制造业是经济增长的关键驱动力。据世界银行数据,2022年全球制造业总产值约为16.19万亿美元,制造业增加值约占全球GDP的16.05%。制造业作为现代经济的基石,反映了一个国家或地区的工业化水平,也是衡量其综合国力和国际竞争力的重要指标。中国制造业是国民经济的主体,承载着国家经济发展的重任,中国制造业的崛起已经成为全球经济的亮点。世界银行数据及国家统计局数据表明,2023年我国制造业GDP高达4.61万亿美元,占总GDP的26.18%,约占据全球制造业份额的28.5%。
当前,我国制造业面临劳动力短缺、生产技术落后、可持续发展压力等多重挑战。国家统计局数据显示,我国制造业劳动力规模显著减少,2015—2020年,制造企业的平均用工人数由8711万人下滑至6550万人,制造业面临着技术工人短缺的问题。在生产技术方面,我国许多传统制造企业的生产技术落后,难以适应现代制造业高效、灵活和智能化的要求。此外,制造业作为高耗能和高污染行业,面临着越来越严格的环保法规和社会责任压力。
在制造业面临诸多挑战的背景下,人工智能(AI)赋能制造业能够降本提效,提高制造业产品质量,加速产品创新,促进绿色生产,提升我国制造业竞争力。当前,AI在制造业领域的应用已贯穿设计、生产、管理、服务等各个环节。据中国信通院统计,制造业智能应用类型及占比如图1所示。
图 1 制造业智能应用类型及占比
具体地说,AI识别类技术被广泛应用于质量管理、安全生产等环节中,此类技术能力在2022年工业应用案例中的占比高达47.5%。例如,西门子利用自监督学习技术能够有效缓解质检中的小样本和实时性问题。此外,数据建模优化类技术依托机理分析进行参数确定和AI模型选择,显著提升了建模的精度和可解释性,其应用占比也达到2022年工业应用案例的42.9%。某风电厂将齿轮箱运行机理和故障数据联合建模,不仅大幅提升了故障诊断的精度,还赋予了故障结果清晰的物理意义。再者,知识推理决策类技术通过定量复杂决策和异构数据知识自构建等技术手段,有效应对了制造业中知识传承及实训难题,为构建更加丰富且精确的知识网络、辅助复杂决策提供了有力支撑。如沃丰科技开发的多源异构数据对齐技术,利用构建工具自动生成汽车装配知识图谱,显著提升了机械设计效率与品质,成为该领域技术应用的又一典范。
据埃森哲公司测算,到2035年,全球AI技术的应用将使制造业总增长值增长近4万亿美元,年度增长率达到4.4%。2023年工信部发布的数据显示,经过智能化改造,我国制造业研发周期缩短约20.7%、生产效率提升约34.8%、不良品率降低约27.4%、碳排放减少约21.2%。随着AI技术的不断发展和应用,制造业将迎来更大的变革和发展机遇。
1 AI赋能制造业的意义
1.1 AI促进制造业提高生产效率
AI能够替代大量人工,帮助制造业提效。AI技术的引入使得制造业能够实现高度自动化,减少对人力的依赖,从而提升效率。例如,在无人矿卡的应用中,自动驾驶技术替代了传统的人工驾驶,无人矿卡能够实现24小时不间断作业,显著提高了作业效率。此外,通过AI技术赋能质量控制,能够以远超人工质检的速度和分辨率,显著提高生产效率。
其次,AI能够通过优化已有生产流程,帮助制造业提效;以及优化制造业研发设计、生产调度、运营管理等流程,大幅缩短原有流程的时长。例如,AI技术可以帮助企业实时监控和评估生产流程的效率,分析生产流程中的瓶颈,从而调整资源配置,优化生产线布局,提高整体生产效率。同时,AI技术能够通过分析设备的运行数据,预测设备故障的可能性,提前进行优化维护,从而减少设备故障导致的停机时间,提高了生产线的整体效率。
