融合波音客机存在裂缝

人工智能与工业融合发展研究报告(2020年)中国信息通信研究院产业与规划研究所北京旷视科技有限公司2020年7月版权声明本研究报告版权属于中国信息通信研究院产业与规划研究所和北京旷视科技有限公司,并受法律保护.
转载、摘编或利用其它方式使用本研究报告文字或者观点的,应注明"来源:中国信息通信研究院产业与规划研究所和北京旷视科技有限公司".
违反上述声明者,版权所有方将追究其相关法律责任.
前言人工智能(ArtificialIntelligence,AI)作为引领未来的前沿性、战略性技术,已经成为新一轮科技革命和产业变革的重要驱动力量.
近年来,世界各国纷纷展开人工智能战略布局,加速技术创新迭代,推动融合应用拓展深化.
我国高度重视人工智能与实体经济的深度融合发展,加快构建智能经济形态,力图推动传统产业转型升级,培育经济增长新动能.
近期爆发的新型冠状病毒肺炎疫情对工业生产的影响已经显现,部分企业已加速应用智能工业机器人等新手段、新方式开展智能化生产.
工业作为我国实体经济发展的重要支撑正面临巨大的转型考验,推动人工智能与工业融合发展一方面有助于应对突发公共卫生事件的影响,另一方面有助于应对我国人口红利消失的影响,提升工业生产效率和产业竞争力,优化我国经济结构,实现高质量发展.
在实地调研和系统研究的基础上,研究报告提出AI与工业融合的六方面核心结论,供政府部门、工业企业、AI企业、高校等AI与工业融合生态圈的相关利益方参考.
1.
AI与工业的融合发展从相向而行到携手共进.
只有优势互补、深度融合,利用AI为企业价值创造的各个核心活动赋能,帮助工业企业降本增效、提质创收,才能加快工业智能化升级的步伐.
2.
计算机视觉技术成为推动AI与工业深度融合的"金刚钻".
计算机视觉技术相当于给机器装上一双眼睛,在AI各类技术中相对成熟,近年来在工业中应用的渗透率快速提升,未来将广泛为工业赋能,有望成为应用面最广的技术.
3.
AI与千行百业的阶梯性融合是未来AI产业发展的主风口.
工业子行业AI融合度指数(IAI)显示,各行业AI融合度差异明显,医药制造业、汽车制造业、计算机、通信和其他电子设备制造业AI应用部署与应用效果显著领先于其他行业.
未来数据基础好、盈利能力强、创新接受度高的行业将率先完成与AI的深度融合,对其他行业形成示范效应,并吸引更多行业部署AI应用.
4.
善于创新的企业将率先进入智能时代,对数字化、网络化阶段的竞争对手降维打击.
AI在工业质检、仓储物流、设备运维、安全管理等场景的应用得到了广泛验证.
投入产出效果明显,工业企业可以优先在这些领域开展积极探索,率先享受技术红利,加宽护城河.
5.
在框架级算法开发能力的支持下,AI将像水电一样普及到工业企业.
工业细分领域AI应用差异化特征显著,低成本、快速开发个性化算法是成功关键.
只有构建深度学习框架级的场景化算法快速开发能力,充实算法库,才能以较低开发成本及时响应工业领域碎片化需求.
6.
互信为基,共赢为台,数据为墩,AI为拱,生态伙伴共建智能化转型之桥,连接中国制造的昨天与明天.
任何一次大的产业革命,都是一系列技术组合起来满足业务需求的结果,感知器、决策器和执行器的高效协同才能加快AI与工业深度融合.
.
目录一、AI发展新态势1(一)产业发展新态势.
1(二)技术发展新态势.
3(三)应用发展新态势.
5二、AI与工业融合发展的现状8(一)工业互联网建设取得阶段性成绩.
8(二)AI与工业融合取得初步成效91.
AI与生产制造融合,提高生产质量与效率92.
AI与产品融合,实现产品智能化升级103.
国际头部企业深入推进AI技术,全面释放工厂潜能.
10(三)AI与子行业融合的程度呈现较大差异11三、AI与工业深度融合新趋势12(一)AI与工业融合将呈阶梯式推进态势121.
AI与工业融合空间巨大122.
AI将分阶段实现与细分行业的深度融合13(二)整体解决方案成为工业企业的共性需求.
14(三)场景化是深度融合的必然选择.
151.
制造业融合场景.
15(1)研发设计.
18(2)生产制造.
18(3)仓储物流.
20(4)售后运维.
21(5)安全管理.
212.
能源行业融合场景.
22(1)风机无人巡检.
23(2)输配电网无人巡检.
24(3)智能电力调度.
24(4)智能用电管理.
253.
采矿业融合场景.
25(1)矿山智能勘探.
28(2)无人采矿作业.
28(3)设备预测性维护.
28四、AI与工业深度融合的挑战29(一)AI共性技术亟待突破291.
大部分供应商缺乏框架级的AI算法开发能力.
302.
底层芯片有突破但尚难以与巨头对抗.
30(二)可落地的应用场景不清晰.
311.
企业对AI应用的潜能认识不准确.
312.
缺乏适合的AI应用切入场景.
313.
成功案例示范效应不明显.
32(三)企业部署AI应用缺乏资金.
321.
制造业等行业利润率水平低,对AI应用的成本预算少.
322.
企业AI应用投入风险过大,缺乏风险分担机制.
32(四)产业链各环节协同不足.
33(五)工业企业数字化基础薄弱.
331.
生产系统数字化率低,难以支撑智能化生产.
332.
工业企业数据不规范,数据资源整合难度大.
34(六)AI顶尖人才和应用人才不足341.
AI顶尖人才不足342.
AI复合型应用人才严重缺乏35五、推动AI与工业深度融合的建议.
35(一)给政府部门的建议.
351.
注重基础技术,夯实核心技术能力.
352.
推进融合应用,提升实体经济效率.
353.
鼓励产业协同,打造产业生态体系.
364.
破除行业壁垒,打造融合发展环境.
36(二)给需求方的建议.
361.
加快部署AI应用,占据领先地位,避免在智能化进程中掉队.
372.
通过沉淀AI能力,升级商业模式,提高行业赋能能力.
373.
尽早开始积累数据,构建数据和智能的护城河.
374.
注重AI应用与业务流程的融合,推动业务流程优化.
38(三)给供给方的建议.
381.
抢占商机,尽早启动从IT供应商到AI供应商的转型.
382.
站位高远,提升为工业企业开展AI咨询的能力.
383.
少走弯路,与AI领域的领头企业合作.
394.
紧抓机遇,积极投身AI与工业深度融合的进程中.
39(四)给教育机构的建议.
391.
与企业共建学生实训基地.
402.
完善AI课程体系设计.
403.
开展AI应用人才认证.
40图目录图1全球人工智能企业分布.
1图2中国人工智能市场规模及增长率.
3图3Gartner2019AI成熟度曲线4图4AI与工业融合程度12图5AI与工业融合关键成功因素29表目录表1科技巨头的AI产品和行业应用布局.
5表2AI在各领域的典型应用场景7表3AI与制造业融合典型场景16表4AI与能源行业融合典型场景22表5AI与采矿业融合典型场景26人工智能与工业融合发展研究报告1一、AI发展新态势(一)产业发展新态势全球AI企业数量趋于稳定,AI软件市场规模保持高速增长.
截至2019年9月底,全球活跃AI企业达5,526家,相比2018年底的5,523家,几乎没有增长.
