人工智能制造产业发展研究报告201806
——————【启示】——————
运营维护环节，人工智能在于对设备或产品的 运行状态建立模型，找到与其运行状态强相关 的先行指标，通过这些指标的变化、能够提前 预测设备故障的风险，从而预防故障的发生
对于设备或产品故障成本高的行业意义重大， 比如装备、精密仪器等
ቤተ መጻሕፍቲ ባይዱ
【效果】：全天候+节约
• 如电梯制造服务商thyssenkrupp，借此减少50% 电梯停运时间、节约15%维护费用
• 20世纪60-80年代，根据“知识库”和“if-then”逻辑推理构建的“专家系统”，在矿藏 勘测、污染物处理、太空舱任务控制等方面得到初步应用
• 专家系统实际上只是一定程度上实现了这些环节和流程的分析和自动化，对于错综复杂的现 实问题只能提供有限的辅助参考
当前：深度学习优化制造
• 人工智能及相关技术融合应用，逐步实现对制造业各流程环节效率优化。主要由工业物联网 采集各种生产数据，放到云计算资源中，通过深度学习算法处理后提供建议甚至自主优化
01 什么是人工智能 什么是“人工智能+制造” 人工智能如何“+”制造
为什么要研究“人工智能+制造”？
工业困局 • 发达国家：产业空心化，
赚了利润但丢了就业，且 贸易逆差
• 发展中国家：产业低值化， 赚了收入和就业，但丢了 利润和环境
信息革命
• 算据：大数据 • 算力：云+边缘计算 • 算法：深度神经网络 信息技术的发展，对各行各 业效率提升提供了可能
基于个人数据分析的批量定制（adidas）
【痛点】：同质竞争 -> 价格战 -> 低利润
• 传统生产 = 标准化 + 大批量 = 同质竞争 • 竞争差异化 = 个性化需求定制 = 高成本
【方案】：迅捷工厂（Speed Factory）*
• 技术：3D打印+机器人手臂+电脑针织 • 需求：依靠云端收集顾客足型和运动数据 • 生产：按照顾客的喜好选择配料和设计，并在库卡
生产制造系统越柔性，越能快速响应市场需求 等关键因素的变化，尤其适合服饰、工艺品等 与消费者体征或品味等需求相关性强的行业
案例3—质量管控，快速质检并保障质量
基于视觉识别的质量检测（IBM）
【痛点】：人工速度慢、误差多、成本高
• 传统质检 = 人工为主 = 精度有限 = 次品漏检 • 人工经验难量化，难以指导产线优化
石油天然气工厂对安全性和可靠性需求日益增 加，因此采用智能工厂预计会最高
案例1—研发设计，大幅降低不确定性成本
基于卷积神经网络的新药研发（Atomwise）
【痛点】：研发 慢+贵
• 新药研发 = 各种不同化合物组合与测试 • 10-15年 + 5-10亿美元 = 一款新药研发成功
【方案】：超级计算机（IBM蓝色基因）+独家 算法（AtomNet）
主要应用于工序复杂的行业 目前汽车行业人工智能技术应用最多
智能工厂应用/ 解决方案
分布式控制系统（DCS）目前占最比最大。结合大 数据和人工智能可有效实现预测性防护和优化
制造执行系统（MES）预计未来增速最快。生产执 行操作和管理，能够有效缩时、提产
汽车行业将占全球智能工厂市场最高份额，因 新一代电动和智能汽车规模发展
技术范式
• 数字化：可编程 • 网络化：可协同 • 智能化：可自主 生产组织 • 工厂：生产单元自主 • 企业：企业各部门协同 • 生态：供应链+客群连接 价值形态 • 产品：人性化功能 • 制造：人机协同生产 • 服务：个性化服务
“人工智能+制造”的现状
02 产业规模 典型案例 面临挑战
产业结构：从单一链到嵌套网
【效果】：快+高质量+成本节约
• 质检时间缩短80%、产品质量缺陷减少7%-10%、 节约重复性人工成本
*基于IBM物联网和人工智能平台（Watson）能力
——————【启示】——————
质量管控环节，人工智能结合物联网和大数据 技术，能够实现对产品质量的自动检测扩展到 生产的全流程，从而不仅提高质检效率，甚至 能指导工艺、流程等改善，提高整体良品率
具体组成
• 连接：工业物联网4.7%->14%，增长近10% • 平台：制造云、大数据和人工智能24%-
