全球性的新冠疫情使制造業(yè)陷入困境，供應鏈、供貨商和分銷商均遭受了巨大打擊。 在縮緊開支的同時，很多公司將目光聚焦到人工智能（AI）技術(shù)上，希望借此機會加速產(chǎn)業(yè)的自動化、智能化轉(zhuǎn)型，拓展 AI 的應用場景。 CB Insights 通過研究和分析制造業(yè)產(chǎn)業(yè)鏈，整理出了三篇有關(guān)制造業(yè)領(lǐng)域 AI 應用前景的報告，分別側(cè)重產(chǎn)品設(shè)計與研發(fā)、供應鏈與供應商、以及生產(chǎn)線和裝配線三大方向。以下是經(jīng)過整理的三篇報告的核心內(nèi)容和精華部分。 方向一：更快、更具成本效益的產(chǎn)品設(shè)計

對制造業(yè)來說，產(chǎn)品零部件的材料、形狀和尺寸設(shè)計，會影響整個價值鏈的生產(chǎn)和運營效率。事實上，設(shè)計決策可能決定了產(chǎn)品制造成本的 70% 左右。

除了成本考量，制造業(yè)還需要不斷創(chuàng)新，將新產(chǎn)品和新設(shè)計推向市場，以保持競爭力。但這實現(xiàn)起來，往往并不容易：設(shè)計一款產(chǎn)品，比如汽車或集成電路，可能需要 2 到 5 年的時間，而發(fā)現(xiàn)全新材料可能需要長達數(shù)十年的時間。 現(xiàn)在，制造業(yè)正在嘗試使用人工智能來使這一過程 更加省時省力，同時不影響安全性和結(jié)構(gòu)完整性。 削減成本的生成式設(shè)計 生成式設(shè)計軟件可以讓工程師快速迭代和測試設(shè)計。CB Insights 數(shù)據(jù)顯示，預計到 2030 年，生成式設(shè)計軟件的市場規(guī)模將可以達到 445 億美元。 在生成式設(shè)計中，算法將根據(jù)工程師設(shè)定的輸入標準，如尺寸、材料、重量等，為產(chǎn)品生成數(shù)千種備選設(shè)計方案。 隨著生成式對抗網(wǎng)絡（GAN）等泛化能力較強的模型問世，工業(yè)設(shè)計軟件正變得更加強大。生成式設(shè)計軟件會生成一個初始設(shè)計池，然后挑選出最好的設(shè)計，將它們的特征混合，迭代后生成第二個設(shè)計池。算法的快速迭代可以在短時間內(nèi)測試成千上萬種設(shè)計，比人類快數(shù)百萬倍。 這種技術(shù)思路在汽車和飛機零部件快速成型制造設(shè)計（3D 打印）中得到廣泛關(guān)注和應用，比如，日本的兩家汽車行業(yè)制造商——電裝（DENSO）和本田——都通過與設(shè)計軟件供應商 Autodesk 合作，在生成關(guān)鍵汽車部件原型的時候使用生成式設(shè)計。電裝是世界第一大汽車零部件供應商，它利用該技術(shù)設(shè)計了一個發(fā)動機控制單元（ECU），使其減重 12%。 飛機制造商空客也曾試行通過生成式設(shè)計來制造 A320 飛機的隔板。新設(shè)計比以前的設(shè)計輕了 45%，具有巨大的成本節(jié)約潛力。據(jù)空客估算，新設(shè)計每年可減少近 50 萬噸的二氧化碳排放。

該技術(shù)仍然面臨不少挑戰(zhàn)，比如 AI 算法的輸出本質(zhì)上取決于人類設(shè)定的參數(shù)和約束條件，尋找最優(yōu)參數(shù)可能既復雜又耗時。此外，如何在成千上萬的設(shè)計中梳理和挑選最佳設(shè)計，也需要一種高效且可擴展的方法。 盡管如此，生成式設(shè)計仍然是制造業(yè)追求的熱門技術(shù)。隨著物聯(lián)網(wǎng)、實時模擬和增強現(xiàn)實等技術(shù)的普及，以它為核心的軟件即服務（SaaS）戰(zhàn)略有望成為復興制造業(yè)的關(guān)鍵。AI 自動化電子設(shè)計 電子設(shè)計自動化，包括芯片和印刷電路板的設(shè)計，預計到 2022 年將成為一個 110 億美元的市場。 芯片設(shè)計由兩個主要元素組成：布局和布線。前者指的是使用設(shè)計軟件繪制出不同元件的位置，后者則是用線將元件虛擬地連接起來?，F(xiàn)在，研究人員正在嘗試使用 AI 軟件在幾天內(nèi)完成原本可能需要幾周的芯片設(shè)計工作。 谷歌最近發(fā)表了利用強化學習（reinforced learning，RL）實現(xiàn)自動布局的研究。在設(shè)計電路布局時，RL 算法的優(yōu)勢體現(xiàn)在可以使用更少的電線、更有效地利用空間，或者功耗更低。在最初的實驗中，RL 算法能夠在 24 小時內(nèi)為谷歌云芯片 TPU 提出設(shè)計建議。相比之下，人工方式則需要數(shù)周時間。

