随着人工智能、大数据、物联网、云计算等新兴科技发展,全球制造业开始进入新一轮变革浪潮。受政策支持、数据环境、算力提升、算法模型优化、商业化应用潜力五大利好因素驱动，中国制造业人工智能应用市场前景广阔，预计未来五年将保持年均40%以上的增长率，并在2025年超过140亿元人民币。
近期，德勤发布《制造业+人工智能创新应用发展报告》，深刻阐述人工智能赋能制造业的背景与意义，客观呈现 “制造业+人工 智能”的总体态势，展示人工智能技术正如何改变传统的制造业，探讨制造业中各领域各环节中应用人工智能这一新兴技术的挑战。
点击图片可查看完整版报告
01.制造业：人工智能应用蓝海
全球经济环境变化使企业对数字技术应用的认知大幅提升，越来越多的企业开始关注人工智能技术及其应用。德勤的最新调研显示，大部分中国企业认为人工智能是企业确立当前和未来市场领导地位的关键，其战略重要性将在未来两年持续提升。
中国作为制造业大国，为人工智能提供了丰富的应用场景。据估算，人工智能在中国制造业的市场规模有望在 2025年超过140亿人民币：从2019年开始每年保持40% 以上的增长率。人工智能在制造业应用的快 速发展主要受益于5个驱动因素：(1)新基建等政策支持;(2)人机物互联产生海量数据;(3)云计算、边缘计算、专用芯片技术加速演进实现算力提升;(4) 算法模型持续优化;(5)资本与技术深度耦合助推行业应用。
制造业为什么需要人工智能?人工智能技术赋能制造业主要体现在三方面：首先，人工智能可以帮助企业提高智能化运营水平，实现降本增效;其次，人工智能、5G、工业互联网等技术融合应用，推动制造业生产及服务模式、决策模式、商业模式发生变化;最后，人工智能带动制造业价值链重构，有利于中国抢占全球制 造业产业链上的价值高地。
▲人工智能在中国制造业应用市场规模
制造商正面临着利润率低、市场变化快的压力，企业更需要透明的供应链和可预测的需求来指导生产和控制成本。人工智能技术将原始运营和资产数据转化为可行的方案， 从而使人和机器能够在正确的时间采取正确的行动，以不断提高性能。
人工智能赋能制造业发展迎来新机遇，工业互联网助力制造业转型升级成效初显，推进人工智能与业务场景的融合。制造业将迎来更为广泛成熟的生态圈，将开发更智能化及网络化的新产品，并带动行业的生产、服务及商业模式升级。
而制造业是人工智能应用场景最具潜力的领域。有研究发现，人工智能的应用可为制造商降低最高20%的加工成本，而这种减少最高有70%源于更高的劳动生产率。到 2030年，因人工智能的应用，全球将新增15.7万亿美元 GDP，中国占7万亿美元;到2035年，人工智能将推动劳动生产力提升27%,拉动制造业GDP达27万亿美元。
制造业将成为人工智能应用蓝海。2016年，全球人工智能及相关技术的制造业应用市场约为1.2千亿美元，这个数字在2025年有望超过7.2千亿美元，复合年均增长率 预计可超过25%。
中国制造业转型升级为中国人工智能发展提供广阔平台。一方面，低技术含量(第二产业、处理常规/可预测/ 可编程任务)的工作将首先被人工智能替代。中国制造业在转型升级的过程中，重复性、规则性、可编程性较高的工作内容将逐步由协同智能化工业机器人完成。另一 方面，人工智能促进制造业研发、生产、运输、仓储、 服务等环节的智能化，与工业互联网叠加，创造出更多高质量的就业岗位，产生更多具有商业价值的新场景。
当前主流的制造业生产方式以流水线生产为标志，在这种模式下，企业竞争策略主要是产品多样化策略和成本控制策略。受限于标准化生产过程，消费者曰益增长的个性化需求难以被精准满足。随着消费升级，制造业 提高供给质量的必要性、迫切性不断增加。