美国(2,186家)、中国大陆(1,238家)、英国(408家)、加拿大(300家)、印度(200家)位列全球前五位,美国处于绝对领先地位,AI企业数量占比全球39.
6%,超过除美国和中国大陆之外的全部地区总和.
据Statista测算,2018年全球AI软件市场规模达到95.
1亿美元,预计2019年达到146.
9亿美元,未来5年将保持133%以上的年复合增长率.
数据来源:中国信息通信研究院图1全球人工智能企业分布全球AI产业生态日益完善,美国在芯片、深度学习框架等领域人工智能与工业融合发展研究报告2均占据主导地位.
AI芯片从CPU芯片到GPU/FPGA/ASIC芯片,从通用到专用转变,芯片性能和能效不断提升.
英伟达凭借高性能的GPU芯片占据云侧芯片应用规模优势,AMD、英特尔、谷歌等企业加速追赶.
端侧芯片巨头依托原有优势主攻手机、安防、汽车等重点细分领域,市场规模逐渐走高.
深度学习框架在AI产业中处于核心地位,领先企业纷纷加速布局,意图加快掌握产业发展主动权,谷歌的TensorFlow占据主导地位.
我国已经初步形成较完整的AI产业链条,部分应用软件和新型终端产品发展迅速,未来几年应用市场有望呈现爆发式增长.
应用软件方面,虽然我国计算机视觉市场起步较晚,但凭借安防领域实现爆发性增长,旷视等AI企业的人脸识别技术全球领先,其系列产品广泛应用于金融、手机、安防、物流、零售等众多领域.
我国在中文语音识别、翻译等领域处于世界前列,产业化水平处于领先地位,科大讯飞占有中文语音技术市场70%以上市场份额.
终端产品方面,我国智能音箱市场规模快速增长,据Canalys预测,2019年我国大陆智能音箱出货量同比增长166%,达到5,990万台,2倍于全球增长.
据易观预测,2019年我国人工智能市场规模可达760亿元,未来将保持高速增长,预计到2022年可达到5,580亿元.
人工智能与工业融合发展研究报告3数据来源:易观,中国人工智能学会图2中国人工智能市场规模及增长率(二)技术发展新态势机器学习算法和深度学习算法是AI的两大热点,开源深度学习框架成为科技巨头全面布局的重点.
世界知识产权组织WIPO发布的《技术趋势2019:人工智能》表明,机器学习是已公开专利中最主要的AI基础技术,占所有已收录发明专利的三分之一以上;深度学习和神经网络是增长最快的AI技术,其中深度学习专利年均增长率高达175%,神经网络专利以46%的年均速度增长.
研发应用中,深度学习算法通过封装至深度学习框架平台的方式供开发者使用,开源深度学习框架已成为构建生态的关键.
谷歌、Facebook、IBM和微软等科技巨头均重点布局了算法和深度学习框架等高门槛技术.
近两年我国也逐步推出深度学习框架平台,其中百度PaddlePaddle影响力较大.
而早于谷歌TensorFlow诞生的旷视Brain++的深度学习框架MegEngine,凭借单机训练速率优于TensorFlow的性能,逐渐得到业人工智能与工业融合发展研究报告4界认可,目前已经开源,可为更多开发者和企业服务.
AI芯片成为AI技术演进的催化剂,针对深度学习算法的专用AI芯片未来可能成为主力.
近年来随着深度学习热潮涌现,AI芯片创新加速,计算芯片架构逐渐向深度学习应用优化的趋势发展.
GPU、FPGA是目前AI芯片的主流技术路线,ASIC专用芯片作为新兵异军突起.
ASIC专用芯片以其可定制化、高性能低功耗的特点,在AI应用场景即将爆发之际将拥有较大市场空间.
当前ASIC专用芯片市场百花齐放,国外谷歌、英特尔起步较早,国内寒武纪、地平线、云知声、云天励飞等企业也陆续推出专用AI芯片.
数据来源:Gartner图3Gartner2019AI成熟度曲线深度学习算法的红利加速扩散,计算机视觉等主流AI技术加快成熟.
计算机视觉是最具价值的AI技术,我国计算机视觉技术处于世界前列.
根据Gartner曲线的追踪,当前计算机视觉技术相对成熟.
人工智能与工业融合发展研究报告5在人脸识别领域,美国国家标准与技术研究所(NIST)最新的人脸识别供应商测试表明,顶级系统的识别性能达到99.
5%.
在图像分类领域,2017年WebVision顶级竞赛中"图像分类"错误率已降低至2.
25%,技术成熟度达到顶峰.
2018年,WebVision将赛事难度提升为"万物识别",到2019年,"万物识别"精确率达到82.
54%,比2018年提升了3.
29个百分点.
我国计算机视觉技术已经走在世界前列,阿里、百度、旷视等AI企业位于国内计算机视觉技术领域第一方阵,例如旷视已经连续在全球计算机视觉领域顶级赛事上获得27项世界冠军.
智能语音技术发展取得较大进展,不过仍存在噪声环境与方言口音等技术障碍需要突破.
自然语言处理技术发展迅猛,识别精准度赶超人类,我国也实现了较大突破.
(三)应用发展新态势AI应用全面赋能生产生活各个方面,即将迎来应用繁荣期.
AI发展几经起落,直到近期才步入规模化应用轨道.
AI应用高度依赖于数据、算力以及算法.
随着互联网的迅猛发展,数据快速积聚,加之计算能力的提升,AI的核心发展要素逐渐完备,在很多领域取得了突破性进展,全球科技巨头纷纷开展AI布局,推出AI产品和行业应用.
表1科技巨头的AI产品和行业应用布局科技巨头AI产品和行业应用布局百度自动驾驶汽车Apollo、百度灵医智惠、AI助手小度、实时合成真人虚拟形象主播、百度AI寻人人工智能与工业融合发展研究报告6科技巨头AI产品和行业应用布局阿里城市大脑、工业大脑、金融大脑、农业大脑、医疗大脑、AI助手天猫精灵腾讯腾讯觅影、AI助手腾讯云小微、绝艺(围棋AI)谷歌自动驾驶汽车Waymo、谷歌AI助手、AI摄像头Clips、谷歌Atlas机器人、AlphaGo(围棋AI)微软AI助理小娜、聊天机器人小冰、Suphx(麻将AI)亚马逊AI助手Alexa、无人超市AmazonGo、智能翻译PollyIBM基于Watson平台,在医疗、保险、教育、艺术创作、无人驾驶等领域合作布局来源:中国信息通信研究院AI应用领域逐渐从互联网、新零售向制造业、农业等实体经济领域拓展.
2016年一场人机大战,让AI走入了公众视野,而实际上在更早之前,AI就开始帮助互联网、新零售企业打造个性化搜索、精准营销等核心业务能力.
互联网、新零售行业由于信息化程度高、拥有丰富数据资源,具备AI应用落地的天然优势,成为了AI最先规模化商用的应用场景,同时搜索、广告这种数据计算密集型业务的快速发展也促进了软硬件计算能力的显著提升.
近年来,实体经济行业数字化转型的不断深入,信息化水平日益提升,开始具备了拥抱AI的基本条件.
2018年开始,AI应用领域开始向制造业、农业等实体经济领域拓展渗透.
在制造业领域,AI正在向制造业多个环节广泛渗透,形成了制造工艺优化、质量检测、故人工智能与工业融合发展研究报告7障检测、智能物流、预测性维护、生产安全管理等典型应用场景.
在农业领域,从育种到收获,AI应用已经能够覆盖农业生产的全生命周期,2018年农业发达国家无人机植保作业渗透率已经超过50%,我国也达到了16.
