中国‘智’造借力AI引领世界

2028年2028年亚亚太区制造太区制造业业人工智能人工智能软软件收入增至31件收入增至31亿亿美金美金 2028年2028年亚亚太区制造太区制造业业人工智能人工智能软软件收入增至31件收入增至31亿亿美美金金 世界经济论坛公布了最新一批灯塔工厂名单。名单中目前有全球189座“灯塔工厂”中，中国就占了70座，是全世界“灯塔工厂”最多的国家。 灯塔工厂最显著的特征是对自动化技术的驾轻就熟。无论是相对传统的行业如汽车制造、重金属、家居电器、食品加工及医疗保健，或是新兴高科技行业如光伏和新能源，这些工厂都积极采用数字化管理，大力部署工业机器人和移动机器人，并利用人工智能进行自动化质检来提升产品良率和减低停工风险，取得在营收、运营和可持续发展等方面的突破，最终提升了自身业务效率、品质和价值。 引领灯塔工厂名单的确反映了中国在制造业领域的强大实力和竞争力，是值得庆祝的，但是这些工厂无一不是属于大型品牌大型企业的，在全国327万家制造企业仍是沧海一粟。对比之下，自动化程度滞后或是低下的企业占大多数，而且数字化进程缓慢，采用人工智能的占比不高。 面对这种滞后，市场有各种解释。有的说是因为自动化系统成本高数字管理过于复杂、有的则认为中国缺乏像西方制造业软件即服务蓬勃发展的市场，甚至有的认为有大模型就可以了。很遗憾的，这些并非最主要的因素。若要彻底理解为何大多数中小型制造企业仍然踯躅不前，还是需要参照过去二十年制造业自动化和人工智能发展的进程，然后和现实情况做个对比： 第一阶段：在2010年以前，中国制造企业的自动化主要聚焦在提升自身的软件和硬件。企业引进各类工业机器手臂和自动化工业系统来处理一些重复性极高的工作，释放了大量的生产力。 考业界标杆并借助外界力量去进行提升。 无论如何，制造业人工智能市场潜力依旧。Omdia预计在2028年，亚太区制造业人工智能软件收入将增至31亿美金，其中生成式人工智能占4.6亿。生成式产品设计、数据安全和数字孪生都是未来重点方向。 第二阶段：2010至2015年，制造业软件和硬件系统进一步升级。随着机器学习和深度学习技术的普及化，软件和硬件开始拟人化。工人可以以自然语言与软件系统交互，而生产车间开始出现带有机器视觉的协作机器手臂和移动机器人。人与系统的互通开始 不再被重重代码隔离 所有制造业玩家不可忽略这些宝贵的市场机遇。中小型制造企业的数字转型迫在眉睫，对这些应用的高度掌握和成熟部署能进一步释放生产力，解锁更多的利好。 第三阶段：在过去的十年，人工智能优化技术的成熟开始让人工智能模型从云端走向边缘侧。伺服器等一系列工业产品的虚拟化让人工智能更容易被嵌入，自动化开始可以独立于云计算。 为了更明确地展现这些科技的能力和未来前景，Omdia会在这一文章系列逐一的分析制造业人工智能各种应用的发展脉络、现况、未来趋势及市场机遇，以此抛砖引玉，期待与业界有更密切的交流。 第四阶段：在生成式人工智能大爆发的时代，人工智能又回归到云端，但是此次的科技演进带来的是能力的飞跃。大模型不仅能处理海量的数据，带来更拟人的用户体验，还可以吸收透过仿真技术所生成的各种制造业数据，进一步提高大模型自身的精准度。 相关相关报报告：告： 第五阶段：从明年起，比通用智能体更精准、可靠与可信的工业级智能体将大量普及化，被各大制造企业所采纳。同时大模型将随着优化技术的提升将再一次走到边缘侧，进入如仿人机器人这种更加复杂的载体。 AI in Manufacturing – 2024 AnalysisArtificial Intelligence Software Market Forecasts – Asia &Oceania – 2H24 Data Omdia2025 Trends to Watch: Manufacturing Technology OmdiaIT Enterprise Insights: Manufacturing – 2025 Omdia 综上表述，不难发现大部分的中小型制造企业的数字化进程仍然保留在第一或是第二阶段。