1.2 AI促进制造业提高产品质量
AI技术通过优化生产流程和智能控制能够显著提高制造业的产品的良品率。通过高分辨率摄像头和图像处理算法,AI技术能够实时监控生产过程并进行质量检测,AI系统可以在生产线上自动识别缺陷产品,确保只有符合标准的产品进入下一环节,显著减少不良品的产生。
另外,AI技术能够促进产品创新,满足产品的个性化需求。通过分析大量市场数据、用户反馈和产品性能数据,AI技术能够帮助企业识别潜在的市场需求和趋势。企业可以根据客户的具体需求进行灵活生产,而不是依赖传统的大规模生产模式。这种方式不仅提高了客户满意度,还增强了市场竞争力。
1.3 AI助力制造业实现绿色生产
AI赋能制造业能够通过降低原材料损耗等方式降低生产成本,减少碳排放,实现绿色生产。
首先,AI能够通过实时监控和分析工厂内各个环节的能耗数据,识别出能源浪费的环节,并通过智能算法优化能源使用。例如,AI可以在设备闲置时自动降低其功耗,或者在能源价格较低时安排高能耗的生产任务,从而减少能源消耗;通过对历史能耗数据和生产计划的分析,可以预测未来的能源需求,并优化能源的采购和使用,避免不必要的能源浪费。
其次,AI通过精确的生产过程控制,可以减少原材料的浪费。例如,在金属切割或塑料成型过程中,AI可以通过优化切割路径或成型工艺,最大限度地利用原材料,减少废料的产生;同时协助废料管理和循环利用,帮助识别和分类生产过程中产生的废料,并优化废料的处理和回收流程,从而提高资源的循环利用率。
最后,AI能够实现供应链优化,降低碳足迹。AI通过对供应链各环节的优化,实现更高效的物流和库存管理,减少不必要的运输和库存积压,从而降低碳足迹;还可以预测市场需求,帮助企业更准确地制订生产计划,避免过度生产和库存浪费。
2 制造业AI的关键技术
AI技术能够从研发设计、生产制造、运营管理到产品服务的制造业全流程中,全面推动制造业升级。
在研发设计阶段,通过智能原型设计和智能工艺设计实现产品构思快速落地,缩短研发周期;在生产制造阶段,通过智能调度系统、质量控制机制及预测性维护等技术实现生产效率,并提升安全生产标准;在运营管理中,通过智能化供应链管理和智能运营数据分析等工具实现成本降低和决策智能化;在产品服务环节,通过用户数据挖掘、智能营销及智能客服系统实现个性化服务,并提升售后效率。
2.1 研发设计环节
AI赋能制造业研发设计环节,帮助优化产品设计、缩短研发周期。
首先是智能原型设计。基于大模型技术的计算机辅助设计工具(CAD)通过训练大量制造业CAD数据,能够通过与用户的交互式对话,充分理解用户的设计需求,自动生成符合工程要求的设计草案。大模型技术的融入使得系统能够智能调整参数,确保设计方案严格遵守行业标准和性能要求。
其次是智能工艺设计。通过深度融合工业数据库与AI算法,快速评估不同材料和工艺对产品质量的影响,依托AI技术快速匹配最优组合方案,降低试错成本,缩短产品研发周期。最后是智能仿真模拟。利用先进的AI算法与高性能计算平台,构建高度逼真的虚拟仿真环境,基于AI建立虚拟仿真环境,模拟产品在不同条件下的可靠性,实现产品的全面评估与分析,减少产品试验的时间和成本。
2.2 生产制造环节
AI赋能制造业生产制造环节,帮助提高生产效率、提升产品质量、提升安全生产水平。
