例如，西門子通過使用AI來提高其機器的運營效率和產品質量，節省了大量時間和資源。"機器已經提供了大量數據，而無需額外的傳感器。"西門子營銷/產品管理總監Bernd Raithel說。

　　通常，這些數據會被丟棄。但是，可以以相對較低的成本收集它。"在我們的一個站點，我們收集了 11 萬個數據集，每個組件都有 4萬個數據點，"Raithel 補充道。

　　有了這些數據，就可以開始實施有效的預測性維護。預測性維護通過監控操作來評估和識別潛在故障，從而延長機器的使用壽命。人工智能預測的計劃內維護停機可以防止生產線在凌晨3點發生故障。與數小時相比，這可能只會帶來15 分鐘的生產損失。

　　消除不確定性并了解風險

　　英特爾工業創新高級總監Irene Petrick對人工智能充滿熱情。"AI帶來的轉變之一是我們所說的效率的范圍。效率的一個要素是消除不確定性。例如，產品在生產線末端是否符合最低標準存在不確定性。借助AI，我們可以確定哪些產品更有可能面臨缺陷風險。這消除了不確定性，使測試更加高效。可靠性來自對不確定性所在的認識。我們對工廠車間了解得越多，我們就能越高效地指導操作，從單臺機器一直到供應鏈。"

　　AI 提供了對 OEM 目前可能感到完全缺乏控制的領域的可見性和洞察力。有了這種洞察力，OEM 可以在他們以前甚至無法看到的領域做出更好的預測。簡而言之，AI減少了不確定性。

　　隨著工業設備的數字化轉型，機器會產生大量的數據。今天，這些數據中的大部分都被忽略了（即"暗數據"）。但是，當AI收集和分析這些數據時，OEM可以深入了解其運營情況。

　　第一步是收集和了解暗數據。然后，AI可以評估和分析數據以提高效率，做出有用的預測，并提供有關如何進一步提高質量和可靠性的見解。AI還有助于消除原始設備制造商甚至不知道的盲點，減少不確定性，并更好地了解所涉及的實際生產風險。

　　"我們從多個來源收集數據（包括激光雷達、聲學傳感器和攝像頭等），并使用數據融合工具一起分析這些數據。例如，我們在視覺檢測、監控和面部識別方面取得了巨大進步。這些技術可用于制造中以識別現有缺陷，或者通過AI識別傾向于導致生產線下游缺陷的產品特征，這稱為前饋循環。" Petrick說。

　　在標準生產線中，每個零件都在生產線末端進行檢查和測試。如果發現涂裝缺陷，則該零件將失效，從而降低產量。此外，零件需要特殊處理以識別缺陷并修復它。如果可以在焊接站識別出焊接缺陷，則可以在適應焊接缺陷的噴漆站標記零件以進行特殊處理，并進行適當的調整，以使零件通過測試。生產線的每個階段都被認為是依賴于其他階段，而不是將每個單獨的階段視為獨立的。因此，可以實現新的生產力水平。

　　與員工一起高效協作

　　GE研究院人工智能和計算機視覺技術經理John Karigiannis認為，"通常，引入AI的第一個地方是它可以產生最大影響的地方，通常也是風險最大的地方。對于許多OEM廠商來說，這是零件的檢查和測試。AI驅動的檢查比人工檢查更一致，因為AI不會感到疲倦，也不會偷工減料。"

　　在更高層次上，AI是關于提高人們的技能，使他們能夠利用可能需要數 TB 數據才能發現的見解。AI克服了人類感知的局限性。通過與AI協作，人們可以監控更多操作，將他們靈活的重點和能力帶到過于復雜或AI模型無法捕獲的太多變化的領域。

　　簡而言之，協作通過擴展人們的可見性和控制力來優化他們帶來的價值。西門子的Raithel這樣說："有一種誤解，認為AI只是自學成才。通常情況下，您需要一位專家來教授AI。隨著AI開始處理生產線上的 任務，您現在可以專注于讓您的專家教 AI 需要做什么。這是一種乘數效應。現在，一位專家可以更準確、更一致地將他們的專業知識應用于更多領域。"

