全球性的新冠疫情使制造业陷入困境，供应链、供货商和分销商均遭受了巨大打击。
在缩紧开支的同时，很多公司将目光聚焦到人工智能（AI）技术上，希望借此机会加速产业的自动化、智能化转型，拓展 AI 的应用场景。
CB Insights 通过研究和分析制造业产业链，整理出了三篇有关制造业领域 AI 应用前景的报告，分别侧重产品设计与研发、供应链与供应商、以及生产线和装配线三大方向。以下是经过整理的三篇报告的核心内容和精华部分。
方向一：更快、更具成本效益的产品设计
对制造业来说，产品零部件的材料、形状和尺寸设计，会影响整个价值链的生产和运营效率。事实上，设计决策可能决定了产品制造成本的 70% 左右。
图 | Audodesk 生成的优化摩托车设计（来源：Autodesk）
除了成本考量，制造业还需要不断创新，将新产品和新设计推向市场，以保持竞争力。但这实现起来，往往并不容易：设计一款产品，比如汽车或集成电路，可能需要 2 到 5 年的时间，而发现全新材料可能需要长达数十年的时间。
现在，制造业正在尝试使用人工智能来使这一过程 更加省时省力，同时不影响安全性和结构完整性。
削减成本的生成式设计
生成式设计软件可以让工程师快速迭代和测试设计。CB Insights 数据显示，预计到 2030 年，生成式设计软件的市场规模将可以达到 445 亿美元。
在生成式设计中，算法将根据工程师设定的输入标准，如尺寸、材料、重量等，为产品生成数千种备选设计方案。
随着生成式对抗网络（GAN）等泛化能力较强的模型问世，工业设计软件正变得更加强大。生成式设计软件会生成一个初始设计池，然后挑选出最好的设计，将它们的特征混合，迭代后生成第二个设计池。算法的快速迭代可以在短时间内测试成千上万种设计，比人类快数百万倍。
这种技术思路在汽车和飞机零部件快速成型制造设计（3D 打印）中得到广泛关注和应用，比如，日本的两家汽车行业制造商电装（DENSO）和本田都通过与设计软件供应商 Autodesk 合作，在生成关键汽车部件原型的时候使用生成式设计。电装是世界第一大汽车零部件供应商，它利用该技术设计了一个发动机控制单元（ECU），使其减重 12%。
飞机制造商空客也曾试行通过生成式设计来制造 A320 飞机的隔板。新设计比以前的设计轻了 45%，具有巨大的成本节约潜力。据空客估算，新设计每年可减少近 50 万吨的二氧化碳排放。
图 | 空客的飞机座椅隔板设计（来源：Autodesk）
该技术仍然面临不少挑战，比如 AI 算法的输出本质上取决于人类设定的参数和约束条件，寻找最优参数可能既复杂又耗时。此外，如何在成千上万的设计中梳理和挑选最佳设计，也需要一种高效且可扩展的方法。
尽管如此，生成式设计仍然是制造业追求的热门技术。随着物联网、实时模拟和增强现实等技术的普及，以它为核心的软件即服务（SaaS）战略有望成为复兴制造业的关键。
AI 自动化电子设计
电子设计自动化，包括芯片和印刷电路板的设计，预计到 2022 年将成为一个 110 亿美元的市场。
芯片设计由两个主要元素组成：布局和布线。前者指的是使用设计软件绘制出不同元件的位置，后者则是用线将元件虚拟地连接起来。现在，研究人员正在尝试使用 AI 软件在几天内完成原本可能需要几周的芯片设计工作。
谷歌最近发表了利用强化学习（reinforced learning，RL）实现自动布局的研究。在设计电路布局时，RL 算法的优势体现在可以使用更少的电线、更有效地利用空间，或者功耗更低。在最初的实验中，RL 算法能够在 24 小时内为谷歌云芯片 TPU 提出设计建议。相比之下，人工方式则需要数周时间。
图 | 谷歌自动布局研究（来源：Google Brain）
在芯片设计中，AI 的应用还是相当小众的，除了谷歌这样的巨头，也就仅有几家早期创业公司在筹集资金，比如英国的 InstaDeep，德国的 Celus 和美国的 JITx。其中 Celus 今年刚刚获得了 190 万美元种子轮融资。
整体上来看，将 AI 用于电子设计自动化仍是一个未知领域，早期初创公司和少数研究型实验室都在探索。机器学习算法的有效性尚未得到大规模验证，评价也是褒贬不一。
发现新材料
AI 可以帮助缩短发现新材料所需的时间。一种材料从发现到商业化，通常需要十年或二十年的时间。AI 可以压缩这个过程：只要列出材料属性，它就能快速筛选出优秀的候选材料。而且，材料领域使用 AI 技术也有可能助力 3D 打印技术，发现新型打印材料。预计到2025年，先进材料市场规模将以 10% 的年均增长率达到 1220 亿美元。