在人工智能技术的引领下，刚性生产系统转向可重构的柔性生产系统，客户需求管理能力的重要性不断提升， 制造业从以产品为中心转向以用户为核心。大规模生产 转向规模化定制生产，数据要素的附加值提高，生产者主导的经济模式转向消费者主导的经济模式，满足消费 者个性化需求成为企业的重要竞争策略，逐渐替代以往 企业依靠规模经济来降低成本的竞争策略。
人工智能还将帮助中国制造业应对产业链外迁的风险。产业链外迁通常意味着企业搬离、就业流失、税收下降，特别是在疫情对中国经济造成一定冲击的情况下， 以服装为代表的制造业比较优势开始下降，行业规模以下企业众多，被动加速产业转移，由此引发居民收入下降和农民工失业风险，这些风险需要积极应对。中国需要加强基础研发力度，发展高技术制造业，推进制造业服务化，以人工智能赋能产业数字化转型，使产业拥有自己护城河的同时，增加居民收入和拉动就业。
在全球制造业的价值分配链中，中国并未占领技术研发、 产品设计、高附加值服务等产业链上的高价值部分，而借助人工智能可以加速中国向产业价值链高端攀升。
02.三层产业结构 人工智能绝佳落地赛道
人工智能经过60多年的演进，已发展成多学科高度交叉的复合型综合性学科，涵盖计算机视觉、自然语言理解、语音识别与生成、机器人学、认知科学等领域的研究。人工智能与制造业融合，是指将人工智能技术应用 到制造业，使制造业在数字化和网络化的基础上，实现机器的自动反馈和自主优化。从“制造业+人工智能”的视角理解，其产业结构包含三层，如下图所示。
▲制造业+AI产业产业结构
1、基础层，不可或缺的软硬件资源
“制造业+人工智能”的基础层包括人工智能芯片、工业物联网，它们为人工智能提供在制造业落地所需的软硬件资源。
复杂的工业问题需要人工智能算法芯片高效运算来解决，当前能适应深度学习需求的芯片类型主要有 GPU、FPGA和ASIC,三者在性能、定制化程度、功耗、 成本等方面具有不同特点。
▲不同类型人工智能芯片比较
人工智能芯片产业链分为上游算法设计、中游芯片制造以及下游应用。
上游底层算法架构设计通常由具备丰富经验的大企业负责。晶圆工厂负责测试芯片算法效果。软件及其他专用材料、设备的供应商为中游企业提供所需硬件。
中游芯片厂商对算法架构设计及IP核授权企业依赖度较高，上 游架构交付企业对中游芯片制造企业议价能力较高。中游企业负责人工智能芯片的设计、制造以及测试。
实力较强的芯片企业可拓展业务至底层算法架构设计环节，整合芯片、模块及终端产品，提供一体式解决方 案，向下游各类企业提供人工智能运算产品和服务。中游不具备芯片设计能力的企业平均盈利水平较低。
处于产业链下游的是各类工业产品和消费电子制造商。
人工智能芯片在制造业应用领域包括智慧工厂、智慧家电、自动驾驶等。由于人工智能芯片附加值高且产能有限，下游厂商对芯片制造企业的议价能力有限。
▲人工智能芯片产业链
工业机器人诞生于20世纪70年代。机械臂作为典型的工业机器人，已经广泛应用于汽车、电子、金属、塑料 和化工以及食品和饮料等制造业垂直领域。人工智能时代，工业机器人将被新的核心技术定义，包括深度学习、路径规划、任务级编程、柔性控制等，“人机协作”也正成为工业机器人的发展方向。
与传统工业机器人相比，协作机器人可以和人类伙伴并肩协作，高效安全地完成某项或多项作业。英国巴克莱银行的一份研究报告预测，协作机器人将迎来蓬勃发展的黄金时期，预计到2025年全球销量将从2018年的5.8 万台快速增至70万台。
▲协作机器人与传统工业机器人比较
工业机器人产业链分别由上游关键材料及零部件生产商、 中游机器人本体制造商、下游系统集成及服务和下游应用行业构成。