　　人是基于AI的生產線的必要組成部分。"AI過程在邊界內工作，"Karigiannis說，"你需要一個人在這些邊界之外運作。例如，用于確定零件是否有缺陷，有時可能存在超出AI 算法的分布特征。然而，AI仍然可以識別磨損、腐蝕或其他有說服力的因素，假設它有足夠的數據進行訓練。"

　　AI可能無法說，"這是一個裂縫"，但它可以說，"這里可能存在問題"。現在，不再由人工檢查員查看 1000 個零件，而是由AI識別出最有可能有缺陷的 10 個零件。換句話說，AI使我們有可能確信，"這990個零件沒有缺陷"。

　　AI還可以增強人員并加速他們的學習。例如，National Oilwell Varco（NOV）使用微軟自治系統開發"AI教練"來發展和改善他們的員工隊伍。以前，新員工需要至少6個月的培訓才能學習如何操作設備。有了AI教練，NOV預計新員工需要的時間不到一半。此外，更有經驗的操作員可以從培訓中解放出來，專注于操作關鍵機器。

　　回歸復雜性和變化

　　在AI的發展中看到的一個主要趨勢，是從一致性到變化的轉變。"一種常見的自動化策略是從裝配線上消除變化。雖然這消除了不確定性（這是一件好事），但它讓OEM對他們認為可以控制的東西有一種虛假的安慰感，以為可以控制生產的各個方面。"英特爾的Petrick的說。

　　在某些方面，生產線越簡化和保持一致，其對方差的彈性就越低。他說，"正如從我們新冠疫情中學到的那樣，不能假設過去是未來的良好預測指標。相反，我們必須假設我們無法控制每個因素和情況。"

　　與AI如何增強人類工人的方式類似，AI可以通過處理機器人尚未編程解決的差異來增強機器人。AI使我們能夠使機器人更簡單、更一致，同時擴展可以使用它們的用例和應用程序。處理更大的復雜性是數字孿生發揮作用的地方。

　　數字孿生使用AI來模擬機器人單元甚至整個工廠車間。如果您有足夠的物理世界數據，則可以模擬日常操作，以便對其進行優化。但是，您也可以模擬差異和中斷。這使您可以查看對生產線的影響并評估其彈性，還可以開始制定策略來解決潛在的中斷，以最大程度地減少其影響。

　　"機器人可以在模擬環境中進行訓練，而不是手動為機器人編程每個任務。一旦他們學會了該怎么做，他們就可以過渡到現實。最終，機器人可以學會在工廠車間安全移動，而不會與其他物體發生碰撞。" GE公司的Karigiannis說。即使對于復雜的任務，例如可能存在很多變化的焊接，仿真也很有價值。模擬提供了足夠的基礎，可以幫助人們更快地完成任務的編程。對我們來說，人工智能消除了80小時的手動機器人編程。

　　AI描繪的愿景遠遠超出了機器人在裝配線上移動零件的范圍。微軟的Sircar 認為，其愿景包括元宇宙，其中虛擬現實用于通過對現實世界進行建模并找到以全新方式在工廠內進行交互的方式來進行優化。"借助數字孿生和AI的基礎，制造商現在能夠近乎實時地可視化工廠。除了跟蹤過去之外，他們還可以在混合現實環境中分析、預測、模擬和交互操作。"

　　從機器到工廠車間再到供應鏈

　　數字孿生在系統級別提供了最大價值。機器層面的分析范圍有限，無法捕獲系統范圍的影響。整個系統越復雜，系統效應在發生時被放大的程度就越大。通過數字孿生，可以模擬整個工廠。現在，不僅可以使用AI來優化單個工位的切割路徑或機器人裝配，而是可以優化整個生產線和每個階段之間的相互依賴關系。

