人工智慧的應用正從消費智慧擴大到企業智慧，帶動並創造更強大的生產力。製造業具備大量資料累積，是人工智慧應用的藍海。2019年人工智慧在邊緣計算層與工業物聯網相遇，成就人工智慧工業落地元年。
以人工智慧賦能製造業的行動已在全球展開，亞太區製造業基礎雄厚，是人工智慧在工業領域應用的潛力市場。本報告旨在深入瞭解中國製造企業應用人工智慧的真實情況和應用場景，探討人工智慧專案理想與現實的差距，以及行業未來發展趨勢。
一、技術趨勢
在過去的一百年裡，五大趨勢主導了全球技術的發展趨勢，依次為“電子工具”，“半導體”，“企業服務”，“電信”和“消費智慧”。如今，“網際網路+消費者”模式所創造的價值已經充分釋放並趨於平緩；而第六個趨勢已經顯現，我們稱之為“企業智慧”，企業自我主導，運用數字技術解決問題的智慧化轉型被視為未來技術發展趨勢。
據估算，製造業每年大概可產生1,812PB的資料量，超過通訊、金融、零售等行業。在過去二十年中，製造企業決策過程因數字資訊的大量增長而變得複雜，企業正試圖通過智慧化技術有效地處理和利用資訊，解鎖資料的模式和可用性，解決之前甚至無法預見的問題。
人工智慧被製造業寄予厚望，本次人工智慧製造業應用調查顯示，93%的受訪企業認同人工智慧將成為全球製造業增長和創新的關鍵技術。中國在人工智慧應用領域表現突出，其中人工智慧在中國製造業的市場規模有望在2025年超過20億美元，從2019年開始每年保持40%以上的增長率。人工智慧在中國製造業應用的高增長主要受政策利好、資金充足和製造業應用潛力三方面驅動。
二、應用場景
人工智慧在製造業的應用場景眾多，大致可以分為智慧生產、產品和服務、企業運營管理、供應鏈以及業務模式決策五個領域。智慧生產相關場景應用是目前製造企業部署人工智慧的首要選擇，其次為產品和服務相關場景。但未來兩年，人工智慧在工業領域的熱點應用將從智慧生產轉向更加註重產品服務和供應鏈管理。
在智慧生產領域，目前應用比較多的場景是自動化生產工廠與訂單管理和自動化排程；未來兩年內將有更多人工智慧技術用於產品質量監控和缺陷管理。計算機視覺技術的進步推動人工智慧在質量監控和缺陷管理方面的應用。
在產品與服務領域，目前已經在應用人工智慧技術的企業較少，但計劃在兩年內優先部署的企業數量明顯增加，特別是在縮短產品設計週期、個性化客戶體驗以及提升營銷效率的應用場景。
三、現實與預期的差距
通過企業調查我們發現，不論是從企業獲益角度，還是從預算及時間投入角度衡量，91%的人工智慧專案未能達到企業預期。人工智慧專案結果與預期差距較大是全球普遍存在的現象。這種落差往往是由以下幾方面的問題造成：
- 既有經驗及組織架構障礙；
- 基礎設施條件制約；
- 資料採集方法及資料質量問題；
- 缺乏工程經驗；
- 專案規模過大、過於複雜。
四、未來已來
德勤調查顯示，83%的企業認為人工智慧已經或將在未來五年內對企業產生實際可見的影響，其中27%的受訪者認為人工智慧專案已經為企業帶來價值；56%的受訪者認為人工智慧將在未來2-5年為企業帶來回報。
從技術傾向性來看，更多企業將投資於複合性技術體系，從而優化生產、成本、庫存或質量控制等方面，或用於銷量、價格預見性維護的預測。對單一技術類別，如視覺監測、機器人定位、專家系統等技術的投資熱情相對較小。
業界普遍認為，工業人工智慧平臺讓企業以更低的成本應用人工智慧，是人工智慧在工業領域的落地和普及的必要條件。
五、德勤建議
中國製造業正處於人工智慧大規模落地應用爆發的前夕，領先企業已經開始佈局以贏得先機。德勤建議企業從自身戰略、應用場景、資料基礎、團隊組建、合作伙伴、驗證及實施開展人工智慧的實際落地。
5.1 戰略目標匹配
企業首先需要確保其人工智慧部署必須與企業的戰略和業務目標匹配，不論這個目標是創造新的收入、減少成本、或提升運營效率，關鍵是選擇合適的複雜程度來滿足企業的業務目標。
5.2 明確應用場景
要找到合適的人工智慧落地應用場景，本質上是要理解這項技術在哪些方面可以做的比人類更好。
5.3 落實資料基礎
由於目前基於深度學習的人工智慧高度依賴大資料，企業的資料基礎往往是決定AI專案是否能成功實施的基石。
5.4 組建團隊及搭建夥伴關係
企業如果想打造AI能力，至少需要以下幾類人才所組成的團隊：AI技術專家，行業專家，AI應用專家。
5.5 驗證及大規模實施
有了應用場景，完善了資料基礎，搭建好團隊以後，接下去要做的是基於AI的過程設計原型驗證(Proof of Concept)。在確認技術原型可行的情況下，再進行迭代和最終的大規模實施。
PDF版本將分享到199IT交流群，支援我們發展可加入！