传统工业机器人产业链上游核心零部件主要包括减速器、 控制器和伺服系统等，其成本约占机器人总成本的60%。日本的纳博特斯克和哈默纳科占据工业机器人减速器70% 的市场份额。控制器领域，日本、德国和美国的企业占据了主导地位。伺服系统由日韩欧美企业主导。随着人工智能技术在机器人领域应用的增加，人工智能芯片、传感器等底层智能硬件也成为工业机器人产业链上游的重要环节。
▲工业机器人产业链
另一个基础层技术是工业互联网。工业物联网将具有感知、监控能力的各类采集或控制传 感器以及移动通信、人工智能等技术融合到工业生产过程中的各个环节，从而提高制造效率，改善产品质量， 降低成本和资源消耗。
工业物联网的本质是数据，可以为人工智能提供源源不断的数据支持，是人工智能在工业领域应用的基石。人工智能精准分析这些数据，在清晰的战略指引下，帮助企业将物联网产生的信息转化为有意义的洞见，帮助决策者更清楚地了解他们的客户、产品和市场，继而协助企业开发新产品、服务和商业模式。
▲工业互联网产业链
中国工业物联网产业链已经初步形成，参与者包括上游设备制造商，中游技术和平台提供商，以及下游产业应用和系统集成商。
产业链上游主要负责现场信息采集，如传感器、RFID读写器、智能设备等的制造。上游作为工业物联网的数据入口，已率先受益并迅速扩大规模。但随着产业不断发展成熟，行业呈现完全竞争格局，技术门槛较低的企业 陷入同质化竞争，导致产业价值下沉。
产业链中游为工业物联网应用提供技术支撑，能够为设备制造商提供终端监控和故障定位服务，为系统集成商提供代计费和客户服务，为终端用户提供可靠全面的服务，为应用开发者提供统一、方便、低廉的开发工具等。中游主要包括工业物联网平台、工业数据平台、工业云平台提供商等。
产业链下游负责打通工业数据和产业应用通道的最后关口，针对特定工业场景提供系统集成服务。相关企业包 括工业控制系统企业、工业软件企业等各类提供工业系 统解决方案的企业。国内从事工业控制、工业自动化的企业数量众多，在经营规模和经营效益上呈现“扁平大 金字塔”的分布状态，年营业额在40-50亿元的大企业 少，大部分企业年营业额为10亿元以下。
2、技术平台层：问题导向而非数据导向
制造业融合人工智能的技术平台层包括制造业大数据、 公有制造云、制造业人工智能算法，即基于数据和网络，开发设计人工智能算法。
工业大数据是工业领域产品和服务全生命周期数据的总称，包括工业企业在研发设计、生产制造、经营管理、运维服务等环节中生成和使用的数据，以及工业互联网平台中的数据等。
工业大数据是推动人工智能在制造业应用的关键生产要素。中国作为全球第一制造大国，工业大数据资源丰富，也催生了围绕工业大数据展开的一系列业务。2019年，中国工业大数据市场整体规模达到146.9亿元，同比增长28.6%，预计未来三年将保持30%以上的速度持续增长，至2022年达到346.1亿元，工业大数据将持续促进 传统制造业转型升级，助力工业智能化发展。
▲制造业年度数据产生量为各行业之首
工业大数据产业链由基础层、平台层和应用层构成，如下图所示。
▲工业大数据产业链
制造业人工智能算法是利用不同的机器学习方法，融合不同类型的数据去挖掘不可见的关系，对系统进行建模和优化，避免尚未发生的问题。目前机器学习方法众多，其中以神经网络、深度学习技术最为前沿，其他机器学习方法还包括决策树算法、回归算法、分类算法、聚类算法等。
从算法技术应用来看，主要包括了计算机视觉、情境感 知、自然语言理解、机器学习等。中国企业在技术领域的竞争力较强，不乏计算机视觉、语音识别和自然语言理解的初创企业。
虽然深度学习神经网络在图像处理和语义识别等领域已经取得明显进步，但要广泛应用于工业系统仍然要走很长一段路。最主要的原因是神经网络的预测结果往往不能自我解释。在工业系统中的应用除了对精度有非常苛刻的要求外，还需要解释预测结果的合理性，以及相关的不确定性风险。