首先是智能生产调度。通过集成AI技术与制造执行系统(MES)及设备管理系统(EAM)等核心工业软件,实现对生产数据和历史记录的深度学习和分析,针对市场需求变化和生产能力水平,开展预测,优化排产方案,合理安排生产流程。通过实时分析设备状态、物料流动、能耗等情况,形成生产过程的高效协同机制,可实现生产流程的自动化、智能化管理决策。制造业与AI的融合还体现在智能化的硬件设备,如将工业机器人与新兴的AI大模型技术融合,形成智能工业机器人。与传统的工业机器人相比,智能工业机器人通常更加灵活、自主,能够适应更复杂的环境,同时具备一定的运动规划、运动控制和人机交互的能力。在国内大模型厂商中,创新奇智的ChatRobot生成式工业机器人,借助工业大模型能力,构建了多模态、端到端的视觉-语言-动作模型(VLA),实现了自然语言驱动的机器人操作控制。
其次是质量控制。深度融合大模型与计算机视觉技术,借助AI技术对生产过程中的多个连续环节进行实时监测和分析,快速发现异常和缺陷,调整生产参数,提高产品质量的稳定性。在工业质检场景中,大模型技术与工业视觉技术的结合可以实现自动化、高精度的质量检测。例如,大模型能够从大量已标注的图像数据中学习到各种类型的缺陷特征,从而准确检测出新产品中的类似问题,还可以帮助工程师快速灵活搭建视觉检测方案,确保检测方案能在工厂尽快落地运行。
此外是预测性维护。基于大数据分析与机器学习算法,在生产设备运行过程中,AI技术实时收集和分析机器的运行数据,并基于数据分析结果预测潜在的故障和维护需求,自动提醒相关人员并执行维护计划,从而减少意外停机时间和维修成本,提高生产效率。
最后是智能安全监控,结合视频分析技术与高精度传感器网络,实时监控生产环境,精确识别不合规的图片或视频画面,及时发现潜在安全隐患。发现异常后报警或采取相应措施干预,确保生产制造过程安全和合规,降低事故发生的概率和损失。
2.3 运营管理环节
AI赋能制造业运营管理环节,帮助降低运营成本、提高智能化决策。
首先是智能化供应链管理。利用机器学习算法与高级预测分析技术,AI能够综合分析市场需求、企业的生产能力以及供应链的动态变化,通过机器学习算法,预测市场趋势和生产需求。通过预测能够使企业实现精细化库存水平控制,减少过剩库存和缺货风险,从而降低库存成本并提高资金周转效率。
其次是智能运营数据洞察。AI能够深入分析历史生产数据并实时监控生产流程信息,通过洞察和统管各环节的数据,对生产活动进行规划、组织、协调和控制。特别是大模型技术,让生产经营数据按需洞察成为可能,不同于传统的数据库检索方式,大模型可以让用户根据需要实时洞察生产经营数据,从而降低数据洞察门槛和提升企业决策效率。
最后是知识管理。依托自然语言处理与知识图谱技术,大模型被用于提升企业内部知识资源的整理和分类效率,对文档、手册、案例研究等资料进行高效归档和标签化,使员工能够通过智能搜索迅速且精确地访问所需信息。这不仅提升了信息检索效率,也使员工能够更专注于核心工作。
2.4 产品服务环节
AI赋能制造业产品服务环节,帮助提供定制化服务、提高售后效率。
首先是客户数据分析。通过深度学习和数据挖掘技术,能够从海量的客户交互数据中提取洞察,分析客户行为模式和偏好,为企业提供精准的市场细分和个性化服务策略。
其次是智能产品营销服务。依托大数据分析,利用客户历史数据分析建立用户画像,为客户提供个性化的产品推荐或定制服务,增加客户的转化率和满意度。
此外是产品售后服务。通过自然语言处理、数字人等技术,AI能够对客户的问题进行理解和回应,24小时不间断地提供服务,快速响应并解决客户的问题,减少客户等待时间。同时,通过数字人技术,AI可以根据客户的个人数据和行为偏好,提供高度个性化的产品推荐和互动体验;通过增强现实(AR)和虚拟现实(VR)技术,模拟产品的实际使用场景,让客户在购买前获得更加真实的体验。
