麥肯錫發布報告：AI讓制造創新“一鍵直達”
http://www.sharifulalam.com 2024-05-20 14:13 來源：麥肯錫
本文主要聚焦AI在當今制造業前沿的應用
在前三批全球燈塔網絡成員中，運用AI的用例僅有不足20%，但在2023年12月最新加入的21家燈塔工廠中，近60%的用例已開始借助AI的力量（見圖1）。這一變革并非偶然：在這批新晉燈塔工廠中，基于AI的創新用例已取得矚目成就，不僅使生產效率提升兩至三倍，服務水平提升50%，也使缺陷率降低99%，能耗改善30%。
以特鋼制造領域為例，中信泰富特鋼在其生產流程中部署了眾多AI應用，顯著提升了生產效率。通過精準預測和實時調整高爐運作，該公司不僅令產量提升了15%，還實現了11%的能耗降低。而在生命科學設備領域，安捷倫公司（Agilent）通過整合計算機視覺技術，打造出一套高效的工具包，短短4個月便將產品缺陷率降低了49%。
隨著企業不斷優化AI預測與建議的置信度，這些技術正邁向成熟。億滋國際（Mondelēz）北京工廠部署了全新的工作模式：工廠一線工人現在更多扮演技術員的角色，而非僅僅是機器操作員。這種轉變不僅使生產率飆升了兩倍以上，還實現了70%的浪費減少，以及10%~25%的能耗降低。
生成式AI的涌現預計將為全球經濟帶來年產值高達2.6萬億~4.4萬億美元的增長【1】。其中，近四分之一的增值有望來自于制造及供應鏈相關活動，因為生成式AI將為相關活動領域帶來高達兩倍的生產力提升，以及近70%的任務自動化。
相關技術已展現出超過50個潛力巨大的應用場景，覆蓋了六大主要領域（設計、采購、計劃、制造、交付、服務）以及兩大能力領域（數據與技術部署、人才與組織賦能）。而這一變革主要由內容生成、洞察提取和用戶交互等新能力所推動【2】。而在燈塔工廠身上，我們總結出了關于AI和生成式AI部署的五大洞察：一是AI用例已遍布整個運營價值鏈；二是資產化是實現AI快速大規模部署的有效方式；三是AI指揮中心正推動自動化達到新層次和系統級別；四是生成式AI正將AI的影響擴展到車間之外；五是生成式AI的發展速度遠超預期。
貫穿全流程的AI用例
早期的AI試點通常集中在單一流程上，因為這些流程的范圍最小、風險最低、迭代最快。迄今為止，超過80%的AI燈塔工廠用例都集中在流程層面。然而值得注意的是，AI正對供應鏈的所有環節產生深遠影響，包括規劃、資產管理、質量控制以及交付等關鍵步驟。
新晉燈塔工廠正是這種廣泛性和多樣性的明證。以規劃為例，鴻佰科技部署了一個AI需求預測模型，該模型通過訓練歷史數據，在短短三年內將預測準確率提升了27%；在工藝優化方面，亨通光纖運用歷史策略訓練的模型，自動調整預制坯和拉絲參數，實現了工藝最優化；在質量控制領域，VitrA Karo通過在其窯爐中部署計算機視覺系統，成功將廢品率降低了68%；而在交付環節，華潤建材科技通過自適應優化重型運輸設備的路線，將提貨周期縮短了39%（見圖2）。
通過資產化實現AI推廣
為了在產出、質量和交付績效等關鍵績效指標（KPI）上實現20%、40%甚至60%的顯著提升，企業需要將試點和概念驗證（POC）的經驗擴展到每臺機器和每條生產線。一些企業已經開始了長達4~5年的試點、學習、推廣新技術和應用的旅程。而其他公司，如中國溧陽的寧德時代、印度索尼帕特的聯合利華和中國西安的強生，它們能夠借鑒公司其他燈塔的經驗，從一開始就進行規模化設計。這些公司在多個流程中應用了先進的AI技術和其他創新技術，跳過了早期燈塔工廠所必須經歷的陡峭學習曲線。
當前，燈塔企業正在加速其AI試點項目，其中一個關鍵策略便是“資產化”——將用例“打包”成能夠快速且大規模部署的解決方案。其他行業也在效仿這一做法：在利用新興的低代碼或無代碼平臺創建AI應用方面，相關領軍企業正以1.6倍的速度領先于其他企業，極大地加快了其開發進程【3】。
燈塔企業已在制造領域證明了這種方法的成效。它們采用模塊化設計原則，確保了新資產與現有技術架構的兼容性。同時，它們也在投資并使用各種生產力工具，如用于定制化界面的無代碼平臺。此外，它們還將基礎的數字技能培訓材料，如演示視頻和標準操作程序，作為資產包的一部分，并對所有用戶開放。如此一來，新的AI用例和數字創新便能從局域內的單一“本地”工具轉變為全公司范圍內的可用資產，且又可在“本地”實現定制化。
未來視野：系統級自動化指揮中心的崛起
