全球新冠肺炎疫情使制造业陷入困境，供应链、供应商和经销商都遭受了巨大打击。
在紧缩开支的同时，许多公司聚焦人工智能(AI)技术，希望以此为契机，加速行业的自动化和智能化转型，拓展AI的应用场景。
通过对制造业产业链的研究分析，整理出三份关于AI在制造业领域应用前景的报告，分别聚焦于产品设计与研发、供应链与供应商、生产线与装配线的三个方向。以下是三份报告的核心内容和精髓。
方向1:更快、更具成本效益的产品设计
对于制造业来说，产品零部件的材质、形状和尺寸设计会影响整个价值链的生产和运营效率。事实上，设计决策可能决定了产品制造成本的70%左右。
除了成本方面的考虑，制造业需要不断创新，为市场带来新产品和设计，以保持竞争力。但这往往不容易实现:设计一个产品，比如一辆汽车或一个集成电路，可能需要两到五年时间，发现新材料可能需要几十年时间。
现在，制造业正在尝试利用人工智能让这一过程更加省时省力，同时不影响安全性和结构完整性。
降低成本的创成式设计
创成式设计软件允许工程师快速迭代和测试设计。根据CB Insights的数据，预计到2030年，生成式设计软件的市场规模将达到445亿美元。
在创成式设计中，算法会根据工程师设定的尺寸、材质、重量等输入标准，为产品生成数以千计的备选设计方案。
随着泛化能力强的模型的出现，如生成对策网络(GAN)，工业设计软件变得越来越强大。创成式设计软件将生成一个初始设计池，然后选择最佳设计，混合它们的特性，迭代后生成第二个设计池。算法的快速迭代可以在短时间内测试上千种设计，比人类快上百万倍。
这一技术思想在汽车和飞机零部件的快速原型制造设计(3D打印)中得到了广泛的关注和应用。例如，两家日本汽车制造商电装和本田与设计软件供应商Autodesk合作，在生成关键汽车零部件的原型时使用创成式设计。电装是全球最大的汽车零部件供应商。利用这项技术，它设计了一个发动机控制单元(ECU)，以减轻其重量12%。
飞机制造商空客也尝试过通过创成式设计制造A320飞机的隔板。新设计比以前的设计轻45%，节约成本的潜力很大。空客估计，新设计每年可以减少近50万吨二氧化碳排放。
这项技术仍然面临许多挑战。例如，AI算法的输出本质上取决于人类设定的参数和约束，寻找最优参数可能会很复杂和耗时。此外，如何在成千上万的设计中整理选择出最佳的设计，也需要一种高效的、可扩展的方法。
尽管如此，生成式设计仍然是制造业追求的热点技术。随着物联网、实时仿真、增强现实等技术的普及，以it为核心的软件即服务(software as a service，SaaS)战略有望成为重振制造业的关键。
人工智能自动化电子设计
电子设计自动化，包括芯片和印刷电路板的设计，预计到2022年将成为110亿美元的市场。
芯片设计包括两个主要部分:布局和布线。前者是指用设计软件画出不同部件的位置，后者是指用线条虚拟连接部件。现在，研究人员正试图使用AI软件在几天内完成可能需要几周时间的芯片设计工作。
谷歌最近发表了一项关于如何利用强化学习(RL)实现自动布局的研究。在设计电路版图时，RL算法的优点是可以使用更少的导线，更有效地利用空间，或者消耗更少的功率。在最初的实验中，RL算法可以在24小时内为谷歌云芯片TPU提供设计建议。相比之下，手动方法需要几周时间。
在芯片设计上，AI的应用还是相当少的。除了谷歌这样的巨头，早期的创业公司很少。公司筹集资金，比如英国的InstaDeep，德国的Celus，美国的JITx。其中，Celus今年刚刚获得190万美元的种子轮融资。
整体来看，AI在电子设计自动化中的应用还是一个未知领域，前期才起步。公司一些研究实验室正在探索。机器学习算法的有效性尚未得到大规模验证，评价褒贬不一。
发现新材料
AI可以帮助缩短发现新材料所需的时间。一种材料的发现和商业化通常需要十年或二十年的时间。AI可以压缩这个过程:只要列出材料属性，就能快速筛选出优秀的候选材料。而且AI技术在材料领域的运用，也可能帮助3D打印技术，发现新的打印材料。预计到2025年，先进材料市场规模将达到1220亿美元，年均增长率为10%。
