【工业智能】AI赋能3C制造的四大应用场景

AI赋能3C制造的四大应用场景

BV百度风投A轮项目“玄羽科技”是一家工业制程智能化开发公司，致力于以工业4.0为蓝图，以工业大数据及机器学习的技术为基础，结合工业自动化技术，为制造业提供软硬结合的智能工厂解决方案。

近日，在“2019未来论坛·南京峰会”上玄羽科技董事长李鸿峰发表《AI 赋能3C制造》的主题演讲，他表示：3C行业制造目前面临增长放缓、人力成本持续增加、毛利率越来越低的三大困境，产业面临这些困境，需要考虑升级转型，通过技术创新和成本优化。

玄羽科技董事长李鸿峰

以下为演讲实录：

大家好，我是玄羽科技的李鸿峰，我今天分享的是AI赋能3C制造，侧重于介绍细分领域的几个AI应用，刚才我与几个嘉宾一起交流一致认为在今天的创投圈，有几个概念被炒得非常火热，工业互联网、工业物联网、智能制造都非常热，历史经验告诉我们，行业越是狂热，我们作为当事人就越要冷静分析。智能制造是方向是未来，但是，在行业刚刚起步的今天，我们究竟该如何去做？玄羽选择聚焦，工业很大，我们聚焦在3C制造，3C依然然很大，我们还要继续聚焦。

01 3C制造在今天面临着三大困境

首先我们看一下我们为什么选择3C行业，3C行业的现状是怎么样的。3C制造在今天，已经面临着三大困境，

第一大困境就是增长放缓 ，例如最明显的就是手机，以前是在持续高速增长，而现在出现了负增长，这是第一困境。

第二困境，中国的人口红利已经不在了 ，人力成本一直在增加，中国过去十年间，人力成本增长了3倍，尤其在3C制造这个人力密集的制造业，更加地显著。

第三个困境，整个3C制造毛利率越来越低。

当一个产业面临这些困境的时候，就必须要考虑升级转型，一定是通过技术创新和成本优化。这就催生了他们对智能化制造的需求。

02 3C制造特点

第一个特点就是高度离散。 第二个是迭代非常快 。 这样的行业特点，既有它好的一面，也有它坏的一面。好的一面是：通过科技手段能带来的效率提升的价值空间特别大。不好的是：因为变化太快了，太离散了，做起来非常难。玄羽科技最开始选择的路径，是以头部企业为主，它的特点就是基础比较好，理念比较强，可以带动整个产业的动作。所以最早我们选择了3C制造，作为智能制造的一个切入点。

智能制造的理解往往有一个误区，就是自动化。自动化在智能制造的进程中，的的确确起了非常重要的作用。但有一点必须清楚，自动化真的不等于智能化。自动化的手段只能替代人的手和脚，不能替代人的大脑。如果向往智能制造，就要想一想怎么能替代人的大脑。今天我们可以通过数据+算法的方式，切入到智能制造，用AI的替代甚至超越人脑，能给工业带来巨大的价值。

先介绍智能制造的一些基本逻辑，我们把工厂里各种设备和系统的数据尽量全地收集上来形成数据中台，在中台之上做数据分析和一些人工智能的探测。有一些做工业大数据的公司，基本上做采集、分析、展示、报警，这个都是单向的分析，在工业领域这个单向分析是不足够的。既然已经通过数据分析得出了一个结论，那我们为什么不对这个结论做相应的动作呢？我们在智能工厂设计的时候，有三个因素是必须考量的，大局观、判断力、闭环控制。当我们把这么多设备收集上去之后，我们相当于在整体上形成了一个大数据的外脑，可以通过多维度的、宏观的角度去判断整场的状况，而不是某一台机器做得非常智能，是整体大局观的智能。

第二个要素是判断力，通过数据的手段，给一个判断和分析。第三个要素是闭环控制，基于这个分析，要进行反向的闭环控制，没有反向的闭环控制，意义会大大折扣。有了这样的大局观、判断力和闭环的执行力，就成为了智能工厂和柔性制造的基础。智能工厂就是有智有能，智是“判断力”、能是“使能”这就是我们的智能工厂的一个基本逻辑。