圖 | 谷歌自動布局研究（來源：Google Brain）

在芯片設(shè)計中，AI 的應用還是相當小眾的，除了谷歌這樣的巨頭，也就僅有幾家早期創(chuàng)業(yè)公司在籌集資金，比如英國的 InstaDeep，德國的 Celus 和美國的 JITx。其中 Celus 今年剛剛獲得了 190 萬美元種子輪融資。 整體上來看，將 AI 用于電子設(shè)計自動化仍是一個未知領(lǐng)域，早期初創(chuàng)公司和少數(shù)研究型實驗室都在探索。機器學習算法的有效性尚未得到大規(guī)模驗證，評價也是褒貶不一。 發(fā)現(xiàn)新材料 AI 可以幫助縮短發(fā)現(xiàn)新材料所需的時間。一種材料從發(fā)現(xiàn)到商業(yè)化，通常需要十年或二十年的時間。AI 可以壓縮這個過程：只要列出材料屬性，它就能快速篩選出優(yōu)秀的候選材料。而且，材料領(lǐng)域使用AI 技術(shù)也有可能助力3D 打印技術(shù)，發(fā)現(xiàn)新型打印材料。預計到2025年，先進材料市場規(guī)模將以 10% 的年均增長率達到 1220 億美元。 不同的公司使用了很多不同的方法。初創(chuàng)公司 Citrine Informatics 將隨機森林與不確定性估計結(jié)合起來使用，讓算法對自己預測的信心程度打分。歐洲最大的平板玻璃制造商 AGC 正在與該公司合作，尋找和加速研發(fā)高性能玻璃。

（來源：Citrine Informatics）

對于這一應用領(lǐng)域，最有挑戰(zhàn)性的是如何準備好數(shù)據(jù)并挑選合適的 AI 模型，這一挑戰(zhàn)不僅耗時耗力，而且涉及計算機科學、物理、化學和數(shù)學理論等多個領(lǐng)域，需要交叉學科專家的深度參與。 除了降低實驗成本，AI 還可以降低下游的采購、生產(chǎn)和維護成本。我們可能會看到，新材料的商業(yè)會速度在未來十年中不斷加速。 方向二：降低供應鏈和供貨商風險 受到疫情影響，許多制造業(yè)公司都不得不面對因為供應鏈中斷和采購合同中斷，導致正常的生產(chǎn)計劃受到嚴重拖累。 Thomas Net 最近的一項調(diào)查顯示，在接受調(diào)查的 1000 家北美制造商和供應商中，超過 55% 的公司預計收入將下降。 為了保持機動性并快速應對突發(fā)的全球事件，制造商需要預測商業(yè)風險，并對與他們的合作伙伴保持關(guān)注。 預測供應鏈中斷和供應商風險風險管理包括了解環(huán)境風險、監(jiān)測品牌聲譽受損情況、評估網(wǎng)絡安全風險或違法行為等等。預計到 2025 年，供應商風險管理市場規(guī)模將擴大到 28 億美元。 制造業(yè)的供應鏈越來越復雜：一家制造商可能直接與多家一級供應商打交道，這些供應商可能有自己的二級供應商網(wǎng)絡，而二級供應商又依賴于三級供應商，以此類推。所以，制造商不僅需要在全球范圍內(nèi)維系這種復雜的關(guān)系網(wǎng)，還需要監(jiān)控運營的中斷，即使是那些與他們沒有直接合作的二、三級供應商。 通常來說，供應商風險管理依賴于數(shù)據(jù)庫，這些數(shù)據(jù)庫廣泛地繪制了該公司全球供應商的關(guān)系。AI 在其中扮演的角色與在銀行和醫(yī)療保健系統(tǒng)中類似：經(jīng)過大量數(shù)據(jù)訓練后，提供一種了解客戶或者預測風險的解決方案。 AI 公司可以使用 NLP 來檢索多語種的新聞、政府數(shù)據(jù)庫、行業(yè)期刊和公司地理數(shù)據(jù)庫等資源，并監(jiān)測工廠事故、自然災害、非法活動或網(wǎng)絡安全漏洞等事件。機器學習算法還能用于評估各個供應商的供應鏈網(wǎng)絡，為其生成風險評分。