8%.
表2AI在各领域的典型应用场景领域列举AI应用场景农业AI育种、智能环境分析控制、智能施肥灌溉、病虫害诊断预测、无人机植保、智能采摘采矿业矿物勘探预测、采矿机器人、无人机巡检、环境数据监测分析预警、矿石分选制造业制造工艺优化、质量检测、故障检测、智能物流、预测性维护、生产安全管理能源行业优化电厂运营、优化用能储能设计、无人机设备巡检、AI用能节能管理交通自动驾驶、智能交通管理、智能出行服务金融身份识别、单据资质报表识别、网点客流分析、要客识别、潜客挖掘、异常预警、消防预警、AI客服教育自适应学习系统、智能辅导、智能批改、智能阅卷和语音识别测评医疗疾病风险预测、医疗影像、辅助诊疗、虚拟助手、健康管理、医药研发来源:中国信息通信研究院近期,受疫情影响医疗领域广泛采用智能服务机器人辅助医护人人工智能与工业融合发展研究报告8员,降低一线医护人员劳动强度和病毒交叉感染风险.
工业生产和市场供给也在一定程度上受到疫情影响,由于假期延长和对假期流动人口隔离观察等方面的要求,直接影响大量劳动力返城和企业复工,部分企业已加速应用智能工业机器人等新手段、新方式开展智能化生产,减少对人员的依赖.
人工智能等新一代信息技术的广泛应用从短期来看对于应对突发公共卫生事件意义重大,长期来看可实现对人力的替代已应对我国人口红利的消失,提高生产效率助力高质量发展,未来前景可期.
二、AI与工业融合发展的现状(一)工业互联网建设取得阶段性成绩我国工业企业的智能化升级以工业互联网平台建设为主要抓手,近年来取得显著进展,工业互联网应用水平得到明显提升,多层次系统化平台体系初步形成.
一是工业互联网平台建设水平显著提升.
阿里、腾讯等互联网企业,海尔、宝信等传统工业企业,富士康、中联重科等大型制造企业,以及优也、昆仑数据、黑湖科技等创新型企业,都在基于各自优势搭建平台和生态圈.
目前我国工业互联网平台数量已经达到了上百个,具有一定区域和行业影响力的平台超过70个,单个重点平台平均工业设备连接数已达到69万台、工业App数量突破2,124个1.
二是工业互联网平台应用水平持续提升.
我国工业互联网平台应1数据来源:工业和信息化部人工智能与工业融合发展研究报告9用从局部突破走向垂直深耕阶段,涌现出一批创新解决方案和应用模式,工业互联网平台已经渗透到钢铁、机械、航空航天、家电等多个行业,有力促进制造业数字化转型,实现提质降本增效,部分先行先试企业劳动生产效率提高20%以上.
(二)AI与工业融合取得初步成效1.
AI与生产制造融合,提高生产质量与效率打造智能工厂的生产任务自主决策能力.
位于德国海德堡的ABB公司智能工厂,部署了7种智能机器人,能够根据前序工段特点自动调整工作模式,确保工厂始终处于最佳状态.
智能化解决方案使工厂生产效率提升了3%,增强了装配线的灵活性,使产品种类也增加了3倍.
AI技术有效优化了生产工艺过程.
基于机器学习技术,开展原料配比优化(石化行业原油配比、钢铁矿石的配比、电力配煤掺烧)、工艺参数优化、装备装置健康管理工作,加快了新产品研发速度.
中策橡胶应用"阿里云ET工业大脑开放云平台"进行参数优化,生产稳定性提升10%,炼胶时间缩短10%,炼胶温度降低6%,显著节约了能耗支出.
智能在线检测技术提高了产品检测速度及质量,减少因漏检、误检所引起的损失.
旷视为某摄像头模组企业提供的智能质检解决方案实现了产品的在线实时检测,基于Brain++平台的私有化部署版本MegOne,能够实时发现产品划伤、折痕、油污、破损等缺陷,缺陷检人工智能与工业融合发展研究报告10测率同比提高90%,降低85%以上人工成本,整体维护成本降低10%.
华为与海尔公司合作研发的生产质量管理测试床,通过机器学习方法解决了空调噪声检测问题,人员数量下降55%,成本下降27%.
2.
AI与产品融合,实现产品智能化升级基于机器学习技术处理设备数据,创建智能化预测预警模式.
大型客机发动机制造企业罗尔斯—罗伊斯(Rolls-Royce)公司与数字技术企业开展合作,提高了发动机维护水平.
针对Trent发动机(安装在波音787客机和空客A330宽体客机的发动机)叶片质量问题,与美国的Uptake公司开展合作,采用预测分析和机器学习技术,采集发动机海量运行数据,分析潜在运行质量问题,准确预报发动机故障,提前制定故障处理方案,延长了发动机使用寿命.
应用大数据与AI技术,推动企业实现服务化转型.
GE与东方航空公司加强合作,基于飞行大数据智能分析平台,构建发动机研发、生产制造与运行维护数据库系统,利用大数据模型,开展飞机与发动机维护分析、飞行安全与效率分析,实现发动机全生命周期管理,提升了运营效益.
GE公司利用计算机视觉技术和深度学习算法,分析发动机叶片的损伤程度,可精确识别出叶片的损伤位置,分析周期从两年减少到2-25个小时.
3.
国际头部企业深入推进AI技术,全面释放工厂潜能国际头部企业依托深厚的技术积累与丰富成熟的管理经验,在工业企业中全面应用人工智能、大数据等新一代数字技术,提升生产制人工智能与工业融合发展研究报告11造质量,创新运营管理模式,推动企业向智能化转型.
西门子公司与青岛炼化合作,积极推进智能工厂建设.
EPA(EquipmentPredictiveAnalytics,设备预测性分析)系统全面融入AI技术,基于实时工业数据评估设备运行状态,打通了从故障预警、诊断到处理的预测性维护闭环工作过程各类数据.
借助机器学习技术对工厂历史数据进行模型训练,在实时数据出现异常变化时,比传统方式提前数小时甚至数天实现预警,避免非计划性设备停工造成的巨大损失,智能化数字工厂稳定高效运行长达十年,减少80%报警数量.
施耐德以精密化运营管理为目标,以工厂数据为核心,打造"透明工厂",构建新型生产运营管理模式.
施耐德基于EcoStruxure架构,打造了成熟的TransWare透明工厂数字化平台,包括多种运营管理工作组件,优化了订单管理、作业管理、故障管理、产品质量追溯等环节,整合生产运营生命周期各个过程数据,推动工厂数据与运营管理工作深度融合,实现生产全流程的透明化追溯管理.
(三)AI与子行业融合的程度呈现较大差异基于19个工业子行业的40家典型企业调研数据,我们对AI与工业的融合情况进行了评估.
从AI相关投入、AI应用效果、AI应用渗透程度、AI技术人才四个维度对19个子行业的AI融合度进行打分,得到每个行业的AI融合度指数(IAI).
从IAI指数可以看出,工业子行业的AI融合度差异显著,医药制造业、汽车制造业、计算机、通信和其他电子设备制造业AI应用人工智能与工业融合发展研究报告12部署与应用效果显著领先于其他行业,石油和天然气开采业、黑色金属矿采选业、化学原料和化学制品制造业AI应用部署与应用效果相对落后,而智能化基础较好的石油、煤炭及其他燃料加工业,医药制造、计算机、通信和其他电子设备制造业AI融合前景广阔(详见下图).
