第一次工业革命源于蒸汽机的发明。它推动了机械化生产，提供了人力无法企及的物理动能。第二次工业革命是因电力产生的福特汽车的大规模生产线。第三次工业革命则来自于计算能力，1969年发明的可编程逻辑控制器（PLC）取代了工业生产中复杂的继电器电路，从而实现了工业自动化控制，让工业生产力大幅提升。然而此后制造业技术的发展相比移动互联网却放慢了脚步，近30年工业技术并没有取得突破性的进展。

如今，我们终于迎来了第四次工业革命。传感器、计算力、以及网络传输的指数级增长，产生着巨大的力量。从德国的“工业 4.0”到“中国智造2025”，新一轮制造业的较量已悄然启动。

在之前的二十年里，虽然中国的劳动生产率每年平均上升8.5％，但绝对的生产率水平仍然偏低，仅为发达国家的15-30%。同时人力成本不断上涨，工人的平均工资已增长到每月5000-6000元。

在之前快速发展和用工成本较低的年代，很多工厂并没有太在意效率和质量，也没有采用一些先进的生产管理理念，例如使用统计方法确保质量的六西格玛，以及强调效率和减少浪费的精益制造。如果出现问题，他们会选择用更多的人去解决问题，而不是对自动化生产进行投资。

而现在的制造企业都开始积极地拥抱自动化技术。高盛的分析数据显示，部分物联网底层传感器的成本在过去十年中下降了50%，带宽成本下降了近40倍，数据处理成本下降了近60倍。以人工智能为代表的新一波创新技术如果可以为中国的制造业生产效率带来15%的提升，那将会创造4万亿的价值。

制造业转型之旅分三步走

制造企业开始转型的第一阶段一定是数字化

就目前来看，国内工业物联网处于早期阶段，不论是网络及硬件设备都尚未成熟，基础设施建设和数据采集这一步还没有全部完成。工厂首先需要为生产设备装上传感器和控制装置，打通生产设备、生产管理、制造执行及规划系统，更实时透明地掌控生产进度。

第二阶段是自动化

除了汽车制造业，中国大量的工厂自动化程度仍然偏低。2015年，根据经济学人发布的统计，中国虽然每年采购全球最多的机器人，但整个国家平均每万工人只配备了50个机器人，而在自动化程度相对发达的德国和日本这个数字是约300个，在韩国甚至是500个之多。如果要继续提高生产效率，那么自动化生产系统一定会在工厂普及。

在自动化充分实现后，制造企业会逐步向智能化过渡

历史上，“自动化”代表着机器可以执行某个具体独立的任务，例如根据定义好的规则开启和关闭泵。自动化是取代人做重复性的劳动，而智能化是做人做不了的事情。智能工厂的定义是一个灵活的协同系统，自主运行整个生产流程，在全局范围内自我优化，实时地适应新的环境。它代表着一个持续的自适应的过程，而不是过去“一劳永逸”的升级改造。

人工智能在制造业的主要应用

大数据分析 - 设备预测性维护

在传统工厂里，生产设备依然不能联网，只有在设备出现故障后再去维修，或者采取定期维护的方式而不考虑设备实际的运行情况。一旦出现计划外的宕机就需要临时性地采购零件，花高额费用做紧急检修，以便尽快恢复正常的生产。就算没有宕机，当人发现机器故障时，它可能已经制造了不合格的产品，给工厂带来经济损失。

美国的AI工业预测平台Uptake去年宣布完成了4000万美金的融资。通过在工厂的设备里置入传感器，Uptake可以采集前端设备的各项运营数据，结合大数据分析以及机器学习技术为工业客户提供设备的预测性诊断和能效优化等管理建议。工厂可以实时监测运行状态，对比历史数据，预判潜在的设备故障，有效规避正常生产的中断。

如果以后将设备预测性维护的数据整合到ERP系统中，企业就可以实现生产流程的最优化，通过动态调整生产计划，将设备故障带来的经济损失降到最低。对不同数据源，生产设备以及管理系统进行集成和分析将成为未来制造企业进行决策的标准配置。

自动质量控制 - 机器视觉检测

在深度神经网络发展起来之前，机器视觉已经应用在工业自动化系统中了，如拾取放置、对象跟踪、计量、缺陷检测等。其中，将近80%的工业视觉系统集中在缺陷检测。

人眼也可以发现产品的异常，即使这种异常我们从未见过。但由于眼睛容易疲劳，人的判断也很主观，这样就会造成产品检验的不一致甚至有漏检的情况。人眼也很难适应高速生产的需求，比如对于图形复杂的印刷电路板，人工检查需要很长的时间。通常只能基于抽样检查，无法像自动化系统可以进行实时全面的检查。目前在PCB和IC的生产线上，大约60％的检测任务都是由机器视觉来完成的。