▲主要机器学习方法
工业云平台是人工智能进行计算的场所，制造业生产中产生的海量数据将与工业云平台相连，利用人工智能算法进行数据挖掘，提炼有效的生产改进信息，最终用于计划排产、协同制造、预测性维护等领域。
目前科技/互联网企业、通信企业和工业企业都已布局工业云平台，如阿里巴巴ET工业大脑，中国联通的CUII, 以及海尔的COSMOCPIat。互联网企业优势在于资源整合能力强，工业企业则更为精准地了解行业痛点。预计未来会出现不同垂直领域的头部企业，围绕不同应用场景打造护城河。
▲工业云平台市场格局
3、应用层面：让人工智能去做擅长的事情
人工智能在生产制造的不同阶段都有潜在应用。可以用于产品开发的生成性设计，或用于库存管理的生产预测，还可用于在生产线上执行缺陷检查或生产优化等任务，以及用于机械的预测性维护系统。上述应用中，一些正在进入工厂，而另一些仍在等待突破。
现阶段中国制造业智能化转型升级的本质就是从解决可见问题到解决和避免不可见问题的过程。工业大数据、人工智能技术的作用就是通过预测生产系统中的不可见问题， 实现制造系统生产效率的提升和产品竞争力的突破。
03.制造业+AI 重点市场解析
1、上游市场
未来几年，中国人工智能芯片市场将保持年 均40%-50%的增长，GPU与FPGA市场已被国外寡头占据，唯ASIC尚未被头部企业垄断，成为各方布局焦点。
人工智能芯片产业规模高速增长。全球人工智能芯片市场 规模将由2018年的66亿美元(约437亿人民币)增长至2025 年的912亿美元(约6,100亿人民币)，CAGR为45%。
预计未来几年，中国人工智能芯片市场将同样保持40%- 50%的增长速度。宏观政策环境、技术进步以及人工智能应用普及等利好因素将驱动中国人工智能芯片市场规模由2018年的80亿元人民币增至2025年超过千亿元人民币。
从市场格局来看，由于人工智能芯片技术壁垒高，国外企业在GPU和FPGA市场独占鳌头，只有ASIC尚未被头部公司占据。英伟达和AMD凭借并行计算架构专利以及人工智能广泛成熟的开发生态环境垄断GPU市场。
Xilinx(赛灵思)和英特尔Altera凭借与芯片配套的硬件程序语言、软件设计工具专利和多年电路设计仿真测试经验占据了 FPGA市场。在中国FPGA市场中，Xilinx和Altera 双寡头市场占比高达52%和28%,从技术到知识产权等方面，国产FPGA厂商面临着不小的挑战。当前只有ASIC 尚未被头部公司垄断，由各企业针对不同的人工智能应 用场景进行开发。
2018年以来，中国ASIC芯片企业数量激增，但目前仍以国外算法架构设计为主，本土芯片算法设计企业的市场占有率仅为30%。
▲人工智能芯片市场格局
从细分产品来看，中国工业市场对于FPGA的需求高于全球。据MRFR统计，2019年全球FPGA的市场规模为69亿美元左右，其中工业领域占比大约为12%,市场规模约 为8.3亿美元。2019年中国FPGA的市场规模约为187.5亿元人民币，其中工业市场应用占比约为28%，市场规模 约为52.5亿元人民币，预计2025年，FPGA在中国工业领域的市场规模将达100亿元人民币，主要应用在工业通讯、电机控制、机器视觉、边缘计算、工业机器人等场景。
相较赛灵思、英特尔等国际巨头，中国FPGA的研发起步晚、但进度逐渐加快，与国际头部企业的差距已经由3代缩短至2代。在全球科技竞争激烈和中美贸易摩擦的背景下，国内芯片企业的发展迎来机遇。
▲人工智能芯片市场规模增长预测
2、中游技术平台
计算机视觉和机器学习技术带动人工智能在制造业应用市场的增长，预计到2025年计算机视觉在制造业领域的应用市场将达到55亿元人民币，机器学习的应用市场将达到44亿元人民币。
