2024中国工业AI发展洞察与展望白皮书
白皮书 2024中国工业AI发展洞察与展望 InsightsandProspectsofIndustrialAIDevelopmentinChinaWhitePape2024 2024年9月独家发布 卷首语 今天，席卷而来的AI技术浪潮，正在深刻地改变着各行各业的面貌，为国计民生广泛提供支撑的工业领域也不例外。随着计算能力的不断提升、算法的不断优化以及数据获取和处理能力的日益增强，AI正逐步渗透到工业生产的每一个环节，从制造、物流到维护和质量控制，全面推动着传统工业体系向智能化、自动化的未来模式转型。 当前，AI在制造业中的应用进展可谓日新月异。通过机器学习和数据分析，AI已经在生产过程实时监控、设备故障预测、生产流程优化等方面得到了诸多应用。例如，通过对传感器数据的分析，AI可以提前识别出设备的潜在问题，进行预防性维护，减少停机时间，提高生产效率，从而降低人力成本，并提高生产的连续性。除此之外，在物流与供应链、质量控制与检测等生产环节，工业AI也将大有所为。 更让人欣喜的是，AI不仅在具体的生产环节中发挥着重要作用，还在推动整个工业生态系统转型升级的过程中展现出巨大潜力。通过与物联网（IoT）、云计算、大数据等技术的深度融合，AI正在构建一个智能化的工业互联网平台，使得设备、系统和人之间的互联互通成为可能。例如，智能工厂中的设 备可以通过物联网技术实现互联，实时上传运行数据到云端，由AI进行分析和处理，形成闭环的智能管理系统，提升整个生产体系的响应速度和灵活性。 当然，我们也必须看到，工业AI在带来巨大机遇的同时，也仍有一系列问题亟待解决和改善。首先，面对在安全可靠性及连续性方面具有极高要求的工业场景，如何提高AI算法的适用性仍然道阻且长。其次，AI作为一种前沿数字化技术，其应用的普及也天然伴随着对信息数据安全和隐私保护的更高要求。此外，长期来看，AI的广泛应用，也将对劳动力需求结构产生深远影响，需要社会和产业在技能培训和职业结构转型方面做出相应的调整和转型。 不积跬步，无以致千里。尽管发展迅猛，但方兴未艾的工业AI的发展仍然处于起步阶段，需要我们不断结合产业实际，持续为其找到更加广阔的发展空间。而面对AI带来的深刻变革，广大工业厂商和用户自身亦须不断创新、勇于探索，才能在这场波澜壮阔的工业革命中始终立于不败之地。我们相信，假以时日，工业AI必将在新型工业化体系中承担起更加关键的作用，为构建人与科技水乳交融的美好未来而不断作出新的贡献。 2与0趋24势年调工查业AI应用现状 今天，随着技术的迅猛发展和创新，AI技术逐渐开始融入到各种各样的工业场景当中，并逐步实现具体的应用落地。与此同时，越来越多的工业用户也认识到了AI技术今后在工业领域将要起到的关键作用，并将相关的技术准备或培训等举措提上日程，试图抓住这波创新技术趋势带来的可观机遇。 为了让各行各业的广大用户了解AI在工业领域的最新发展态势，更好地制定自身在AI方面的投资和应用策略，我们面向读者发起了以下这一针对工业AI发展现状的问卷调查，并对调研结果加以分析，希望为广大受众提供有益参考，并促进工业AI实现更加迅速和精准的发展。本次调查共收回有效问卷共632份，参与调查的用户覆盖机械制造、电子制造、汽车制造、食品饮料、冶金、电力、石油、化工、新能源等行业，有行业最终用户（占56%）、系统集成商（28%）和自动化供应商（16%），具有典型的样本分布。 问题1.您所在的企业属于哪一类企业？ 问题2.您在公司从事哪一类岗位？ 选项 百分比 A.研发人员 41.35% B.质量 8.44% C.生产运营 30.38% D.物流&采购相关 5.06% E.战略与决策层 7.17% F.市场与销售 7.59% 问题3.您对于AI的认知是怎样的？ 选项 百分比 A.机器制造商 21.52% B.生产企业 53.59% C.系统集成商 18.57% D.