AI如何才能俘获制造业的芳心？

2017年5月27日，击败柯洁之后，独孤求败的AlphaGo决定隐退，也将一大批AI公司推向台前，包括谷歌旗下的DeepMind，以及以商汤为代表的国内AI头部企业。

恰逢此时，作为AI技术应用最有潜力的领域，全球不少国家陆续出台了关于制造业+AI的国家级战略，比如德国在2018年通过了《联邦政府人工智能战略要点》，11月发布“AI Made In Germany”的战略。

作为欧亚大陆另一端的制造大国，中国也在2015年发布《中国制造2025》，AI也在2017年第一次出现在政府工作报告里，2020年，国家发改委明确将AI列入新基建。

根据德勤的报告，AI的应用可以为制造业最多降低20%的加工成本，到2030年，因AI的应用，全球将会新增15.7万亿美元GDP，其中中国占7万亿美元，到2035年，AI将推动劳动生产率提高27%，拉动全球GDP增长27万亿美元。

过去五年，AI与传统制造业之间的碰撞和融合，从过去的单一场景的浅层互动迈向了全产业链、多场景的2.0阶段，双方之间的嵌套关系越来越深。

01、小试牛刀

作为一门复合型科学，AI在生产制造的不同阶段都有潜在应用。

比如在分拨、仓储和配送环节可以通过优化算法来制定最优路径，节省时间；在生产计划环节，在给定条件下可以生成最佳排产计划；在质检环节，通过机器视觉和算法发现微小缺陷，提升良品率；在设备维护领域，可以利用历史数据来预警故障风险。

过去五年，一些大型产业已经开始受益于AI的应用，比如汽车、钢铁、化工以及电力行业。

2016年，上汽通用将AI应用到数字化排产上，比如在动力总成工厂，排产时间从原先的8小时缩短至0.5小时，效率提升了16倍，整个排产系统一年能够为上汽通用节省一千万[5]。

在国外，奥迪通过AI技术，将位于匈牙利的电动车工厂改造成了模块化的“自动化加工岛”，车辆在每个岛上完成对应的加工和装配，无人驾驶AGV小车负责运输车身和零部件，人工智能算法负责调度，从而使得生产效率提升了20%。

2017年，台湾中钢引进了AI技术，对钢铁热成型过程中的缺陷进行检测，筛选出了一些关键的特征数据，并喂给AI学习。最终他们发现炉内压力对产品缺陷影响最大，AI为其节省了90%的成品质量判定和人力资源。

由此可见，AI能够通过对上游供应链和下游需求的精准预测来优化生产计划和控制供应链成本。

但总体而言，当前AI技术能覆盖的多是大产业和高频场景，在庞杂的工业上游环节，AI渗透率并不高。

02、长尾场景

在大部分产业，越接近上游，生产环节场景标准化程度越低、规模效应越不明显。AI在这些场景中的复用难度大，供需双方都需要付出极大的成本，加上制造业整体毛利率偏低，投资回报周期被无限拉长，导致上游企业对AI的接受度普遍不高。

与此同时，企业智能化转型改造的周期也较长。如果是规模较小，能够接受整套转型方案的企业，大约能在1年之内完成；如果规模偏大，且之前已经引入ERP等数字化系统，那么要与新的智能化方案全面融合，则需要更长的时间，转型过程中对企业的生产经营造成的影响很难抵消。

但这并不意味着数字化转型对于工业上游企业而言不是刚需，相反，在一些极其重视流程规范和过程安全的领域，AI能够解决这些企业的痛点。

2005年3月，英国石油公司位于美国得克萨斯州的炼油厂发生了一起严重的火灾爆炸事故，事故造成15名员工丧生，180余人受伤，直接经济损失超过15亿美元。

这是一起典型的由长尾、低频场景发生问题而引发的事故，整起事故由夜班安全员的不规范操作诱发，期间油位警报器失灵、油位指示器发生故障，排液控制阀关闭，泄压阀被暴力打开，最终使得炼油厂蒸馏塔油位过高，从排放烟囱中喷出，恰巧被附近未熄火的汽车引燃，才酿成了这桩惨祸。

人为操作失误，偶发的器械故障，甚至是偶然开进工业区没有熄火的汽车，这些都是传统工业场景中极难防范的问题。但通过引入AI对关键流程、关键设备进行监控，通过AI进行园区与人员的管理，类似的事故就能够防范于未然。

当下的难点是，如何让AI进入工业的上游场景，既然存在相应的需求，那么就应该从AI落地的性价比入手。

03、AI普惠

AI在工业上游场景落地的性价比低，核心原因是AI的生产要素过于昂贵。

纵观国内外AI企业，过去比拼的都是算法精度，用博士和超算堆出来的高质量算法，背后都是巨额的研发投入。但当产业开始落地时，如何把AI生产的整体成本降下来，就成了摆在AI企业面前的一道难题。