数据来源:中国信息通信研究院,北京旷视科技有限公司图4AI与工业融合程度三、AI与工业深度融合新趋势(一)AI与工业融合将呈阶梯式推进态势1.
AI与工业融合空间巨大和金融、安防等数字化基础较好的领域相比,AI与工业领域的人工智能与工业融合发展研究报告13融合仍是短板,但新驱动因素逐步出现,未来融合空间巨大.
一是工业附加值低、综合成本攀升倒逼中国工业转型升级,AI与工业深度融合为工业领域降本增效提供了有效途径,降低微笑曲线中间生产制造环节成本,同时进一步提升研发设计和售后服务两端高附加值衍生服务.
二是提高工业产品和服务质量水平成为促进我国产业迈向全球价值链中高端的必然要求,工业产品与服务全流程质量检测、诊断与优化将成为AI应用的重要场景.
三是人口老龄化和劳动成本上升,使得依赖低人力成本的劳动密集型产业在全球市场的优势逐渐丧失,AI劳动力替代在工业领域将发挥重要作用,大幅提升劳动生产率.
根据埃森哲预测,到2035年,基于工业物联网的发展,AI将为制造业额外贡献3.
8万亿美元的总增加值,其中为中国制造业额外带来2.
7万亿美元的增加值,相对无AI应用增加近31%.
2.
AI将分阶段实现与细分行业的深度融合综合智能化基础、AI融合现状、融合前景等因素,在工业领域,AI将最先深度融合渗透于汽车制造业、医药制造业、计算机和通信设备制造业、石油和煤炭燃料加工业以及铁路、船舶、航空航天运输设备制造业等细分行业,逐步向其他行业渗透.
其中汽车制造、制药行业相对其他细分行业来说,自动化、数字化基础好,当前融合程度高,智能化升级将具有较大优势;计算机和通信设备和汽车整车作为未来AI应用的关键载体和入口,最具潜力;石油和煤炭燃料加工业等行业前景好,AI融合应用也具有一定优势.
从应用场景来看,在制造业,AI同步应用于从研发设计、生产人工智能与工业融合发展研究报告14制造、仓储物流、售后服务全流程,并在各个环节逐步加强融合;在采矿业和能源行业,AI首先应用于作业环境条件较差的领域,广泛替代人的工作,然后逐步向精细化管理调度领域渗透融合.
(二)整体解决方案成为工业企业的共性需求随着智能制造的推进,整体解决方案市场规模将加速增长,经过市场验证的解决方案成熟度将进一步提升,并呈现以下发展趋势:一是云边端协同,助力柔性生产、快速交付和降低能耗.
终端设备产生的数据中有超过半数需要在终端设备或网络边缘侧就近分析处理,而中心化的云端只处理计算资源需求大、实时性要求不高的计算任务,如AI模型训练.
未来的计算不仅仅局限在大型数据中心,而将分布在由云-边-端构成的一体化架构上.
二是私有化部署的交钥匙方案将成为主流产品形态.
出于对隐私安全的保障,越来越多的企业考虑私有化部署方案,实现内外网隔离,保证数据、隐私安全.
此外,大部分工业企业缺乏软硬件整合能力,需要部署交钥匙方案,对解决方案提供商的整合能力提出了高标准要求.
三是个性化的细分场景需求成为主要需求类型.
我国工业覆盖门类齐全,各行各业发展特性差异巨大,AI应用的场景千差万别,即便是同一场景不同行业的区别也较大,甚至同一行业同一场景的需求也存在差异.
因此,需要整体解决方案提供商提炼企业共性需求,面向行业开发通用模板,同时根据具体企业的需求快速、低成本定制开发,在AI算法上降低成本、缩短周期,满足企业的个性化需求.
人工智能与工业融合发展研究报告15(三)场景化是深度融合的必然选择1.
制造业融合场景推动AI与制造业深度融合,发展适应数字经济时代的工业智能,既是现代工业发展的必然趋势,也为AI带来广阔发展空间.
现代制造业是一个高度复杂精准的系统工程,产品性能要求更高、生产过程更加复杂、生产装备更加精密,必须借助AI推动制造业是从数字化、网络化向智能化跨越,制造业智能化升级需求是AI广泛应用于制造业各个价值环节的根本驱动.
当前,制造业正处在智能发展的重要阶段,关键是基于海量工业数据的全面感知,通过端到端的数据深度集成与建模分析,实现智能化设计、生产、决策与控制.
人工智能与工业融合发展研究报告16表3AI与制造业融合典型场景核心环节研发设计生产制造仓储物流售后运维安全管理场景描述1.
复杂机械装备产品设计2.
产品可视化仿真1.
制造工艺优化2.
大规模个性化定制3.
复杂产品质量检验4.
智能工业协作机器人5.
能耗管理智能仓储预测性维护智能安全管理需求痛点产品性能参数多、功能复杂、形状结构复杂,需要兼顾后续阶段的产品的适用性制造工艺复杂,影响因素多;个性化需求差异大;质量缺陷种类多;工业机器人结构复杂空间利用率低;作业效率低;人工成本高维修频繁,耽误出货;使用寿命短,折旧成本高;备品备件库存高,占用资金成本安全生产事故时有发生;安全投入成本高人工智能与工业融合发展研究报告17核心环节研发设计生产制造仓储物流售后运维安全管理AI技术知识图谱、计算机视觉计算机视觉、知识图谱、机器学习计算机视觉计算机视觉、机器学习、语音识别计算机视觉、语音识别价值创造1.
提高产品设计速度与准确度2.
虚拟仿真有效减少实物实验成本1.
实现工艺最优化2.
基于大数据与智能决策技术,实现个性化定制3.
提高产品质量检测效率4.
工业机器人具备学习能力与交互能力1.
降本增效2.
提高准确率1.
提高维护效率2.
降低备件库存降低安全风险来源:中国信息通信研究院人工智能与工业融合发展研究报告18(1)研发设计在产品研发场景中,AI主要解决两大需求痛点.
一是处理复杂功能多、性能复杂、参数复杂环境下的产品设计问题,特别是面向复杂机械产品的设计.
通过知识图谱构建设计方案库,再运用深度学习进行搜索与优化计算,实现复杂产品的智能化设计.
UTC联合技术研究中心将知识图谱与深度学习引入设计过程中,依靠知识图谱解决多因素产品研发问题,把产品分解为不同的功能块,构建设计方案库,利用深度学习的复杂计算能力进行指标分析和方案评估,通过学习确定最佳设计方案,设计出的换热器重量减轻20%,传热效率提高80%,设计周期加快9倍.
二是AI深度融入仿真设计过程,降低产品设计与建模难度.
传统仿真是基于建模方式对机械结构、产品装配、力学性能、电磁学性能等进行模拟,而大数据、AI技术借助海量数据,实现从数据到模型的仿真过程,从而降低仿真难度,便于更多人员掌握仿真过程.
吉利公司基于AI技术进行碰撞仿真,把仿真时间从30个小时缩短到10个小时.
在仿真中利用VR/AR(虚拟现实/增强现实)技术,能够直观展现产品结构,加快产品设计速度.
浙江大学与汽轮机企业合作,通过互联网进行汽轮机设计与仿真,使得整个过程更直观,节省了汽轮机产品设计的时间成本.
(2)生产制造在制造工艺优化场景中,采用深度学习方法对设备运行、工艺参人工智能与工业融合发展研究报告19数等数据进行综合分析并找出最优参数,能够大幅提升运行效率与制造品质.
恒逸石化、天合光能、苏州协鑫等企业借助阿里ET"工业大脑"的机器学习技术识别生产制造过程中的关键因子,找出最优参数组合,提升效率与在制品良品率.