>36%，增长12%。在互联网领域发展成熟 的平台生态模式，将成为制造业智能化转型 升级的重要选择
数据来源：MarketsandMarkets的Industrial Robotics、IIoT、Artificial Intelligence in Manufacturing、Smart Factory，以及IDC的public cloud services、Big Data and Business Analytics等研究报告数据整合分析
• 组件组成：需求、计划和库存 • 需求预测：基于贸易促销和媒体活动预测；基于新
产品介绍预测；基于社交聆听预测；基于极端或复 杂的季节性预测；基于气候数据预测 • 供应优化：多级库存、计划生产等动态调整，最终 实现采购和补货的半自动甚至全自动化
【效果】：快+精准
• 有效减少50%的预测误差、提高20%的库存性能， 并能有效优化库存分布
• 学习：分析学习已有数据库 • 发现：数字化模拟药品研发过程，对基本的化学基
团（如氢键、单键碳等）组合发掘新的有机化合物 • 测试：分析化合物的成效关系 • 评估：新药结构组成和风险
【效果】：快+便宜（相比传统技术*）
• 节省一半早期药物筛选实验的数量 • 大大提高结果成功率
*DOCK和Autodock-smina
六大细分领域特点
领域
工业机器人
制造业 物联网 制造云
制造业大数据 及商业分析
制造业 人工智能
典型技术/产品 传统机器人仍然占据市场主体 协作机器人将会呈现高速增长 广义包括基础-平台-应用-方案 具体分为托管服务和专业服务
IaaS/PaaS是未来主要增长
非关系型数据存储和认知软件平台增长最强劲 其他：内容分析、搜索系统、IT和商业服务等
机器人手臂、电脑针织和人工辅助的共同协作下完 成定制
【效果】：快+个性化
• 节省时间：18个月 -> 1周，完成生产上架 • 成本不变，实现小规模、个性化定制
*2015年底在德国安斯巴赫（Ansbach）开设首家
——————【启示】——————
生产制造环节，人工智能可针对消费者个性化 需求数据，在保持与大规模生产同等、甚至更 低成本的同时，提高生产的柔性
• 光刻等技术进一步发展，芯片越来越小，端处 理能力持续提高
ImageNet大赛 2014：Google-22层 2015：MS-152层 2016：商汤-1207层 错误率：6.7%->3.6%->3.1%
TPU速度=15-30倍GPU GPU速度=1-3倍CPU
算据激增
• 互联网50亿连接，积累了海量数据（主要是人）
尤其适合材料、零配件、精密仪器等产量大、 部件复杂、工艺要求高的行业
案例4—供应管理，精准掌握供需变化提效能
基于需求感知的库存动态调整（Tools Group）
【痛点】：供应链效率低、成本高
• 技术有限 -> 需求预测不准 -> 供应响应不足 • 导致：库存管理成本提高 + 最终用户体验差
【方案】：端-端供应链优化组件SO99+*
【痛点】：故障事后处理，高成本
• 有限状态指标 + 缺乏预测模型 -> 设备故障后处理 -> 停机停产维修 -> 高成本
【方案】：预测性维护*
• 技术：物联网+云计算+机器学习 • 步骤：确定预测目标和结果、明确数据源、获取及
整合数据、建模、测试和迭代、现场操作验证、融 入运营 • 功能：设备或产品运营状态的实时监测和健康预警
• 英国：高价值制造、人工智能 发展计划
• 美国：先进制造、工业互联网、 制造业回流
• 德国：工业4.0 • 日本：机器人新战略、工业价
值链、社会5.0 • 中国：中国制造2025、新一
代人工智能规划 ……
概念三问
问题1：什么是人工智能？
本田的人 行机器人 ASIMO
波士顿动力的自主机器狗 DeepMind的围棋阿法狗
*将机器学习引入供应链管理开发新软件
——————【启示】——————
供应管理环节，人工智能在于建立更实时、精 准匹配的供需关系。即通过掌握和预测需求动 态变化，以进行更有效的供应链调整优化
更适合于快消、零配件等市场需求变动较大、 供应链较复杂的行业