不同的公司使用了许多不同的方法。新成立的公司 Citrine Informatics将随机森林与不确定性估计相结合，使算法对其预测的置信度进行评分。欧洲最大的平板玻璃制造商AGC正致力于此公司合作，寻找并加速高性能玻璃的研发。
对于这个应用领域，最具挑战性的是如何准备数据，选择合适的AI模型。这一挑战不仅耗时耗力，而且涉及计算机科学、物理、化学、数学理论等多个领域，需要跨学科专家的深度参与。
除了降低实验成本，AI还可以降低下游的采购、生产和维护成本。我们可能会看到，未来十年，新材料的商用速度会继续加快。
方向二:降低供应链和供应商的风险。
受疫情影响，许多制造业公司每个人都要面对供应链和采购合同的中断，严重拖累了正常的生产计划。
Thomas Net最近的一项调查显示，在接受调查的1000家北美制造商和供应商中，超过55%。公司收入预计会下降。
为了保持移动性并快速应对突发的全球事件，制造商需要预测业务风险并密切关注合作伙伴。
预测供应链中断和供应商风险
风险管理包括了解环境风险、监控品牌声誉损害、评估网络安全风险或违法行为等等。预计到2025年，供应商风险管理的市场规模将扩大至28亿美元。
制造业的供应链越来越复杂:一个制造商可能直接与多个一级供应商打交道，这些供应商可能有自己的二级供应商网络，二级供应商依赖三级供应商，等等。因此，制造商不仅需要在全球范围内维护这个复杂的网络，还需要监控运营中断，甚至那些和他们没有直接合作的二三级供应商。
一般来说，供应商风险管理依赖于数据库，数据库广泛地反映了这一点。公司全球供应商关系。AI的作用类似于在银行和医疗保健系统中的作用:经过大量的数据训练，它提供了一种理解客户或预测风险的解决方案。
人工智能 公司您可以使用NLP来检索多语言新闻、政府数据库、行业期刊和公司地理数据库等资源，并监控工厂事故、自然灾害、非法活动或网络安全漏洞等事件。机器学习算法也可以用于评估各种供应商的供应链网络，并为其生成风险评分。
新成立的公司 Interos表示，它拥有一个包含5000万供应商业务关系的数据库，可以通过机器学习从8.5万个来源中提取数据。这些信息构成了风险分析模型的数据库。
在这个过程中，数据质量是最大的挑战之一。复杂的全球供应链网络造就了同一个家庭公司你可以用不同的名字做生意，依赖供应商报告的数据，这也可能导致一些数据缺失。
另一方面，风险管理通常涉及多个数据集和解决方案，不同的供应商有不同的风险，很少。公司可以完成一站式服务，满足厂商所有风险评估需求。因此，一些初创企业公司专注于更细分的市场。例如，Unicorn OneTrust专注于分析网络安全风险，而BlueDot专注于监控医疗事件。
我们可能会看到更多供应链管理方面的合作和整合，因为风险评估服务商的目标是成为制造商的一站式服务平台。目前，制造商不得不暂时寻找一些相互兼容的供应商数据分析平台。
按需制造市场
根据CB Insights的市场规模数据，按需制造是一个2200亿美元的市场。
按需制造在汽车和医疗保健行业发展迅速，因为它解决了关键的采购问题。比如标准化价格以及联系供应商的漫长过程。
如前所述，AI可以加速制造业的设计进程。设计完成后，按需制造允许工程师和设计师上传3D文档，以便AI判断设计的可行性、成本和时间。
这种情况通常发生在制造商需要定制特定组件并外包给第三方的时候。许多初创企业公司针对这一领域，我们为制造商提供供应商网络和实时报价服务。
他们主要是利用AI来分析厂商的3D设计文档，判断是否可行，需要哪些技术和材料，还可以实时生成报价和预估交货时间。
当然，报价服务离不开供应商的数据。AI会根据以往的采购订单(包括具体设计和材料的常用报价)进行培训，学习如何在平台上对供应商进行综合分析，从制造工艺到交货期选择一个或多个符合要求的，并与供应商进行匹配。
成立7年的新公司公司 Xometry表示，他们致力于消除制造商和供应商之间的冗余沟通。这个家庭公司已经获得宝马和通用电气投资，目前有4000多个合作伙伴。
按需制造的另一个优势是小批量制造。大供应商对小订单的反应速度很慢，很难找到小供应商。按需制造平台可以有效解决这一问题，精准匹配小订单、小供应商。
使用自然语言处理分析合同
根据CB Insights的数据，合同管理预计到2027年将成为50亿美元的市场，法律技术中的人工智能市场预计到2026年将达到380亿美元。
