隨著人工智能、大數據、物聯網、云計算等新興科技發展,全球制造業開始進入新一輪變革浪潮。受政策支持、數據環境、算力提升、算法模型優化、商業化應用潛力五大利好因素驅動，中國制造業人工智能應用市場前景廣闊，預計未來五年將保持年均40%以上的增長率，并在2025年超過140億元人民幣。
近期，德勤發布《制造業+人工智能創新應用發展報告》，深刻闡述人工智能賦能制造業的背景與意義，客觀呈現 “制造業+人工 智能”的總體態勢，展示人工智能技術正如何改變傳統的制造業，探討制造業中各領域各環節中應用人工智能這一新興技術的挑戰。
點擊圖片可查看完整版報告
01.制造業：人工智能應用藍海
全球經濟環境變化使企業對數字技術應用的認知大幅提升，越來越多的企業開始關注人工智能技術及其應用。德勤的最新調研顯示，大部分中國企業認為人工智能是企業確立當前和未來市場領導地位的關鍵，其戰略重要性將在未來兩年持續提升。
中國作為制造業大國，為人工智能提供了豐富的應用場景。據估算，人工智能在中國制造業的市場規模有望在 2025年超過140億人民幣：從2019年開始每年保持40% 以上的增長率。人工智能在制造業應用的快 速發展主要受益于5個驅動因素：(1)新基建等政策支持;(2)人機物互聯產生海量數據;(3)云計算、邊緣計算、專用芯片技術加速演進實現算力提升;(4) 算法模型持續優化;(5)資本與技術深度耦合助推行業應用。
制造業為什么需要人工智能?人工智能技術賦能制造業主要體現在三方面：首先，人工智能可以幫助企業提高智能化運營水平，實現降本增效;其次，人工智能、5G、工業互聯網等技術融合應用，推動制造業生產及服務模式、決策模式、商業模式發生變化;最后，人工智能帶動制造業價值鏈重構，有利于中國搶占全球制 造業產業鏈上的價值高地。
▲人工智能在中國制造業應用市場規模
制造商正面臨著利潤率低、市場變化快的壓力，企業更需要透明的供應鏈和可預測的需求來指導生產和控制成本。人工智能技術將原始運營和資產數據轉化為可行的方案， 從而使人和機器能夠在正確的時間采取正確的行動，以不斷提高性能。
人工智能賦能制造業發展迎來新機遇，工業互聯網助力制造業轉型升級成效初顯，推進人工智能與業務場景的融合。制造業將迎來更為廣泛成熟的生態圈，將開發更智能化及網絡化的新產品，并帶動行業的生產、服務及商業模式升級。
而制造業是人工智能應用場景最具潛力的領域。有研究發現，人工智能的應用可為制造商降低最高20%的加工成本，而這種減少最高有70%源于更高的勞動生產率。到 2030年，因人工智能的應用，全球將新增15.7萬億美元 GDP，中國占7萬億美元;到2035年，人工智能將推動勞動生產力提升27%,拉動制造業GDP達27萬億美元。
制造業將成為人工智能應用藍海。2016年，全球人工智能及相關技術的制造業應用市場約為1.2千億美元，這個數字在2025年有望超過7.2千億美元，復合年均增長率 預計可超過25%。
中國制造業轉型升級為中國人工智能發展提供廣闊平臺。一方面，低技術含量(第二產業、處理常規/可預測/ 可編程任務)的工作將首先被人工智能替代。中國制造業在轉型升級的過程中，重復性、規則性、可編程性較高的工作內容將逐步由協同智能化工業機器人完成。另一 方面，人工智能促進制造業研發、生產、運輸、倉儲、 服務等環節的智能化，與工業互聯網疊加，創造出更多高質量的就業崗位，產生更多具有商業價值的新場景。
當前主流的制造業生產方式以流水線生產為標志，在這種模式下，企業競爭策略主要是產品多樣化策略和成本控制策略。受限于標準化生產過程，消費者曰益增長的個性化需求難以被精準滿足。隨著消費升級，制造業 提高供給質量的必要性、迫切性不斷增加。