3 制造业AI的技术应用情况
制造业的AI技术应用日益深化,其中专用小模型和大模型技术正成为行业转型升级的核心驱动力。小模型以其低资源消耗、快速响应的特点,在边缘计算、实时检测和设备监控中表现出色,如在汽车零部件设计优化、铝合金铸造过程控制、产品质量自动检测及设备预测性维护等方面发挥了重要作用。大模型则依托其强大的数据处理能力,在设计研发、生产调度、财务分析、客户服务等多领域提供了深度支持,实现了从产品设计到售后服务的全流程智能化,显著提升了制造业的效率与竞争力。
3.1 AI专用小模型技术已广泛渗透制造业
在制造业智能化的浪潮中,AI专用小模型正成为推动行业转型升级的重要力量,尤其是在一些资源受限、实时性要求较高的场景,如边缘计算、实时检测、设备监控等具体场景下,专用小模型表现出显著的优势。在设计研发阶段,AI专用小模型能够显著优化产品设计流程、材料选择策略以及生产工艺规划。例如,在汽车制造业中,AI专用小模型能够执行结构优化任务,通过深入分析设计方案的力学性能,助力打造出更轻、更强的零部件;在原型测试环节,AI专用小模型还能借助虚拟仿真技术,预测产品的热力学表现,从而大幅减少物理测试的需求,有效控制成本。这些应用不仅加速了产品开发进程,还显著提升了设计效率与质量。
在生产制造环节,AI专用小模型可应用于生产工艺的优化,如根据实时数据反馈,灵活调整生产参数以提高生产效率并降低能耗。例如,在铝合金铸造过程中,AI专用小模型可以根据实时反馈的数据,动态调整炉内温度、铸造速度和模具压力等关键参数;通过持续监测铝液的温度、流动性以及模具的冷却状态,能够识别出最佳的生产工艺条件,并实时调整参数,避免温度过高或过低导致的气孔、裂纹等缺陷。同时,在质量控制方面,AI专用小模型能够借助视觉检测系统,自动识别生产线上的产品缺陷。与基于规则的传统检测方法相比,这些小模型能够基于历史数据训练出识别各种细微缺陷(如划痕、裂纹、色差等)的能力。
在运营管理环节,AI专用小模型能够帮助设备进行预测性维护,通过对传感器数据的实时监测与分析,能够准确预测设备潜在的故障点,从而提前进行维护或更换零部件,有效避免设备突发停机,减少停产时间与维修成本。例如,通用电气利用小模型对风力发电机进行预测性维护,通过传感器实时收集风力发电机的震动、温度、压力等关键数据,AI专用小模型对这些数据进行分析并预测可能的故障点,从而及时发现潜在问题并安排维修,避免了设备停机并降低了维修成本。
总而言之,制造业AI应用的深化发展,正引领着制造业智能从简单识别类任务向建模优化、知识推理决策、组合应用等复杂应用演进。随着技术的不断成熟和应用场景的不断拓展,AI专用小模型将在提升工业自动化水平、优化生产流程、降低成本和提高效率等方面发挥越来越重要的作用。
3.2 大模型技术已逐渐渗透制造业
在制造业智能化转型的浪潮中,大模型技术正逐制造业相关性渐成为研究和应用的热点。尽管目前大模型技术仍处于探索初期,但其展现出的巨大潜力却不容忽视。如图2所示,大模型技术在制造业的各环节,包括设计研发、生产制造、运营管理以及产品服务中,均展现出广泛的应用场景,这些应用将极大地帮助制造业提升效率、降低落地门槛。
图 2 大模型制造业应用场景图
