​智造未来：AI在工业领域的革命性应用与价值探索！

在2018年，麦肯锡公司深入研究了人工智能（AI）在工业领域所蕴含的巨大市场潜力，预计价值高达万亿美元。到了2022年12月，随着企业逐步从疫情的影响中恢复，新的研究显示，人才发展、业务韧性、全域技术赋能以及有机增长已成为企业关注的焦点。尽管市场机遇显著，许多企业高层管理者对于如何有效部署AI解决方案以实现利润的增长仍然缺乏清晰的认识。这种不确定性导致了AI技术的应用速度相对缓慢，许多公司选择了观望的态度。

与其不断猜测AI可能的应用场景，企业领导者应该首先确定一个总体的战略方向和实施路线图，然后聚焦于AI能够在解决特定商业问题并创造实际价值的领域。工业领域的领导者首先需要加深对AI技术的理解，包括其在解决具体商业问题中的应用方式，这将有助于他们更有效地探索和实验新的AI应用。

然而，现在“AI”一词几乎已成为所有尖端技术应用的通用代名词，但其真正的定义和应用目标往往不够明确。因此，对于工业公司来说，明确AI的定义及其应用范围至关重要。简而言之，人工智能指的是机器执行那些通常与人类智能相关的认知功能，包括感知、推理、学习、与环境互动以及解决问题的能力。AI技术的应用实例包括机器人技术、自动驾驶汽车、计算机视觉、自然语言处理、虚拟助手和机器学习等。

在工业领域，AI为创造价值提供了一个重要途径，即增强知识工作者，特别是工程师的能力。这些应用的核心在于利用AI的预测分析能力。企业正在学习如何将传统的商业问题转化为适合AI处理的问题，通过机器学习算法来分析数据和经验、识别模式，并提出有价值的建议。

公司在考虑采用人工智能（AI）技术之前，应首先识别并定义其面临的具体商业挑战，以避免盲目追求市场上看似新颖但可能并不适用于自身业务需求的AI解决方案。

以下是一些案例，展示了AI如何在提升员工知识水平和简化工作流程方面发挥其价值。

1.     AI调度代理（AI Scheduling Agents）

对于工业公司来说，安排复杂的生产线、在最小化换班成本的同时最大化产量，以及确保按时向客户交付产品是非常具有挑战性的难题。

AI可以通过同时考虑众多变量来识别最优解决方案。例如，在一家金属加工厂，一个AI调度代理能够将不良率减少20%~40%，同时显著提高对客户的按时交付率。

传统的优化方法在试图管理供需显著不确定性和波动时会崩溃。使用基于强化学习的调度代理，公司可以将这个问题转化为一个问题——“哪种顺序最有可能最大化利润？”——从而得出最好的解决方案。

为了得到这个最优解，公司必须首先构建一个环境，让AI调度代理能够学习做出好的预测（见图1）。在这种情况下，仅仅依赖历史数据（正如典型的机器学习所做的）是不够的，因为代理将无法预见未来的问题（如供应链中断）。

图1：使用数字孪生技术，通过强化训练的AI调度代理

相反，组织可以先构建生产线和订单簿的模拟或“数字孪生”，然后再由调度代理安排生产线。代理的性能根据产品的成本、产量和按时交付来评分。接下来，代理在不同类型的场景中“玩调度游戏”数百万次。就像Deep Mind的AlphaGo代理通过自我对弈变得更强大一样，该代理使用深度强化学习来改进调度。不久之后，代理能够创建高性能的调度计划，并与人类调度员合作，优化生产。

2.     利用AI挖掘最优解

许多工业公司在面对特定挑战时，都面临着识别最相关数据的常见问题。AI可以通过处理大量数据并迅速找到对工程师解决问题最有帮助的信息来加速这一过程。例如，公司可以使用AI将繁琐的数据筛选时间从半小时减少到几秒钟，从而在高度专业的工程团队中释放10%到20%的生产力。此外，AI还可以发现工程师之前未知的数据之间的关系。

历经数十年的信息积累，企业常面临“数据充沛而洞见稀缺”的困境，难以在浩瀚如烟的结构化与非结构化数据中，快速定位到有价值的信息。这一挑战在工程师处理复杂系统（如飞机、航天器、发电厂等）的新问题时尤为凸显，他们亟需找到最相关的操作程序、机器性能数据、运行历史记录，以及相似子系统上的相关问题实例。在这种情况下，工程师往往只能依赖过往经验、求助于其他专家，或是埋头苦寻于堆积如山的数据之中，以期发现关键信息。对于那些至关重要的问题而言，这场高风险的信息“寻宝游戏”即便在最好情况下也压力重重，常常导致次优决策和结果。

