第11期（总第212期）2018-3-19
一、人工智能领域发展迅速，有助于大力提高德国生产力
机器可以根据强大的学习算法进行类似人类的训练来执行任务。由于较易免费获得的算法和数据库、云计算成本的下降以及生成数据的传感器的增加，AI 的采用变得越来越便利，在成熟或初创企业中发挥的作用越来越大。在工业部门中，通过物联网（IoT）连接的设备和传感器越来越多地采用AI 应用。AI 能够以高准确性处理大量数据，将这些数据用于高附加值任务。预计到2025 年，全球基于AI 的服务将增长15％～ 25％，市值达1300 亿美元。
基于自然语言处理和视觉对象识别等领域的进步，AI 将是自动化的核心推动者。根据麦肯锡全球研究所（MGI）的数据显示，62％的德国职业中至少有30％的活动可以实现自动化，该水平与美国相当。预计AI 将使德国的生产力每年提高0.8％到1.4％。通过成为AI 的最早采用者之一，德国甚至可能超过其2030年设定的GDP 目标的4％。为了解各部门可以从AI 获益的程度，所有工作被分为7个类别，并确定了各部门活动的相对组合。除管理、专业知识和界面外，其他活动类型均具有超过50％的自动化潜力。在德国制造业中，大约55％的活动具有AI技术自动化的潜力。在可预见的环境（例如，产品的包装、焊接）中，进行体力劳动或操作机器占整个制造时间的1/4，这种活动类型具有约90% 的自动化潜力。
二、AI 在工业部门的典型使用案例显示出巨大发展潜力
1. 产品和服务提升方面使用案例—自动驾驶汽车（Autonomous Vehicles）
自动驾驶保证了更流畅、更安全、更舒适的移动体验。汽车行业正在从辅助驾驶过渡到自动驾驶中。当前，大多数先进的驾驶辅助系统（Advanced Driver Assistance Systems，ADAS），如行人识别系统仍然通过基于规则的编程来实现。但是实际交通情况复杂多变，为实现真正的自主驾驶，使用AI 将成为先决条件。
目前，一些机器学习方法已经开始在ADAS 中应用，对基于规则的系统进行补充或者取代。谷歌（Google）和特斯拉（Tesla）推出的自动驾驶汽车应用了一种基于机器学习和ADAS 的混合系统，将机器自主学习功能添加到传统系统中。此外，一些汽车初创公司的目标是扩大AI 的使用范围。研发者通过4个主要步骤—传感器处理、数据解释、规划和决策以及执行，来增强AI 算法以实现完全集成的基于学习的系统。这些系统的独立培训需要大量的传感数据和强大的计算能力。在支持AI 的自动驾驶汽车中，首先，系统接受代表性场景培训以掌握基本技能；其次，系统会从实际应用遇到的所有情况中学习，不断提高性能，并且这些车辆将能够通过直接互动或集中式平台分享各自的经验。除此之外，AI 系统还可以利用市场上所有车辆的累积知识来改进每辆车。
2. 制造业操作方面使用案例
（1）AI 增强预测性维护（AI-enhanced Predictive Maintenance）
预测性维护旨在通过利用数据来预测机器故障以提高生产率。早期识别机器故障的主要方法是状态监测，而各种庞杂多变的因素影响往往导致预测失败。将新的传感器和物联网设备集成到生产流程和操作中，大大提高了监测的数据量及其可用性，并且基于AI 的算法能够识别错误信息，获得有效信息，并将有效信息中的噪声与预先分析的故障区分开来，以预测故障并指导决策。
机器学习技术检查数据记录与标记输出（例如失败）之间的关系，然后创建一个数据驱动模型来预测这些结果。Neuron Soundware 公司开发的人工听觉皮层模拟人声来自动化检测和识别故障原因，工业物联网创业公司KONUX 研发的基于云计算的AI 系统具有强大的自我学习和提高能力，这些应用大大简化了预测性维护系统的部署，提高了预测的准确性。
（2）协作和场景感知机器人（Collaborative and Contextaware Robots）
当今的工业机器人仍然无法应对环境变化，需要在指定的机器人区域内进行作业。AI 的重大进步使新一代自动化机器人成为可能：灵活的非专用机器人。它们需要更少的配置时间，并且更容易进入特定的环境中。人和情境感知机器人之间的进一步合作将大大提高重型工业的行业效率。