在设计研发阶段,大模型可以根据客户需求自动设计制造原型,提高产品开发效率。通过大量的制造业设计数据,大模型可自动生成一系列详细的设计效果图和三维模型,涵盖产品外观、用户界面、交互体验等多个方面。此外,大模型还能进行材料结构预测,帮助选取更加适宜生产的原材料。同时,大模型可以自动生成制造业代码,特别适用于重复性高、逻辑简单的任务,大大提高了编程效率。使用者可以通过自然语言交互,更简单快捷地实现相应的代码能力,减少了对专业编程技能的依赖,降低制造业落地AI技术的门槛。
在生产制造阶段,大模型可以优化生产调度、提高生产效率。大模型能够实时监控和优化生产过程,通过分析历史生产数据和当前生产状况,大模型可以自动生成最优的生产计划和调度方案。同时,大模型还能协助进行设备诊断及装备维修问答。
在运营管理阶段,大模型可以通过将生产、销售、库存等各个环节的数据整合与分析,提供更为精准的预算预测和财务分析,实现预算的智能分析。同时,通过大模型技术实现高效的文档管理、智能检索并构建制造业知识库,正在帮助企业提高知识共享和传承效率,提高企业创新能力和竞争力。
在产品服务阶段,大模型技术正在通过对用户需求和市场趋势的分析,生成个性化的产品设计和优化方案,满足不同客户的定制需求,提升客户满意度和市场竞争力。同时,大模型可以理解和处理客户的查询和投诉,提供快速、准确地响应,提升客户服务效率。未来,大模型技术有望深刻变革现有工业数字产品的赋能方式,AI赋能制造业装备智能化、AI赋能制造业软件开发,都将为制造业带来革命性的进步。随着技术的不断成熟和应用的深入,制造业大模型技术将成为推动行业创新和升级的关键力量。
4 制造业AI的应用挑战
4.1 研发设计环节数据获取及整合困难
制造业设计研发环节在数据获取和整合方面面临一些突出问题。
首先,制造业设计研发环节需要大量高质量数据进行模型训练和验证,但数据获取难度大;制造业中不同设备和系统生成的数据分散在各个环节,数据的收集和整合存在很大挑战;许多老旧设备缺乏数据采集功能,需要额外的投资进行改造。工业互联网产业联盟的问卷调查结果显示,大部分用户从外部获取数据困难,少量用户能够顺利找到明确渠道。
其次,制造业设计研发环节存在数据质量不高、数据整合困难等问题。目前制造业AI公开数据集聚焦钢板、纺织表面缺陷图像领域,由于相关场景数据难获得、数据保护不健全等原因,阻碍了数据集的统一构建。此外,由于制造业数据来源多、格式复杂,且存在标准协议不兼容等问题,会导致“数据孤岛”,AI难以获取到全面准确的数据进行应用。
此外,设计研发环节数据的多样性和不一致性也会导致数据清洗和标准化的难度较大;数据噪音、缺失值和数据格式的差异都会影响AI模型的训练效果。工业互联网产业联盟的问卷调查结果表明,受访者表示数据质量普遍不佳,存在数据质量差、延迟、稀疏或不符描述等情况。
4.2 生产制造环节场景复杂安全风险高
在制造业生产制造环节,存在场景复杂、安全风险等诸多挑战。
首先,复杂的生产制造流程和多样化的生产环境要求AI系统具备高度的定制化和实时性。制造业的生产环境复杂多变,AI技术在实际应用中需要面对多种工况和不确定性。例如,工业机器人在动态环境中的路径规划和任务执行,涉及实时数据处理和复杂决策。此外,动态生产环境中突发事件的应对能力也是一大考验,如设备故障、物料短缺等,AI系统需要迅速作出反应,调整生产计划,保证生产的连续性和效率。
其次,在生产流程中,AI的应用会带来技术安全风险。智能制造系统依赖于各种智能设备和传感器,这些设备可能因设计缺陷、软件漏洞或操作错误而导致安全事故。例如,伺服驱动器、智能传感器和控制系统中可能存在后门或安全漏洞,攻击者可以利用这些弱点进行恶意攻击,从而影响生产安全和效率。此外,随着互联网技术在制造业的广泛应用,智能制造系统的网络连接性大幅提升。这种连接性虽然带来了便利,但也使得系统易受到网络攻击。黑客可以通过网络入侵工业控制系统,导致数据泄露或生产中断,给企业带来巨大的经济损失。