03 四大AI应用

接下来跟大家分享四个AI的应用，这是在细分领域四个比较有意思的场景。

第一个场景就是CNC刀具的智能分析 ，CNC就是数控机床，最主要的耗材就是加工的刀具，刀具是一个高速旋转的部件。CNC加工一直都有一个痛点，就是高速旋转的刀在加工过程中会不可避免地会断掉，因而机台对断刀是不可判断的，断刀会让加工工件成为次品，这是物料的损失，另一个损失，是刀的损失，在CNC加工过程中是自动换刀的，当前序工刀断掉之后，后续工刀并不知道前面是断的，依然按照原来的加工位置切换过来，会造成接二连三地断掉，不仅是次品，还必须相应地换刀和修理机台。因为断刀这个痛点催生了对刀仪。对刀仪会损失非常多的加工时间，而加工时间就是产能。在3C制造领域，因为是大规模生产的，产能损失是工业企业最不愿意看到的。而且硬件的对刀仪在机台里面面对的环境非常恶劣，所以它的品质和测量精度下降得特别快要高频次地维护它。每一个机台都要配这个对刀仪，每天都要去维护它，中国有CNC保有量大概有几百万台，如果每一个机器都配对刀仪的话，代价是非常巨大的。客户给我们提出的要求是，如何不增加硬件成本，如何不占用加工时间，把断刀找出来，这就是数据+算法的方式。我们把机台里面对应的数据全样采集出来，对每一把刀的整个加工状态，在线的、实时的都有一个精准的把控，能立刻发现断刀行为，当我发现断刀之后，一定要有闭环反向控制，立即控制机台抬刀停机，避免后续损失的发生。由于我们对刀具做了精准的监控，同时衍生出对机台寿命的准确把握，所以我们会带来刀具的节省，人员的节省，设备寿命的提升，效益大大增加了。

接着分享第二个AI应用，阳极氧化的应用 ，手机外壳从CNC加工出来之后，是一个白料，是不可以直接进组装段，必须要进行表面的处理和染色，这个就是阳极氧化的工艺，是一个化学工艺。在中间大家看到的就是一条阳极线，下面一格一格的就是池子，上面挂的叫做天车。一个金属要经过染色的过程，根据它的品质要求，会经历不同的池子，一个池子一个池子沉浸反应，我们当初做的一个手机外壳品质要求非常高，要经过上百个池子，这个工艺非常复杂。为了人的安全，整个阳极行业都要求用天车，带来了另外的风险，因为这个天车会撞人，每年都会有伤人的事故。我在阳极厂走一圈嗓子受不了，里面都是是强酸雾，工人必须戴口罩。所以阳极厂是最需要做无人工厂的。今天的嘉宾我们也在交流一个事，IT和OT的融合，这是非常典型的案例。引入人工智能算法的话，会大大提升效率和准确率。将天车实现真正意义上的智能驾驶。

那么为什么阳极厂最需要做无人化，到现在都没办法无人化呢，因为整个化学工艺是非常不可控的，必须有一个老师傅站在池子旁边根据经验不断地观察、不断地进行手工调整，整个过程不得不依赖老师傅在现场的控制，老师傅好不容易培养出了经验，就跑了。因为工作环境太恶劣了。阳极厂的品质一直都是提升不起来的。我们曾经做了一个阳极厂，每天因为良品率做不上去，每天损失是几百万。现在我把天车实现了智能自动化，把每一个涉及到老师傅的环节，都通过数据算法的方式，去替代它。这样就可以真正意义上做到阳极的无人化了。