软件服务商 6.33% 选项 百分比 F.其它 0.42% 【问题1-3解读】 可以看到，借助于今天信息时代的各种传播方式，工业界各个领域、各个岗位的从业人员都已经对工业AI产生了关注的兴趣，并拥有了不同程度的了解。然而，真正会使用AI工具来进行分析和应用开发的人群仍然比例不高。 当然我们相信，相对各行各业的社会大众人群而言，工业领域人士深入接触和使用AI工具的比例仍然是非常高的，这也让我们看到了工业AI未来发展的广阔前景。 问题4.您关注AI是出于什么样的目的和需求？ 【问题4解读】 选项 百分比 A.完全不了解 9.70% B.对AI概念有一定了解 65.40% C.用过GPT等大模型 13.92% D.会使用机器学习和大数据分析方法 7.59% E.会开发AI应用 3.38% 面对新兴的技术趋势，人们常常会产生一种“害怕错过”（FOM，即FearOfMissing）的心态，这种心态会促使人们对新技术进行主动关注和研究。 谈到关注AI的出发点，28.27%的受访者认为“AI将成为未来竞争的关键”，27%的受访者认为“AI将改变产业，必须有技术储备”。事实上，这两个选项具有类似的含义，它们均是受访者对AI技术抱有FOM心态的集中体现，这也是目前一种较为普遍的心态。 与此同时，“从企业自身的技术规划”来聚焦AI的受访者占比则相对较低，也揭示了国内业界对待AI整体略显被动的心态。能够将AI和企业自身技术战略规划相结合，在现阶段尤为难得。 问题5.您公司目前在AI相关技术研发应用方面的状态是怎样的？ 选项 百分比 A.从企业自身的技术战略规划 17.72% B.AI将成为未来竞争的关键 28.27% C.AI主要是作为工具 24.05% D.AI将改变产业，必须有技术储备 27.00% E.科研项目与课题申请 2.53% 选项 百分比 A.尚未有相关计划 36.29% B.对AI潜力调研阶段 32.91% C.已经在部分应用上对AI进行验证 21.94% D.AI已经进入实际现场应用阶段 8.02% E.组建AI团队，制定AI路线图 0.84% F.其它 0.42% 【问题5解读】 目前，有21.94%受访者的企业已经在部分应用上对AI进行了验证,而AI进入实际现场应用阶段的受访者所在企业达到了8.02%。而真正从策略和规划层面出发、组建AI团队并制定AI路线图的受访者所在企业还仅仅不到1%。 从这一结果可以看到，AI目前在工业领域的实际现场应用和规模化应用尚处于初始阶段。在此基础上，结合受访者对AI的关注都是属于FOM阶段，显示出AI在工业的应用在整体上仍属于前期了解阶段，并未进入实质性应用阶段。 问题6.您公司目前在对AI应用最大的关注点在哪里？ 【问题6解读】 关于AI的应用场景，选择比例最高的“生产调度与排程”实际上是一个约束条件下的效率最优问题。对于复杂产品、长流程生产而言，排程的准确度、精确度以及时间粒度，都决定了生产系统的效率。在大规模生产阶段，这个排程是很容易实现的；生产排程在今天变得越来越重要的原因，恰恰在于“产品变化”越来越频繁，生产的柔性要求与日俱增。 位列其后的两个选项——“预测性维护”、“缺陷检测与良率提升”，显然也与工厂对于运行效率和良品率的追求有关，这些仍然是制造业的基准性需求。其它较常见的需求还包括对于人员、能耗以及控制参数进行优化，这些都是企业迫切解决成本效率挑战的体现。 问题7.目前从企业决策的角度，采用AI的主要障碍有哪些？ 选项 百分比 A.缺陷检测与良率提升 30.80% B.生产调度效率与排程 45.57% C.预测性维护 43.88% D.机器人视觉导引 24.89% E.如何降低人员消耗 29.96% F.降低能耗 22.36% G.控制参数优化 20.25% H.其它 0.84% 选项 百分比 A.缺乏AI与业务/产品技术之间的认知 48.10% B.对AI投资回报不清晰，因此无预算支撑 47.68% C.