恒逸石化燃煤效率提升2.
6%,天合光能生产A品率的测试值提升7%,苏州协鑫良品率提升1%,每年利润增加1亿.
台湾中钢公司通过应用深度学习技术,进行模型分析改善生产线,提升了人力资源管理和钢坯质量管理能力,大幅降低运营成本.
在生产制造过程场景中,AI能够较好解决两大问题.
一是满是个性化生产模式的需求.
传统工业品主要是采用大规模、批量化生产模式,个性化生产极大增加了生产制造复杂度.
青岛红领企业建立了海量数据服装数据库,利用AI算法,优化了整个生产过程,个性化生产比批量生产成本提高10%.
二是实现设备的自学习与自执行能力,通过机器学习方法对人类行为及语音的复杂分析,能够增强协作机器人的学习与感知能力.
新松公司大力推进AI与工业机器人融合,GCR20-1100协作机器人利用智能传感器与3D视觉建模技术,按照样条曲线路径对鞋底区域涂胶,具备全工作流程的智能控制与检测能力;SCR5协作机器人作为国内首款7自由度协作机器人,具备视觉引导、牵引示教、碰撞检测等功能,应用于精密装配、产品包装、打磨、检测、机床上下料等场景.
在复杂产品质量(缺陷)检测场景中,利用基于深度学习的解决方案代替人工质量检测方案,能够在环境频繁变化条件下检测出更微人工智能与工业融合发展研究报告20小、更复杂的产品缺陷,提升质量检测效率.
美国机器视觉公司康耐视(COGNEX)开发了基于深度学习进行工业图像分析软件,利用较小的样本图像集合就能够在数分钟内完成深度学习模型训练,能以毫秒级的速度识别缺陷,支持高速应用并提高吞吐量,解决传统方法无法解决的复杂缺陷检测、定位等问题,检测效率提升30%以上.
富士康、奥迪等制造企业利用深度学习,实现电路板复杂缺陷检测、汽车钣金零件微小裂缝检测、手机盖板玻璃检测、酒精质量检测等复杂检测.
在能耗管理应用场景中,大数据公司、AI公司与工业企业开展深度合作,充分利用大数据、人工智能技术,实现了复杂生产环境下多类型能源数据全周期管控,有效降低了各类能耗.
东方国信公司为联合利华构建能源智能管理系统,覆盖全球100多个工厂,采集分厂的能源数据并传送到总部云平台进行集中分析.
能源管理系统知识库涵盖两千多个方案,开发了锅炉专家系统、电机专家系统、蒸汽专家系统、制冷专家系统、压缩空气专家系统等多套系统,实时监控分析设备运行、能耗等状况,实现了对能源利用状况的全面管控,平均为每个工厂节约5%-15%能源,节水5%-30%,减少原材料1%-3%,节约包装5%.
(3)仓储物流智能仓储加速崛起,市场缺口大.
智能仓储依托搬运机器人、码垛机器人、自动化立体库等智能装备,实现智能搬运.
与传统仓储相比,智能仓储从空间利用率、作业效率、人工成本等指标来看,优势显著,降本增效明显.
旷视推出供应链操作系统——河图,在电商仓人工智能与工业融合发展研究报告21库中协同500台机器人并发工作,将仓库效率提升了40%.
对菜鸟网络智慧仓与传统仓进行对比测试显示,一个传统仓内的拣货员,在7个半小时的时间内,行走28,000步左右,拣货1,500件,接近人工拣货极限,而一个智慧仓内拣货员仅有2,600步左右,拣货已达3,000件.
2012年亚马逊以6.
8亿美元买下自动化物流提供商Kiva的机器人仓储业务后,已在全球部署了10万台以上机器人,智能系统作业效率要比传统的物流作业提升2-4倍,准确率达到99.
99%.
(4)售后运维设备是制造型企业的生存之本,众多设备同时处于生产运行状态,企业对于那些设备存在故障隐患尤为重视.
在设备/系统预测性维护中,机器学习方法拟合设备运行复杂非线性关系,能够提升预测准确率,减少成本与故障率,是工业智能应用最为广泛的场景之一.
中国最大、全球第五的工程机械制造商三一重工携手腾讯云共同打造了"根云"工业互联网平台,把分布在全球的30万台设备接入平台,实时采集近1万个运行参数,利用云计算和大数据,远程对庞大设备群进行运维监测、预测分析,实现了故障维修2小时内到现场、24小时内完成,同时易损件备件呆滞库存低于同行业40%以上,每年直接为下游经销商降低备件库存超过3亿元,大大减轻了备件的库存压力.
(5)安全管理安全管理贯穿制造业运营的始终,在安全生产监管愈发严格的趋势下,制造企业安全投入占收入比重逐步上升,尽管如此,安全生产人工智能与工业融合发展研究报告22事故仍然时有发生,企业安全管理的手段还有较大提升空间.
企业可以利用计算机视觉等技术对危险区域进行管控,通过智能摄像头识别进入危险区域的非授权对象并实时报警,对可疑人员实现跨摄像头跟踪,还可以识别作业区域人员是否按规定佩戴安全帽、穿安全服,将安全生产的风险降到最低.
例如,旷视为华润电力部署了园区安全管理系统,利用人脸识别、物体检测等计算机视觉算法,对变电设备周边等危险区域实现了7*24小时警戒,显著提升了安全管理水平.
2.
能源行业融合场景AI在能源领域的应用主要可以解决能源行业现在存在的痛点问题,如设备网络巡检等,还可以通过对供能、用能等数据进行综合分析,从而最大化的提升能源的供给、使用效率,节约能源资源,实现经济效益与环境保护的双赢.
表4AI与能源行业融合典型场景核心环节能源生产能源传输能源使用场景描述风机无人巡检1.
输配电网无人巡检2.
智能电力调度智能用能管理需求痛点人工巡检难度大、效率低,时间频度和巡检质量都不能保我国幅员辽阔,输电网规模庞大,传统的人工方式已经不能能源资源日益紧缺,用能需求越来越多,供需矛盾加剧人工智能与工业融合发展研究报告23核心环节能源生产能源传输能源使用障,影响能源生产效率满足日常巡检任务AI技术无人机、深度学习机器人、深度学习机器学习价值创造实现高频次、高质量、全覆盖的设备巡检,大大减少故障隐患,减少故障处理速度机器人实现全天24小时实时监控,大大降低人工工作量优化供能、用能端,大大提升能源的供应和使用效率来源:中国信息通信研究院(1)风机无人巡检截至2019年上半年,我国风机装机率已达到全国总电力设备总装机的10.
5%,占有重要的位置.
同时,2019年我国海上风电行业装机量呈现爆发式增长,装机容量预估将达到5,250兆瓦.
在风电运营维护中,如何通过新的技术找出故障,并及时解决,提升电站整体寿命是目前风电行业需要解决的重要问题,特别是海上风机的运维,相较于陆上风机,巡检运维成本要增加20%以上,工作效率也非常低,普通的运维手段难以维护.
传统的叶片表面巡检方式是运维人员通过望远镜观测,以及在风机附近仔细聆听叶片是否有刺耳的异常噪音,凭借经验判断.
无人机人工智能与工业融合发展研究报告24巡检的出现为解决这一难题提供了解决方案,使用无人机进行巡检,可以搭载高分辨率可见光相机观察记录叶片表面状态同时向运维人员回传图像,能够提升巡检效率和质量,缩短设备巡检停运时间,降低发电量损失,实现无死角、全方位检查.
