在线教育：利用训练营玩法，提升购买转化率
目前人工智能在制造业应用潜力的讨论大部分围绕技术提供商展开，对工业用户关注较少。本报告旨在深入了解中国制造企业应用人工智能的真实情况和应用场景，探讨人工智能项目理想与现实的差距，以及行业未来发展趋势。
为了解人工智能在制造业领域- . x w的实际应用情况和趋势，德勤从「中国制造业500强」中选取110家大中型企业，并对其高管进行问卷调查。在问卷调查基础上，遴选代表性企业进行深度访谈。
一、技术趋势
在过去一百年里，五大趋势主导了全球技术的发展，依次为：电子工具、半导体、企业服务、电信、消费智能。如B s 1 ~ . U *今，「互联网+消费者」模式所创造的价值已经充分释放并趋于平缓；而第六个趋势已经显现，我们称之为「企业智能a D z ^ a q」，企业自我主导、运用数字技术解决问N 3 t f Z ; a题的智能化转型被视为W d i ` D未来技术发展趋势，成为下一阶段价值创造的主角。
庞大的制造业企业已经开始加速数字化转型，推动智能管理、智能工厂、智能物流等全方位智能化，n T .因而= X E 9 *制造r q ! q x / x 6业也是其中增长速度最快的领域。
制造业的生产、质检、管理等各个环节都在持续、大量、快速地产生着数据。对于一个拥有1000个传感器（传感器每10 秒发送一次信号）的工厂来说，每小时就有超过36万条数据流入。1天内就有超过100万条数据。据估算，制造业每年大概可产生1812PB的数据量，超过通讯、金融、零售等行C . z f t 业。
在过去二十年中，制造企业决策过程因数字信息的大量增长而变得复杂，企业正试图通过智能化技a c / * C术有效地处理和利用信息，6 P 3 M ! 7 A解锁数据的模式和可用性，解决之前甚至无法预见的问题。例如，机器学习正在帮助制造业企业提高车间每台T f 5机器的预测性维护精度，发现提高每台设备和相关工作流程的产f s D { v量/吞吐量的方法，优化系统和供应链等。
01 人工智能被制造业寄予厚望
制造企业生产经营过程中面临的最棘手问题分别是：生产成本上升、生产线设计缺乏灵活性，以及不稳定的产品质量及良率。
人工智能是在制造业智能转型过程中被寄予厚望的技术之一。过去10 年，人工b e $ i 8 |智能领域开发了大量优秀算法，为实际应用储备了大量的工具；近年来，人工智能开始大规模应用于金融和互联A o ] : ) l } D -网等领域，起到了较好的示范效应。业# t J ?内人士r x ;普遍认为，2019年是人工智能在工业制造领域快速发
人工智能主要可以为制造业解决三类~ ` v 问题：
- 帮助企业提升自动化效率和精确度，提高制造业智能化运营水平并降低运营- f X [ ( = X N成本；
- 预测市场趋势并安排生产计划，按需生产，并使各个环节在满足需求的前提下保持最低库存；
- 提升质检水平，提高产品良品率。
这三点正是制* k Z v ^造业的痛点所在。这也是制造业对人工智能寄予厚望的原因。本次人工智能制造业应用调查显示，93%的受访企业认同人工智能将成为全球制造业増长和创新的关键技术，其中39%的企业强烈认同，54%的企业基本认同这一观点。
02 中国制造业应用市场规模预测
中国在人工智能应用领域表现突出，其中，人工智能在中国制造业的市场规模有望在2025年超过20亿美元，从2019年开始每年保持40%o D M X以上的增长率。
人工智能在中国制造业应用的高增长主要受政策利好、资金充足和制造k & 8 g B Z [ T业应用潜力三方面驱动。
在制造业，低技术含量（第二产业、处理常规/可预测/可编$ g } i { { W }程任务） 的工y v [ y ( % 6 k人将首先面临被机器人Q c = ` G g C P替代。中国制造业主要由传统产业驱动、从业者技术要求较低，因此其劳动力可以被自动化I T m l M ) o c的程度整体较高，重复性、规则性、 可编程性较高的 = s工作内容将在未来主要由智能化工业机器人完成。
进一步运用机器人和传感器在产线运行、检测、运输、仓储等全过程源源不断产生数据流，为人工智能的计算提供大量的、相对规则的数据资料，助力机器学习进一步的算法优化、提高预测准确度。
毫无疑问，数据的收集是数据分析、测试、机器学习的基础。仅当拥有足量的数据基础时，机器学习才能够最大程度发挥其效用。
二、应用场景
德勤2019人工智能制造业应用调査中，87%的受访企业表示已经或计划在两年内部署人工智能。从应d | d用阶段来看，已经取得可5 c ( , f I见成果的企业占比18%，处于示范项目或测试阶段企业占比34%，计划部署企业占比35* ; O J O ` R - G%，尚无计划企业占比13%。
这结果与企业人工智能项目的推动方式相辅相成。在已经在进行或计划人工智能项目的受访企业中，15%受访企业表示在完整的3 | 8 X H #人工智能战略和连贯的计划下进行项目；28%的企业正在探索不同的倡议，搭建学习g [ + T y /模型并测试概念的可行性；5[ * 6 V _ l ^ q7%的企业有进行示范项目，但大部分是不连贯的、零散的项目。