企业可以通过向AI输入关键的技术词典、查询表和其他信息，教会其浏览充斥文本的结构化和非结构化技术文档。随后，构建算法帮助AI理解不同文本间的语义关系。接下来，借助知识图谱，可以动态创建一个信息网络，该网络代表了技术文档和数据中所有的语义及其他关系（见图2）。例如，利用知识图谱，系统能够识别出一个过去用于解决问题的特定程序中提及的故障传感器。一旦知识图谱构建完成，用户界面即可允许工程师查询此图谱，为特定问题识别解决方案。系统设置收集工程师反馈的机制，判断信息是否相关，使得AI能够自我学习，随着时间推移不断提升性能。

图2：相关信息的内部关联

3.     利用AI赋能产品系统设计

对于众多工业企业而言，其产品的系统设计已经变得极为复杂。企业可以利用AI来扩充产品的物料清单（BOM），通过整合来自配置、开发及采购环节的数据。这一做法能发现重新利用历史部件的可能、改进现有标准工序，并支持产前设计的定义。有了这些洞见，企业能够大幅减少工程时间，更快速地进入生产阶段。

只要有足够的存储和计算能力，基于AI的解决方案能轻松遍历数百万个零件和项目以及数十亿的关系网，以识别重新利用的机会并安排流程顺序，避免因相互依赖导致的返工。利用物料清单构建的网络化系统表示，可以捕捉系统的复杂关系和层次结构（见图3）。这些信息再通过工程工时、材料成本、质量以及客户需求等数据加以丰富。借助这一强化的网络构建，企业可以进行查询和预测，例如，某一客户需求可能影响哪些子系统，以及基于相互依赖关系，项目中哪些工程工作最可能导致返工。

图3：数字孪生可视化有助于识别部件标准化或物料清单重构以及批量采购的机遇

4.     利用AI优化产品性能

随着产品的不断演进，提升性能的界限愈发具有挑战性。那些能够迅速创新并更快推出高性能产品的工业企业，更有可能获取市场份额并在其细分市场中占据领先地位。

在过去三十年里，计算机辅助工程（CAE）与仿真技术虽有所助益，但其计算能力的局限阻碍了对设计空间的全面探索及复杂问题性能优化。例如，组件通常拥有超过十个设计参数，每个参数可能有多达100种选项。鉴于每次仿真需耗时十小时，一周内仅能探索得出的数万亿潜在设计中的极小部分。依赖经验丰富的工程师来筛选出少量最有前景的设计进行一系列设计实验的企业，可能会错失性能提升的机会。

AI通过深度学习神经网络创建组件的数字孪生体，并预测其性能（见图4）。此外，组织亦可运用贝叶斯优化器来预测设计空间中最有望的探索区域。从精确计算转向侧重预测的方向性问题解决方法，使设计评估的速度呈指数级加快。引擎可生成数百万个潜在设计，这些设计均采用深度学习数字孪生体进行评估。随后，遗传算法可同时针对多个性能指标（例如，在汽车领域中，即最高车速与燃油经济性）对系统进行优化。

图4：AI调度代理能够运用数字孪生技术，针对具有多重输入和变量的系统进行性能优化

5.     AI增强的根本原因

工业企业建立其声誉的基础在于产品的质量，而创新则是持续增长的关键。成功的企业能够迅速理解不同产品问题的根本原因，解决问题，并将这些经验教训融入未来的发展中。AI能显著加速这一进程。

随着产品复杂性和运行条件的急剧增加，工程师在识别根本原因和追踪解决方案方面面临挑战。因此，企业高度依赖经验丰富的工程师进行模式识别，并花费大量时间试图在实验室环境中重现问题，以求找到根本原因。AI和因果建模方法8可以将这种复杂性重新表述为一个明确的商业问题：“这个问题最可能的五个根本原因是什么？”企业可以从构建基于事件的数据模型开始，该模型连接了整个产品历史和开发生命周期中的数千个变量，包括设计配置、制造参数以及维护和维修记录。基于AI的模型随后可以识别与特定问题相关的事件的最佳预测因素（见图5）。接下来，因果建模方法将相关变量与可能的因果变量区分开来。用户界面使工程师能够查询并找到新问题最可能的根本原因。

图5：该模型根据多种特征预测是否会出错

AI目前仍处于相对早期的发展阶段，但它正蓄势待发，准备迅速发展并颠覆工业企业的传统问题解决方法。这些应用场景有助于展示这些解决方案的具体应用及其实际价值。通过AI应用的试验，工业企业可以很好地定位自己，以便在未来几年内创造巨大的价值。