协作和情景感知机器人发展的主要驱动因素是计算机视觉的进步。在计算机视觉领域，尤其是对象识别和语义分割（即识别对象类型）的能力变得越来越重要。这种进步使机器人表现出情景感知能力，可以识别他们所交互的材料和对象的属性，能够灵活自主地实现与现实世界和人类的互动。一款新型AI 增强的物流机器人（AI-enhanced Logistics Robots）被教导如何通过照相机自动识别空货架，深度学习正在被用于正确识别对象及其位置。
（3）制造业中生产增产（Yield Enhancement in Manufacturing）
制造环境的复杂性会产生大量由于缺陷而必须处理或需要重新加工的产品，造成产量损失，这大大增加了制造业的生产成本。例如，在多步骤半导体芯片生产工艺过程中，其测试成本和产量损失可占总生产成本的20％～ 30％。将过程控制数据与质量控制、产量数据联系起来，是确定产量损失以及质量损失根本原因的基础。基于AI 的分析支持，半导体制造商可以通过改变生产工艺或芯片设计来避免损失。
基于AI 的测试算法能够有效节省成本，提高产量。首先，启用AI 的根本原因分析可以通过降低废品率来提高收益；其次，AI 可以提高整体设备效率，尽量减少设备和维护所需的成本；再次，AI 优化的测试程序较便宜，例如，AI 优化的半导体生产工艺中所需的测试晶片更少。使用AI 可以将产量损失减少30％。
（4）自动质量检测（Automated Quality Testing）
产品的质量保证是制造业企业存活和成功的关键要素。生产中的质量保证体系通常需要强大的前期投资和大量的测试与校准。目前，用于各种产品（如印刷电路板、车身）生产线的自动化视觉质量检查系统对生产环境的条件要求非常严格，且容易出现误报，降低操作人员对自动化检测结果的信任度。而基于计算机视觉和机器学习的人工智能方法有望克服这些挑战。
在支持人工智能的视觉质量检测系统中，参考示例是通过对不同视角下的良品和缺陷产品进行可视化成像，从而为监督学习算法（例如，基于深度神经网络）的训练提供动力。阿姆斯特丹大学的子公司Scyfer 应用深层神经网络来自动化钢表面的视觉检测，显著提高了在检测复杂或罕见的钢表面缺陷方面的功能；美国Nanotronics 公司将AI 与3D 显微镜结合起来，可以用于检测低至纳米级的缺陷。近来，基于AI 自动质量检测方面的进步使生产率提高达50％。
3. 业务流程方面使用案例
（1）AI 增强供应链管理（AI-enhanced Supply Chain Management）
运作良好的供应链对任何行业的发展都至关重要。为了实现供需之间的紧密匹配，高度准确的需求预测以及优化的补货策略是关键。然而，传统的预测和补货系统被大量的数据淹没，因此，企业产品的即时生产通常是依据在标准条件下的高效供应链效果，而不能快速有效地对上游或下游变做出反应。基于机器学习的方法能够提高预测精度并优化补货策略，其目标是减少牛鞭效应（Bullwhip Effect）并增加灵活性。
基于AI 的供应链优化不仅关注给定环境中的性能，而且还能灵活地适应由于不可预见的事件而产生的变化。此外，未来的系统将可以处理从原材料供应商到最终客户的整个价值链。例如，基于贝叶斯网络的监督学习方法不仅包括历史销售数据和供应链的设置，而且还依赖于实时数据。一些公司已经开始试验自己的内部解决方案，以实现基于AI 的预测和补货。Blue Yonder 公司通过AI 技术优化预售和补货，并同时调整定价。基于AI 的预测方法有望在一些环境中将误差降低30％～ 50％。
（2）杰出研发项目（High Performance R&D Projects）
杰出高效的管理研发项目是一项非常具有挑战性的任务，不仅需要应对技术和市场的不确定性，而且还要面临紧迫的上市时间和预算有限的压力。基于AI 的方法在优化研发项目优先次序和提高个别项目的绩效方面有重要潜力，能够更好地释放预算并提高子项目的效率。
F1赛车队的研发项目为基于AI 的研发绩效提升功能提供了完美的测试基础。传统上，数千个研发项目（其中一些相互竞争）采用强力方法来确定赛车的最佳配置，研发项目的失败率约为90％。而麦肯锡的Quantum-Black 成功地利用AI 来简化研发流程，将各种数据与燃料机器学习和计量经济学方法相结合，能够在早期确定最有前途的研发项目，优化整个项目的研发流程，争取更短的上市时间。
（3）业务支持功能自动化（Business Support Function Automation）