他们既缺乏坚实的数字管理底座，也没有积极跟进智能硬件的迭代，因而无法跟上智能化的节奏。更重要的是，这些滞后的发展和竞争力的匮乏是不能靠引用所谓更能干的大模型而改变；反之，这些企业需要参考界杆并借助外界力量去行提升。 从从质质量量检测检测到熄灯工厂：到熄灯工厂： 中国工中国工业业机器机器视视觉觉发发展史与新机遇展史与新机遇 从从质质量量检测检测到熄灯工厂：到熄灯工厂：中国工中国工业业机器机器视视觉觉发发展史与新机遇展史与新机遇 在2010年代，机器学习技术的普及化带来了巨大变革。基于卷积神经网络(CNN)的计算视觉系统能达到，甚至超越人类的精准度。制造企业可以选择利用自身的数据来训练CNN，并编程高精度的计算视觉系统。这几年席卷整个人工智能界的大预言模型(LLM)更衍生出了视觉转换器(ViT)，带来更为高能的机器视觉系统。CNN使用的是局部操作，缺乏对图像的全局理解，而ViT则依靠长距离依赖关系因而具备了全局背景理解能力，更容易进行调优。 试想象，一个可在无人工现场干预的黑暗环境中正常运转的全自动化工厂，里头所有的流程都是由机器人自动操作，仅需要些许的人力资源。如此的工厂，应该是很多制造企业梦寐以求的。作为智能制造的终极目标，熄灯工厂需要大量前沿科技的配合，其中最为核心的便是机器视觉或是计算视觉。 让无数个自动流水线和机器人在作业过程中能看的见周遭环境，作出相对应的反应，并精准的执行自身的任务，就是机器视觉。如果退一步看，即便不追求熄灯工厂，工业机器视觉的应用依旧繁多且关键，从制造过程监控与质量检测改进，到产品生成设计、人机协作、机器人自主行动系统等。中国作为工业大国，全国上下327万家制造企业，几乎每一家都会有工业机器视觉的需求。 作为一个大众耳熟能详的科技，机器视觉其实经过了多轮的技术演进与迭代。传统机器视觉技术靠的是规矩引擎，即由专家编写的计算视觉系统。这类系统依靠大量的人力去编写、维护和提升。专家们需要对系统所执行的任务，如质检、定位、监控等有深度理解，将任务细分拆解，写成数十甚至数百个规则，最后全部串联起来形成一个高度自动化并具有独立判断能力和执行力的软件。同时，这软件需要和各种计算视觉硬件和车间生产软件进行搭配，如传感器、摄像头、采取器、制造执行系统(MES)和企业资源计划(ERP)。最后，系统落地环境也会影响系统的性能与表现。 这段历史其实和中国人工智能行业息息相关。中国人工智能能力的大跃进最早集中体现在计算视觉科技。商汤、旷视、云从和依图人工智能四小龙的崛起很大程度上就是基于市场对中国广泛的计算视觉运用场景的乐观预期。在所有场景中，工业机器视觉被视为潜力满满。因此，人工智能四小龙在工业机器视觉很早就有相关的布局，聚焦于提供一站式训练各种工业缺陷检测算法模型。随后中国还衍生出众多机器视觉企业。一方面，思谋与被ABB收购的梅卡曼德在这几年积极布局从硬件到软件的全栈式工业机器视觉解决方案。思更开了自己的大模型。另一方面，一些企特殊 案。思谋更开发了自己的视觉大模型。另一方面，一些企业则选择针对特殊垂直行业，如面向光伏的天准、面向半导体和显示器的凌云光、广达智能、精测电子和中科慧远，以及面向矿业的精锐视觉。 阅读阅读更多相关更多相关报报告：告： Machine Vision in Factory Automation Report – 2023 AnalysisTechnology Analysis: AI Edge Platforms – 2024 OmdiaAI Processors for Edge Forecast Report – 2024 Database Omdia 除了继续经营国内市场，中国企业也开始积极向外拓展。凌云光并购丹麦摄像头公司JAI，加速其全球化布局。全球制造业正面临着人口老化与人才青黄不接的趋势，对机器视觉和基于此技术的自动化的需求势必有增无减。