作为新一代信息技术的核心——人工智能已渗透到制造业的各个环节中，成为满足消费者需求并引领产业实现创新的关键驱动力。过去，在制造业中，人工智能主要被用在数据收集等基础环节。随着大模型、机器学习、计算机视觉等人工智能细分技术实现突破，制造业企业借助多年收集的数据和各类技术，改变制造业生产、运输和销售产品方式。EMERGEN RESEARCH 数据显示，2022 年，全球人工智能制造业市场规模为 26 亿美元，预计在预测期内收入年复合增长率为 44.5%，其中，北美为最大市场，亚太地区复合增长率显著提高。
本文将基于 AI 在制造业的应用背景和现状，深入分析 AI+ 制造业创新化应用的方向与产业发展趋势。
1、发展背景分析
政策端：国家发布系列政策从加强产业应用与技术发展等方面推动人工智能在制造业的创新发展
实体经济是国家立身之本，而制造业则是实体经济的关键，是建设现代化产业体系的重要领域。国家多次发布政策强调提升制造业的发展质量，以创新驱动发展，加快人工智能等数字技术赋能，全面促进产业升级，催生新模式、新功能的诞生，实现制造业的快速增长。一方面，政策推动人工智能技术在柔性制造、机器人协助制造、工业检测、设备互联管理等深层次应用场景的探索，完善智能制造产业生态。科技部等六部门发布《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》，鼓励在制造等重点行业深入挖掘人工智能技术应用场景，促进智能经济高端高效发展;另一方面，《" 十四五 " 智能制造发展规划》等政策强调，加强关键核心技术攻关，研发人工智能、5G、大数据、边缘计算等在工业领域的适用性技术，增强融合发展新动能。
图示：中国人工智能在制造业内应用相关政策
技术端：算法、通用技术和工业知识的不断突破，为人工智能赋能新型制造业奠定了良好基础
得益于算法的突破、算力的不断提升以及海量数据的持续积累，人工智能逐渐从理论走向工业领域的应用实践，切入越来越多的工业应用场景。数据是制造业的基础生产资料，算力提高了海量数据的处理能力和效率，算法从处理过的数据资料中发现规律并提供智能决策支持。具体而言，以机器学习、深度学习等数据科学和知识图谱、专家系统等知识工程为代表的两大类算法技术和以机器视觉、自然语言处理为代表的应用技术均不断取得突破。例如，深度学习特征提取和泛化推广能力推动机器视觉技术准确度和速度双提升的同时，提升视觉处理器能力，借助机器视觉，机器人可实现三维感知，并与人类进行智能互动。此外，通用支撑技术和工业知识及经验同样是保证人工智能在制造业实现具体应用落地的关键。例如，云计算可串联制造业各环节产生的大量数据，提升数据传输效率的同时，增加人工操作环节的稳定性，提升产品质量;丰富的知识和经验可帮助优化和调节模型训练，提高人工智能的应用效率。
图示：人工智能在制造业的应用范式
需求端：消费者对多元化和高质量的追求倒逼制造业进入智能化阶段，对 AI 赋能制造业需求提升
近些年，随着中国经济转型升级，中国制造业的消费端也发生了巨大变化。制造业从提供传统低端加工服务向高端制造转变，一方面，消费者需求多元化，制造业产品结构愈发复杂;另一方面，制造企业希望提升制造能力，向消费者提供更多增值服务，以构建差异化竞争优势，获得更大市场份额。因此，为适应多元化的需求端和对高质量产品的追求，制造业自身需在设计、生产、管理、仓储、质检等全流程实现智能化改造，对人工智能、大数据、5G 等信息技术参与制造全过程需求持续提升。
应用价值：人工智能从商业和产业价值两方面赋能制造业