尽管业务支持部门职能（财务、人力资源和信息技术等）对于确保企业的有效运营至关重要，但通常面临资源紧张、成本较高的压力。新一轮数字化浪潮使企业能够在商业支持功能中利用机器人过程自动化（Robotic Process Automation，RPA）来提高效率。RPA 通过记录活动序列，能够自动重复已记录的活动过程。但是这一方法在任务复杂性超过某个阈值时即失效。因此， 智能过程自动化（Intelligent Process Automation，IPA），即RPA 和AI 的结合，提供了新的可能。
IPA 在实现业务支持功能自动化方面具有超高潜力，这是因为当前的AI 系统在输入和输出范围明确定义的环境（例如IT 中的服务器操作控制）中运行得最好。基于IPA 的复杂任务的自动化通常将自然语言处理与机器学习的其他应用程序结合起来。典型例子是使用AI 的IT 服务台的自动化。首先，将人类解决问题的策略进行编码，每一段编码都代表了一项简单的任务；其次，将这些编码片段输入自主学习的AI 算法中。根据特定IT 标签需求的内容，AI 引擎将各个知识点组合起来，以创建量身定制的解决流程。
三、为确保企业利用AI 的效果，应遵循以下建议
第一，了解AI 的用途并确定可使用案例的优先级，同时不可忽视经济学知识。
AI领域的创新速度惊人。仅在10年前，好的语音识别算法还只存在于科幻小说中，而如今数百万人依靠AI 与周围的机器进行通信。然而，企业家一定要在充分理解AI如何能够为自己的业务带来价值的基础上采取行动，而不是盲目地在时髦的技术上进行仓促投资。高层决策者一定要对AI的功能有清醒的认识，包括对AI 的实力及局限性的诚实评估，以期对如何利用AI引擎开展自己的业务具备足够高层次的把握。
第二，加强企业内部核心分析能力的人才培养，同时注重利用第三方资源培训。
为真正把握AI 的绩效提升价值，企业需要发展强大的内部核心分析能力，与AI 领域的知名公司或初创公司合作。当前企业极缺的人才是开发算法的“宽客”（Quants）和缩小数据专家和管理层之间差距的“翻译者”（Translators）。然而，目前具有这两种能力的人才极为稀缺。鉴于此，综合运用内部培养手段和外部招聘手段以获得拥有启动AI 引擎的技能是最切实可行的。
第三，注重颗粒数据存储，并使平面或非结构化数据可用。
数据已经被视为日益重要的企业资产，没有数据，AI 引擎不能工作。因此，企业领导者应该知道自身企业数据和信息的价值，以及获得与其企业未来成功的相关数据的途径。AI 的一个重要功能是使平面数据和传统方法无法分析的数据格式可用。预计从生产环境中生成的所有数据中，90％是没有关系结构的平面数据。使此数据可用需要有效处理数据量和类型的新方法，而最重要的是No SQL21 技术。
第四，注重专业知识的运用，利用领域知识来提升AI 引擎。
拥有特定领域的专业知识（例如针对特定制造流程的参数）是原始设备制造商（Original Equipment Manufacturer，OEM）不会败给初创企业或服务提供商的一个最可能优势。关于将AI 和机器学习应用于业务问题，领域知识可以通过两种方式帮助OEM。首先，在自己的行业或技术环境中，对AI、系统、技术和企业之间的依赖性有深入了解，能够充分描述使用AI 想解决的具体问题；其次，AI 的应用可以使领域知识成为系统的一个组成部分。例如，可以对领域知识进行编码，并在自学习开始之前对AI 算法的性能进行重大提升。总之，AI 作为一种可应用于许多问题的工具，如果不深入理解领域专业背景，它将无法实现任何预期的改进潜力。
第五，通过试点、测试和模拟实现小而快的步骤，灵活敏捷是AI成功的先决条件。
企业可以以低成本甚至免费获得基本编程接口，通过基于云的解决方案获得更大规模的计算能力，也可以在第三方的帮助下建立初始流程，同时保持底层数据和领域知识的所有权。公司内部AI实施的最佳做法基于敏捷管理，并对AI 持开放态度，建立人类和机器合作开放的组织文化。
https：//www.mckinsey.com/industries/semiconductors/our-insights/smartening-up-with-artificial-intelligence
编译：曹学伟 陈海涛 张新玲
感谢您的支持与关注，欢迎赐稿交流
閱讀更多 中國科協創新院 的文章