此外,生产制造环节中AI技术的应用会带来数据安全风险。生产制造环节涉及大量敏感数据,如设计图纸、生产过程数据、供应链信息和客户数据等。在应用AI技术的过程中,由于涉及多方参与,任何环节的数据泄露都会危及整个供应链,如管理不当将会造成巨大损失。
4.3 运营管理环节组织制度滞后于技术变革
在制造业运营管理环节,企业组织结构和管理制度存在滞后,导致AI技术作用难以得到充分发挥。
首先,企业的职能部门之间协作不畅,难以形成合力。研发、生产、供应链管理和市场营销等之间的协作往往存在障碍。各部门可能有不同的目标和诉求,导致技术应用效果大打折扣。
其次,制造业企业的绩效考核机制不适应AI技术,难以激发员工的创新动力。许多制造业企业的绩效考核机制仍停留在传统的生产指标和财务指标上,难以评估AI技术带来的无形价值,如提升效率、改善决策等,影响员工对新技术的积极性和创新动力。
此外,制造业与AI复合型人才的缺乏也限制了AI技术的应用。据德勤统计,2022年中国智能制造行业数字人才缺口约430万人,而预计到2025年该缺口将达550万人。AI与制造业的融合需要同时具备制造业知识和AI技术能力的复合型人才。然而,目前高校的AI相关师资和课程体系尚不完善,难以快速适应产业发展需求。
4.4 产品服务环节需求变化快且差异大
在制造业产品服务环节,AI技术的应用面临市场需求变化快、个性化需求差异大等挑战。
首先,全球市场需求快速变化,而AI技术需要时间进行模型训练和调整,很难及时满足市场需求。例如,服装品牌经常需要根据季节变化、流行趋势和社会事件等因素快速调整其产品线,在特殊节日或体育赛事期间推出限量版产品。为了做到这一点,企业利用AI技术分析社交媒体上的趋势和消费者反馈,以便更快地作出决策。AI系统需要足够灵活以捕捉并适配这些快速变化的趋势,灵活调整生产线和工艺能力,同时保持一定的预测准确性,这对AI技术的数据整合能力及实时响应能力提出了挑战。
其次,需要快速对应差异较大的个性化产品需求。随着消费者越来越倾向于寻求定制化和个性化的解决方案,企业需要能够提供高度个性化的服务,同时保持高效的生产和交付流程。这就需要利用AI技术实现生产线的柔性化和智能化,支持小批量、多品种的定制化生产。在这个过程中,如何处理海量的数据并确保隐私安全,同时提供精准的产品服务,带来了一定挑战。
5 制造业AI的发展趋势
5.1 研发设计环节通过自动化实现创新驱动
在制造业设计研发环节中,将向自动化、创新驱动的方向发展。首先,AI在制造业研发设计中将在很多环节实现自动化,优化设计流程,缩短产品上市时间。在电子设计领域,电子设计自动化(EDA)工具将完成复杂电路的功能设计和验证,通过自动化布局和布线,优化设计的整体性能,从而进一步提高设计效率和准确性。通过智能化的优化算法和自动迭代功能,产品研发周期得以缩短,进一步加快了产品上市时间。
其次,AI技术将为制造业研发设计注入创新动力。在生成式设计等前沿技术应用中,AI将探索出人类设计师未曾想到的设计方案。通过大规模数据分析与智能算法,AI技术可以生成多样化的设计选项,打破传统设计思路的局限,激发更多的创意灵感。这不仅会推动制造业产品的智能化发展,还将为企业提供了更多差异化和个性化的产品设计方向,助力企业在竞争激烈的市场中脱颖而出,创造出新的商业机会与价值。
5.2 生产制造环节通过人机协同实现高效化
