（二）典型案例

人工智能技术在制造业的应用，目前虽然还属于市场早期，但已呈现出覆盖制造业全流程的趋势，归纳起来看主要有五大环节的应用场景。

1．研发设计

案例：基于卷积神经网络的新药研发（Atomwise）

【行业痛点】

开发新药是一项漫长而低效率的工作。药物研发人员需要对各种不同的化合物以及化学物质进行测试，这个试验过程中的错误尝试耗费了太多的时间和金钱。国际上有一种“双10”说法：10年时间、10亿美元，即制药公司需要花费5-10亿美元，经过10-15年时间，才能成功研发出一款新药。

【解决方案】

Atomwise是药物挖掘与人工智能结合领域比较有代表性的初创公司，旨在减少研究人员花在寻找药物化合物方面的资金和时间。它利用超级计算机分析已有数据库，并用独家算法AtomNet数字化模拟药品研发的过程，分析化合物的构效关系，于研发早期评估新药结构组成和风险，从而大幅降低研发成本。

AtomNet是第一个使用深度卷积神经网络的药物发掘算法，其最大的特性是擅长将复杂的概念分解为小信息的组合。类似图像识别中通过对鼻子、耳朵、眼睛等不同部分的学习和组合实现人脸识别，AtomNet通过对基本的化学基团（如氢键、单键碳等）学习和组合实现新的有机化合物发掘。在此基础上借助IBM蓝色基因超级计算机强大的计算能力，可以快速完成新药发现、测试和评估工作。

自2012年创立以来，AtomNet已筹集超过5100万美元的资金。目前合作客户包括美国十大制药公司中的四家（默克、孟山都等）、40多家研究型大学（哈佛大学、杜克大学、斯坦福大学和贝勒医学院等）以及多家生物技术公司，并有50多个研发项目正在进行，涉及致命病毒和细菌、癌症、神经退行性疾病、代谢性疾病、地方性寄生虫和农作物枯萎病等多个领域。

【效果评估】

Atomwise将其AtomNet系统与传统技术（DOCK和Autodock-smina）进行了100万次的基准预测实验对比，结果显示其人工智能方案可以节省大约一半的早期药物筛选实验的数量，并大大提高结果的成功率。具体如针对埃博拉病毒的新药预测评估，传统方式通常需要数月甚至数年，而AtomNet只用了不到一星期就发现了新药，并且成本不超过1000美元。

【案例启示】

在制造业研发设计环节，人工智能的主要作用在于通过对海量数据建模分析，以低成本高效率的数字化手段探索可行的产品原型。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。

2．生产制造

案例：基于个人数据分析的批量定制（adidas）

【行业痛点】

服饰类商品面临最大的挑战是市场竞争。随着全球工业化的发展成熟，生产力的持续提升造成了产品的极大丰富。传统标准化产品间的竞争日趋激烈、利润持续走低，消费者的个性化需求与体验成为厂商竞争胜出的关键。然而满足消费者个性化的定制，又面临高成本的问题。如何实现低成本的定制，成为服饰为代表的快消品制造企业努力的重要方向。

【解决方案】

adidas于2015年底在德国安斯巴赫（Ansbach）开设了一家高度自动化的制造工厂迅捷工厂（Speed Factory），以满足顾客快速、个性化的定制生产。为实现这一目标，2015年10月adidas与德国工程企业Manz签约，共同开发数字化、自动化的生产线，还与包括江森自控（Johnson Controls）、机器人企业KSL Keilmann、慕尼黑科技大学及亚琛大学等就开展项目合作。2016年2月，adidas还与Alexander Taylor工作室共同合作开发了结合人工智能和3D打印的运动鞋编织工艺，完全更新了自动化生产的流程，并于2016年9月生产出第一双跑鞋。

adidas的迅捷工厂的智能制造主要运用“3D打印、机器人手臂和电脑针织”等技术混合，依靠云端数据收集顾客的足型和运动数据，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。

【效果评估】

adidas预测，迅捷工厂的模式可以大大提高供应链速度。过去一双鞋从研发到上架大概需要18个月，现在一旦鞋子设计完成，有望在不到1周时间即可上架，快速的生产流程有助于更快地对市场的需求做出反应，在成本稳定情况下实现小规模、个性化定制。

【案例启示】

在制造业生产制造环节，人工智能的一个重要作用在于降低成本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相关性强的行业。

3．质量控制

案例：基于视觉识别的质量检测（IBM）

【行业痛点】

质检是工业制造非常重要的一环，合格产品的高效生产是生产企业追求的重要目标。然而传统依靠人工质检的方式存在各种不足：速度慢、误差多、成本高，尤其对于产量规模大、部件复杂、工艺质量要求高的行业尤其如此。