分享的第三个AI应用就是智能主轴 ，主轴是机器加工设备非常重要的部件。主轴每年维修和替换是CNC领域非常重要的成本。我们把跟主轴相关的数据，以高频的方式采集过来之后，我们对主轴的运作就了如指掌。带来了两个方面的改善，第一个改善，CNC每天在加工的时候，它的工人在现场必须要做一个事，就是要测一下这个主轴的对中度和偏摆，如果有偏摆的话一定会出现次品，但因为都是手工的，效率非常低，每天要检测3-4次，有的员工偷懒了，检测评估就会更低，这样就会增加产品的次品率。第二就是，这个轴是非常贵的东西，一旦坏了，损失非常大。如果在精准的判断监控之后，我们对这个主轴提供一个预测性的维护和健康管理。我们对于整个主轴加工过程的状态了如指掌，有些时候是可以救回来的，要看发生故障的原理。可以把寿命提升的。涉及到主轴的检测和生命周期的管理。这是任何一个有主轴设备的工厂特别在意的一个部件。

第四个跟大家分享的AI应用就是智能玻璃加工 ，我们为什么做玻璃加工这个领域。大家知道，以前的机器的外壳都是塑料的，后来因为苹果手机的引领，把外壳做成了金属的，促使了3C金属加工爆炸式的增长。接下来5G时代会到来，5G信号对金属是非常敏感。这就要求整个手机的外壳不会都是金属的外壳，苹果很明确将来有玻璃外壳的方向，很多做制造企业都在做预研和转型，下一步玻璃加工的制造会大幅增长。良品率很难保证。玻璃切片之后要磨的，这个过程就是用的CNC，我可以把这个过程理解为CNC加工的特殊刀具，它是一个磨棒，玻璃非常脆，加工过程会出现崩边崩角崩空等不良。有了人工智能算法之后，可以大大提升玻璃加工的效率和良品率。

工厂要做的事情，不管是宏观也好，还是微观也好，一定要做到增效、降本、提质、减员等等，这是不灭的话题。

用“数据+AI”打造3C领域“爆款”应用

BV百度风投被投企业—— 玄羽科技 是一家利用工业物联网、工业大数据、人工智能技术，为3C制造行业提供智能工厂解决方案的企业 。

近日，玄羽科技董事长李鸿峰先生接受了 亿欧新制造的专访 ，就3C行业现状以及玄羽为行业做出的改善进行了相关探讨。

以下内容转自亿欧网：

在过去二十年里，中国依靠人口红利，成为了世界上最大的3C产品制造国家。 然而近年来，3C产业的发展遇到了困境。

一方面，在我国人口红利逐渐消失、原材料价格持续上涨的影响下，3C产品出货量增速放缓。 以智能手机为例，根据IDC的数据，2015年全球智能手机出货量14.37亿部，同比增长为10.46%，增速较2014年下降一半，2016年全球智能手机出货量增速跌至个位数，同比增加2.32%，出货量增速呈现逐年降低趋势。

另一方面，3C产品更新换代的周期越来越短，以手机为例，根据中国产业信息网数据，2017年全年国内共上市1054款新机，新产品持续推出，产品更新周期不断缩短。 每一代新产品出来都需要重新更换生产线，单一功能的生产线已经不能满足各行业的综合要求。

由于面临以上困境，3C产业由过去依靠人力驱动，向自动化、柔性化生产转型已经成为必然趋势，这就催生出了3C制造业对于智能化改造的需求。 于是，“工业大数据”、“工业互联网”、“人工智能”这些概念开始涌入3C制造业。 对于这一现象，外界的看法褒贬不一，有人说这是表面功夫，治标不治本； 有人说这是行业大势 ，是“新风口”。 那么，这些新技术的涌入，究竟能否为3C制造业带来切实地改善？

01 用数据驱动产业升级： “ 好厨子一定是挑食材的”

玄羽科技通过收集生产过程中的数据，形成数据中台，再在中台上进行数据分析以及AI探索。 最终形成由数据采集、数据分析、数据展示、报警、反向控制所构成的闭环系统。 这一系统在具体场景下进行应用，可以为企业带来降本增效提质的效果。