同时可以对巡检结果进行智能分析管理,提供故障预警功能.
(2)输配电网无人巡检我国传输配电网规模巨大,预计到2020年高压配电网线路长度达到101万公里,中压公用线路长度达到404万公里.
目前我国传输配电网存在配电自动化水平较低、信息化手段落后等难以解决的问题,通过人工的方式进行运维巡检已经不能够满足现在电网规模的要求.
从2015年开始,我国多家电网公司陆续引入机器人作为输配电网巡检有力助手.
一个典型的变电站涉及的巡视点多达1,000多个,通常需要两位工作人员花费6至7个工时去完成,而南方电网的智能机器人已经让19个城市的变电站机器人实现全天24小时实时监控,设备仪表识别准确率提升至90%以上,人工巡检工作量降低90%,大大的提升了运行效率.
(3)智能电力调度电力调度过程中所需的资源能否得到整合利用,体现着其自动化水平,关系着相应调度工作的落实效果.
因此,需要重视智能电网技术的引入及应用,从而为电力调度中的资源整合利用提供技术保障,确保其调度自动化效果的良好性.
人工智能与工业融合发展研究报告25神经网络在电力调度自动化系统中的应用十分广泛.
风能、太阳能对电力生产调度提出了极大的考验,有着深度学习能力和循环神经网络的AI可以对大量历史数据进行建模,从而提高预测的准确度.
在设备维护方面,利用设备年限、温度、雷击、是否长期过载等大量数据,能够建构健康度回归模型,从而提高维护设备的效率.
(4)智能用电管理AI技术能够持续监控家庭和企业的用电情况,结合电网的电力流量情况,平衡电网的工作量同时还能为消费者降低能源消耗.
例如谷歌利用DeepMind通过操控计算机服务器和相关设备(例如冷却系统)来管理企业的部分数据中心,减少能耗15%以上,也减少了数亿美元的成本,英国国家电网也宣布将DeepMind纳入到本国的电网系统中,从而达到能源优化使用的目标.
3.
采矿业融合场景当前,全球矿产供应急需增加以满足迅速增长的世界人口需求和期望,采矿业正面临着高成本、高危险性等多种压力与挑战.
人工智能较早就已开始融入采矿业,提供提升效率、解决安全问题的有力手段,帮助采矿企业长期保持自身价值产出.
人工智能与工业融合发展研究报告26表5AI与采矿业融合典型场景核心环节矿山勘探采矿作业设备维护场景描述勘探识别钻潜在价值高的区域采矿行业一直存在极高的风险,采矿人员需要在地下矿床、深海矿井等恶劣环境进行挖掘作业采矿重型装备需要不断维护、维修、需求痛点矿山大量的勘探钻孔和岩土工程钻孔,需要耗费工程师大量时间识别岩性和岩体节理面等岩体参数采矿人员暴露在地下各种岩体失稳的风险中,或暴露在露天矿山的粉尘和暴晒之下采矿业正面临需要从越来越深的地下进行开采的境况,使得设备发生故障或需要维修时的通信和行动变得困难AI技术1.
在钻机上安装AI检测仪,实时识别矿物种类和岩体结构2.
通过深度学习技术分析卫星图像、航空摄影、地球物理图谱和1.
使用远程操作的无人装备,如无人钻孔设备、无人凿岩设备、支护设备、运输设备等2.
利用无人机扫描采矿作业现依托物联网实时采集设备运行数据,通过AI分析各类设备运行状况,并预测关键部件磨损程度,发出预警人工智能与工业融合发展研究报告27核心环节矿山勘探采矿作业设备维护无人机监测数据,可以更好地预测矿物勘探和矿体可能的赋存方位及形态场,及时识别环境问题、存放池与浸出池以及管道基础设施的运作情况价值创造利用AI技术改进矿产资源的发现与规划,为采矿行业带来更科学的规划思路与更可观的投资回报当前机器人已经被应用于无人采矿作业中,显著降低可能出现的危险事件,同时提高整体生产效率AI预警,有助于避免因部件故障而导致代价高昂的采矿事故来源:中国信息通信研究院人工智能与工业融合发展研究报告28(1)矿山智能勘探矿山大量的勘探钻孔和岩土工程钻孔,需要耗费工程师大量时间识别岩性和岩体节理面等岩体参数.
通过在钻机上安装AI检测仪,实时识别矿物种类和岩体结构,有助于加快从勘探到采矿阶段的决策时间.
通过AI技术分析卫星图像、航空摄影、地球物理图谱和无人机监测数据,可以更好地预测矿物勘探和矿体可能的赋存方位及形态.
EARTHAI公司通过分析遥感和地球物理数据,可以找到突出矿体和蚀变晕圈,并绘制出极其细致的硬岩和风化层,来发现新的矿体分布.
(2)无人采矿作业采矿生产安全至关重要,无人采矿作业尤为重要.
依托AI技术,使用远程操作的钻孔设备、凿岩设备、支护设备、运输设备,能减少采矿人员暴露在地下各种岩体失稳的风险中,或减少暴露在露天矿山的粉尘和暴晒之下.
当前机器人已经被应用于无人采矿作业中,实现钻孔、爆破、装载、运输、取样和救援被困矿工等功能.
2017年初,河南跃薪研发出无人采矿设备,并在栾川县境内的洛钼集团三道庄钼矿实施了局部无人作业.
目前,河南跃薪与洛钼集团合作建设的国内首个无人矿山,已经在三道庄矿区运营近两年,经过长时间性能验证,系统运行稳定.
(3)设备预测性维护采矿业正面临需要从越来越深的地下进行开采的境况,使得设备发生故障或需要维修时的通信和行动变得困难.
目前AI技术正不断人工智能与工业融合发展研究报告29融入设备预测性维护应用中.
依托物联网实时采集设备运行数据,通过AI分析各类设备运行状况,并预测关键部件磨损程度,发出预警,这有助于避免因部件故障而导致代价高昂的采矿事故.
IBMOptiMineAnalytics通过预测性观察和嵌入到运营管理系统的可操作仪表板,将数据转化为流程改进,使矿业企业能够实时合并来自不同设备和应用程序数据,分析数据中的模式,以帮助提高设备的可用性、利用率和性能.
四、AI与工业深度融合的挑战基于对AI产业发展规律和工业智能化转型的驱动因素分析,我们总结出推动AI与工业深度融合的六大关键成功因素.
我国在AI共性技术、产业生态构建、融合人才储备方面还面临一定挑战,工业本身在数字化基础、AI资金投入方面又存在短板,融合应用场景不清晰也在很大程度上限制了AI与工业的深度融合.
数据来源:中国信息通信研究院图5AI与工业融合关键成功因素(一)AI共性技术亟待突破AI工业应用场景资金投入数字化基础AI共性技术AI应用人才产业生态人工智能与工业融合发展研究报告301.
大部分供应商缺乏框架级的AI算法开发能力国外巨头以开源软件框架为核心打造生态,我国缺乏自主知识产权的框架级深度学习算法开发能力.
AI开源软件框架具备媲美Android操作系统的核心地位,具有统领产业进步节奏、带动硬件配置、终端场景与云端服务协同发展的核心作用.
当前,谷歌TensorFlow一枝独秀,以云平台模式提供云机器学习服务,向下与芯片和硬件厂商紧密耦合做定制优化,已形成成熟的开发生态.
国内也涌现出一批开源软件框架,百度PaddlePaddle、旷视MegEngine技术实力已接近国际一流水准.