人工智能对制造业的价值主要体现在商业和产业两方面。一方面，人工智能可覆盖制造业全流程各环节，提高各环节自身运作效率，并可挖掘各单一环节所产生的数据信息，进而赋能整体的预测、生产、管理、决策，实现精细化管理，助力企业降本增效。工信部数据显示，经过智能化改造，制造业研发周期缩短约 20.7%、生产效率提升约 34.8%、不良品率降低约 27.4%、碳排放减少约 21.2%。另一方面，在人工智能的赋能下，制造业从产品为中心向用户为中心转变、从刚性生产向柔性生产转变，满足消费者个性化需求成为制造业新服务模式。此外，人工智能可帮助中国制造企业逐渐掌握技术研发、设计等高附加值产业环节的话语权，抢占制造业价值链高点。
总体而言，人工智能在制造业具有广阔的应用空间。根据 Bizwit 数据，2023 年人工智能在中国制造业应用的市场规模约为 56 亿元，从 2019 年起，市场规模增长率将持续保持在 40% 以上，2025 年市场规模将达到 141 亿元。
2、产业结构分析
AI 在制造业的应用产业生态图谱
整体而言，人工智能在制造业的应用可分为三部分：上游基础层、中游系统层和下游应用层。其中，基础层包括基础设施和智能工业设备等工业软硬件，系统层包括工业控制系统和工业互联网平台，应用层按行业划分可在电子通信、电力电气、汽车制造等细分领域内应用，按场景划分则主要应用在设计、现场作业、销售预测、节能减排等环节。
基础层：落地所需工业软硬件资源构成 " 人工智能 + 制造业 " 产业基础层
基础层包括数据、算法、算力、智算中心等基础设施和工业机器人、AGV 智能工业装备等为人工智能提供在制造业落地所需的工业软硬件资源。具体而言，数据是支撑人工智能在制造业落地的核心基础，然而制造业数据样本量较小，多依赖企业自身数据积累与沉淀，由此延伸出对 AI 基础数据服务商在数据标注的复杂化、自动化、全栈式服务和数据合规性上的需求。从竞争格局来看，传统专业数据服务商占据较大市场份额，科技企业依托其算法能力、研发能力和产业协同资源，市场份额得以逐渐提升。
此外，随着大模型、多模态等 AI 技术的发展，人工智能在制造业应用的过程中对算力的需求呈指数级增长，利用 AI 模型以数据为资源，提供计算服务的智算中心已成为 AI 在制造业应用建设中的重要底层基础。智算中心具有较强的公益属性，主要存在政府投资建设、企业建设运营、政府购买服务、政府和社会资本合作等建设运营模式。其中，政府主导建设的智算中心通常用于支持地方各产业与 AI 的融合发展，主要作为公共设施存在;企业自建的智算中心可作为政府算力基础设施的补充。例如，九章云极的 DATACANVAS AIDC OS 智算操作系统作为智算中心的 " 中枢神经 "，以告别 " 祼金属 "、为 AI 而生、全局加速优化、异构算力纳管与调度和 1 度算力的五大价值为基核，突破异构算力适配、异构算力调度等关键技术，有效管理、调度各种算力资源，提供一体化、开放化、标准化的 AI 模型服务，落地各类智算应用。面对当前算力流通和公平结算缺少统一的行业标准，九章云极 DataCanvas 从用户视角出发，首次提出了统一的算力服务计量单位 " 度 "(DCU)，并用其实现标准化的算力计量计费，旨在为用户实现 " 买到即用到 " 的算力服务，为未来算力资源互联互通打下良性商业基础。
以工业机器人为代表的智能工业装备在人工智能模型算法的赋能下，其底层控制准确度显著提升。此外，机器视觉和自然语言编程则分别提高其智能化水平并降低其使用门槛，可完成物料搬运、焊接、装配等多项任务，主要被应用于电子、金属加工、化工、食品制造等细分领域，正在向 " 人机协同 " 方向发展。工业机器人高端市场主要被外资占据，然而中国企业已具备全产业链替代能力，国产替代成为发展趋势，业内主要参与者包括埃斯顿、汇川技术、JAKA 等。
系统层：融合 AI 算法的工控系统和工业互联网平台共同构成系统层