在人工智能技術的引領下，剛性生產系統轉向可重構的柔性生產系統，客戶需求管理能力的重要性不斷提升， 制造業從以產品為中心轉向以用戶為核心。大規模生產 轉向規?；ㄖ粕a，數據要素的附加值提高，生產者主導的經濟模式轉向消費者主導的經濟模式，滿足消費 者個性化需求成為企業的重要競爭策略，逐漸替代以往 企業依靠規模經濟來降低成本的競爭策略。
人工智能還將幫助中國制造業應對產業鏈外遷的風險。產業鏈外遷通常意味著企業搬離、就業流失、稅收下降，特別是在疫情對中國經濟造成一定沖擊的情況下， 以服裝為代表的制造業比較優勢開始下降，行業規模以下企業眾多，被動加速產業轉移，由此引發居民收入下降和農民工失業風險，這些風險需要積極應對。中國需要加強基礎研發力度，發展高技術制造業，推進制造業服務化，以人工智能賦能產業數字化轉型，使產業擁有自己護城河的同時，增加居民收入和拉動就業。
在全球制造業的價值分配鏈中，中國并未占領技術研發、 產品設計、高附加值服務等產業鏈上的高價值部分，而借助人工智能可以加速中國向產業價值鏈高端攀升。
02.三層產業結構 人工智能絕佳落地賽道
人工智能經過60多年的演進，已發展成多學科高度交叉的復合型綜合性學科，涵蓋計算機視覺、自然語言理解、語音識別與生成、機器人學、認知科學等領域的研究。人工智能與制造業融合，是指將人工智能技術應用 到制造業，使制造業在數字化和網絡化的基礎上，實現機器的自動反饋和自主優化。從“制造業+人工智能”的視角理解，其產業結構包含三層，如下圖所示。
▲制造業+AI產業產業結構
1、基礎層，不可或缺的軟硬件資源
“制造業+人工智能”的基礎層包括人工智能芯片、工業物聯網，它們為人工智能提供在制造業落地所需的軟硬件資源。
復雜的工業問題需要人工智能算法芯片高效運算來解決，當前能適應深度學習需求的芯片類型主要有 GPU、FPGA和ASIC,三者在性能、定制化程度、功耗、 成本等方面具有不同特點。
▲不同類型人工智能芯片比較
人工智能芯片產業鏈分為上游算法設計、中游芯片制造以及下游應用。
上游底層算法架構設計通常由具備豐富經驗的大企業負責。晶圓工廠負責測試芯片算法效果。軟件及其他專用材料、設備的供應商為中游企業提供所需硬件。
中游芯片廠商對算法架構設計及IP核授權企業依賴度較高，上 游架構交付企業對中游芯片制造企業議價能力較高。中游企業負責人工智能芯片的設計、制造以及測試。
實力較強的芯片企業可拓展業務至底層算法架構設計環節，整合芯片、模塊及終端產品，提供一體式解決方 案，向下游各類企業提供人工智能運算產品和服務。中游不具備芯片設計能力的企業平均盈利水平較低。
處于產業鏈下游的是各類工業產品和消費電子制造商。
人工智能芯片在制造業應用領域包括智慧工廠、智慧家電、自動駕駛等。由于人工智能芯片附加值高且產能有限，下游廠商對芯片制造企業的議價能力有限。
▲人工智能芯片產業鏈
工業機器人誕生于20世紀70年代。機械臂作為典型的工業機器人，已經廣泛應用于汽車、電子、金屬、塑料 和化工以及食品和飲料等制造業垂直領域。人工智能時代，工業機器人將被新的核心技術定義，包括深度學習、路徑規劃、任務級編程、柔性控制等，“人機協作”也正成為工業機器人的發展方向。
與傳統工業機器人相比，協作機器人可以和人類伙伴并肩協作，高效安全地完成某項或多項作業。英國巴克萊銀行的一份研究報告預測，協作機器人將迎來蓬勃發展的黃金時期，預計到2025年全球銷量將從2018年的5.8 萬臺快速增至70萬臺。
▲協作機器人與傳統工業機器人比較
工業機器人產業鏈分別由上游關鍵材料及零部件生產商、 中游機器人本體制造商、下游系統集成及服務和下游應用行業構成。