人工智能在制造业的应用场景众多，大致可以分为智能生产、产品和服务、企业运营管理、供应链以及业务模式决策五个领域。
本次调査发现，智能生产相关场景应用是目前及未来两年内，制造企业部署人工智能的首要B n [ W选择，占比51%q Z q t ~。其次为产品和服务相关场景，占比25%。选择供应链和2 f R $ i企业运营管理均占比8%，业务模式决策为4%，还有4%的企业尚未计划部署人工智能。
01 智能生产
在智能生产领域，目前应用比较多的场景是自动化生产工厂与订单管理和自动化排程；未来两年内将有更多人工智能技术用于产品质量监控和缺陷管理O M f *。计算机视觉技术的进步推动人工智能在质量监控和缺陷管理方面的应用。
人工智能在自动化生产工厂的应用很大程度上与工厂大规模安装机器人相关。目前无法得知这些安装的机器人在多大程度上运行人工智能软件，但这样庞大的基础无疑会促进人工智能应用场景的增长。
中国的工业自动化和工作岗位的转移正在增加，过去三年里，一些中国的工业企业已经使其40%的劳动= i ~力自动化。自2012年以来，中国每年的机S P Q q 4 $ , B器人安装数量增长500% （欧洲为112%）。
虽然目前大部分自动化工厂的机器人是通过程式编辑以高精度和速度重复执行特定工作，我们认为，随着人工智能嵌入，机器人将具有感知环境变化，识别并应对不同对象，甚至在特定情况下自主决q g A @策的能力。
人工智能用于自动化生产排程，. ? y往往关注交期承诺、计划与排产、加工顺序调度、物料准时配送的优化，特别是针对离散行业解决多工序、多资源的优化调度问题。
人工智能在; [ { E _ z s 8产品质量监控和缺陷管| o Z t H [ ` S理应用有望快速增长，很大程度受益于机器视觉技术的进步。机器视觉工具利用机器学习算法，经过少量图像样本i 9 8 ? N训练，可以在精密产品上以远超人类视觉的分辨率发现微小缺陷。
产品质量提升还可以通过工艺优化实现，人工智能对关键工艺步骤的数据进行感知分析，并依此实施优化提升良品率。这些应用可以为那些生产昂贵产品、对产品质量要求高的企业创造可观的经济价值。
当然，由于采集数据的方法、数据的质量和多样性以及规模直接决定机器学习发挥作用的空间，人工智能在智能生产领域的应用I E c g Z a l对企业的硬B H y @件设施有一定要求， J # J m *如自动化设备及管理系统配备齐全和传感器的广泛使用。
02 产品与服务
在产品与服务领域，6 ` + 1 $ s 9目前已经在应用人工智能技术的企业较少，但计划在两年内优先部署的企业数量明显増加，特别是在缩短产品设计周期、个性化客i h 6 X e s J !户体验以及提升营销效率的应用场景。
制造企业面临既要提升产品性能、降低能耗，又要缩短设计周期的挑战。S + A b w + {生成式产品设计是目前比较受欢迎的利用人工智能缩短设计周期的应用。它根据既定目标和约束利用算法探索各种可能的设计解决方案。
具体- [ , {来说需要经过三个步骤：
- 设计师或工程师将设计目标以及各种参数（如材料、制造方法、成本限制等） 输入到生成设计软件中。
- 软件探索解决方案的所有可能的排列，并快速生成设计备选方案。
- 运用机器学习来测试和学习每次迭代的效果。
人工智能在提升产品客户体验、挖掘客户需求洞察和提高营销效率的应用方面同样, _ q具有很大潜力，因为制造业企业不仅需要了解发生在工厂里的事，更要了解产品出0 f c V ! Q厂后的生命旅程。
以用户体验（安全性）为例，iPhone X使用了安全性更高的Face ID，Face ID是通过人脸识别技术进行的生物特征认证。苹果表示，Touch ID指纹识别被相同指纹破c / I b / L m # R解的概率是五万分之一，Face ID面部识别被相同面貌破解的概率为一百万分之一，FaV q . Qce ID面部识别的安全性整整提升了20倍。
03 供应链管理
在供应链领域，配送管理和需求管理与预测是目前制造企业应用人工智能的提升7 t A ^ x i N供应链效率的主要场景1 f 5 3 s K % {，未来两年内，物流服务、需求管理与预测、资产与设备管理场景的应用将快速増H } I 1 O U长。
配送管理解决的是货品安全精准配送的问题，也是目前人工智能在制造业供应链领& t域最多的应用。基于人工` a H B智能技术实现货架、i 1 r 3商品、机器人的整体协调，能够更快速8 : N 5 #的实现产品出入库和高效的仓库货架规划。在工厂仓储中，各种类型的全自动流水线、自动分拨、仓储和配送机器人已经开始慢慢应用，基于人工智能技术可以让每一个物料都有最优路径，最短时间送达。
