术，不包括生成对抗网络（generative adversarialnetworks，general AI），包括梯度和自适应提升，随机森林，卷积和递归等方法神经网络、决策树、支持向量机算法等统称为解析 建立真实系统的近似模型。在二十年内，机器学习的一个分支称为深度学习，因为“神经网络”成为通过模仿人脑的工作方式来模拟真实系统的流行方法，具有数百万个计算“神经元”。2017年看到了普及 人工智能始于20世纪50年代，现在指的是开发机器、应用程序和工具来近似人类行为的广泛领域，包括各个方面。 变压器和生成对抗网络的出现，一种称为生成AI (gen AI)的深度学习，它使得能够使用非常大的神经网络，称为 感知，推理，学习和解决问题。第一个实例包括早期计算机启用的统计分析和预测。 AI。这一系列技术已经快速成熟和采用速度灯塔。 理解AI：它实际上是如何工作的（续） 非结构化数据集，就像人脑一样。它利用“变压器”架构来生成“嵌入” — —一种最初为自然语言处理任务设计的方法。嵌入是代表数百个的大量向量 下一个演变：GenAI 数据库，通常被称为大型语言模型或基础模型。3 Gen AI预计将在 为了选择或生成令牌序列，一个深度学习模型可以预测后续的令牌，而另一个模型可以分析并对选择进行评分-这正是为什么经常引用generAI的原因 2.6万亿美元和4.4万亿美元的全球经济年产值1其中近四分之一可以通过在与制造和供应链相关的活动中提高高达两倍的生产率和近70%的任务自动化来实现。2这就是为什么它是有道理的，截至2023年中期，近三分之一在接受调查的所有公司中