在生产制造环节中,制造业将通过智能机器人与人协作完成生产任务提升生产效率和安全性。一方面,人机协作辅助生产,提升效率。智能机器人可以辅助人类执行重复性和高精度的任务,比如组装、焊接、喷涂或包装,其准确性远高于人类,从而减少废品率和返工。另一方面,人机协同能够提升生产安全性。机器人可以承担对人体有害或危险的任务,如处理有毒物质、高温环境下的作业,从而保护工人免受伤害。同时,现代协作机器人配备有先进的传感器和软件,能够检测到周围的人类活动并作出反应,如减速或停止,以避免碰撞。总体来说,人机协作模式将在制造业中发挥越来越重要的作用,推动整个行业向更加智能化、高效化、人性化的方向迈进。
5.3 运营管理环节通过大小模型协同实现自动化
大模型和小模型的协同将在未来制造业中扮演关键角色,在制造业运营管理环节推动自动化水平的显著提升。大模型以其强大的数据处理和分析能力,为生产决策提供智能支持;小模型则以其灵活性和针对性,优化具体生产运营环节。这种协同不仅实现了从宏观到微观的全面自动化决策,还大幅提高了制造效率和资源利用率。在设备维护方面,大小模型的协同将实现更为精准的预测性维护。大模型通过分析设备运行数据预测潜在故障,小模型则在边缘设备上实时监测,共同提高设备利用率,减少意外停机。在供应链管理方面,也将因大小模型的协同而得到优化。大模型分析全球供应链数据,预测风险和机会,小模型则在具体环节进行优化,提高供应链的自动化水平和响应能力。尽管大模型在制造业中的应用潜力巨大,但小模型因其深厚的工业应用基础和成本效益比、稳定性、可靠性等优势,将与大模型长期并存。这种协同模式将持续推动制造业向更高效、智能和灵活的方向发展。
5.4 产品服务环节通过数据驱动实现精准化
在制造业产品服务环节中,数据将扮演很重要的角色,驱动个性化创新的同时增加市场价值。首先,数据可以驱动AI技术实现产品服务的个性化和定制化。通过分析用户行为数据、偏好数据等,AI技术能够为每个客户生成个性化的产品服务方案。这种基于数据的定制化设计不仅能够满足个性化需求,还可以通过大规模数据分析来优化定制化生产的效率和成本。其次,AI技术能够使产品服务环节更加精准高效地推进。在产品营销环节,AI技术通过数据分析和用户行为预测,能够帮助制造企业更精准地进行市场定位和客户细分,分析消费者的购买历史和偏好,制定个性化的营销策略,提高客户转化率和满意度。在产品售后环节,AI技术可以通过自然语言处理技术,提供不间断的客户服务支持,快速响应客户的咨询和问题。这种智能化的售后服务不仅提高了客户体验,还减轻了人工客服的负担。
6 结束语
在制造业智能化转型日益深化的当下,AI技术正在深入渗透制造业全流程应用中,通过赋能研发设计、生产制造、运营管理和产品服务等环节,帮助制造业实现降本增效、提质创新。目前,AI专用小模型技术已广泛渗透制造业,大模型技术也逐渐探索应用在整体流程中。在此过程中,不仅要致力于拓宽“AI+制造业”的应用边界,深化其在智能化设计、个性化定制、预测性维护、供应链管理等前沿场景的探索与实践,还需直面当前发展的制约因素,从技术瓶颈突破、管理体系创新、政策法规完善等多个维度综合施策,构建有利于AI技术与制造业深度融合与高效应用的生态环境。
当前,制造业AI技术应用仍处于发展期,需要联合产业各方力量不断突破前沿技术难关、协同应用数据、算力等资源。同时,需加强高校与产业间的合作,培养制造业AI复合技术人才,推动制造业智能化高质量发展。
原文刊载于《信息通信技术与政策》2024年12月 作者：董昊 刘星辰 曹峰 张发恩 高凌燕