Omdia预测基于机器视觉的人工智能全球应用软件收入将从2024的18.5亿美金翻倍增长至40.3亿。中国企业要继续保持竞争力，就必须要做好差异化，勇于拥抱前沿科技浪潮，做好硬软件结合与人工智能的超前研究与部署，通过与灯塔工厂的合作，依靠实力将品牌名声打出去。 国国产产机器人能否借大模型机器人能否借大模型这这股股东东风强风强势势崛起？崛起？ 国国产产机器人能否借大模型机器人能否借大模型这这股股东东风强风强势势崛起？崛起？ 相比之下，基础模型更适合开发能处理更广泛任务的机器人。制造业企业可以使用基础模型，如大型语言模型（LLM）、视觉语言模型（VLM）、视觉转换器（Vi-T）和视觉-语言-动作模型（VLAM）等将从现有的机器人数据输入中，进而产生新的输出，引导机器人进行各种举措，如代码编程、动作指令和车间内导航。例如，Vi-T 可以使用大量数据进行预训练后再转移到数据点较少的功能和应用场景，前提是工业机器人厂商需要使用各种模型压缩工具对基础模型进行优化。 中国是世界上最大的工业机器人市场。根据IFR的统计，其增速远超行业平均水平。然而长久以来，国内工业机器人行业长期被四大家族（发那科、安川、ABB、库卡）垄断。即便如此，通过新松机器人、埃斯顿、埃夫特等中国国产机器人企业积极耕耘，国产机器人厂商成功分一杯羹，渐渐占据市场装机量的三、四成。除了传统的工业机器手臂，新一代的机器人厂商如节卡、海康机器人、灵动科技等已经迅速建立起一套完善的协作机器人和移动机器人解决方案，在国内甚至海外都有亮眼的成绩单。 即便如此，国产机器人要部署生成式人工智能仍然困难重重。大部分厂商缺乏大规模和多样化的机器人数据来进行预训练和微调。在硬件端，要在机器人嵌入生成式人工智能，英伟达 GPU 仍然是云基础设施和机器人首选的人工智能芯片。不过，高阶GPU 可能非常昂贵且耗电。 随着机器人的产品线日益多元化，具有高度的创新性和伸缩性的生成式人工智能则成为备受业界瞩目的新风口。传统上，机器人擅长收集和处理传感器信息。机器人依靠基于卷积神经网络（CNN）的计算机视觉来完成各种关键应用，包括路径规划和优化、物体检测和人员检测。这些卷积神经网络非常精准，而且相对容易训练，但由于它们不是为通用目的而设计的，因此不能很好地扩展。 面对这种挑战，国产机器人厂商可以考虑高通、安霸、地平线等非 GPU 供应商。这些针对高度优化的基础模型而设计的芯片组基于不同的架构，包括CPU、FPGA（现场可编程门阵列）和DSP（数字信号处理器）。数据方面的挑可以利用生成的合成数据和高保真模且可展的虚境来解 的挑战则可以利用生成的合成数据和高保真模拟且可扩展的虚拟环境来解决。在模拟环境中，可以指示由基础模型控制的机器人执行各种机器人应用，包括现实生活中罕见的边缘情况和场景。然后，收集数据并反复运行数千次基于物理的模拟，以开发和微调正确的动作序列。然后利用这些模拟来训练其他机器人执行特定领域的任务。 作为目前科技的顶端，未来人工智能和机器人的结合又将何去何从呢？人工智能界大佬李飞飞创办了空间智能公司World Labs，意味着以机器人为载体的具身智能便是下一个大风口。在这一技术愿景下，嵌入人工智能的机器人与周遭的物理环境互动，并从中学习。摆脱模拟环境的机器人通过不断尝试和犯错，使其内部的人工智能形成对现实世界的表征和理解。它还具备多步骤推理能力，能将复杂指令分解成中间步骤，并能分析和学习从各种传感器获取的数据，以达到执行任务、自主活动、甚至模仿经验老道的师傅，从而强化车间作业能力。 阅读阅读更多相关更多相关报报告：告： Industrial Robotics and Automation Market Tracker – 2Q24AnalysisRobotics Hardware Market Analysis 2021–30 OmdiaRobotics vendor positioning in the gen