案例5—运营维护，提前预测和解决故障风险
基于运营数据分析的预测性维护（Microsoft）
技术：计算机视觉目前占比最大 产品：预测性维护和机械检查目前占比最大
典型适用行业 金属和机械行业应用增速最显著； 包装、物料处理和自动化机械工具等较多
各子行业、全流程都将广泛适用
离散型由于环境分散、过程复杂，更需要 资产型制造（如机器装备，资产跟踪和管理）
品牌型制造（如快消品，实时精准营销） 技术型制造（如电子产品，供应链监测和管理）
=
——————【启示】——————
研发设计环节，人工智能可基于海量数据建模 分析，将原本高不确定性、高成本的实物研发、 转变为低成本高效率的数字化自动研发 对于制药、化工、材料等研发周期长、成本高、 潜在数据丰富的行业，作用尤其明显
配体有效结合蛋白质
钥匙开门锁
案例2—生产制造，柔性生产满足个性需求
• 物联网500亿连接，开启更大规模数据的来源： 机器、政府、生物、环境……
年增长率47% 2017年超10EB/月
数据来源：上图-Survey of neural networks in autonomous driving，Gustav von Zitzewitz，2017.7；中图-Google Cloud官网；下图-Global Mobile Data Traffic Forecast Update, 2016–2021 White Paper，Cisco
2018年智能制造行业发展趋势分析报告
目录一、工业互联网是制造业升级的核心 (2)1、工业互联网平台是工业全要素链接的枢纽 (2)2、政策春风拂面，市场前景可期 (4)二、平台体系是工业互联网的关键 (6)1、不同分类下，国内外工业互联网平台一览 (6)2、三类平台的比较分析及未来发展趋势 (9)3、他山之石：GEPredix——全球工业互联网平台的典型11三、工业软件应用构成工业互联网平台的重要资源 (15)1、工业软件丰富程度决定工业平台整体竞争力 (15)2、工业互联网平台助力软件企业打开发展空间 (20)四、投资标的 (21)五．风险提示 (26)一、工业互联网是制造业升级的核心1、工业互联网平台是工业全要素链接的枢纽工业互联网是制造业数字化、网络化、智能化的重要载体，也是全球新一轮产业竞争的制高点。
工业互联网是新一代信息通信技术与现代工业技术深度融合的产物，通过构建链接机器、物料、人、信息系统的基础网络，实现工业数据的全面感知、动态传输、实时分析、形成科学决策与智能控制，提供制造资源配置效率，正成为领军企业竞争的新赛道、全球布局的新方向、制造大国竞争的新焦点。
工业互联网平台是工业全要素链接的枢纽，是工业资源配置的核心。
工业互联网构建基于海量数据采集、汇聚、分析的服务体系，支撑制造资源泛在链接、弹性供给和高效配置。
工业互联网平台可以分为4个部分：1>边缘层：通过协议转化和边缘计算形成有效的数据采集体系，从而将物理空间的隐形数据在网络空间显性化。
2>IaaS层：将基础的计算网络存储资源虚拟化，实现基础设施资源池化；3>工业PaaS层：工业操作系统，向下对接海量工业装备、仪器、产品，向上支撑工业智能化应用的快速开发和部署；4>工业APP：通过调用和封装工业PaaS平台上的开放工具，形成面向行业和场景的应用。
对于工业互联网平台来说，数据采集、工业PaaS、工业APP是核心三大要素。
1>数据采集是基础。
2018年智能制造之先进制造研究报告
2018年中国智能制造之先进制造研究报告前言近几年，随着《中国制造2025》的发布，以及中国制造业整体的转型升级，智能制造加速发展，不少细分领域都孕育着新机遇。
尤其是最近一两年，人工智能、物联网等新技术也开始向工业领域渗透，一批先进制造相关创业公司获得了资本的支持，在多方因素推动下，先进制造领域或将迎来新的变局。
如今先进制造领域新势力都有哪些，又将如何推动智能制造业的发展，存在哪些机遇与挑战？为了回答这个问题，亿欧智库选取了先进制造领域中的先进机器人、工业视觉以及工业互联网/物联网几个重点方向，通过对数百家相关企业的梳理与研究，以及与相关投资人、从业者深入交流，提炼整理了这些领域中主要的新兴公司及新兴产品技术方向，对这些新兴领域的发展现状进行了分析，总结了其各自发展的机遇与及挑战，希望能够对行业人士有所帮助。