傳統工業機器人產業鏈上游核心零部件主要包括減速器、 控制器和伺服系統等，其成本約占機器人總成本的60%。日本的納博特斯克和哈默納科占據工業機器人減速器70% 的市場份額?？刂破黝I域，日本、德國和美國的企業占據了主導地位。伺服系統由日韓歐美企業主導。隨著人工智能技術在機器人領域應用的增加，人工智能芯片、傳感器等底層智能硬件也成為工業機器人產業鏈上游的重要環節。
▲工業機器人產業鏈
另一個基礎層技術是工業互聯網。工業物聯網將具有感知、監控能力的各類采集或控制傳 感器以及移動通信、人工智能等技術融合到工業生產過程中的各個環節，從而提高制造效率，改善產品質量， 降低成本和資源消耗。
工業物聯網的本質是數據，可以為人工智能提供源源不斷的數據支持，是人工智能在工業領域應用的基石。人工智能精準分析這些數據，在清晰的戰略指引下，幫助企業將物聯網產生的信息轉化為有意義的洞見，幫助決策者更清楚地了解他們的客戶、產品和市場，繼而協助企業開發新產品、服務和商業模式。
▲工業互聯網產業鏈
中國工業物聯網產業鏈已經初步形成，參與者包括上游設備制造商，中游技術和平臺提供商，以及下游產業應用和系統集成商。
產業鏈上游主要負責現場信息采集，如傳感器、RFID讀寫器、智能設備等的制造。上游作為工業物聯網的數據入口，已率先受益并迅速擴大規模。但隨著產業不斷發展成熟，行業呈現完全競爭格局，技術門檻較低的企業 陷入同質化競爭，導致產業價值下沉。
產業鏈中游為工業物聯網應用提供技術支撐，能夠為設備制造商提供終端監控和故障定位服務，為系統集成商提供代計費和客戶服務，為終端用戶提供可靠全面的服務，為應用開發者提供統一、方便、低廉的開發工具等。中游主要包括工業物聯網平臺、工業數據平臺、工業云平臺提供商等。
產業鏈下游負責打通工業數據和產業應用通道的最后關口，針對特定工業場景提供系統集成服務。相關企業包 括工業控制系統企業、工業軟件企業等各類提供工業系 統解決方案的企業。國內從事工業控制、工業自動化的企業數量眾多，在經營規模和經營效益上呈現“扁平大 金字塔”的分布狀態，年營業額在40-50億元的大企業 少，大部分企業年營業額為10億元以下。
2、技術平臺層：問題導向而非數據導向
制造業融合人工智能的技術平臺層包括制造業大數據、 公有制造云、制造業人工智能算法，即基于數據和網絡，開發設計人工智能算法。
工業大數據是工業領域產品和服務全生命周期數據的總稱，包括工業企業在研發設計、生產制造、經營管理、運維服務等環節中生成和使用的數據，以及工業互聯網平臺中的數據等。
工業大數據是推動人工智能在制造業應用的關鍵生產要素。中國作為全球第一制造大國，工業大數據資源豐富，也催生了圍繞工業大數據展開的一系列業務。2019年，中國工業大數據市場整體規模達到146.9億元，同比增長28.6%，預計未來三年將保持30%以上的速度持續增長，至2022年達到346.1億元，工業大數據將持續促進 傳統制造業轉型升級，助力工業智能化發展。
▲制造業年度數據產生量為各行業之首
工業大數據產業鏈由基礎層、平臺層和應用層構成，如下圖所示。
▲工業大數據產業鏈
制造業人工智能算法是利用不同的機器學習方法，融合不同類型的數據去挖掘不可見的關系，對系統進行建模和優化，避免尚未發生的問題。目前機器學習方法眾多，其中以神經網絡、深度學習技術最為前沿，其他機器學習方法還包括決策樹算法、回歸算法、分類算法、聚類算法等。
從算法技術應用來看，主要包括了計算機視覺、情境感 知、自然語言理解、機器學習等。中國企業在技術領域的競爭力較強，不乏計算機視覺、語音識別和自然語言理解的初創企業。
雖然深度學習神經網絡在圖像處理和語義識別等領域已經取得明顯進步，但要廣泛應用于工業系統仍然要走很長一段路。最主要的原因是神經網絡的預測結果往往不能自我解釋。在工業系統中的應用除了對精度有非?？量痰囊笸?，還需要解釋預測結果的合理性，以及相關的不確定性風險。
