隨著智能制造熱潮的到來，人工智能應用已經貫穿于設計、生產、管理和服務等制造業的各個環節。

人工智能的概念第一次被提出，是在20世紀50年代，距今已六十余年的時間。然而直到近幾年，人工智能才迎來爆發式的增長，究其原因，主要在于日趨成熟的物聯網、大數據、云計算等技術。

物聯網使得大量數據能夠被實時獲取，大數據為深度學習提供了數據資源及算法支撐，云計算則為人工智能提供了靈活的計算資源。這些技術的有機結合，驅動著人工智能技術不斷發展，并取得了實質性的進展。AlphaGo與李世石的人機大戰，更是將人工智能推到了風口浪尖，引爆了新一輪的人工智能熱潮。

此后的近幾年，關于人工智能的研究和應用開始遍地開花。隨著智能制造熱潮的到來，人工智能應用已經貫穿于設計、生產、管理和服務等制造業的各個環節。

PART ONE

產品缺陷檢測

由于深度學習的應用，制造業生產線的缺陷檢測過程變得越來越智能。深度神經網絡集成使計算機系統可以識別諸如刮擦、裂紋、泄漏等表面缺陷。

這一過程，通過應用圖像分類，對象檢測和實例分割算法，由數據科學家以給定缺陷檢測任務訓練視覺檢查系統來完成。深度學習驅動檢測系統，與高光學分辨率相機和GPU相結合，形成超越傳統機器視覺的感知能力。

例如，可口可樂構建的基于AI視覺檢測程序，已經可以診斷設施系統并檢測產線問題，及時把檢測到的問題反饋給技術專家進行解決。基于此，未來質量檢測人員被李開復列為將被人工智能替代的工種。

新的檢測技術包括合成數據、遷移學習和自監督學習等。在合成數據中，生成對抗網絡(Generative Adversarial Networks，GAN）數據生成工具會檢查質檢員認為“正?！钡膱D像，并合成缺陷圖像，用于訓練人工智能模型。同時，遷移學習與自監督學習，用于解決特定問題。隨著數據積累，缺陷檢測算法更加精確。

PART TWO

智能分揀

制造業上有許多需要分揀的作業，如果采用人工的作業，速度緩慢且成本高，而且還需要提供適宜的工作溫度環境。如果采用工業機器人進行智能分揀，可以大幅降低成本，提高速度。

以分揀零件為例。需要分揀的零件通常并沒有被整齊擺放，機器人雖然有攝像頭可以看到零件，但卻不知道如何把零件成功地撿起來。在這種情況下，利用機器學習技術，先讓機器人隨機進行一次分揀動作，然后告訴它這次動作是成功分撿到零件還是抓空了，經過多次訓練之后，機器人就會知道按照怎樣的順序來分揀才有更高的成功率；分揀時夾哪個位置會有更高的撿起成功率；知道按照怎樣的順序分揀，成功率會更高。經過幾個小時的學習，機器人的分揀成功率可以達到90%，和熟練工人的水平相當。

PART THREE

庫房管理與物流

比如京東物流某庫房，需要按照訂單和發貨地分揀成品，同時回收空的料箱，并把部分廢料、廢品扔進廢料堆放處。這個工作每個班次由兩名工人合作完成，庫房內有粉塵和噪音，每天累計重復分揀動作要執行2000-3000次，雖然重物搬運由機械手完成，但仍是強度大、環境差、技術含量低的重復性工作。

企業用一臺機器人替換每天三班倒的兩個工位，機器人帶有機器視覺系統，訂單和發貨地分揀可以掃RFID碼，成品、空箱、廢料廢品的判斷由AI學習算法逐步提高識別率，最初識別率只有62%左右，需要每個班次配合一個工人拾遺補缺，隨著數據積累，AI識別模型不斷完善，9個月后，綜合識別率提高到96%的水平，成品識別和發貨地分揀完全準確，已不需要庫房留人補缺，只在廢料廢品回收時，撿出極少量的空箱即可。

PART FOUR

生產制造

福特曾經豪言：不管你要什么車，我都只生產黑色，這是流水線大生產的典型寫照，但如果福特放在現狀還是這種思路的話福特汽車只有死路一條。因為現在個性化越來越多，但是個性化生產的成本又非常巨大，那么只有一種途徑就是大規模定制，利用個人消費數據進行分析后形成綜合的訂單，然后平臺分發進行大規模生產進而降低成品單價，犀牛制造目前就是走的這條路子。但雖然電商具備大量的消費行為數據，但是數據永遠是落后于實際需求的，這種應用場景需要將分析平臺極大化準確率才能增加。

PART FIVE

遠程運維服務

遠程運維平臺，通過物聯網、大數據和人工智能算法等技術，對生產過程、生產設備的關鍵參數進行實時監測，對故障及時報警。由工業大數據分析及人工智能算法支撐的預測性維護和輔助決策等功能，可以進一步減少由于非計劃停機造成的人員出差和停工延誤，讓工業企業的運維實現少人化、無人化、遠程化的模式變革。

縱觀全球，涉足工業人工智能領域的企業早已證明了這種技術的獨特價值。人工智能技術在改善企業的生產力、效率、質量和成本等方面具備巨大潛力，無疑將成為賦能未來制造業的全新引擎。不過，企業的人工智能轉型之旅任重道遠。率先覺醒的企業必須堅定信念、勤練內功、即刻出發，在工業人工智能領域開疆拓土，力求將自己變成閃耀未來智能制造之光的燈塔。