报告完成过程中，得到了来自众多行业企业及机构专业人士的指导与帮助，在此一并表示感谢（按首字母拼音排名）：阿里云ET工业大脑、阿童木机器人、阿丘科技、博创科技、德联资本、Energid Technologies、高工机器人网、国科嘉和、华制智能、黑湖智造、昆仑数据、酷特智能、珞石机器人、梅卡曼德、木蚁机器人、熵智科技、树根互联、天鹰资本、西门子、壹佰分地板、优傲机器人、用友软件、中船重工707所、中国电子学会、中科院天津所等。
目录CONTENTS Part1. 智能制造之先进制造研究背景Part2. 工业机器人五大新方向2.1 轻型工业机器人2.2 核心零部件国产化2.3 人机协作2.4 新技术AGV2.5 复合机器人Part3. 工业视觉三大新方向3.1 机器人3D视觉3.2 AI视觉检测3.3 动态视觉传感器Part4. 工厂数字化与智能化新方向4.1. 设备接入与数据采集4.2 数据打通与直接应用4.3 数据智能分析与应用4.4 工厂与消费者、行业的连接Part5. 先进制造新势力的机遇与挑战Part1. 智能制造之先进制造研究背景◆在信息化大背景下，工业与信息化的融合，催生了新的工业发展形态。
人工智能应用于工业制造的研究报告
人工智能应用于工业制造的研究报告引言近年来，随着人工智能技术的飞速发展，工业制造领域也迎来了一次巨大的转型。
本文将就人工智能应用于工业制造的研究进行探讨，总结其应用现状、优势、挑战和未来发展方向。
一、人工智能在工业制造中的应用现状无论是传统制造业还是高新技术制造业，人工智能技术都能够发挥重要的作用。
首先，在生产线上，机器人和自动化系统的应用已经取得了显著的成果。
AI技术可以使机器人具备更高的自主性和智能性，使其能够更好地应对各种生产环境和任务。
其次，人工智能在质量检测和预防性维护方面也有广泛应用，提升产品质量和减少生产故障。
另外，智能供应链和生产计划调度的智能化也成为工业制造中的重要方向。
二、人工智能在工业制造中的优势与传统的生产模式相比，人工智能在工业制造中具有多个优势。
首先，AI能够实现更高水平的自动化和智能化，从而提高生产效率和产品质量。
其次，AI拥有极强的数据处理和分析能力，可以通过大数据分析来提前发现生产中的问题和风险，为决策提供有力的支持。
再者，AI还可以实现现有生产工艺的优化和创新，提高工业制造的灵活性和可持续性。
三、人工智能在工业制造中的挑战虽然人工智能在工业制造中有着广泛的应用前景，但也面临一些挑战。
首先，AI技术的成本较高，给中小型制造企业带来一定的经济压力。
其次，大规模的智能化生产需要庞大的数据支持，数据的采集和标注也是一个挑战。
此外，人工智能技术本身还存在数据安全和隐私保护等一系列问题，亟需解决。
四、人工智能在工业制造中的未来发展方向未来，人工智能在工业制造中的应用将更加广泛和深入。
一方面，AI技术将应用于更多制造环节，如智能工艺设计、智能换线、智能仓储等，从而进一步提高制造效率和质量。
另一方面，AI与其他技术融合将推动工业制造的创新发展，如AI与物联网、云计算等的结合，将给制造业带来更多机遇。
五、个案分析：人工智能在汽车制造中的应用以汽车制造业为例，人工智能技术已经取得显著的应用成果。
2018年中国人工智能产业发展形势展望报告
2018年中国人工智能产业发展形势展望【内容提要】 展望2018年，人工智能软硬件技术创新将持续推进，认知智能渐行渐近；产业进入稳步增长阶段，行业内资源整合将加速推进；与实体经济融合不断加速，市场应用空间大步拓展；产业配套环境日益完善，政策、资本支持力度持续加大。
与此同时，人工智能产业将持续面临底层技术积累不足、商业化应用路径不明朗、产业发展略显浮躁以及专业人才不足等问题与挑战。
为此，我国人工智能产业未来应持续推动基础领域技术创新突破，加速实现人工智能与实体经济深度融合，不断完善产业创新生态体系建设，培育形成产业开放发展氛围，大力强化人才培养培训工作。