▲主要機器學習方法
工業云平臺是人工智能進行計算的場所，制造業生產中產生的海量數據將與工業云平臺相連，利用人工智能算法進行數據挖掘，提煉有效的生產改進信息，最終用于計劃排產、協同制造、預測性維護等領域。
目前科技/互聯網企業、通信企業和工業企業都已布局工業云平臺，如阿里巴巴ET工業大腦，中國聯通的CUII, 以及海爾的COSMOCPIat?；ヂ摼W企業優勢在于資源整合能力強，工業企業則更為精準地了解行業痛點。預計未來會出現不同垂直領域的頭部企業，圍繞不同應用場景打造護城河。
▲工業云平臺市場格局
3、應用層面：讓人工智能去做擅長的事情
人工智能在生產制造的不同階段都有潛在應用?？梢杂糜诋a品開發的生成性設計，或用于庫存管理的生產預測，還可用于在生產線上執行缺陷檢查或生產優化等任務，以及用于機械的預測性維護系統。上述應用中，一些正在進入工廠，而另一些仍在等待突破。
現階段中國制造業智能化轉型升級的本質就是從解決可見問題到解決和避免不可見問題的過程。工業大數據、人工智能技術的作用就是通過預測生產系統中的不可見問題， 實現制造系統生產效率的提升和產品競爭力的突破。
03.制造業+AI 重點市場解析
1、上游市場
未來幾年，中國人工智能芯片市場將保持年 均40%-50%的增長，GPU與FPGA市場已被國外寡頭占據，唯ASIC尚未被頭部企業壟斷，成為各方布局焦點。
人工智能芯片產業規模高速增長。全球人工智能芯片市場 規模將由2018年的66億美元(約437億人民幣)增長至2025 年的912億美元(約6,100億人民幣)，CAGR為45%。
預計未來幾年，中國人工智能芯片市場將同樣保持40%- 50%的增長速度。宏觀政策環境、技術進步以及人工智能應用普及等利好因素將驅動中國人工智能芯片市場規模由2018年的80億元人民幣增至2025年超過千億元人民幣。
從市場格局來看，由于人工智能芯片技術壁壘高，國外企業在GPU和FPGA市場獨占鰲頭，只有ASIC尚未被頭部公司占據。英偉達和AMD憑借并行計算架構專利以及人工智能廣泛成熟的開發生態環境壟斷GPU市場。
Xilinx(賽靈思)和英特爾Altera憑借與芯片配套的硬件程序語言、軟件設計工具專利和多年電路設計仿真測試經驗占據了 FPGA市場。在中國FPGA市場中，Xilinx和Altera 雙寡頭市場占比高達52%和28%,從技術到知識產權等方面，國產FPGA廠商面臨著不小的挑戰。當前只有ASIC 尚未被頭部公司壟斷，由各企業針對不同的人工智能應 用場景進行開發。
2018年以來，中國ASIC芯片企業數量激增，但目前仍以國外算法架構設計為主，本土芯片算法設計企業的市場占有率僅為30%。
▲人工智能芯片市場格局
從細分產品來看，中國工業市場對于FPGA的需求高于全球。據MRFR統計，2019年全球FPGA的市場規模為69億美元左右，其中工業領域占比大約為12%,市場規模約 為8.3億美元。2019年中國FPGA的市場規模約為187.5億元人民幣，其中工業市場應用占比約為28%，市場規模 約為52.5億元人民幣，預計2025年，FPGA在中國工業領域的市場規模將達100億元人民幣，主要應用在工業通訊、電機控制、機器視覺、邊緣計算、工業機器人等場景。
相較賽靈思、英特爾等國際巨頭，中國FPGA的研發起步晚、但進度逐漸加快，與國際頭部企業的差距已經由3代縮短至2代。在全球科技競爭激烈和中美貿易摩擦的背景下，國內芯片企業的發展迎來機遇。
▲人工智能芯片市場規模增長預測
2、中游技術平臺
計算機視覺和機器學習技術帶動人工智能在制造業應用市場的增長，預計到2025年計算機視覺在制造業領域的應用市場將達到55億元人民幣，機器學習的應用市場將達到44億元人民幣。