幾個世紀以來，供暖、制冷、照明等技術不斷進步。但智能家居的發展不單單是這些技術的簡單延伸，而是通過智能控制系統整合相關技術，實現對居住環境的自動管理——自動調節室內溫度、維護壁爐運行、調整百葉窗角度，甚至根據語音指令播放音樂，或是提醒最佳出行時間、搭乘最近的地鐵等。智能工廠的發展同樣遵循這一理念；它們的優勢源于“中央式”的智能運用、更高級別的決策能力，以及讓人類“參與”而非“置身于”自動化流程中。
認知過程自動化
與物理自動化相似，這些認知自動化的過程也是分階段實施的：首先，利用智能技術來維持穩定的操作流程，比如利用AI實時調整流程參數；其次，識別并采取恢復措施，如針對機器性能下降提出優化方案，或建議調整配方，抵消原料中雜質帶來的負面影響；最后，徹底實現“自我修復”——在制造和供應鏈運營中實現自我調整，并將人類作為循環的一部分納入其中。
多數燈塔企業已實現前兩個階段的目標，并正在加快步伐，朝著實現第三個目標——“黑燈工廠”的概念邁進。這一概念依賴于技術創新，旨在讓工廠的生產效率、產品質量和服務水平再上一個臺階。在這一過程中，前線的工作人員將從傳統的操作員角色轉變為技能進階型專家。
全球休閑食品制造商億滋國際在北京建立了一個高度自動化的面團生產車間，其AI控制中心覆蓋了5條自動化生產線、4輛智能導引車以及供應鏈中的9種原料，不僅優化了面團的發酵過程，提高了生產一致性，還顯著提升了整個生產線和相關供應鏈的產能與效率。另一方面，面對氣候變化引起的供水波動，韓國水資源公司部署了一套AI運營系統，有效控制了水處理過程中的混合和沉淀等關鍵環節。這一系統的實施在短短兩年內將產量提升了31%，公司目前正計劃將這一系統推廣至其他42家工廠。
兩家公司都實現了智能化的集中管理。它們不再僅僅將AI應用于單一的生產流程，而是采用了能夠在整個生產系統中運作的AI指揮中心。這些先進的解決方案能夠做出更加復雜和迅速的運營決策，無論是面對材料短缺的突發情況，還是處理高優先級的訂單，或是在能源供應受限時快速調整生產線。AI強大的數據處理能力使其能夠同時分析數以百萬計的數據點，并優化這些數據之間的相互作用機制。
提升置信水平
為了推動系統級決策自動化的實現，AI不僅要能識別并提出糾正措施，更要確保每次提出的建議都精準無誤。這一點對于各類AI，無論是應用型、生成式還是未來新興的AI技術，都至關重要。為了確保這一點，燈塔企業將閉環反饋機制置于優先地位，以此優化它們的模型，并在完全移交控制權之前，不斷提高決策的置信度。同時，這些企業還引入了一系列保障措施、監控系統和應急預案，確保在推進自動化的同時，有效管理風險。
今年，燈塔企業展示了多種提升AI模型置信水平的方法。一是模型訓練。定期利用歷史數據對模型進行再訓練，將AI的預測與實際操作人員的決策及流程的實際表現進行對比，直至AI的準確率超越人類水平；二是仿真技術。數字孿生技術和基于AI的仿真模型能夠預測建議行動對關鍵指標的具體影響，包括材料供應、客戶需求滿足以及設備正常運行等，從而快速提升決策的準確性，并減少對實際測試的依賴；三是分階段引入。模型最初可作為人類決策的輔助工具，提供與經驗豐富的人類決策者相同的概率評分。隨后，操作員可以對AI的建議（如庫存補給或特定維護措施）進行評估和投票，這種互動式的學習過程有助于動態地訓練和完善模型。當模型表現超過預定的概率閾值，它們便是后續全面自動化的堅實根基。
生成式AI的試點步伐不斷加快
2019年，AI用例仍在試點和概念驗證（POC）階段，許多工廠也仍在構建數據和技術基礎，判斷員工所需的新技能，并制定落地策略。當時，燈塔企業的主要精力集中在推動AI試點用例的實質性影響。時至今日，燈塔企業已大步邁進，有時甚至可直接略過試點階段。事實上，與早期的燈塔企業相比，新燈塔實施新AI用例的時間縮短了近25%，表明生成式AI等新興技術的啟動時間要遠遠短于5年前的應用型AI。
ACG Capsules就是快速部署生成式AI的典范。為了適應制造業對員工技能需求的不斷變化，該公司在短短兩周內開發并部署了一個緊跟SOP和政策動向的AI助手。
在僅僅5周的時間里，通過一些遷移學習和微調，近四分之三的操作員和技術人員已經開始使用生成式AI助手來支持維護和合規行為，從而使ACG的平均修復時間（MTTR）和計劃外停機時間減少了40%。
燈塔工廠彰顯了AI在制造業中的潛力，而燈塔企業正在利用自身優勢，拉大差距。這一差距不僅體現在技術上，還體現在戰略制定和人才發展上。行動正當時，其他制造商要想迎頭趕上，就需要快速跟進，采取快速、明智的行動。
編輯精選