初創(chuàng)公司 Interos 表示，它擁有一個包含 5000 萬供應商業(yè)務關(guān)系的數(shù)據(jù)庫，可以用機器學習從 8.5 萬種信源中提取數(shù)據(jù)。這些信息組成了風險分析模型的數(shù)據(jù)基礎(chǔ)。 在這一過程中，數(shù)據(jù)質(zhì)量是最大的挑戰(zhàn)之一。復雜且全球化的供應鏈網(wǎng)絡，使得同一家公司可以以不同名字開展業(yè)務，依賴供應商匯報的數(shù)據(jù)，也可能導致某些數(shù)據(jù)缺失。 另一方面，風險管理通常涉及多個數(shù)據(jù)集和解決方案，不同的供應商有不同的風險，很少有公司能完成一站式服務，滿足制造商的所有風險評估需求。因此，一些初創(chuàng)公司專注于更細分的市場。比如獨角獸 OneTrust 專注于分析網(wǎng)絡安全風險，BlueDot 則專門從事醫(yī)療事件監(jiān)測。 我們可能會在供應鏈管理領(lǐng)域看到更多的合作和整合，因為風險評估服務提供商的目標是成為制造商的一站式服務平臺。目前，制造商不得不暫時尋找多個能夠相互契合的供應商數(shù)據(jù)分析平臺。 按需制造市場 CB Insights 的市場規(guī)模數(shù)據(jù)顯示，按需制造是一個 2200 億美元的市場。 按需制造在汽車和醫(yī)療保健等行業(yè)正在飛速發(fā)展，因為它解決了關(guān)鍵的采購問題。比如標準化價格和與供應商聯(lián)系的冗長過程。 前文提到，AI 可以加速制造業(yè)的設(shè)計過程。在設(shè)計完成后，按需制造允許工程師和設(shè)計師上傳 3D 文檔，讓 AI 來判斷設(shè)計的可行性、所需成本和所需時間。 這種情況通常出現(xiàn)在制造商需要定制特定部件并外包給第三方的時候。很多初創(chuàng)公司瞄準了這一領(lǐng)域，為制造商提供供應商網(wǎng)絡和即時報價服務。 他們主要利用 AI 分析制造商的 3D 設(shè)計文件、判斷其是否可行，需要使用什么技術(shù)和材料，還可以即時生成報價、估算交貨時間。

圖 | 按需生產(chǎn)（來源：3D Hubs） 當然，報價服務離不開供應商的數(shù)據(jù)。AI 會根據(jù)過去的采購訂單（包括特定設(shè)計和材料的常用報價等信息）進行訓練，學會如何綜合分析平臺上的供應商，選出從制造工藝到交貨時間都符合要求的一家或多家，將其與供應商匹配。 成立七年的初創(chuàng)公司 Xometry 表示，他們致力于消除制造商和供應商之間的冗余溝通。這家公司已經(jīng)獲得了寶馬和通用電氣的投資，目前擁有超過 4000 個合作伙伴。 按需制造的另一個優(yōu)勢是小批量制造。大供應商對小訂單的回應速度很慢，而小供應商又很難找到，按需制造平臺可以有效解決這一問題，準確匹配小訂單和小供應商。 利用 NLP 分析合同 CB Insights 的數(shù)據(jù)顯示，到 2027 年，合同管理預計將成為一個 50 億美元的市場，而法律科技中的人工智能市場，預計到 2026 年將達到 380 億美元。 采購或制造合同中涉及到的詞語和細節(jié)，如果不加重視，可能會導致巨大的風險和損失。例如對不可抗力的定義，直接關(guān)乎企業(yè)能否在疫情期間無損解除合同。 AI 可以在幾分鐘內(nèi)掃描數(shù)千頁的法律文件，找出不符合公司政策的地方。這項工作如果換成人類律師來做，可能要花數(shù)天時間。

圖 | NLP 掃描條款（來源：Sievo） 自然語言處理技術(shù)（NLP）是掃描合同的首選算法之一。它可以提取關(guān)鍵信息，標記措辭或遺漏信息的潛在問題，以便進一步人工審查。AI 技術(shù)還可以確保整個組織的合同標準化。 美國公司 Icertis 是合同管理領(lǐng)域的獨角獸，與空客、戴姆勒等制造業(yè)客戶均有合作。Icertis 平臺可以用 AI 分析 40 多種語言的合同，識別其中的條款，并從過去的合同談判獲得經(jīng)驗。 雖然以 AI 為基礎(chǔ)的合同管理正在金融和企業(yè)法律部門興起，但在制造業(yè)發(fā)展緩慢。隨著技術(shù)的成熟，它有望成為制造業(yè)采購和流程自動化業(yè)務的重要工具。 方向三：利用 AI 加速產(chǎn)品生產(chǎn)和組裝