【解决方案】

针对制造业质检环节的问题，IBM在融合其物联网和人工智能平台（Watson）能力的基础上，推出了智能视觉检测应用方案Visual Insights，旨在替代或增强质检员的能力从而提高整个质检环节的效率。

智能视觉检测包括两个主要工具：前台捕捉图像的高清摄像头和后台的Watson人工智能算法。首先合格产品和异常产品的图像被输入Watson的中央学习服务器中，通过训练不断识别两者差异从而建立数据模型。接着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。通过将它们与模型进行比较，实现对部件和整件颜色、质量、位置等的合格性判断。最后Watson将潜在的质量问题分类自动发送给人工检查员，由人工检查员进行第二次检查和确认。

【效果评估】

经IBM的实验和早期客户的应用验证，借助人工智能视觉的质量检测，能够为制造企业带来三方面好处：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。

【案例启示】

在制造业的质量管控环节，目前由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。尤其适合材料、零配件、精密仪器等质检成本高的行业。

4．供应管理

案例：基于需求感知的库存动态调整（Tools Group）

【行业痛点】

在制造业的供应链管理环节，需求的有效预测是最困难的部分之一。而在当今动荡不定的复杂商业世界中，需求相关的数据越来越复杂，不准确的需求预测将严重影响整个供应链的流动效率。这样不仅会导致库存管理成本提高，还会影响最终用户的体验。

【解决方案】

针对供应链管理问题，Tools Group基于机器学习技术，开发了端到端的供应链管理优化方案组件SO99+，以帮助企业客户实现对需求信号的有效监测与深入理解，并依次进行正确的供应链、尤其是库存的动态调整，最终实现采购和补货的半自动甚至全自动化。

SO99+的组件主要可归纳为三方面应用：需求、计划和库存。其中需求方面的应用最重要，其准确与否决定了后续计划、库存等应用的效果。因此Tools Group在需求方面也进行了大量的研发和创新，形成了通过机器学习改善需求预测的五种方法：①基于贸易促销和媒体活动预测，借助产品、市场和社交媒体等多维数据、预测由促销活动等驱动的非线性需求；②基于新产品介绍预测，基于历史发布行为等数据抽象产品性能，依次作为参考进行新产品配置和发布并在发布期间持续学习优化；③基于社交聆听预测，建立社交情绪与需求信号的关联，适用于作为促销评价或新需求的早期监测指标；④基于极端或复杂的季节性预测，有时候季节性会比较极端或复杂，不适合简单的正态回归预测，而需要通过机器学习按季节时间等进行细分聚类；⑤基于气候数据预测，通过机器学习探索天气变化和需求的相关性，适合发现特定环境下特定产品的最佳需求。

基于有效的需求预测，SO99+就能提供有效的多级库存优化、计划生产等其他应用和服务。

【效果评估】

Tools Group基于多年的经验统计，认为人工智能在供应链的应用，能够有效减少50%的预测误差、提高20%的库存性能，并能有效优化库存分布。目前其SO99+目前已经应用在多个行业客户供应链中，其中不乏阿斯顿马丁、达能等知名企业。

【案例启示】

在制造业的供应管理环节，人工智能的重要意义在于掌握和预测需求动态以匹配合适的供给，因此更适合于快消、零配件等市场需求变动较大的行业。

5．运营维护

案例：基于运营数据分析的预测性维护（Microsoft）

【行业痛点】

在制造业的运营维护环节，设备或产品故障、尤其是突发故障导致的损失是最大问题。过去由于缺乏预警手段，大部分故障都只能在事后处理，故障损失很难获得有效缩减。

【解决方案】

针对运营维护问题，Microsoft在物联网和云计算平台基础上，融合机器学习算法能力，为企业客户提供预测性维护服务。通过实现对设备或产品运营状态的实时监测和健康预警，以达到在故障出现前排除风险的目的。

Microsoft的预测性维护方案实施主要包括6个步骤：①确定预测目标和结果，包括故障预警的时间、概率、原因、风险级别和维护建议等；②明确数据源，包括操作条件、故障详情、修复历史等；③获取及整合数据，通过大数据工具将不同数据进行汇总和规范化；④建模、测试和迭代，通过机器学习工具不断开发和测试确定不同时机及条件下的最佳模型；⑤现场操作验证，包括监视连接设备、试点规划、现场应用和改进；⑥融入运营，正式应用并通过对维护流程、系统和资源的持续调整，探索更好的维护方案。

【效果评估】

目前Microsoft的预测性维护搭载在其物联网平台上，已经为多类制造企业客户采纳并取得了良好效果。比如电梯制造服务商thyssenkrupp，借此减少了50%的电梯停运时间、节约了15%的维护费用。

【案例启示】

在制造业的运营维护环节，人工智能的重要意义在于预防故障的发生，因此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。