采购或制造合同中涉及的文字和细节，如果不注意，可能会导致很大的风险和损失。比如不可抗力的定义，直接关系到企业在疫情期间能否无损失解约。
人工智能可以在几分钟内扫描数千页的法律文件，找出不一致的地方。公司政策场所。如果这项工作由成年律师完成，可能需要几天时间。
自然语言处理(NLP)是扫描合同的首选算法之一。它可以提取关键信息，标记措辞或遗漏信息的潜在问题，以便进一步人工审查。AI技术还可以确保整个组织的合同标准化。
美利坚合众国公司 Icertis是合同管理领域的独角兽，与空客、戴姆勒等制造业客户合作。Icertis平台可以使用AI分析40多种语言的合同，识别其条款，并从过去的合同谈判中获得经验。
虽然基于人工智能的合同管理正在金融和公司法律部门出现，但在制造业发展缓慢。随着技术的成熟，它有望成为制造业采购和过程自动化业务的重要工具。
方向三:用AI加速产品生产和组装。
新冠肺炎疫情让已经陷入困境的制造业雪上加霜。随着制造商被迫重新思考产品生产和组装业务，AI的地位正在迅速上升。
我们在生产线上研究人工智能装配线下案例列表，意识到整个制造业正处于十字路口。
下一代协作机器人
预计到2026年，工业机器人该系统的市场价值将达到1380亿美元。其中一个分支，协作机器人到2030年，它将成为一个120亿美元的市场。
协作机器人通常以机械臂的形式出现，它与人类一起工作，负责拾取、放置或分类物体。它还可以用于。装配检查一下。
AI可以帮助这些。机器人更好地工作。为了一个家庭公司一般来说，如果每个机器人可以连接到中央云，就可以形成一个“AI大脑”，每个机器人不仅可以从自身环境中学习，也可以从整体中学习。工业机器人在网络中学习。
物流人工智能 公司 协变采用了这一概念，通过强化学习技术训练网络。机器人并提高其性能。另一个家庭公司 万能机器人生产的机械臂还可以通过计算机视觉识别物体的形状和大小，帮助筛选和分类产品。
货运机器人
估计到2026年，会自主移动。机器人(自主移动机器人，缩写为AMR)将成为价值5900亿美元的市场。
在制造业中，AMR主要用于运输货物。他们可以在工厂的地板上，装配在生产线和仓库之间移动，以运输所需的零件。人工智能软件使它能够感知环境，并对路径中的障碍做出实时反应，而不是遵循预设的静态路线。
当部署多个AMR时，一个集中式的“AI大脑”可以处理协调和导航，其中将使用计算机视觉、机器学习和轨迹规划算法。这个控制系统。机器人同时工作的时候是不可或缺的。虽然AMR的应用还处于早期阶段，但其潜力是值得肯定的。
2018年，空客在其英国工厂进行了首次运输重型飞机机翼的AMR测试。应该公司由丹麦移动使用工业机器人公司 MiR产品，并与AMRC研究小组合作制造机器人适应其特定需求。在艾的帮助下，米尔 机器人可以预见路径上的潜在障碍并主动改变道路，也可以实时决策。
实时生产监控和质量检查。
根据资料，预计到2023年，产量监控将会有60亿美元的市场。企业在这个领域使用AI有两种方式:实时。监控装配生产线工人和工作流程，以及零件缺陷的实时检测。
AI算法可以根据企业采集的工人和产品的数据(比如什么是正常操作，什么是错误操作，哪些零件有缺陷等等)来判断流水线上的产品质量是否合格。)，从而减少后期的产品召回等问题。
该领域的初创企业公司包括工具性、初级机器人学和落地AI。其中，Instrumental专注于使用AI实时识别装配线上的产品缺陷，并于2020年第三季度获得2000万美元融资。
宝马在德国的一家工厂引入了图像识别技术。员工从不同角度拍摄汽车，并与模型进行匹配，作为训练AI的初始数据集，然后他们可以在生产过程中自动验证汽车上是否贴有正确的代码。
为了减少人为错误，制造业巨头ABB和电信公司 Telia合作在流水线中引入AI摄像头和5G技术，可以被计算机视觉软件使用。监控工人，并提供实时反馈。
摘要
目前，AI在制造业的应用整体上还处于早期阶段，但很多应用场景都有大规模引入AI技术的潜力，其中很多公司我们正在朝着这个目标努力，既包括初创企业，也包括老牌制造业巨头和科技巨头。
随着AI技术的进步，市场规模将进一步扩大。可以预见的是，以后会更多。公司在这个领域，由AI驱动的自动化趋势还将继续。