工业控制系统可在人为不干预的情况下，控制生产设备按设定目标，进行自动化生产和制造。在人工智能技术的赋能下，一方面，工控系统的网络安全系数显著提升，AI 可快速识别资产和数据，提升异常检测准确性，并分析系统行为，及时识别异常的同时，持续监控系统性能，帮助系统自动应对安全威胁。另一方面，工控系统的资源优化效率不断提高，AI 可根据各环节历史数据提前进行预测分析，实现生产资源调度，减少生产浪费，优化生产效率，进而实现生产的降本增效。市场主要参与者包括汇川技术、英威腾、中控技术等。
工业互联网是基于制造业海量数据进行采集、分析的工业云平台。生成式人工智能可解决制造企业对安全性的要求，其预测能力较强，可提升控制、分析、预测的准确度。此外，AI 大模型在分析、识别网络安全事件方面效率更高，可提升网络安全防御能力并及时化解网络攻击。例如，Security Copilot 利用 GPT-4 和微软的安全模型，可以将耗时几小时甚至十几小时的勒索软件事件处理时间降至分钟级。在市场竞争方面，中国工业互联网平台及应用解决方案市场竞争格局较为松散，IDC 数据显示，前五大厂商分别为华为、阿里巴巴、百度、用友和树根互联，CR5 仅为 24.4%。
应用层：人工智能基本可覆盖制造业各个环节
按照应用环节来看，人工智能主要应用在产品设计、生产制造和运营管理环节。在产品设计环节，人工智能可提升设计仿真度，提高设计效率和准确性;在生产制造环节，人工智能加强信息实时收集、处理、执行能力，通过赋能智能排产、设备管理、质量管控、仓储配送等环节，提高生产质量并节约成本;在运营管理环节，人工智能主要在供应链管理、销售预测、市场营销等细分场景提升其管理工作效率，帮助制造企业构建以用户为中心的经营模式。
3、应用场景概况
产品设计：数字孪生实现产品设计前瞻性优化，AI 辅助设计助力产品设计快速迭代
数字孪生：数字孪生技术通过对构建物理产品进行三维建模，使设计师在虚拟环境中实现产品外观设计和结构布局，并对产品性能进行模拟和测试，从而在产品实际生产之前发现问题并进行优化。AI 技术的融入，能够进一步增强数字孪生的智能化和自动化水平。AI 拥有强大的数据分析和学习能力，能够深入处理和分析海量的设计、生产及用户反馈数据，精准训练和优化数字孪生模型，使其更加真实地反映物理产品的实际情况。同时，AI 技术也赋予了数字孪生模型自适应调整的特性，让其能够随着环境和需求变化而自动更新，确保了设计的灵活性和快速响应。此外，AI 还在故障预测和产品质量管理方面发挥着关键作用，它通过分析历史故障数据来预测潜在问题，在设计阶段就采取相应的预防措施，延长产品寿命，降低维护成本。更重要的是，AI 技术的加持推动了数字孪生向更高层次的自动化迈进，实现了模型更新、数据分析和结果解读等过程的自动化，极大地减轻了设计师的工作负担，提高了整体工作效率。
图示：AI 在数字孪生领域的主要应用
辅助设计：AI 在辅助设计中的应用，首先体现在其精准的数据驱动能力上。通过对海量设计案例与用户反馈的深入挖掘，AI 系统能够识别出成功的设计模式和用户偏好的细微差别。这种基于数据的洞察，使设计师在创作之初就站在了一个更高的起点，避免盲目尝试和无效迭代。除了提供数据，AI 还能进行智能化的方案优化。在设计过程中，AI 能够快速模拟和评估各种设计变体，通过算法分析出每一种设计的性能、成本和市场接受度。这种能力极大地提升了设计的精准性和市场适应性，让设计师在众多可能性中迅速找到最佳路径。此外，通过与 CAD 等设计软件的集成，AI 可实现设计流程的自动化作业。从初步构思到详细设计，再到最终的产品验证，AI 在每一个环节可提供支持和优化作用。特别是在面对重复性高、耗时长的设计任务，如参数化建模和性能仿真时，设计师可以解放双手，由 AI 来高效完成。这种人机协作方式，确保了设计过程的流畅性和高效性。
生产制造：AI 应用于优化生产、节能减排、精准分拣、智能质检与仓储管理，全面助力生产制造升级