不同的公司使用了很多不同的方法。初创公司 Citrine Informatics 将随机森林与不确定性估计结合起来使用，让算法对自己预测的信心程度打分。欧洲最大的平板玻璃制造商 AGC 正在与该公司合作，寻找和加速研发高性能玻璃。
（来源：Citrine Informatics）
对于这一应用领域，最有挑战性的是如何准备好数据并挑选合适的 AI 模型，这一挑战不仅耗时耗力，而且涉及计算机科学、物理、化学和数学理论等多个领域，需要交叉学科专家的深度参与。
除了降低实验成本，AI 还可以降低下游的采购、生产和维护成本。我们可能会看到，新材料的商业会速度在未来十年中不断加速。
方向二：降低供应链和供货商风险
受到疫情影响，许多制造业公司都不得不面对因为供应链中断和采购合同中断，导致正常的生产计划受到严重拖累。
Thomas Net 最近的一项调查显示，在接受调查的 1000 家北美制造商和供应商中，超过 55% 的公司预计收入将下降。
为了保持机动性并快速应对突发的全球事件，制造商需要预测商业风险，并对与他们的合作伙伴保持关注。
预测供应链中断和供应商风险
风险管理包括了解环境风险、监测品牌声誉受损情况、评估网络安全风险或违法行为等等。预计到 2025 年，供应商风险管理市场规模将扩大到 28 亿美元。
制造业的供应链越来越复杂：一家制造商可能直接与多家一级供应商打交道，这些供应商可能有自己的二级供应商网络，而二级供应商又依赖于三级供应商，以此类推。所以，制造商不仅需要在全球范围内维系这种复杂的关系网，还需要监控运营的中断，即使是那些与他们没有直接合作的二、三级供应商。
通常来说，供应商风险管理依赖于数据库，这些数据库广泛地绘制了该公司全球供应商的关系。AI 在其中扮演的角色与在银行和医疗保健系统中类似：经过大量数据训练后，提供一种了解客户或者预测风险的解决方案。
AI 公司可以使用 NLP 来检索多语种的新闻、政府数据库、行业期刊和公司地理数据库等资源，并监测工厂事故、自然灾害、非法活动或网络安全漏洞等事件。机器学习算法还能用于评估各个供应商的供应链网络，为其生成风险评分。
图 | 筛查新闻（来源：BlueDot）
初创公司 Interos 表示，它拥有一个包含 5000 万供应商业务关系的数据库，可以用机器学习从 8.5 万种信源中提取数据。这些信息组成了风险分析模型的数据基矗
在这一过程中，数据质量是最大的挑战之一。复杂且全球化的供应链网络，使得同一家公司可以以不同名字开展业务，依赖供应商汇报的数据，也可能导致某些数据缺失。
另一方面，风险管理通常涉及多个数据集和解决方案，不同的供应商有不同的风险，很少有公司能完成一站式服务，满足制造商的所有风险评估需求。因此，一些初创公司专注于更细分的市常比如独角兽 OneTrust 专注于分析网络安全风险，BlueDot 则专门从事医疗事件监测。
我们可能会在供应链管理领域看到更多的合作和整合，因为风险评估服务提供商的目标是成为制造商的一站式服务平台。目前，制造商不得不暂时寻找多个能够相互契合的供应商数据分析平台。
按需制造市场
CB Insights 的市场规模数据显示，按需制造是一个 2200 亿美元的市场。
按需制造在汽车和医疗保健等行业正在飞速发展，因为它解决了关键的采购问题。比如标准化价格和与供应商联系的冗长过程。
前文提到，AI 可以加速制造业的设计过程。在设计完成后，按需制造允许工程师和设计师上传 3D 文档，让 AI 来判断设计的可行性、所需成本和所需时间。
这种情况通常出现在制造商需要定制特定部件并外包给第三方的时候。很多初创公司瞄准了这一领域，为制造商提供供应商网络和即时报价服务。
他们主要利用 AI 分析制造商的 3D 设计文件、判断其是否可行，需要使用什么技术和材料，还可以即时生成报价、估算交货时间。
图 | 按需生产（来源：3D Hubs）
当然，报价服务离不开供应商的数据。AI 会根据过去的采购订单（包括特定设计和材料的常用报价等信息）进行训练，学会如何综合分析平台上的供应商，选出从制造工艺到交货时间都符合要求的一家或多家，将其与供应商匹配。
成立七年的初创公司 Xometry 表示，他们致力于消除制造商和供应商之间的冗余沟通。这家公司已经获得了宝马和通用电气的投资，目前拥有超过 4000 个合作伙伴。
按需制造的另一个优势是小批量制造。大供应商对小订单的回应速度很慢，而小供应商又很难找到，按需制造平台可以有效解决这一问题，准确匹配小订单和小供应商。
利用 NLP 分析合同
CB Insights 的数据显示，到 2027 年，合同管理预计将成为一个 50 亿美元的市场，而法律科技中的人工智能市场，预计到 2026 年将达到 380 亿美元。