▲人工智能制造業應用市場的規模(按技術分類)
人工智能的云部署方式也快速增長，預計2025 年市場規模將達60億元人民幣，占整體人工智能應用市場的43%，為制造企業提供開發新服務和新商業模式的機會。
人工智能部署既可以在自有設備/私有云上，也可以在公有云上。由于目前人工智能和相關技術主要用于工業生產自動化，自有/私有云部署占據多數市場份額。
▲ 2016-2025人工智能制造業部署方式
3、下游應用
人工智能在制造業中的應用廣泛，圍繞提升效率、降低成本、增加產品和服務價值以及探索新業務模式等價值定位產生了不同的應用場景，如下圖所示。
▲人工智能制造業主要應用場景及市場規模預測
從應用市場規模來看，預計到2025年，電子通信/半導體人工智能應用的市場規模將達到41億元人民幣，汽車制造緊隨其后達37億元人民幣，能源電力25億元人民幣，制藥17億元人民幣，金屬及機械制造13億元人民幣，其他行業8億元人民幣。
▲ 2018-2025年中國工業細分行業人工智能應用市場預測
04.五大挑戰 道阻且長
1、芯片核心技術有待攻克，專用芯片開發技術門檻參差不齊
芯片產業高度依賴知識產權，是典型的技術驅動和資本 驅動型產業。中國芯片產業過去幾年雖發展迅速，但在 軟件、設備、材料、設計、制造等領域和環節仍需攻克 核心技術。芯片設備領域，2019年全球前五名芯片設備生產商占全球銷售額的78%，其中三家來自美國。
芯片材料領域，全球五大硅晶圓的供應商占據了高達92.8% 的產能，美國、日本、韓國的公司具有壟斷地位。芯片設計環節，國際三巨頭美國Synopsys、Cadence和德國西門子的Mentor Graphic占據中國95%的EDA軟件市 場。在芯片制造環節，盡管80%的產能在亞洲，但2019 年臺積電市場占有率高達52%，三星為18%左右，中芯國際和華虹半導體只占4.4%和1.5%。
國外芯片巨頭占據了絕大部分市場份額，具有絕對領先 優勢。中國制造業亟需國產自主可控的高性能芯片來保 證供應鏈安全以及核心數據和知識產權安全。目前，中國對芯片的研發投入強度落后于歐美。據統計，2019年 美國半導體產業的研發支出占銷售額的比重為16.4%，歐洲為15.4%，中國半導體產業的研發支出占銷售額的 比重為8.3%。
國內企業布局主要集中在人工智能專用芯片(如ASIC), 以初創企業和互聯網企業為主。
一方面，專用芯片根據特定工業場景開發，可以更好的解決工業業務痛點。
另一方面，通用芯片技術壁壘高、回報周期長，而初創企業以生存為首要目標，因此很多企業更傾向于結合自己的產品算法和應用特點開發各自獨特的體系，從而可以 較快的將算法和軟硬件結合為完整的解決方案，進而向市場推出。例如依圖科技在招股書中明確，未計劃單獨銷售芯片，而是基于芯片開發智慧服務器及智慧邊緣計算設備并對外銷售。但是由于人工智能芯片開發的技術門檻參差不齊，國內企業尚未形成“芯片一平臺一應 用”的生態，不具備與傳統芯片巨頭抗衡的實力。
2、工業數據資源的掌握與應用能力不匹配，數據價值尚待挖掘
當前基于數據驅動的人工智能技術路線，對問題還原的 準確度離不開數據訓練。采集數據的方法，數據的質 量、多樣性以及規模直接決定了人工智能作用發揮的程 度。相較于商業數據，工業數據的來源和制式更加復 雜，而且對數據的可解釋性、可靠性和準確性要求更 高。目前工業數據應用面臨以下挑戰：
數據采集匯聚：企業信息化基礎薄弱、設備不互聯、 通信協議不兼容造成數據采集困難，數據失真、缺乏 統一的數據標準等導致工業數據難以集成;
數據開發應用：數據的管理和建模技術有待提高，海量實時異構數據的挖掘能力不足;