【关键词】 人工智能产业 发展形势 展望当前，人工智能发展迅猛，日益成为引领科技进步、推动产业升级的新引擎，将深刻改变人类社会的生产生活方式，并成为新一轮国际竞争的焦点。
2017年，我国人工智能产业保持快速增长，部分技术接近或达到国际领先水平，产业规模、投融资规模和企业数量位居世界前列。
展望2018年，人工智能技术创新将持续推进，产业进入稳步增长阶段，与实体经济融合不断加速，政策、资本支持力度持续加大。
与此同时，我国人工智能产业仍面临问题与挑战，底层技术基础薄弱，应用路径不明朗，产业发展氛围略显浮躁，专业人才不够充足。
一、对2018年形势的基本判断（一）技术创新持续进展，认知性应用将成为亮点AI芯片、计算机视觉、语音识别等技术的持续创新成为产业发展引2018年中国工业和信息化发展形势展望系列擎。
人工智能芯片以图形处理器（GPU）、现场可编程门阵列（FPGA）、特定用途集成电路（ASIC）为发展方向，寒武纪、中星微、深鉴科技、地平线机器人等初创企业通过产研结合的发展思路，积蓄了一定的研发实力。
计算机视觉技术中，以静态物体识别技术发展最为成熟，动态图像和场景识别技术尚且存在较大上升空间，百度、旷视科技、商汤科技、格林深瞳等企业的技术实力较为领先。
语音识别技术近年来发展迅速，目前行业识别准确率已达到95%，科大讯飞、百度、搜狗、出门问问等企业有较大技术优势。
人工智能制造 产业发展研究报告
人工智能制造产业发展研究报告在当今科技飞速发展的时代，人工智能制造已经成为推动产业变革和经济增长的重要力量。
人工智能制造不仅改变了传统的生产方式和流程，还为企业带来了更高的效率、更优质的产品和更广阔的市场前景。
一、人工智能制造的概念与特点人工智能制造，简单来说，就是将人工智能技术应用于制造业的各个环节，实现智能化的设计、生产、管理和服务。
其特点主要包括以下几个方面：1、高度自动化通过使用机器人、自动化生产线等设备，大大减少了人工干预，提高了生产效率和质量稳定性。
2、数据驱动依靠大量的数据采集和分析，优化生产流程、预测设备故障、精准市场需求等。
3、智能化决策利用人工智能算法，进行复杂的决策，如生产排程、资源分配等，提高决策的科学性和准确性。
4、个性化定制能够根据客户的个性化需求，快速调整生产方案，提供定制化的产品和服务。
二、人工智能制造的关键技术1、机器学习通过对数据的学习和训练，让机器能够自动识别模式和规律，从而实现预测和优化。
2、深度学习这是机器学习的一个分支，能够处理大规模的数据，在图像识别、语音识别等领域有着广泛的应用。
3、自然语言处理使机器能够理解和处理人类语言，为智能客服、智能设计等提供支持。
4、计算机视觉帮助机器“看”懂世界，进行质量检测、产品识别等工作。
5、智能控制技术实现对生产设备和系统的精准控制，提高生产的精度和可靠性。
三、人工智能制造的应用领域1、汽车制造在汽车生产线上，机器人能够完成焊接、喷漆、装配等工作，提高生产效率和质量。
同时，通过对车辆数据的分析，还可以实现个性化定制和预测性维护。
2、电子制造在电子产品的生产中，人工智能可以用于芯片制造的质量检测、电路板的设计优化等环节。
3、航空航天在航空航天领域，人工智能制造能够协助设计更高效的飞行器部件，优化生产工艺，提高零部件的可靠性。
4、医疗器械生产高精度、高质量的医疗器械，同时通过对患者数据的分析，为医疗设备的研发和改进提供依据。
2018中国人工智能行业发展报告
所有领域水平 高2.2%
不清楚 6.9%
不好说 14.5%
15.8%
24.0% 21.2% 19.0%
注：按投资金额，数据截止至2018年1月18日
中国AI投资 钱都去哪了
Investing fileds of Artificial Intelligence
中国人工智能创业公 司所在地区分布
The location distribution of Chinese artificial intelligence start-up companies.