▲人工智能制造业应用市场的规模(按技术分类)
人工智能的云部署方式也快速增长，预计2025 年市场规模将达60亿元人民币，占整体人工智能应用市场的43%，为制造企业提供开发新服务和新商业模式的机会。
人工智能部署既可以在自有设备/私有云上，也可以在公有云上。由于目前人工智能和相关技术主要用于工业生产自动化，自有/私有云部署占据多数市场份额。
▲ 2016-2025人工智能制造业部署方式
3、下游应用
人工智能在制造业中的应用广泛，围绕提升效率、降低成本、增加产品和服务价值以及探索新业务模式等价值定位产生了不同的应用场景，如下图所示。
▲人工智能制造业主要应用场景及市场规模预测
从应用市场规模来看，预计到2025年，电子通信/半导体人工智能应用的市场规模将达到41亿元人民币，汽车制造紧随其后达37亿元人民币，能源电力25亿元人民币，制药17亿元人民币，金属及机械制造13亿元人民币，其他行业8亿元人民币。
▲ 2018-2025年中国工业细分行业人工智能应用市场预测
04.五大挑战 道阻且长
1、芯片核心技术有待攻克，专用芯片开发技术门槛参差不齐
芯片产业高度依赖知识产权，是典型的技术驱动和资本 驱动型产业。中国芯片产业过去几年虽发展迅速，但在 软件、设备、材料、设计、制造等领域和环节仍需攻克 核心技术。芯片设备领域，2019年全球前五名芯片设备生产商占全球销售额的78%，其中三家来自美国。
芯片材料领域，全球五大硅晶圆的供应商占据了高达92.8% 的产能，美国、日本、韩国的公司具有垄断地位。芯片设计环节，国际三巨头美国Synopsys、Cadence和德国西门子的Mentor Graphic占据中国95%的EDA软件市 场。在芯片制造环节，尽管80%的产能在亚洲，但2019 年台积电市场占有率高达52%，三星为18%左右，中芯国际和华虹半导体只占4.4%和1.5%。
国外芯片巨头占据了绝大部分市场份额，具有绝对领先 优势。中国制造业亟需国产自主可控的高性能芯片来保 证供应链安全以及核心数据和知识产权安全。目前，中国对芯片的研发投入强度落后于欧美。据统计，2019年 美国半导体产业的研发支出占销售额的比重为16.4%，欧洲为15.4%，中国半导体产业的研发支出占销售额的 比重为8.3%。
国内企业布局主要集中在人工智能专用芯片(如ASIC), 以初创企业和互联网企业为主。
一方面，专用芯片根据特定工业场景开发，可以更好的解决工业业务痛点。
另一方面，通用芯片技术壁垒高、回报周期长，而初创企业以生存为首要目标，因此很多企业更倾向于结合自己的产品算法和应用特点开发各自独特的体系，从而可以 较快的将算法和软硬件结合为完整的解决方案，进而向市场推出。例如依图科技在招股书中明确，未计划单独销售芯片，而是基于芯片开发智慧服务器及智慧边缘计算设备并对外销售。但是由于人工智能芯片开发的技术门槛参差不齐，国内企业尚未形成“芯片一平台一应 用”的生态，不具备与传统芯片巨头抗衡的实力。
2、工业数据资源的掌握与应用能力不匹配，数据价值尚待挖掘
当前基于数据驱动的人工智能技术路线，对问题还原的 准确度离不开数据训练。采集数据的方法，数据的质 量、多样性以及规模直接决定了人工智能作用发挥的程 度。相较于商业数据，工业数据的来源和制式更加复 杂，而且对数据的可解释性、可靠性和准确性要求更 高。目前工业数据应用面临以下挑战：
数据采集汇聚：企业信息化基础薄弱、设备不互联、 通信协议不兼容造成数据采集困难，数据失真、缺乏 统一的数据标准等导致工业数据难以集成;
数据开发应用：数据的管理和建模技术有待提高，海量实时异构数据的挖掘能力不足;