区别于其他注重科研的框架平台,旷视开源的深度学习框架MegEngine具备独特的训练和部署一体化技术架构,并集成了行业领先的AutoML技术,可大幅提高算法生产效率,实现AI产品从实验原型到工业部署的小时级转化能力,支持大规模弹性训练,有望成为最适合发展国内工业人工智能应用的底层框架,不过生态打造方面才刚刚起步,有待后续的大力推广和使用.
据统计,当前TensorFlow使用普及率高居第一,达到52%,Pytorch位列第二,普及率24%,两者总计达到76%,国内只有PaddlePaddle位列前十,使用普及率仅6%2.
国内深度学习算法平台使用普及率占比很小,缺乏应用支持,暂未形成自己的生态,持续迭代升级能力受限.
2.
底层芯片有突破但尚难以与巨头对抗当前,在ASIC专用芯片领域,国内正涌现出一批新锐企业,同2数据来源:CSDN,《2018-2019年中国开发者报告》人工智能与工业融合发展研究报告31国外厂商展开激烈竞逐.
但是,我国在GPU、FPGA等主流底层芯片领域主要依靠进口,技术受制于人.
GPU作为市场上AI计算最成熟、应用最广泛的通用型芯片,短期内将继续占领AI芯片的主要市场份额.
FPGA基于其可编程带来的配置灵活性,是短期内AI芯片市场上的重要增长点.
我国在GPU、FPGA等领域一直处于追赶状态,绝大多数芯片依靠国外的IP核进行设计,国内AI应用市场主要均依托GPU开展算法训练,主要利润流向国外巨头,难与国外巨头抗衡.
(二)可落地的应用场景不清晰1.
企业对AI应用的潜能认识不准确SAP通过对中国过去三年最大的300项AI投资项目进行分析,结果显示,34%投资于商业及零售领域,18.
3%在自动驾驶,制造业相关的AI投入不到1%,而制造业恰恰是AI应用最具潜力的领域.
研究发现,AI的使用可降低制造业最高20%的加工成本,而这种减少最高有70%源自于更高的劳动生产率3.
而我国许多制造业企业的AI意识还没有觉醒,没有考虑到AI方面的投入会带来不止倍增的效益.
2.
缺乏适合的AI应用切入场景由于AI与工业的结合在我国起步不久,也没有发展路径可以借鉴,许多细分领域中还没有适合切入的业务场景.
AI与工业深度融合不仅专注实现具备可持续性能的工业应用,而且要进行硬件方面的适配,因此AI赋能工业,绝大部分都需要根据具体场景进行定制.
3数据来源:波士顿咨询公司(BCG)人工智能与工业融合发展研究报告32此外,工业企业对AI领域的陌生,与掌握AI技术的科技企业之间存在着信息错位、供需断层等沟通壁垒,也是AI与工业深度融合中的重要挑战.
3.
成功案例示范效应不明显目前在制造业智能化水平较高的普遍都是超大型企业,巨大的前期成本投入,对于中小型企业并不具备可推广性.
我国中小型企业生产过程的薄弱环节比较集中在前道工序和/或后道工序,同时对成本投入与回收也有一定要求,无法通过现有的模式来进行智能化的改造提升.
(三)企业部署AI应用缺乏资金1.
制造业等行业利润率水平低,对AI应用的成本预算少据国家统计局统计,2018年,我国规模以上工业企业主营业务收入利润率仅为6.
5%.
世界银行公开信息显示,2018年中国的制造业增加值高达40,027.
5亿美元,约占全球总额的30%,继续稳居全球第一,远超德国、日本等传统制造业大国,但利润仅占全球2.
6%,不到增加值的十分之一.
据两化融合服务联盟统计,2018年我国工业企业信息化投入占比仅为0.
25%4.
2.
企业AI应用投入风险过大,缺乏风险分担机制4数据来源:《中国两化融合发展数据地图(2018)全版》人工智能与工业融合发展研究报告33企业要想通过投入AI技术产生效益,必须配备合适的管控体系和支持的基础设施,同时对员工进行重新配置和再培训.
目前,大部分AI应用项目为定制化的系统性项目,2018年某省智能制造示范试点项目申报数据显示,平均每个智能化改造项目需要约三年半的时间,投资超过9000万元,大量的资金投入、漫长的实施周期和项目可能以失败告终加大了工业企业的投入风险.
(四)产业链各环节协同不足一是提供端到端解决方案的能力不足.
制造业智能化转型是一项系统工程,涉及现场层、感知层、控制层、制造执行层、管理层、云服务层等制造系统各个层级,需要实现横向集成、纵向集成以及端到端集成.
国内大部分智能制造解决方案仅涉及系统体系中的某几层,缺少能够打通整个架构体系的智能制造解决方案商.
二是产业链上下游协同不顺畅.
系统解决方案主要依托于软硬件产品及系统,实现制造要素和资源的相互识别、实时交互、信息集成,需要软件产品开发商、硬件设备供应商、系统集成商等产业主体相互适配、协同创新,链上节点企业之间缺乏信赖和协作、信息不透明等问题也延缓了AI与工业融合的步伐.
(五)工业企业数字化基础薄弱1.
生产系统数字化率低,难以支撑智能化生产数据是实现工业生产数字化、智能化的基础,而生产装备与业务数字化是获取设备运行数据、生产过程数据的前提条件.
从我国工业人工智能与工业融合发展研究报告34企业数字化推进程度来看,智能化所需的基础工作尚未完全就绪.
目前我国工业企业关键工序数控化率为49.
7%,只有46.
0%的企业在主要业务环节实现了数字化5,工业设备、产品、生产线的传感器部署不足、联接水平低,工业数据采集难度较大,业务系统互联互通程度不高.
2.
工业企业数据不规范,数据资源整合难度大AI与工业深度融合需要以大数据为基础,工业数据的可获得性、可通用性、规范化程度仍然较弱.
我国工业领域缺乏统一工业数据标准与通信协议,工业控制系统及通信协议被国外龙头企业掌控,造成数据获取难度大、成本高.
工业机器设备生成的数据通常较为复杂,多达40%的数据没有相关性的,工业数据需要通过大量高精度传感器获取,前期投入大,后期维护成本高.
(六)AI顶尖人才和应用人才不足1.
AI顶尖人才不足全球AI人才总量达到204,575人,其中,美国拥有28,536人,位居首位;中国总量达到18,232人,位列第二,占全球比重为13.
9%,是美国的65%.
全球AI顶尖人才共20,458,其中,美国有5,158人,占据全球总量的25.
2%,数量上遥遥领先,中国顶尖人才977人,排名第6,顶尖人才占比过低6.
5数据来源:《中国两化融合发展数据地图(2019)》6数据来源:《中国人工智能发展报告2018》人工智能与工业融合发展研究报告352.
AI复合型应用人才严重缺乏从我国18,232个AI人才所属机构性质分布来看,81.
3%来自高校,8.
8%来自科研机构,只有5.
9%来自企业7,这部分企业还是以科技企业、互联网企业为主,这就决定了绝大部分的AI人才在成长过程中对于具体的产业难以有深入的了解.
此外,我国制造业的主体是中小企业,整体智能化水平较低,信息化投资不高,因此制造业企业很难通过自身来培养具有行业背景的AI人才.
五、推动AI与工业深度融合的建议(一)给政府部门的建议1.
注重基础技术,夯实核心技术能力一是基础技术研发方面,鼓励自主研发AI开发框架和芯片,减少对国外单一开源框架和GPU芯片的依赖.
二是在工业特定领域推广应用自主研发的深度学习框架和芯片,提高工业生产安全性.