不同于市面上一些希望利用现成数据进行AI分析的公司，玄羽科技从下工厂采集数据到后续数据的清洗、分析，都亲力亲为。 这虽然是脏活儿、苦活儿、累活儿，对于一些特殊场景更是难活儿，但好处是通过对数据质量的严格的筛选和把控，有利于提升分析结果的准确性。

市面上有些纯AI公司，固然有很好的数据处理能力，但是在工业场景中要让AI要发挥更大的作用，数据本身的质量也之至关重要。 “如果数据达不到一定质量，那么所谓的AI分析，是不适应的。 好厨子一定是挑食材的。 ”李鸿峰强调道。

如果说数据是基础，当储备的数据足够多时，有些企业便开始进行工业互联网平台的探索。 比如BAT，利用其在消费互联网领域已被验证过的强大数据能力，开启了工业互联网的布局； 再比如工业龙头企业，三一、徐工依靠其多年来在机械设备行业的数据沉淀，搭建的工业互联网平台不仅向内赋能，触角还开始伸向了其它行业。

作为一家具备工业大数据能力的企业，玄羽科技没有先选择做平台，而是先选择聚焦具体工业场景应用。 谈及原因，李鸿峰作了个比喻，他说： “如果把工业互联网平台看作一个超市，把各个应用看作是商品，只有具备丰富的“商品”，“超市”才会有价值。 玄羽是家年轻的公司，做平台我认为还没到阶段，“商品”的数量还不够多。 如果“超市”建立起来，但里面空荡荡的，这是没有什么意义的，所以我们选择先做应用。 希望通过打造“爆款”应用，在某个环节，某个领域做到足够好。 ”

02 专注CNC刀具智能分析，未来将覆盖3C制造更多场景

事实上，在某些领域，玄羽的确走在了行业前沿。 玄羽从成立之初便开始了3C制造业的智能化应用探索，其中最具有代表性的应用是CNC刀具的智能分析。

CNC就是数控机床，任何需要机加工的零部件都离不开它。 CNC在运作过程中一直以来就存在一个痛点。 具体来说，CNC主要的耗材是加工用的刀具，在加工过程中，高速旋转的刀具会不可避免地断掉，如果没有及时发现并且更换，会让加工工件成为次品，造成物料的损失。

除此之外，当前序刀具断掉之后，后续工刀不知道前面已经有断刀情况，依然按照原来的加工位置作业，将会导致刀具接二连三地断掉。 这就不仅是加工工件成为次品，还必须更换更多刀具甚至修理机台。

对此，玄羽采取“数据+算法”的方式，对每一把刀的加工状态进行实时监控，把机台里面对应的数据采集出来，形成数据中台进行分析，从而能立刻监测出断刀的行为。 这个过程中最重要的是，系统不仅具有判断的能力，更具有闭环控制的能力。 当系统发现断刀之后，可以立即控制机台停机，避免了后续损失的发生。

这是玄羽科技在3C行业的一个场景应用。 据李鸿峰介绍，除CNC刀具智能分析之外，玄羽还将AI技术应用到了阳极厂、智能主轴等3C制造业中的多个场景。

03 顺应全球化趋势，出海在即

伴随着中国人口红利消失，越来越多的制造企业外迁到东南亚设厂，3C制造业作为劳动密集型产业，自然成为了外迁的主力军。 以苹果供应商为例，在越南设厂的苹果供应商从2018年14家，升至2019年15家。 就在不久前，代工苹果AirPods产品的歌尔声学也宣布将产线迁至越南。

这样看来，劳动力价格低廉的“越南制造”似乎成为了下一个“中国制造”。 但事实上，对于东南亚的国家来说，他们不希望走中国走过的老路，即依靠人口红利来吸引外界投资建厂。 他们更希望借此机会，吸引更多的技术赋能商，实现从人力驱动生产到自动化、智能化生产的转型。