數據流通共享：工業企業對于跨企業、跨行業數據共享合作的需求正在快速增加，但數據權屬界定不清、 規則不明、難以定價等基礎性問題沒有得到解決;
數據治理安全：網絡安全、系統安全、數據安全等挑戰。
中國信息通信研究院和工業互聯網產業聯盟調研顯示， 中國工業企業只有不到1/3的企業開展了數據治理，51% 的企業仍在使用文檔或更原始的方式進行數據管理。盡管已經有越來越多的工業企業意識到數據資產管理和應用的重要性，但相比信息化程度較高的金融、電信、互聯網等行業，工業數據的應用還處在探索階段。
3、技術能力和算法特質無法滿足實際應用需求，工業場景落地難
現有的通用計算架構與芯片尚無法滿足工業實時性所帶來的計算要求，特定工業場景對端側推理需求迫切。以圖片高精度高速檢測和實時工業場景識別為例，傳統芯 片處理1080P圖片需要耗時1秒，而以上場景的圖像實時識別需要達到人眼識別幀率，即1/24秒。以設備實時控 制為例，中低端設備的控制周期是微秒級，高端設備甚 至要求200-500納秒級，當前人工智能技術無法實現。
另外，人工智能算法的“黑盒”特性與制造業追求的精 準、可靠與可解釋性存在矛盾。人工智能企業往往很難對算法的每一個步驟、算法的技術原理和細節進行解釋，簡單公開算法系統的代碼并不能提供有效的透明度，反倒可能威脅數據隱私或影響技術的安全應用。
制造業的人工智能應用在部分領域、核心環節對推薦參數 的準確性要求是100%，一旦參數出現問題，會對生產、制造等環節，甚至生命財產安全產生巨大影響。制造企業不清楚算法模型是如何得出某個結論，無法理解復雜的人工智能算法的決策理由，導致了企業對人工智能準確性的懷疑，加大了人工智能企業找到既符合應用條件又愿意配合的制造企業的難度。
4、人工智能技術解決方案無法直擊核心痛點，復制性較差
許多人工智能技術目前還在關注表面的問題，而非核心痛點。例如，某手機制造企業希望通過人工智能提升制造工藝和良品率，而引入計算機視覺做質檢只能在產品生產出來后發現缺陷，遠不能達到改進工藝、解決核心質量問題的目的。
此外，由于工業設備產品、場景的差異化與任務的多樣 性，當前工業場景下機器學習模型的可復制推廣性較差。例如，工業場景下的產品檢測，不同生產線、不同 產品的缺陷種類情況可能完全不同，在某一企業可能獲得高效率的算法或解決方案，移植到另一企業或許并不能達到同樣的效果。
5、制造業企業自身意識和能力不足，認知理念、管理方式、人才計劃亟待變革
制造企業要想利用人工智能技術實現降本增效，就需要 進行認知和管理方式上的轉變。很多傳統工業企業認為，應用工業智能數字化產品和采購設備的效果一樣，能夠快速的優化和提高競爭力。但數據驅動的模型需要數據不斷迭代優化，才能達到相對精準的效果。這意味著工業企業需要改變對軟件的看法，并在模型初期給予足夠的包容度。
制造企業既有的經驗及組織架構也會成為障礙。當人工智能技術的導入涉及到管理變革或流程優化操作時，由于員工已經熟悉原有的工作流程，要推行實施新流程就要經歷一個非常困難的過程。資金、培訓和時間的投入是公司難以承擔的巨大風險。另外，不了解如何進行相 關的組織架構調整，也是企業應用人工智能過程中面臨的挑戰。
人才短板也是工業企業人工智能應用的挑戰之一。在人工智能技術深入應用并落地的過程中，需要人才既懂技術又懂傳統工業產業，才能實現深入融合。這要求人工 智能人才培養時注重跨學科能力與綜合應用能力。
在人才培養計劃中可以推行高校人工智能人才培養與傳統工業企業平臺結合的方式。企業自身人工智能技術探索研發的過程，對培養高精專人工智能人才是很好的教育。人工智能與不同行業的結合可以為企業提供不同的發展思路，有利于人工智能理論在垂直產業的實際應用落地。
（來源：先進制造業）
京公網安備 11011202001138號