新冠疫情讓已經(jīng)陷入困境的制造業(yè)雪上加霜。隨著制造商被迫重新思考產(chǎn)品生產(chǎn)和組裝業(yè)務，AI 的地位正在迅速上升。 我們研究了 AI 在生產(chǎn)線和裝配線的案列，意識到整個制造業(yè)正處于十字路口。 次世代協(xié)作機器人預計到 2026 年，工業(yè)機器人系統(tǒng)的市場價值將達到 1380 億美元。其中的一個分支，協(xié)作機器人，到 2030 年將成為 120 億美元的市場。協(xié)作機器人通常以機械臂的形式存在，與人類一同工作，負責物體的拾取、放置或分類，也可用于裝配和檢查。 AI 可以幫助這些機器人更好地工作。對于一家公司來說，如果每個機器人都能連接到中央云端，就可以組成一個“AI 大腦”，每個機器人不僅可以從自己的環(huán)境中不斷學習，還可以從整個工業(yè)機器人網(wǎng)絡中學習。 物流 AI 公司 Covariant 就采用了這種理念，通過強化學習技術(shù)訓練網(wǎng)絡中的機器人，提升其性能。另一家公司 Universal Robots 生產(chǎn)的機械臂，還可以通過計算機視覺識別物體的形狀和大小，幫助篩查和分類產(chǎn)品。 貨物運輸機器人 預計到 2026 年，自主移動機器人（Autonomous Mobile Robots，簡寫為 AMR）將成為一個價值 5900 億美元的市場。 在制造業(yè)，AMR 主要用于運輸貨物。它們可以在工廠的樓層、裝配線和倉庫之間移動，從而運輸需要的零件。AI 軟件使其能夠感知環(huán)境，并對路徑上的障礙物作出實時反應，而不是遵循預先設(shè)定的靜態(tài)路線。 當部署多個 AMR 時，一個集中的“AI 大腦”可以處理協(xié)調(diào)和導航，其中會用到計算機視覺、機器學習和軌跡規(guī)劃算法。這種控制系統(tǒng)，在上百個機器人同時工作時，是不可或缺的。雖然目前 AMR 的應用仍處于早期階段，但它的潛力值得肯定。

2018 年，空客進行了首次 AMR 試驗，在其英國工廠內(nèi)運輸重型飛機機翼。該公司使用了由丹麥移動工業(yè)機器人公司 MiR 的產(chǎn)品，并與研究小組 AMRC 合作，使機器人適應其特定需求。在 AI 的幫助下，MiR 機器人可以預見路徑上潛在的障礙物并主動改道，還能夠做到實時決策。 實時生產(chǎn)監(jiān)控和質(zhì)量檢測 根據(jù) CB Insights 的數(shù)據(jù)，預計到 2023 年，生產(chǎn)監(jiān)控將具有60 億美元的市場。企業(yè)在該領(lǐng)域使用 AI 的方式有兩種：實時監(jiān)控裝配線工人和工作流程，以及實時檢測零件缺陷。 AI 算法可以基于企業(yè)收集到的工人和產(chǎn)品數(shù)據(jù)（比如什么是正常操作、什么是錯誤操作、以及哪些零件有缺陷等等），來判斷流水線上的產(chǎn)品質(zhì)量是否合格，以減少后期的產(chǎn)品召回和其他問題。

在這一領(lǐng)域的初創(chuàng)公司包括 Instrumental、Elementary Robotics 和 Landing AI。其中 Instrumental 專注于利用 AI 實時識別流水線上的產(chǎn)品缺陷，并在 2020 年第三季度獲得了 2000 萬美元融資， 寶馬在德國的一家工廠引入了圖像識別技術(shù)。員工從不同角度拍攝汽車并與車型匹配，用作訓練 AI 的初始數(shù)據(jù)集，隨后就可以在生產(chǎn)過程中自動驗證汽車上是否貼有正確的代號。 為了減少人工錯誤，制造業(yè)巨頭 ABB 和電信公司 Telia 合作，在流水線引入了 AI 攝像頭和 5G 技術(shù)，可以用計算機視覺軟件對監(jiān)控工人，并提供實時反饋。 總結(jié) 目前來看，制造業(yè)整體上對 AI 的應用仍處于早期階段，但許多應用場景都有具備大規(guī)模引入 AI 技術(shù)的潛力，許多公司正在朝著這個目標努力，隊伍中既有初創(chuàng)企業(yè)，也有老牌制造業(yè)巨頭和科技巨頭。 隨著 AI 技術(shù)的進步，市場規(guī)模還將進一步擴大。可以預見的是，未來會有更多公司涉足該領(lǐng)域，AI 驅(qū)動的自動化趨勢也將繼續(xù)保持下去。 - END -

原文標題：后疫情時代，AI如何復興制造業(yè) | CB Insights報告

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。