玄羽作为3C制造行业的赋能商，也嗅到了海外市场的商机，据李鸿峰透露，在未来，玄羽也有出海的计划。

话说回来，无论是在国内还是海外，3C产业都有着庞大的市场，但目前市面上专注于3C产业效率提升的企业却屈指可数。 谈及是否担心市面上出现同类型公司与玄羽争抢市场时，李鸿峰表现得底气十足，他表示，不同于市面上单纯做生产管理或做数据分析的AI公司，玄羽科技深入工艺制程，将生产管理和AI结合，两者相互支撑、相互影响，最终将会取得1+1>2的效果。

3C产业作为科技和互联网发展的核心驱动力，要产生更大的价值，势必离不开新技术赋能。 但是工业场景比较复杂，技术人员不仅需要强大的数据能力，更重要的是懂得工艺制程，只有将IT与OT相结合，才能切实改善工艺。 当前中国，一方面面临着两化融合人才稀缺的困境，但另一方面，也有许多创新型企业“摸着石头过河”，一边实践一边探索。

未来工业将会“进化”成何种形态虽然未可知，但“不积跬步，无以至千里”，像玄羽科技一样，从应用场景出发，再赋能到全行业，或许不失为一种稳健的打法。

工业智能的野心，在于用强AI技术实现进一步工业化

作为一家风险投资机构，BV在不久前专门举办了一次 工业智能大会 来表达对工业领域AI创业机会的关注： BV自2017年创立以来，在全球范围内投资了100多家初创AI公司，创办的BV AI学院招收了200余名学员CEO，其中均有一半以上是与工业智能相关的。 通过两年来的摸索，BV更加坚定的看好工业智能化的长期未来——不仅仅是工业物联网、工业机器人、工业大数据等服务于现有工业流程的技术改造，而是利用前沿AI技术的强大能力，实现原本不能实现的新工业制程、新工业业态，实现对原本未实现充分工业化行业的工业化改造，诞生一批新工业+强智能的新巨头。

以下是BV CEO 刘维在工业智能大会上的演讲实录:

今天的大会以 “工业智能” 为题，希望能跳出工业物联网等具体节点的技术创新，从更广阔的产业变革视角来探讨人工智能究竟为工业能带来什么。如果用一句话形容我们眼中的十年展望，我想是“ 敬畏之心与广阔天地” 这 样的冷暖交织。

为什么从敬畏之心说起 ？

今天的很多嘉宾都是我们的被投企业，可以看到他们用很豪华的团队，大量的精力，试图解决一个工业场景内的一个具体问题，因为这个场景的约束条件、客户条件的多样性、要去打通的接口和配置实在非常复杂。而他们的挑战是甲方的认可程度究竟如何，在一个甲方已经有成熟的业务流程 ， 有一定的技术和管理基础，也有已有的乙方技术供应伙伴的行业内，其创新的解决方案是否能带来真正的效率提升，在与现有的流程比较中是否能占据全面的、突出的优势，使得甲方愿意快速的、不惜代价的替换。

历史上工业智能、工业自动化这个领域充满了先烈，像某著名 制造企业和某著名的鞋品牌商在墨西哥建了一个很大的全自动化生产鞋的工厂，但经过几年的尝试，不久前还是关闭了。并不是说这个流程不值得用自动化和智能化改造，但是很多技术公司低估了技术的挑战 ， 低估了多样性的柔性环境和条件对技术的挑战，低估了一些流程环节对100%可靠的要求，也低估了看似传统却也是经历了几十年迭代利用了各种IT技术的现有设备的性价比、效率、可靠性优势，低估了人作为一个生产工具在柔性化等方面的巨大优势 — 像粘鞋垫这样一个环节，如果将智能化的重心放在自动完成物理动作而不是放在更高水平的胶水配方等决策上，也许智能工厂在短期内还是竞争不过训练有素的工人加上一些自动化设备。不是智能化的终局不美好，而是利用一小步的技术创新加上一小步的流程优化，以打补丁的思路去在现有流水线上做改进，往往达不到预期也算不过账来 — 也许智能制鞋的未来从根本上就是3D仿真和柔性化打印的系统变革，而不是用复杂的机器手来代替灵活的人手去涂胶水。