生产过程优化：AI 技术在生产过程中的应用，首先体现在实时数据的收集与分析。通过在生产线各个环节安装传感器，可以实时捕捉机器的运行状态、生产速度、物料消耗等数据。经过 AI 系统的精确分析，生产中的瓶颈与问题得以及时识别。例如，机器效率下滑或某一环节耗时增加，AI 系统均能迅速察觉并提供相应的优化措施。不仅如此，AI 技术还具备预测性维护的能力。它可以分析历史数据，预测设备可能出现的故障，并提前发出警告。这种预测能力使得企业能够在设备出现故障前进行维护，避免因设备停机而造成的生产中断，极大提高生产线的稳定性和可靠性。此外，AI 技术在智能排产方面也发挥着重要作用。通过综合考虑订单情况、库存状况以及设备性能等因素，智能生成高效的生产计划与排程。这种智能化的管理方式，不仅能够提升生产效率，也能有效减少库存积压，优化资金使用。
图示：AI 在生产过程优化领域的主要应用
节能减排：AI 技术通过智能优化与控制能源使用，助力制造企业降低能耗、减少排放，推进绿色、可持续发展。AI 算法能够学习并识别能源使用模式，依据生产计划与实时需求，灵活调整能源分配，确保生产流程的连贯与稳定，有效规避能源浪费。同时，AI 技术可以实时监控生产排放，确保排放物符合环保标准。通过分析排放数据，可辅助制定减排方案。在制造过程中，AI 技术还可以优化生产流程，减少不必要的能源消耗。例如，通过智能机器人和自动化设备的引入，可以减少人力成本，提高生产效率，同时降低因人为操作不当导致的能源浪费。此外，AI 还可以与可再生能源技术相结合，进一步提高能源使用效率。例如，在智能电网中，AI 可以预测可再生能源的供应和需求，实现电力的动态调度和优化配置。
无序分拣：物体分拣是工业生产中的重要一环，对产品分类起着关键作用。当前，基于 AI 与机器视觉技术的分拣程序已实现有效应用，其特点在于速度快、规模大，并能有效解决传统分拣方式中的高错误率和人工劳动强度大等问题。AI 视觉分拣系统主要由工作平台、视觉及机器人控制三个单元构成。工作平台负责分类放置不同产品;视觉单元则利用工业相机和视觉软件，通过图像抓取与分析，精准识别目标种类及其位置和摆放方向;机器人控制单元则根据视觉单元的输出，指挥机械臂等执行机构完成抓取和放置任务。通过模型训练和加载，AI 视觉分拣系统能快速将不同物品分类，并结合 3D 视觉设备，实现产品的精准抓取，为工业生产带来显著的效益提升。
质检：在工业生产过程中，AI 质检通过引入机器视觉和深度学习算法，能够自动检测产品表面的微小缺陷，这不仅大幅提升了检测效率，更确保了检测结果的精准性和一致性。通过 AI 质检的精确识别，企业能够及时剔除不良品，从而显著提高产品质量，并有效降低废品率和产品不良率，进而达到降低生产成本的目的。此外，AI 质检还能在无人值守的情况下进行 24 小时不间断工作，极大地提高了生产效率，并解决了人工质检中可能出现的疲劳和误差问题。
仓储自动化：通过深度融合 AI 技术，仓储管理正经历着一场技术革新。在库存管理方面，相较于传统的人工盘点和记录方式，智能仓储系统在引入 AI 技术后，能够自动追踪并记录库存变化，实时监控货物动态，确保库存数据的准确无误。此外，AI 还能依据历史数据及市场趋势，对未来库存需求进行科学预测，助力企业精准制定库存计划，有效规避库存积压或短缺风险。以 DataCanvas Alaya 制造行业大模型为例，该模型综合采购规划、实时库存情况及优质供应商信息，智能生成各类采购合同草案，产品入库后，可立即更新库存数据，从而确保材料信息的实时性和准确性，显著提高采购效率。在智能拣选环节，传统的拣选方式依赖大量人工，效率低下且易出错。而智能仓储系统结合 AI 技术，可根据订单信息智能规划最优拣选路径，并通过自动导航工具(如 AGV 小车)实现精确拣选，显著提升拣选效率并降低人为失误，从而全面提高仓储管理水平。
图示：AI 在仓储自动化领域的主要应用