　　只要您可以訪問相關數據，這些見解也可以擴展到工廠之外。OEM 廠商可以分析進入的組件以及它們如何在工廠中移動。在簡單的層面上，AI可以識別組件實現中的瓶頸。在更高的層次上，AI可以對整個供應鏈做出預測。供應藍可能更難預測，因為您可能沒有足夠的供應商數據。然而，時代正在到來，你的客戶可能會要求你提供詳細的生產線信息，以便他們可以預測你會按時交貨。

　　"在短短兩年內，我們看到制造商面臨的主要挑戰的影響范圍發生了重大變化。現在，對個人/團隊層面的關注較少，更需要從更廣泛的公司/行業角度解決問題。" Petrick說。

　　鑒于新冠疫情期間出現的供應鏈挑戰，保證交付的能力可能成為市場的一個重要差異化因素。這是許多公司經歷過的最大中斷之一。為了保護他們的運營，OEM廠商愿意將AI從機器級交互擴展到工廠車間和供應鏈本身。

　　人為因素：信任

　　OEM廠商需要考慮的AI難題的最后一塊是人為因素。Petrick認為，AI只是一個產生建議的模型。此建議僅在驅動操作時才有用。這突出了AI的基石：信任。因為一旦你把人類員工引入這個回路，就必須考慮信任。因為如果與AI一起工作的人不相信它的建議，AI不一定會提高效率、質量或可靠性。

　　就像自動駕駛汽車一樣，如果人們不相信汽車可以安全地開車送他們下班回家，他們就不會上車。為了解決這個問題，行業需要對AI保持透明。我們必須能夠解釋它是什么，我們正在使用什么數據，算法如何處理數據，以及它如何得出結果。而且，我們必須用工廠車間人員理解的通俗語言來做到這一點，這樣他們才能對與他們合作的AI充滿信心和信任。

　　工業人工智能的未來

　　AI 是一種強大的技術，可以增強人員、技能和工作流程。借助AI，OEM廠商可以提高單個機器的性能，并優化整個工廠車間和整個供應鏈的運營。AI使復雜性和變化性重新回到生產線成為可能，而不會失去自動化的好處。制造企業可以提高產品質量，同時降低測試和生產成本。

　　AI還促進了人與機器之間更高水平的協作。而且，您無需單獨規劃可持續性，因為當您提高效率并優化運營時，您會自動減少功耗和其他浪費。

　　需要注意的是，AI對工業制造的趨勢和影響因您的業務所在地而異。并非世界上每個地方都在應對"勞動力短缺"，美國、歐洲和亞洲之間訓練有素的勞動力問題差異很大。雖然AI技術正在以驚人的速度發展，但它每年都變得更容易獲得。

　　西門子的Raithel說："AI可能聽起來很復雜。但是，它是在您無需成為數據科學家即可弄清楚的級別上實現的。在西門子，我們有數百名數據科學家致力于創建軟件和工具，使我們的客戶能夠使用AI，而無需了解任何關于張量流的信息。"

　　為此，軟件和工具將在人工智能的未來中發揮更大的作用。然而，工業世界需要工具的長期可靠性和穩定性。我們不能每6個月改變一次。因此，我們需要更長的時間才能將這些創新帶到工廠車間。

　　隨著時間的推移，AI將變得更加強大，也更容易使用。今天，機器人需要針對與之交互的每個對象進行訓練。手臂上裝有基于AI的攝像頭，機器人將快速處理各種變化，并且只需更少的培訓。

　　GE的Karigiannis說："AI的缺點之一是它不能很好地泛化，特別是如果你改變領域。使用 AI，當您更改域時，您可能必須重新訓練模型。今天，AI并不理解什么是裂縫。但想象一下，如果它做到了。那么，AI可以在任何地方識別裂縫，而不僅僅是在它被訓練過的地方找到它們。在GE，我們正專注于開發這種類型的通用培訓（如上圖）。未來，OEM將能夠把AI的功能輕松擴展到不同的領域，而不是從頭開始學習。"