数据流通共享：工业企业对于跨企业、跨行业数据共享合作的需求正在快速增加，但数据权属界定不清、 规则不明、难以定价等基础性问题没有得到解决;
数据治理安全：网络安全、系统安全、数据安全等挑战。
中国信息通信研究院和工业互联网产业联盟调研显示， 中国工业企业只有不到1/3的企业开展了数据治理，51% 的企业仍在使用文档或更原始的方式进行数据管理。尽管已经有越来越多的工业企业意识到数据资产管理和应用的重要性，但相比信息化程度较高的金融、电信、互联网等行业，工业数据的应用还处在探索阶段。
3、技术能力和算法特质无法满足实际应用需求，工业场景落地难
现有的通用计算架构与芯片尚无法满足工业实时性所带来的计算要求，特定工业场景对端侧推理需求迫切。以图片高精度高速检测和实时工业场景识别为例，传统芯 片处理1080P图片需要耗时1秒，而以上场景的图像实时识别需要达到人眼识别帧率，即1/24秒。以设备实时控 制为例，中低端设备的控制周期是微秒级，高端设备甚 至要求200-500纳秒级，当前人工智能技术无法实现。
另外，人工智能算法的“黑盒”特性与制造业追求的精 准、可靠与可解释性存在矛盾。人工智能企业往往很难对算法的每一个步骤、算法的技术原理和细节进行解释，简单公开算法系统的代码并不能提供有效的透明度，反倒可能威胁数据隐私或影响技术的安全应用。
制造业的人工智能应用在部分领域、核心环节对推荐参数 的准确性要求是100%，一旦参数出现问题，会对生产、制造等环节，甚至生命财产安全产生巨大影响。制造企业不清楚算法模型是如何得出某个结论，无法理解复杂的人工智能算法的决策理由，导致了企业对人工智能准确性的怀疑，加大了人工智能企业找到既符合应用条件又愿意配合的制造企业的难度。
4、人工智能技术解决方案无法直击核心痛点，复制性较差
许多人工智能技术目前还在关注表面的问题，而非核心痛点。例如，某手机制造企业希望通过人工智能提升制造工艺和良品率，而引入计算机视觉做质检只能在产品生产出来后发现缺陷，远不能达到改进工艺、解决核心质量问题的目的。
此外，由于工业设备产品、场景的差异化与任务的多样 性，当前工业场景下机器学习模型的可复制推广性较差。例如，工业场景下的产品检测，不同生产线、不同 产品的缺陷种类情况可能完全不同，在某一企业可能获得高效率的算法或解决方案，移植到另一企业或许并不能达到同样的效果。
5、制造业企业自身意识和能力不足，认知理念、管理方式、人才计划亟待变革
制造企业要想利用人工智能技术实现降本增效，就需要 进行认知和管理方式上的转变。很多传统工业企业认为，应用工业智能数字化产品和采购设备的效果一样，能够快速的优化和提高竞争力。但数据驱动的模型需要数据不断迭代优化，才能达到相对精准的效果。这意味着工业企业需要改变对软件的看法，并在模型初期给予足够的包容度。
制造企业既有的经验及组织架构也会成为障碍。当人工智能技术的导入涉及到管理变革或流程优化操作时，由于员工已经熟悉原有的工作流程，要推行实施新流程就要经历一个非常困难的过程。资金、培训和时间的投入是公司难以承担的巨大风险。另外，不了解如何进行相 关的组织架构调整，也是企业应用人工智能过程中面临的挑战。
人才短板也是工业企业人工智能应用的挑战之一。在人工智能技术深入应用并落地的过程中，需要人才既懂技术又懂传统工业产业，才能实现深入融合。这要求人工 智能人才培养时注重跨学科能力与综合应用能力。
在人才培养计划中可以推行高校人工智能人才培养与传统工业企业平台结合的方式。企业自身人工智能技术探索研发的过程，对培养高精专人工智能人才是很好的教育。人工智能与不同行业的结合可以为企业提供不同的发展思路，有利于人工智能理论在垂直产业的实际应用落地。
（转载）
