人工智能前景
据埃森哲公司测算，到2035年，人工智能技术的应用将使制造业总增长值(GVA)增长近4万亿美元，年度增长率达到4.4%。而中国是制造业第一大国，2018 年制造业增加值达 26.5 万亿元，占 GDP 总量的 29.4%。同时我国又是是人工智能第二大国，拥有全球第二多的 AI 企业。所以未来人工智能与制造业的融合发展未来可期，
政府高度重视人工智能的技术进步与产业发展，人工智能已上升国家战略。《新一代人工智能发展规划》提出“到2030年，使中国成为世界主要人工智能创新中心”。人工智能市场前景巨大，预计到2025年人工智能应用市场总值将达1270亿美元。
既然市场如此之广阔，那么为什么需要人工智能与制造业融合呢？原因在于发达国家目前经历产业空心化、利润空前但是就业人数却大量降低，而发展中国家产业低值化严重，基本制造业都处于劳动密集型企业。而随着例如大数据、云计算、神经网络等信息计划信息化极速发展，不同国家提出新工业革命：
英国：高价值制造、人工智能发展计划；
美国：先进制造、工业互联网与制造业回流；
德国：工业4.0；
中国：智能制造2025、新基建。
人工智能与制造业概念：
人工智能：狭义来讲就是计算机对人脑的模拟和应用；广义为对所有智能的模拟和应用；目前包含计算机视觉、自然语言处理、语音识别、机器学习等都属于人工智能范畴。
人工智能+制造业：综合来讲是将人工智能技术应用到制造业当中，在数字化、网络化的基础上实现自主判断与业务操作；其核心在于机器是否能对现状自动反馈和调整。
人工智能+制造业动力不足：
而且《2020人工智能与制造业融合发展白皮书》指出，当前，人工智能与制造业融合应用已具备一定的基础。从融合特点来看，我国制造业各细分行业形成领军者、追赶者、探索者三大梯队特色发展的格局，比如家电制造业（海尔）、机械装备制造业（徐工、树根）等细分行业。追赶者融合基础较好，融合潜力巨大，包括电气机械和器材制造业、医药制造业、纺织服装制造业等细分行业，探索者包括橡胶和塑料制品业、造纸包装及印刷业等行业，正积极探索人工智能应用发展路径。
但是现阶段“人工智能+制造”仍然面临以下挑战。一是人工智能的价值难以被准确衡量，部分企业尤其是中小企业应用人工智能的动力不足，因为中小企业的核心目的是活下去；如果需要应用人工智能领域部分技术，肯定是要么可以提高品牌、增加产品赋能，从而提高利润率，要么则是可以内部降低运营成本。综合来讲中小企业如果需要去打开它的市场，肯定是从开源节流出发的。
如果抛开中小企业的噬利行为，即使站在具备领头定位的重大企业也是裹足不前，原因在于一些细分行业人工智能应用路径尚不明晰，应用风险、收益和成本难以准确核算，短时间内无法给出切实的解决方案。另外就是制造业由于多年产能过剩原因，大多企业处于温饱线上挣扎，尽管数据量巨大，但凡是能够人工处理的绝不想其他办法，部分设备还保留了80-90年代的牛头刨床，设备数据采集成还只是空谈；由于企业利润堪忧，也没有过多的资金投入到企业管理辅助的业务环节当中，因此会造成电网、三桶油比制造业的信息化需求高很多，原因在于制造业人多利薄。
除了利润缺少之外，还有一部分原因是工业深水区的解决方案仍待探索，目前人工智能应用仅集中在少数变现能力强的热门场景，更多应用场景还有待挖掘。
由于制造业还都处于堆人的劳动密集型企业，所以对于信息化是有排斥心理的，因为“一旦有钱为什么不扩建厂房而建设成果尚不确定的信息化领域当中”是制造型企业的真实写照。如果站在数字化—信息化—知识化—智能化这个发展趋势去看待的话，制造型企业是否有数字化需求都在其次，更何况到智能的地步。数字化、信息化对于哪些企业作用最突出呢？主要是那些订单多到单纯依靠人为去管控、去统计数据已经无法完成的企业，像阳光电气这样的龙头企业许多环节仍然是以Excel对生产进行管理的。
曾经去过一些订单并不饱和的企业，调研过程中提及业务中最痛苦的地方的时候，工人上班非常自由随意，思考良久之后说出目前业务中最难的是装一个空调。所以对于订单并不包含的企业，或者对于夕阳产业想在内部打开数字化、信息化或者人工智能之门难比登天，所以对于订单非常饱和的企业重点在于内部可视化管理，缩减交付周期、降低运营成本，也就是如果对于夕阳产业则重点需求在于打开外部市场或者另外的利润点，而不是集中在管理层面去做事。
人工智能+制造业业务场景：
