谷歌云最新调查：制造商IT支出的三分之一被用于AI

2020年10月，调查机构The Harris Poll接受谷歌云委托，以在线方式对七个国家、1,154 名高级制造业高管进行调查。
调查发现，疫情一直是推动制造企业采用更多数字技术的一个重要因素。76% 受访者表示，他们已经转向人工智能、数据分析和云等「颠覆性技术」来帮助应对疫情。64% 的制造商依赖人工智能协助日常运营。将其全部IT支出的一半或更多用于人工智能的制造商已占四分之一。
平均而言，报告中制造商 IT 总支出的36%被用于人工智能。英国制造企业支出最高，日本制造业支出比最低。从门类来看，电子电气行业支出最大，化学品企业垫底。虽然人工智能的利用率正在增加，但调查表明还有更大的增长空间。目前，未在日常运营中使用人工智能的制造商中，约有三分之一认为，AI将使员工的工作更有效率 （37%），并提高全体员工的能力（31%）。「广泛采用人工智能的关键在于其易于部署和使用，」谷歌在最新报告中表示，「随着人工智能在为制造商解决实际问题方面变得越来越普遍，我们看到了从『试点炼狱』到『人工智能黄金时代』的转变。」事实上，从大规模生产到精益制造、六西格码，再到最近的企业资源规划，制造业对创新并不陌生。现在，人工智能有望带来更多创新。2019年，谷歌云将制造业确定为云业务增长的六个关键垂直行业之一（另外还有公共部门、金融服务、医疗保健、零售和通信/媒体）。从那时起，谷歌云一直在招聘高管来加强其行业专业知识，并在制造业中吸引客户，如西门子、福特和雷诺。根据ABI Research的数据，到2025 年，全球50,000多个仓库中将安装超过400万台商用机器人，而截至 2018 年，这一数字还不到4,000个。牛津经济研究院预计，中国将有 1,250 万个制造业工作岗位实现自动化，而麦肯锡则预测机器将很快覆盖美国30%以上的制造业岗位。今年2月，福特和谷歌宣布了一项独特的战略合作伙伴关系，以加速福特的转型并重塑互联汽车的体验。福特还将Google Cloud定为首选的云提供商，以利用 Google 在大数据、人工智能（AI）和机器学习（ML）方面的专业知识。「这将加强我们在整个业务中实现人工智能民主化的努力，从工厂车间到车辆再到经销商，」福特人工智能和云主管布莱恩古德曼在一份声明中表示，「我们曾经在福特计算过人工智能和机器学习项目的数量。对人工智能的应用就像基础数学一样普遍，福特建立了一个由数据驱动的人工智能生态系统，它为『数字网络飞轮』提供动力。」4月，西门子表示已开始与谷歌合作，开发人工智能应用程序，以支持制造业。通过将谷歌云的数据云和AI/ML功能与西门子的数字化工厂整体解决方案相结合，西门子表示，它能够为制造商提供协调工厂数据的能力。这使得他们能够运行基于云的机器学习和人工智能模型，这些模型可以作为算法部署在网络边缘。报告显示，在部署人工智能以协助日常运营方面，前三名的应用行业分别是汽车/原始设备制造商（76%），汽车供应商（68%）和重型机械（67%）。意大利和德国分别有80%和79%的制造商在日常运营中使用人工智能。这一比例在其他国家有所下降，比如美国（64%）、日本（50%）和韩国（39%）。人工智能的前三名应用行业分别是汽车/原始设备制造商（76%），汽车供应商（68%）和重型机械（67%）。AI用例增长最快的行业分别是金属加工、工业与装备以及重型机械。根据谷歌云的数据，质量控制（39%）和供应链优化（36%）是人工智能在制造业中的两个主要应用领域。其他三个主要应用领域分别是风险管理（36%）、生产线质量检查（35%）和库存管理（34%） 。制造商将协助业务连续性（38%）、帮助员工提高效率（38%）和帮助员工整体（34%）作为他们利用 AI 的首要原因。质量控制（39%）和供应链优化（36%）是人工智能在制造业中的两个主要应用领域。协助业务连续性 (38%)、帮助员工提高效率 (38%) 和帮助员工整体 (34%) ，成为制造业利用 AI 的三大首要原因。根据普华永道 2020 年的一项调查，制造业公司预计未来五年将因数字化转型而提高效率 。麦肯锡与世界经济论坛的研究表明，到 2025 年，实施「工业 4.0」的制造商的价值创造潜力将达到 3.7 万亿美元。「许多客户不仅对购买技术感兴趣，而且对如何解决业务问题感兴趣。」在讨论调查结果时，谷歌云制造和工业董事总经理Dominik Wee说。当制造商试图从试点发展到大规模推广基于人工智能的项目时，他们面临着许多挑战。调查显示，25%的受访者表示，他们缺乏正确使用AI的人才，而23%的受访者表示他们的IT基础设施落后，超过20%的受访者表示AI应用成本过高。另有19%的制造商认为人工智能是一项「未经证实的」技术，16% 的制造商声称他们缺乏必要的利益相关者的支持，阻碍了人工智能的实施工作。这些发现与企业数据智能解决方案供应商Alation最新季度数据文化状况报告基本一致。Alation的报告中，绝大多数员工（87%）将数据质量问题视为其组织未能成功实施人工智能和机器学习的原因。缺乏高管支持也是首要原因，公司调查中有55%的受访者认为，这比缺乏具有数据科学技能的员工更重要。制造业的AI部署从试点炼狱飞跃到大规模部署阶段还面临上述几个障碍。在谷歌看来，高度异质化的环境是制造业大规模部署AI的一大障碍。在生产车间中，存在大量「历史」设备，这当中有的设备不具备数字化基础，有的则在很难用AI实现自动控制。此外，随着时间的推移，制造商在世界各地工厂中的设备量持续增加，而管理方式则过于离散，无法实现统一和标准化。另外，数据利用也十分困难，从收集数据到数据管理，其间存在大量设备孤岛、数据孤岛。很多数据存储在不同系统中――有些甚至没有连接在企业的系统平台中。而在数据利用过程中，即使在统一数字化平台中完成了归档和整理的数据，仍然需要对数据进行优化和分析才能使数据真正有意义。至于人才差距带来的挑战，这在制造业之外的许多行业都很常见。也是谷歌认为有机会提供技术和服务的另一个领域。「许多在制造业工作的人没有接受过部署人工智能的专业培训，」Dominik Wee补充说。「我们正在努力简化技术，提高易用性，同时帮助企业提高员工的操作技能。」谷歌的这项调查还发现，制造商对云的采用率相当高。大多数（83%）已经制定了云战略，无论所处区域或行业如何。依赖云计算的前五名制造业子行业包括重型机械（92%）、汽车/OEM（87%）、工业与装配（87%）、汽车供应商（81%）和化学品（81%）。

『本文转载自网络,版权归原作者所有,如有侵权请联系删除』