采购或制造合同中涉及到的词语和细节，如果不加重视，可能会导致巨大的风险和损失。例如对不可抗力的定义，直接关乎企业能否在疫情期间无损解除合同。
AI 可以在几分钟内扫描数千页的法律文件，找出不符合公司政策的地方。这项工作如果换成人类律师来做，可能要花数天时间。
图 | NLP 扫描条款（来源：Sievo）
自然语言处理技术（NLP）是扫描合同的首选算法之一。它可以提取关键信息，标记措辞或遗漏信息的潜在问题，以便进一步人工审查。AI 技术还可以确保整个组织的合同标准化。
美国公司 Icertis 是合同管理领域的独角兽，与空客、戴姆勒等制造业客户均有合作。Icertis 平台可以用 AI 分析 40 多种语言的合同，识别其中的条款，并从过去的合同谈判获得经验。
虽然以 AI 为基础的合同管理正在金融和企业法律部门兴起，但在制造业发展缓慢。随着技术的成熟，它有望成为制造业采购和流程自动化业务的重要工具。
方向三：利用 AI 加速产品生产和组装
新冠疫情让已经陷入困境的制造业雪上加霜。随着制造商被迫重新思考产品生产和组装业务，AI 的地位正在迅速上升。
我们研究了 AI 在生产线和装配线的案列，意识到整个制造业正处于十字路口。
次世代协作机器人
预计到 2026 年，工业机器人系统的市场价值将达到 1380 亿美元。其中的一个分支，协作机器人，到 2030 年将成为 120 亿美元的市常
协作机器人通常以机械臂的形式存在，与人类一同工作，负责物体的拾娶放置或分类，也可用于装配和检查。
AI 可以帮助这些机器人更好地工作。对于一家公司来说，如果每个机器人都能连接到中央云端，就可以组成一个“AI 大脑”，每个机器人不仅可以从自己的环境中不断学习，还可以从整个工业机器人网络中学习。
物流 AI 公司 Covariant 就采用了这种理念，通过强化学习技术训练网络中的机器人，提升其性能。另一家公司 Universal Robots 生产的机械臂，还可以通过计算机视觉识别物体的形状和大小，帮助筛查和分类产品。
货物运输机器人
预计到 2026 年，自主移动机器人（Autonomous Mobile Robots，简写为 AMR）将成为一个价值 5900 亿美元的市常
在制造业，AMR 主要用于运输货物。它们可以在工厂的楼层、装配线和仓库之间移动，从而运输需要的零件。AI 软件使其能够感知环境，并对路径上的障碍物作出实时反应，而不是遵循预先设定的静态路线。
当部署多个 AMR 时，一个集中的“AI 大脑”可以处理协调和导航，其中会用到计算机视觉、机器学习和轨迹规划算法。这种控制系统，在上百个机器人同时工作时，是不可或缺的。虽然目前 AMR 的应用仍处于早期阶段，但它的潜力值得肯定。
（来源：MiR）
2018 年，空客进行了首次 AMR 试验，在其英国工厂内运输重型飞机机翼。该公司使用了由丹麦移动工业机器人公司 MiR 的产品，并与研究小组 AMRC 合作，使机器人适应其特定需求。在 AI 的帮助下，MiR 机器人可以预见路径上潜在的障碍物并主动改道，还能够做到实时决策。
实时生产监控和质量检测
根据 CB Insights 的数据，预计到 2023 年，生产监控将具有 60 亿美元的市场。企业在该领域使用 AI 的方式有两种：实时监控装配线工人和工作流程，以及实时检测零件缺陷。
AI 算法可以基于企业收集到的工人和产品数据（比如什么是正常操作、什么是错误操作、以及哪些零件有缺陷等等），来判断流水线上的产品质量是否合格，以减少后期的产品召回和其他问题。
图 | AI 筛查汽车图片（来源：Youcar）
在这一领域的初创公司包括 Instrumental、Elementary Robotics 和 Landing AI。其中 Instrumental 专注于利用 AI 实时识别流水线上的产品缺陷，并在 2020 年第三季度获得了 2000 万美元融资，
宝马在德国的一家工厂引入了图像识别技术。员工从不同角度拍摄汽车并与车型匹配，用作训练 AI 的初始数据集，随后就可以在生产过程中自动验证汽车上是否贴有正确的代号。
为了减少人工错误，制造业巨头 ABB 和电信公司 Telia 合作，在流水线引入了 AI 摄像头和 5G 技术，可以用计算机视觉软件对监控工人，并提供实时反溃
总结
目前来看，制造业整体上对 AI 的应用仍处于早期阶段，但许多应用场景都有具备大规模引入 AI 技术的潜力，许多公司正在朝着这个目标努力，队伍中既有初创企业，也有老牌制造业巨头和科技巨头。
随着 AI 技术的进步，市场规模还将进一步扩大。可以预见的是，未来会有更多公司涉足该领域，AI 驱动的自动化趋势也将继续保持下去。
- END -