根据网络数据显示我国 AI 公司的数量已超过 2000 家，但真正专注工业领域的企业数量却不足 5%。SAP 公司曾做过一项分析，中国过去三年最大的 300 项人工智能投资项目中，AI+制造业的投资不到 1%。所以人工智能产生应用场景现在分散到企业全局不太现实，都是以单点为突破口逐渐深入的，而目前应用的现状用
阿里云智能副总裁、数据智能总裁曾震宇的话来说就是：“把人工智能的计算机视觉拿到工业领域，相当于拿着锤子找钉子”。企业信息化与人工智能如果需要有个界限的话，那么两者更像是一个是单点突破一个是贯穿整个流程。而单点的业务场景无非以下几种（不同行业具备不同的业务场景）：
质量检验：比如芯片检测，比如如果生产5亿芯片，由于会出现很多质量问题，如果人工检测的话每年大约需要1亿美金，每个芯片的成本也会增加。但是如果利用视觉+机器学习，人工参与度将大大降低。如果质量业务按照时间维度分为前中后三种的话，那么质量检验相当于是事后处理，对于事前预防并没有做太多的文章。所以这种头疼医头脚疼医脚的方式带来的利益点仅仅是降低工人数量或者降低工人不舒适的劳动强度，对于业务链整体的提升显然比不上MES系统。
库房管理与物流：比如京东物流某库房，需要按照订单和发货地分拣成品，同时回收空的料箱，并把部分废料、废品扔进废料堆放处。这个工作每个班次由两名工人合作完成，库房内有粉尘和噪音，每天累计重复分拣动作要执行2000-3000次，虽然重物搬运由机械手完成，但仍是强度大、环境差、技术含量低的重复性工作。
企业用一台机器人替换每天三班倒的两个工位，机器人带有机器视觉系统，订单和发货地分拣可以扫RFID码，成品、空箱、废料废品的判断由AI学习算法逐步提高识别率，最初识别率只有62%左右，需要每个班次配合一个工人拾遗补缺，随着数据积累，AI识别模型不断完善，9个月后，综合识别率提高到96%的水平，成品识别和发货地分拣完全准确，已不需要库房留人补缺，只在废料废品回收时，捡出极少量的空箱即可。
工艺优化：AI通过调节和改进生产过程中的参数，对于制造中使用的很多机器进行参数设置。生产过程中，机器需要进行诸多参数的设置。例如，在注塑中，可能需要控制塑料的温度、冷却时间表、速度等等。所有这些参数都可能受到各种外部因素的影响，例如，外界温度等。通过收集所有这些数据，AI可以改进自动设置和调整机器的参数。理想很丰满，但是现实很骨感，尽管阿里云、百度云拥有优质的架构、中台与算法，但在工业领域落地时，往往要借助行业信息化供应商，才能提供全流程解决方案，核心就在于对行业理解的匮乏。
生产制造：福特曾经豪言：不管你要什么车，我都只生产黑色，这是流水线大生产的典型写照，但如果福特放在现状还是这种思路的话福特汽车只有死路一条。因为现在个性化越来越多，但是个性化生产的成本又非常巨大，那么只有一种途径就是大规模定制，利用个人消费数据进行分析后形成综合的订单，然后平台分发进行大规模生产进而降低成品单价，犀牛制造目前就是走的这条路子。但虽然电商具备大量的消费行为数据，但是数据永远是落后于实际需求的，这种应用场景需要将分析平台极大化准确率才从增加。
人工智能与制造业未来之路：
虽然人工智能技术刚刚越过曲线高峰处于狂热去，但是制造业真正应用到且效益非常高的场景比较少，除了制造业业务链冗长与复杂之外，AI技术的储存不足也是人工智能+制造业融合裹足不前的原因之一。人工智能技术还在不断优化发展当中，比如企业需要识别PDF当中订单数据，但是识别率只有60%左右，最终沦为了人工智能+手工的模式，技术深度还不足以应用到实际业务当中；而现在扬言人工智能的小米AI沦为了儿歌、诗歌播放机，与人对话不足几句就是小爱同学还在不断学习当中，语言识别与视觉识别只是个例，但是在一定程度上代表了技术深浅。
综合来讲人工智能与制造业的深度融合时机尚未成熟，但是目标是一致的：促进生产力提升、降低劳动强度、提升安全保障。而目前就着这三个目标点，已经有部分在推动实施，但是仅仅依靠单点的人工智能将企业升级到另外一个管理水平显然不可取，因为单点的人工智能优化将产生更多的信息孤岛，而如果希望从企业整条价值链来优化提升，最好的方式是信息化+人工智能，人工智能在单点进行突破，而信息化站在整条价值链上进行赋能优化，也就是说AI+其实是两化融合的高级阶段。
所以人工智能更改不了企业需要经历数字化、信息化等阶段的事实，人工智能的突然兴起更像是为企业信息化吹起来号角，因为人工智能对于企业诸如生产工艺、制造过程、质量等方面的优化更像是为企业信息化服务，因为经过人工优化的业务环节会以数据孤岛的形式存在，而打破信息孤岛贯通企业所有数据只能依靠信息化。人工智能更多的是解决产业链单点问题，而企业信息化解决的是整条业务链的问题。