机器视觉则凭借快速、精确和客观等优势，在现代工业中得到越来越广泛的应用。举例来说，在生产线上，自动检测系统每分钟能对成百上千个元件进行检测。如果配备了适当分辨率的相机和光学器件，机器还能检验到人眼无法看到的细节特征。另外，由于消除了人与被检验元件之间的直接接触，机器视觉减少了元件磨损的成本，也能让工人免受危险环境的威胁。

但机器视觉仍然面临着适应不同工业生产环境的挑战，因为很少有企业会专门为了某一种类型的产品而部署自动化检测系统。在不同的环境下，相机的镜头方向、与元件的相对位置、元件表面的强反射光都会影响检测精度。所以视觉算法本身必须有很强的适应力。

智能协作机器人

传统的机器人由于运动路径是固定的，每一个动作都需要工程师编程、调试和手工配置来适应具体的生产环境。当机器人要应对不断变化的场景时，手工调整就无用武之地了。深度学习已经带来了一场变革，赋予机器人“柔性”学习能力。随着时间的推移，机器人可以从数据中学习，在不同的任务之间自主切换，新任务的导入也可以在数分钟之内完成。最终这些机器人不但可以互通互联，还可以安全地与人类一起工作，甚至观察工人演示生产流程，自动学会新技能。

目前高端工业机器人主要还是由国外公司主导，瑞士的ABB、德国的库卡、日本的发那科和安川电机并称四大家族，他们占据着国内机器人市场50%以上的份额。四大家族也在积极地推动智能协作。例如库卡机器人就具备相互沟通的能力，可以根据生产线上的工序来合作分配各自执行的生产任务。类似地，ABB也推出了双臂机器人YuMi（缩写自You and Me)，针对3C产品生产线上的焊接和装配场景。它可以与工人一起安全地肩并肩工作，一旦处于运动状态的手臂可能触碰到工人，它就会自动放慢速度或者停止运动。

除了直接销售协作机器人，很多公司也在尝试新的租赁方式，让使用机器人像雇佣工人一样按时计费。传统的机器人不具备安全性，需要与工人隔离，不但无法满足即插即用的场景还造成了额外的部署成本。机器人即服务（RaaS, Robot as a Service) 这种新兴的商业模式，降低了初期的付费门槛，也更强调了硬件产品以外软件和服务的部分。可以反复重新编程以完成新的任务，帮助企业应对小批量多订单的生产挑战。

制造业挑战重重，现在制约人工智能应用落地的三大关键因素是可靠性，交付周期和易用性

1、工业设备对可靠性的要求极高。即便机器预测设备故障的准确率很高，但在某些行业里不能达到百分之百依旧难以被客户接受。就像之前纽约客的封面文章，制造企业希望的状态是无人值守的全自动化生产模式。没有人在生产环境里，也无需开灯（Dark Factory）。那就要求一切的生产技术，都要在没有人工监督和辅助的情况下，可以不间断地重复性工作。比如保证在两周连续运转都不产生错误，甚至将来可以自我配置和自我修复。

2、制造业并不是一个行业，汽车零件，电子产品，食物和药品，每一个垂直领域的生产流程和工艺都千差万别，每个领域的理解成本都非常高。如果产品底层的通用性和柔性不够强，那就很难满足企业对上层应用提出的定制化需求。产品交付的周期变长，进而降低了系统投资给工厂带来的经济回报。

3、此外给制造业提供的产品一定要具备易用性，因为行业本身的技术能力有限，必须要降低使用系统的操作门槛。比如重新编程已有的机器人需要高学历的专家，那就导致了维护成本的上升。如果工业产品也可以做出苹果iOS的产品体验，那么只要是会用电脑的人，之前用Word和Excel进行流程设计和工作安排，现在就能够学会如何让机器人运转起来。

当然任何的应用都离不开实实在在的业务场景，人工智能必须建立在一系列商业应用的基础上，控制好系统成本，并且为工厂量化系统改造所带来的投资回报。比如一个协作机器人的售价为20万，由于机器可以24小时不间断地工作，相当于替换了三位工人。假设工人的月薪是5000元的话，那么工厂用机器换人的投资回报周期仅为一年。这样的系统一定可以打动大部分制造企业。

数字世界和物理世界的终极融合

众所周知，在1965年，摩尔定律提出每18-24个月晶体管的数量就会翻倍。53年间，它改变的不只是晶体管的数量，而是由它带动了所有事情的进步。从半导体、PLC到智能手机、传感器的出现，包括现在训练神经网络所需要的算力，都是得益于摩尔定律。再通过线上线下的连接性，现在人与人、机器与机器之间的联系和互动已经非常普及。摩尔定律促使了人和机器的共同进化，IT技术把物理世界和数字世界彻底融合在一起了。这一波新技术正在对生产体系和生产模式产生巨大的影响，给经济注入新的能量。我们的生活方式最终也会因此而发生巨大的转变。