缺乏数据积累来支撑AI方案的实现 35.86% D.缺乏数据标准与规范，数据难以支撑AI应用 32.07% E.没有合适的人才和团队 20.68% F.缺乏针对工业场景的AI工具平台 19.83% G.对数据安全的忧虑 13.08% H.其它 0.42% 【问题7解读】 任何企业投资研发一个技术应用，都会有清晰的回报需求。对AI的投资是否有回报，在很多时候尚无法有效评估，这也是AI应用被阻碍的原因之一。 同时，企业一旦缺乏AI的应用基础，也很难专门为AI方案进行数据准备，或进行数据治理的规划。“数据治理”本身就是一个随着大数据、信息化、AI等技术的发展而被关注的话题。显然，大多数企业仍然缺乏对数据治理的基本概念，以及在这方面的专业实践。 聚焦于人才、工具平台和数据安全等方面的担忧，同样是AI应用的阻碍之一。目前，最为紧俏的人才可能并非负责AI编程的技术性人才，而是拥有横向集成能力，从而可以在管理、AI应用、业务三者之间构建完整关联并制定AI战略的管理人才。 因此，一旦将AI视为企业发展的驱动源或推进器之一，就需要进行有序、有组织的战略规划，而非孤立、随意地开展AI方面的工作。要厘清AI该如何发展，还需要引入专业的咨询企业，辅助企业来构建数据治理结构、技术战略与路径，以及业务发展的完整框架。 问题8.从技术实现视角，您觉得AI应用中的哪些问题比较突出？ 选项 百分比 A数据采集的策略和内容定义 48.52% B.数据清洗与特征提取的难题 37.55% C.语义交互规范 24.05% D.合适的算法和模型选择 39.24% 选项 百分比 F.实时性的问题 23.63% G.稳定与可靠性 32.07% H.可解释性问题 8.02% I.模型场景复用难题 10.55% J.其它 0.42% 【问题8解读】 从反馈的第一板块来看，数据采集的策略和定义、合适的算法和模型选择、数据清洗与特征提取的难题，这三个问题都与AI的工业应用紧密相关，它们共同构成了解决品质、效率、成本等问题的关键。要解决这些问题，需要工程上的拆分，针对品质、效率、成本建立相应的因果、相关模型。 首先在因果性的机理模型方面，然后是在相关性的数据建模方面，通过两者的结合，我们可以定义出所需的参数、数据采集的精度、时间粒度、单位、格式，以及选择相应的算法和模型训练数据的基本方法、流程。这样，我们才能更好地利用数据来训练和优化模型，使其成为可用于实际推理的可用模型。 语义规范、稳定与可靠、实时性问题是工业AI与商业AI相比的显著区别点。语义规范是因为在处理“信息”时，如果信息的语义规范标准不统一，处理就会遇到难题。为了解决这个问题，我们可以参考OPCUA作为一个广泛被工业应用的语义互操作规范，将其作为与AI集成方面的接口。然而，OPCUA规范的成熟性以及如何构造与其AI工具/平台间“简单”的接口也是我们需要考虑的问题。 实时性、稳定性是与AI构成的应用架构——可持续运行的运行时系统相关。在AI应用架构中，从实时的采集、分析、推理构成的工业AI闭环中，其架构流程应该是一个自动被构造的过程。控制系统有其自身的运行时系统，那么它与AI系统间能否形成匹配的Runtime机制？这也是我们需要考虑的问题。 总的来说，要解决这些问题并实现AI的工业应用，需要制定规范和标准，建立匹配的接口和规范，并确保系统的实时性和稳定性。这对于大型集团企业来说可能 可行，但对于AI企业和自动化企业来说，如何实现更为规范和标准的接口，如何自动构造AI应用架构，如何确保其可持续运行等问题仍然需要我们进一步探索和研究。 问题9.您认为工业需要什么样的AI，以匹配工业场景的特殊性？ 选项 百分比 A.简单易用，适合工业场景的工具 60.76% B.机理与数据结合 29.11% C.可解释性AI 25.74% D.人-机结合方面的能力 46.41% E.小样本算法与模型 17.72% F.可靠