三是推动AI行业标准化,鼓励公共服务机构开展AI算法精准度方面的测评.
四是探索成立开源基金,对深度学习框架开源予以适度支持,打造自主开源生态.
2.
推进融合应用,提升实体经济效率一是推进AI应用示范,重点针对智能产品与装备、智能工厂与产线、智能管理与服务、智能供应链与物流、智能监控与决策等领域7数据来源:《中国人工智能发展报告2018》人工智能与工业融合发展研究报告36遴选示范应用.
二是深化"揭榜挂帅"机制,以融合应用为牵引开展深度融合科研攻关,打造深度融合标志性产品、平台和解决方案.
三是鼓励工业互联网平台提供商与AI技术提供商加强合作,实现工业互联网平台与AI应用集成.
四是鼓励AI"应用先导区"和"创新发展试验区"加强对AI创新应用的扶持,探索设立地方专项资金支持工业AI创新应用.
3.
鼓励产业协同,打造产业生态体系一是支持AI产业联盟开展行业交流合作,推动AI产业链上下游协同.
二是支持成立AI与工业融合发展相关联盟、工作委员会,加强AI与工业各子行业跨行业交流合作,推动跨行业协同创新.
三是鼓励产业园区搭建跨行业交流平台,加强工业企业与AI企业交流合作,提升传统产业应用AI等新一代信息技术提质增效的积极性.
4.
破除行业壁垒,打造融合发展环境一是要优化数据治理规则,推动行业间数据流通,建立可执行度高的数据监管条例,为AI应用研发和应用提供充分的数据资源和环境支持.
二是构建智能化信息基础设施,加快建设下一代互联网、5G通信网、工业互联网、AI超算中心等信息基础设施,形成适应智能经济、智能社会需要的基础设施体系,降低行业融合成本.
三是推进智能制造标准化建设,优先针对智能工业机器人、工业物联网发展和应用需求,推动相关接口标准化.
(二)给需求方的建议人工智能与工业融合发展研究报告371.
加快部署AI应用,占据领先地位,避免在智能化进程中掉队人口红利期即将结束,工业企业人力成本不断攀升,加之我国现代化工业生产要素的先天不足,亟待向着高质量发展转型.
工业企业要积极拥抱AI技术,尽早尽快的部署AI应用,找准与企业业务的关键结合点,根据实际能力以点及面逐步渗透,同时要根据业务需求找准AI领域的合作伙伴,借助外部力量来快速形成AI能力.
2.
通过沉淀AI能力,升级商业模式,提高行业赋能能力AI的能力不仅是可以为传统企业自身所用实现增效降本,未来也有可能成为传统企业商业模式中的重要一环,赋能其他企业.
例如GE为油气、运输和能源行业等提供先进的检测服务,西门子帮助工业企业在其全生命周期内实现智能预测、高级诊断以及自主优化.
制造业企业可以通过自身AI能力的打造、应用场景的创建,形成可输出可复制的模式和路径对外输出,为企业带来额外的经济效益和社会效益.
3.
尽早开始积累数据,构建数据和智能的护城河部分工业细分子行业企业,普遍存在着信息化程度低、缺乏数据积累的问题,达不到AI进入门槛,没有办法快速实现智能制造.
传统企业要注重生产数据的累积,进行合理规划,构建数据体系,形成一体化的数据资源基础,为智能化的发展打下坚实基础,这也是需求人工智能与工业融合发展研究报告38方率先应该实现的入门级要求.
4.
注重AI应用与业务流程的融合,推动业务流程优化AI转型不仅仅停留在IT系统的部署层面,建议通过AI技术对公司的业务模式、流程进行优化再造.
建立公司内部的AI团队,对全体员工进行AI知识、技能培训,制定人工智能发展战略,通过试点项目找出公司业务流程与AI融合中的痛点问题,从而进行业务流程的优化与再造,同时通过后评估来不断改善AI转型的效果,推动AI应用与业务流程真正实现深度融合.
(三)给供给方的建议1.
抢占商机,尽早启动从IT供应商到AI供应商的转型IT服务供应商有基础、有优势,应加快向AI专业供应商转型的步伐.
2000年左右第一波信息化趋势来临,IT服务供应商就开始为传统企业搭建基础设施,同时也深入到了传统企业的核心业务形态.
当前AI浪潮已经来临,IT服务供应商对底层硬件基础设施的把控,以及对传统企业的深入理解,使其成为传统企业AI转型最适合的支撑力.
除了布局硬件基础设施,提供算法支撑外,IT服务供应商还应通过不断与底层技术交互,向更深处延伸,逐步推出深度学习训练推理服务,打通算力、算法、数据三层能力,为客户提供端到端的AI解决方案.
2.
站位高远,提升为工业企业开展AI咨询的能力人工智能与工业融合发展研究报告39提升AI咨询能力,开展AI技术咨询与战略咨询,帮助企业做全局或部分环节的判断.
掌握AI技术发展现状与态势,加强AI技术咨询服务能力,为工业企业开展人工智能应用提供整体性的决策建议.
深入研究工业细分领域业务特征与数字化现状,加强AI战略咨询服务能力,为工业企业与AI深度融合提供顶层设计与总体规划.
3.
少走弯路,与AI领域的领头企业合作AI供应商应注重合作,以迅速打开市场为首要原则,加入国内AI头部企业阵营,协同构建产业生态.
当前我国AI头部企业致力于推出自研技术架构、平台,携手业界伙伴共同构建细分领域产业体系.
在这样的发展形势下,孤军奋战、闭门造车没有出路,AI供应商必须主动对接,联合攻关拓展创新自身的AI技术、产品与行业应用解决方案,以低成本、高效率迅速打造标杆.
同时积极参与到头部企业的产业体系建设中,贡献自身的力量,共同提升业界影响力.
4.
紧抓机遇,积极投身AI与工业深度融合的进程中"AI+工业"市场是一片蓝海,AI供应商应主动出击,拥护大机遇.
工业是实体经济重中之重,推进AI向工业赋能,才能有效助力实体经济高质量发展.
AI供应商应基于自身优势,主动拥抱工业细分领域,致力于工业领域"人机协同",以AI赋能工业安全、高效、高质量生产,从而打造自身的核心竞争力.
(四)给教育机构的建议人工智能与工业融合发展研究报告401.
与企业共建学生实训基地加强产教融合,与业内领先企业深度合作,建设面向学生的AI实训基地,重点加强理论教育与实践能力、实际经验有机结合,增强学生的社会竞争力,解决学校教育与社会需求脱节的问题,使其成为培养应用型人才的教学基地.
2.
完善AI课程体系设计加强AI人才的理论教育,不仅要推动AI一级学科建设,更需要有与之对应的课程体系.
在AI课程体系构建方面,不仅包括数学基础、计算机科学核心课程,而且包括智能基础、图像识别、自然语言处理、知识工程等专业课程.
此外,教育机构应重视开源项目课程,助力产业发展,填补我国开发平台的空缺和需求.
3.
开展AI应用人才认证重点面向应用领域,建立和完善与国际接轨、匹配产业需求的AI认证认可制度,提高技术人才职业化、国际化水平,为AI产业以及传统产业智能化发展持续输送AI应用人才.
北京旷视科技有限公司地址:北京市海淀区科学院南路2号融科资讯中心A座3层邮政编码:100090联系电话:010-82525680传真:010-62508629网址:www.
megvii.
com中国信息通信研究院产业与规划研究所地址:北京市西城区南礼士路甲36号邮政编码:100037联系电话:010-68032078传真:010-68033234网址:www.
caict.
ac.
cn