先烈背后其实是很多先贤。今天的 论坛也让我们见证了很多工业巨头，那些“甲方”的强大之处，他们并不是很多创业者想象中的“传统”，无论是宝钢这些巨型企业，还是弘信电子这类中等规模的细分品类领跑者，按照我们今天所主张的一些工业智能的观点去衡量她们的现状的话会发现，其实他们已经很智能了，很接近于一体化的感知、决策、调度一体，这些产业领跑者做已经围绕着他的生产线做了极大量的优化，才形成了今天的产业地位 — 在这上面再给他们打补丁做微改进到底有多大的技术空间和市场空间，这是我总是在问今天找我们的创业企业的问题？这是我们需要对工业智能化拥有的敬畏之心，当在工业化很强势的领域，当在工业化的进程已经完成很好的领域，人工智能所带来的微改进并不一定能够给这个行业起到那么多颠覆的效用。

相反广阔天地在哪儿？

先看看为什么这些大企业拥有这样的系统，而很多中小企业不用，我的理解是这些大企业今天他非常高度自动化一体化的生产、决策、感知一体的系统，其实是通过很高的成本实现的对多变量的衡量和决策，我们的工业过程其实就是 原料的A 加上 加工的B 等于 成品C 的过程，从简单工序的单一产品，再到复杂工序的单一产品，再到原料和过程都有不确定性的动态复杂工序的单一产品，再到多元产品、柔性制造，我们有越多的变量的参数在其中，我们越需要有越来越多的感知、决策、运算的单元，还需要越来越多一层一层的层级组织去管理生产过程中不能舍弃掉的人的部分所带来的人的误差。随着状态空间复杂度的增加，工业用了几何级数的成本来感知和决策，但即使成本如此之高，这样的一体化大系统也是以牺牲柔性为代价，通过标准化来实现可行性 — 原料的整备和对齐，产品数量的限制，通过标准化的中间制成品来分解长加工链条，把员工约束到标准的要求上以使其输出可控 ， 在这过程中牺牲了大量的效率。

因为这种传统自动化思维的工业大系统的局限，使得我们在今天有大量领域尚未实现工业化。中国是个绝对的工业强国，工业进程我们走到了世界前列，但是仍然有很多领域没有实现真正的工业化，像农业、畜牧业这些领域基本完全没有实现工业化，因为其A+B=C的过程中因为A的种子等要素的本体差异、B的过程中土地、环境等要素的固有差异，加上B中人的输入占比很高，整个系统的离散度很高，把整个过程都感知起来、决策起来的代价非常大，即使决策了，也没有好的办法去基于统一决策去引导作业和补偿，整个领域就没有工业化的可行性，也就形成了今天这样非常分散 ， 谁掌握一些土地等要素谁就能做一些，却无法实现谁的效率模型高出一个数量级 ， 哪怕高价买来要素也可以打败对手的集中度。同时，一些我们觉得好像已经很工业化的领域，其实大部分的价值和链条也都没有工业化，以建筑业为例，虽然经历过一百年两百年的工业革命，在工业革命之前建筑业完全没有工业化就是手工业，大家都是就地砍一些木头盖房子，在过去一两百年内依次发明了砖、混凝土、预制构件，开始把高档建筑的玻璃幕墙，把桥梁大的结构通过工业化手段生产，但是在普通的建筑领域，前端的设计链条依靠未工业化组织的人工，后端的施工、安装、现场实施环节也依靠未工业化组织的人工，这个环节本身的浪费很大、效率优势不突出、环节之间没有基于一套设计-建造-施工一体的系统来做调度也造成了更大的系统浪费。即使当我们今天看服装、消费品等领域，已经成为非常大的制造业品类，但制造成本的环节只在其增加值中占了很小的比例，其流通、到达消费者环节的 巨大成本和浪费，并没有通过工业化来提高效率。而餐饮等占据社会消费总额极大的行业，其价值链条里工业化的部分更是非常少，有极大的工业化带来效率提升的空间。