供应链管理的另一大挑战是预测下个季度的热销产品，从而让供应链人员对企业的库存、人员以及物流能力进5 q } h 6 p行合理规划，甚至在消费者购买之前将货Z & P u物提前运送到临近销售点的仓库内。人工智能更深层次运用在对消费趋势的分析与预测，藉由整合内部销售数据、消费者产品使用记录、产品生命周期追踪、竞争情报、市场趋势分析和社交媒体等数据对消费者需求偏好与购买行为进行画像分析。设计师们可以为下一个季度创造热销品，企业能更精准计算预期收入。
042 f U ) _ Z 企业运} r Q 5 i U F I营管理
在企业运营管理领域，目前比较多的应用场景是财务管理，未来两年内，人工智能在9 ` w a A能源管理和人力资源管理的应用将显著増长。
制造企业的能源消耗占企业生产成本比例较高，不同的装备水平、工艺流程、 产品结构和能源管理水平对能源消耗都会产生不同的影响。将人工智能用于能效诊断的可以帮助企业提高节能效率。
有企业已经实现所有能源的消耗分析与优化都是通过人工智能来完成，进一步实d ? 6现工厂 r Q 9 g f 8 L的价格。相当一部分受访0 M U T h企业计划利用人工智能精准预测客户需求、q g @开发智能化产品和服务或采用灵活的定价和收费模式，从而给予客户新的整合并互动的服务体验。
在制造业人力成本和资源成本快速上升的大环境下，成本结构是企业关注的另一热点。人工智能在人力替代、e g `库存管理、设备稳定性等方面的应用潜力可以降低企业管理的成本和费用，优化成本结构。
如果不对应用领域进` B 8 f行区分，只是对具体应用场景进行扫描，会发现人工智能在制造业v E T X n领域的热点应用场景将在两年内发生重大变化，主要体现在两方面：q , } P p % U
- 一方4 Q i面，人工智能在工业领域的热点应用从智能生产领域向更加注重产品服务和供应链管理；
- 另一方面，两年内会出现新的应用增长点，其中，提升营销效率、物流服务、资产与设备管理、客户需求洞察、能源管理以及供应链运输与网络设计管理为企业重点关注应用。
这种变化是制造业向工业4.0过渡的必然结果。制造业不仅关注生, Q w l Z O a产过程，而是整个价值链一一如何进行需求感知并进行供应链相关规划，如何创造5 L C企业带来价值W K z；56%的受访者认为人工智能将在未来2-5年为企V d m 6 O X t 9 z业带z 5 | N S K来回报。
当然d ? M | J /，不同行业应用人工智能的预备度有所不同，从资产、技术、标准与法规以及生态系统四个方面衡量，电子及通信设备、家用电器制造、汽a j q 9 F @车制造、电力及电气行业的A | N }预备度较高。
32%的受访企业z D I l 5 .预计未来两年内部署人工智能的投资规模达2000万以上_ , g U，还有3x a K / 92%的企业预计将投资不超过500万元，其余企业的投资规模处于500-2000万之间。
从技术倾向性来看，更多企业将投资于复合q N !性技术体系，从而优化生产、成本、库存或质量控制等方面，或用于销量、价格预见性维护的预K | 9 W C测。对单一技术类别，如视觉监测、机器人定位、专家系统等技术的投资热情相对较小。
人工智能在工业市场的应用存在可扩展性问题。人工智能解决方案通常; P _ t W a针对特定的应用程序和企业进行定制。业界普遍认为，工业人工智能平台让企业以更低的成本应用人工智能，是人工智能在工业领域的落地和普及的必要条件。许多技术提供E 8 m商正在搭建这样的平台，工业企业对人工智能平台也表现出很大兴趣。
五、德勤建议
中国制造业正处于人工智能大规模落地应用爆发的前夕，领先企业已经开始布局以赢得先机。德勤建议企业从自身战略、应用场景、数据基础、团队组建、合作伙伴U + P V o : = ]、验证及实施开展人工智能的实际落地。
01 战略目K V a v e标匹配
企业首先需要确保其人工智能部署必须与企业的战略和业务目标匹S h D J r p { W配，不论这个目标是创造新的收入、减少o T m成本或提升运营效率，关键是选择合适的复杂程度来满足企业的业务目标。
02 明确应用场景
要找到合适的人工智能落地应用场景，本质上是要理解这项技术在哪些方面可以做的比人类更好。
03p v [ $ + 落实数据基础
由于目前基于深度学习的人工智能高度依赖大数据，企业的数据基础往往是决! + v r定AI项目是否能成功实f | O S t + 5 W施的基石。
04 组建团队及搭建伙伴关系
企业如果想打造AI能力，至少需要以下几类人才U G [所组成6 i X 8 f N的团队：AI技术专家、行业专家、AI应用专家。
05 验证及大f o u 4 w F [ r规模实施
有了应) T /用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于AI的过程设计原型验证(Proof of Concept)。在确认技术原型可行的情况下，再进{ . S b行迭代和最终的大规模9 J 0 8 0 C 9 ? =实施。