运营管理：AI 助力销售管理升级，精准预测销售趋势，优化销售策略，提升客户服务，实现高效、个性化的市场运营
销售预测：通过引入预测模型和数据挖掘技术，AI 不仅能对历史销售数据进行细致分析，更能从中提炼出消费者的深层次购买逻辑与行为模式，捕捉到市场的微妙变化，进而预测未来的销售走势。对于企业而言，这不仅意味着能够制定出更为贴合市场需求的销售计划，更代表着在库存管理、产品定价、市场推广等多个方面都能获得 AI 的智能支持。特别是在库存优化方面，AI 的销售预测分析可以减少企业的库存积压风险，提高资金周转率，增强企业的盈利能力。
销售管理：AI 技术在销售管理中的应用已经深入到客户分析和销售渠道优化的各个环节。通过精准的客户分析和数据驱动的销售渠道优化，企业能够制定出更为精准、有效的销售策略，进而提高销售效率和市场竞争力。在客户分析方面，AI 技术通过深度挖掘客户的购买记录、浏览行为等多维度数据，能够为企业描绘出更为精准的客户画像，进行精准营销。在销售渠道优化方面，根据 AI 驱动的对销售数据的实时分析和预测，企业可以优化线上线下的销售资源配置，将更多的精力和资源投入到转化率更高的销售渠道中，提高销售效率。
客户服务：通过引入 AI 技术，企业可以提供更为智能化的客户服务，进一步提高服务效率，增强客户体验。智能客服的应用，使得企业能够为客户提供即时的咨询和问题解答服务，不受时间、地点的限制，实现 24/7 的服务覆盖。同时，基于大数据分析和机器学习算法的个性化推荐系统，企业能够深入挖掘客户的需求和偏好，为客户提供量身定制的产品推荐和个性化服务，加深与客户的互动和连接。此外，AI 还可以通过分析客户信用和支付历史，评估其信用风险，帮助企业制定风险控制策略，并将其集成到 CRM 系统中，自动更新客户信息，跟踪客户互动，优化客户关系管理。以 DataCanvas Alaya 制造行业大模型为例，该模型可应用于信用评估、法律纠纷预防、订单销量预测、合规审查等多个客户管理环节，提升企业在客户服务领域的智能化水平。
4、发展趋势展望
趋势一：计算机视觉、知识图谱、数字孪生等技术的成熟，将推动 AI 在制造行业更多细分场景中应用
随着计算机视觉、知识图谱、数字孪生等关键技术的不断成熟，AI 将在制造业的多个细分领域中发挥更加重要的作用。例如，在智能材料研发方面，AI 技术的应用将促进自修复材料和形状记忆合金等创新材料的开发，这些材料能够智能响应外部环境变化，自动调整其属性以满足未来的制造需求。计算机视觉技术将提供精确的材料内部结构分析，知识图谱将帮助研究人员梳理材料属性间的复杂联系，加速研发进程。在分子制造领域，AI 与纳米技术的结合将实现分子级别的精确控制，推动产品设计和功能达到新的精度和复杂性高度。高分辨率成像技术将用于观察和分析分子级别的精细结构，确保制造的极致精确;知识图谱将系统梳理分子结构与性能之间的复杂关系，为决策提供科学指导;数字孪生技术将在数字世界中模拟分子的运动和相互作用，以实现对分子制造过程的精确掌控。这些技术的融合应用，预示着制造业将迈向更高级别的自动化和智能化。
趋势二：定制化与柔性生产将加快普及
随着 AI 技术的飞速发展，制造业正迎来定制化与柔性生产的新时代。企业借助 AI 的精准预测能力，能够深入洞察市场趋势与客户需求，实现产品的个性化快速定制。在产品设计与工程创新方面，AI 通过模拟和验证设计方案，助力工程师迅速迭代优化产品，满足客户的定制需求，这将显著缩短开发周期，加快产品上市的步伐。同时，AI 与高端制造设备的结合，将极大提升生产流程的自动化与智能化水平。生产线将具备快速调整的能力，轻松应对从小批量到大批量的多样化生产需求，省去繁琐的重新配置过程和长时间的停机调整。这种柔性生产线的设计，确保了生产效率的持续优化。AI 技术的深入应用，预示着制造业将迎来生产效率和个性化定制水平的双重飞跃。