所以我个人观点，当我们看 2030 或者更远的创业机会时，与其说我们的眼睛只是盯着最现代化、代表着现在最高工业化水准的企业帮他做改进，可能不如看看这些没有被工业化的领域、没有被工业化的阶段，怎么给他们解决从 0 到 1 的问题，并且从这当中打造出新的工业巨头 — 不管是我们扮演着锐意进取的新巨头的供应商，还是干脆自己下场成为这样细分领域的新工业巨头。

所谓的敬畏之心，也是我们不能将人工智能变成一个大筐，什么都装进去，什么都沾上智能就可以颠覆原有格局 — 相反，却又忽视了智能技术所带来的真正的最深刻的变革驱动力。当我们以 2030 的视角做工业智能创业的时候，最核心的是我们要真正抓住 AI 智能所能带来的核心能力，这个核心能力是什么，我自己理解真正带来的， 是能实现一种高效的人机混合复杂系统，它能支持大得多的参数空间，能支持大得多的 模糊信息，在这里面能做好柔性化的理解，多模态的语意的理解，多模态的复杂的决策并且不断迭代和进化，从而能以合理的性价比去解决大量没有工业化领域的工业化，继而带来有集中度的新商业模式。

新一代的人工智能技术从四个方面为这个工业复杂系统赋能 ：

第一、高维度的感知

虽然我们今天谈感知已经谈的非常多了，但面向 2030 年来看时还远不够多，未来十年仍然是感知技术极快发展的十年。就像今天视觉技术小小的一步已经带来这么多应用一样，因为 AI 天然就非常适用于感知，特别是把大量物理层创新走了半步、能拿到一些信号、但还没办法非常简单的规则化形成输出，也没办法转换为人可以观测的视图的很多感知技术，结合AI的模糊分析能力、通过对这种模糊信息的试图的理解，通过与其他的数据轴的联合作用，通过多轮次多模态的反复感知和理解，去试图将这些信息转变为对复杂系统决策有意义的信息。大量的新传感器会被引入系统，大量传统上很贵的传感器可以用更低成本的物理器件加上算法补偿来降低成本，这也就意味着大大降低了我们感知任何一个物理世界物体的成本，这种成本的降低对于提高工业智能系统乃至最终工业生产系统的效率是至关重要的。我们在今天肯定无法想象我们一个个去检测一个加工过程中成百上千个部件的成千上万的状态，我们今天也无法想象在这个屋子里跑着几十台机器人，每个机器人都有全局感知的能力，但是未来的新传感器、异构融合传感器、空间统一感知和语义化理解的中心传感器会使这一切变成现实。在未来的十多年内我们会依次见证我们今天越来越熟悉的物理世界感知变得更加高速，更加高级的语义化，更多人眼不可见的信息例如高速高频的信息、穿透的信息变得可以理解，乃至于各种低功耗-分布式-自组织的本体嵌入式传感器会掺杂到一些工件之中，带来真正的全生命周期的感知能力。

第二、高动态的计算

时至今日我们的工业人工智能还面临很大的阻碍，是因为今天的计算还远远不成熟，速度跟不上快速的无论是流水线还是快速的工业机器人所需要的速度，而且这种计算不是简单的识别理解层面的计算，未来的高动态计算肯定是面向全局的，面向全域数据的，不光是在这个工厂内，上到供应链的最终用户下到全域高动态计算，未来农业化自动化最重要的驱动力不是简单给苹果浇好水，而是给整个果园内的苹果冒泡排序看哪一个苹果该成熟了，这个事对于计算机人工智能来讲是很简单的事，但是远远打破了原来的组织方式，而是变成从根本来讲就用更高级别的个性化来包含了标准化，不是个性化的差异，而是个性化的主动的偏差选择，所以这种高动态的计算能力，不是简单的当前算法的边缘计算化，而是整个架构的重构，包括传感器层面的任务传感器实现微秒级别的计算，端上的多数据流融合计算，再到高性能的云端协同图计算，这些会大大改变所有的工业大脑的决策的系统。

第三、高敏捷机器