为降低AI整体的生产成本，使其顺利进入工业生产环节，商汤推出了“AI工业引擎”，目的是用一套“大AI模型”来覆盖工业领域极其复杂的长尾场景。

这套AI工业引擎以商汤SenseCore商汤AI大装置为基础，整合了其原创打造的SenseMARS火星混合现实平台与SenseFoundry Enterprise方舟企业开放平台的能力，专门面向工业企业AI转型所面临的三个痛点。

痛点一：工业领域复杂、低标准化的长尾场景

工业领域复杂、非标的长尾场景往往需要不同的AI算法来解决问题。面向这些场景，商汤SenseCore AI大装置通过模型生产平台、算法训练平台等AI生产的强大能力，生产了超过22000个算法模型。

不仅如此，商汤还与香港中文大学商汤联合实验室合作打造了算法开源计划（OpenMMLab），与社区开发者共同构建创新生态，目前，商汤已将210多个算法和1500多个预训练模型进行了开源。基于此，商汤向企业开发者提供算法工具，使得自身开发的先进算法和开源形成的算法生态能够下沉到工业生产、管理、运维等各个环节，并串联其间的关系，形成价值闭环。

痛点二：场景多样化对算力的需求激增

算法精度的提升并没有使AI对算力的需求降低，相反，随着AI开始向工业上游的长尾场景覆盖，场景的复杂性要求AI由专用向通用转变，这一过程中，AI对算力的需求出现了指数级的增长，在过去几年翻了近百万倍。

为满足日益增长的算力需求，商汤建立了新型人工智能计算中心AIDC，这一设施整合了AI芯片与AI传感器，能够提供高达3740 Petaflops（Petaflops，每秒千万亿次浮点运算）的算力，预计在2022年完工投入使用。

通过强大的算力基础，整合领先的算法能力，商汤可以助力工业企业实现AI的更大规模落地和应用。

痛点三：AI的自动化、自适应部署

拥有大量针对不同工业场景的算法和支撑算法运行的算力之后，还需要一套能够让算法自动“Run”起来的方案，这是降低AI公司部署算法成本与工业企业接受部署成本的关键。

商汤在平台层打通了数据平台、模型生产平台、深度学习训练框架和深度学习推理部署引擎，实现了从数据存储、标注到模型训练、生产、部署、测试的全链路、批量化过程。通过商汤的AI大装置，可以真正实现对人工智能生产要素成本的大幅降低，从而让工业企业能够在有限的资源和预算的情况下，用得起、用得上AI，部署和覆盖到更多需求场景中去。

然而，商汤给出的方案没有停留在提升AI能力与降低部署成本，在工业场景的易用性上，商汤为工业提供了更加具象化的能力——SenseMARS火星混合现实平台与SenseFoundry Enterprise方舟企业开放平台。

SenseMARS火星混合现实平台能够通过仿真技术，为企业打造工业生产环境1:1的数字孪生空间。在虚拟层，商汤提供的AI可以在数字孪生空间中进行预训练，降低AI部署对现实生产环节的影响；而在现实层，通过虚实结合的方式，则能够让AI对实体资产进行数字化管理。

在与南方电网的合作项目中，商汤为南方电网打造基于人工智能和增强现实技术的换流站智能运检系统“AR巡检”，包括了巡检路线自动规划、数据分析与智能协助等功能，实现了一线人员与AI的协同工作，大幅提升了巡检的效率。

SenseFoundry Enterprise方舟企业开放平台则能够直接为企业提供标准化的AI算法和应用，降低企业的学习成本和部署工业AI的成本。

通过AI工业引擎，商汤能够向工业企业提供低成本、低使用门槛的AI算法，即使面对工业领域的长尾场景，这些算法也能表现出极高的匹配度，加速AI赋能工业转型的进程。

对所有AI企业而言，工业领域的长尾场景是一个庞大的蓝海市场，如果能在这些领域快速落地，这些公司商业价值也能得到大幅提升。

04、尾声

对中国来说，制造业的转型升级是一项永远在路上的历史性课题，想在新一轮的技术革命中抢占制高点，必须要仰仗更多的政策推动和技术支持，包括AI。

反过来，中国制造业的转型升级也为AI的落地和发展提供了广阔的平台。

一方面，重复性、规则性以及可编程性较强的工作将逐步由工业机器人完成，另一方面，AI将促进制造业研发、生产、运输、仓储、服务等环节的数字化和智能化，与工业互联网叠加，创造出更多高质量的就业岗位，产生更多有商业价值的新场景。