裁判
20
保险业务员
21
维修护理工
22
人事
23
导购员
24
审计
25
厨师
26
编辑
27
IT工程师/程序员
28
质检员
29
培训师
30
分析师（金融/数据分析师等） 31
西医
32
军人
33
饲养员
34
拍卖师
35
管理员（包括图书/档案等） 36
政府职员
37
私家侦探
38
按摩师
39
摄影师
40
保镖
41
演员
42
船务人员
43
风险管理
25.5% 22.3% 21.1% 15.4% 14.1%
31.7%
46.0% 40.5%
2018年中国手机网民对 人工智能细分领域发展水 平的认可分布
部分取代人类 78.9%
近八成认为无人驾驶 能部分取代人类
完全不能取代 人类6.9%
不清楚4.2% 2018中国网民对无人驾 驶取代人类看法分布
2018年人工智能行业市场调研分析报告
2018年人工智能行业市场调研分析报告目录一、人工智能的定义和变展历程 (6)1. 定义 (6)2. 发展历程 (6)二、 AI 技术基石 (7)1. 三大技术基石：深度学习算法+计算能力+大数据 (7)2. 神经网络与深度学习 (8)3. 计算能力：从 CPU 和 GPU 到 TPU，当前 AI 的加速计算模式 (13)三、自然语言处理和计算机视觉：语音和图像识别达到商业化高度 (18)1. 自然语言处理和机器翻译 (20)2. 计算机视觉和图像识别 (22)3. 卷积神经网络基本原理 (24)四、科技巨头引领人工智能技术变展 (26)1. 英伟达：从游戏到人工智能，再次引领 GPU 通用计算潮流 (26)2. 谷歌：以 AlphaGo 和 TensorFlow 开源为例，全面布局深耕细作 (29)3. 英特尔：并购融合 ASIC 和 FPGA，提供 AI 计算整体解决方案 (31)4. IBM、百度等公司 AI 战略简介 (34)五、下游商业模式：AI+垂直应用 (35)1. AI+汽车：自动驾驶正徐徐走来 (36)2. AI+医疗：影像诊断等率先在医院实践 (39)3. AI+安防：人脸识别和车辆检测获得广泛应用 (41)4. AI+机器人：智能仓储是典型应用场景之一 (44)六、部分重点公司 (46)1. 中科曙光：高性能计算龙头，积极布局“从芯到云”全产业链 (46)2. 科大讯飞：从智能语音到人工智能，行业应用加速落地 (50)3. 海康威视：视频安防龙头，智能化和 AI 创新业务推动公司持续成长 (54)七、风险提示 (58)图目录图 1：AI 的三大技术基石 (8)图 2：机器学习与神经网络之间的关系 (9)图 3：神经元 M-P 模型和单层神经网络结构 (9)图 4：前馈神经网络 (11)图 5：深度学习与传统方法的区别 (13)图 6：加速计算是现在 AI 的基石 (14)图 7：GPU 加速计算原理 (14)图 8：GPU 和 CPU 差异示意图 (15)图 9：TPU 结构图 (16)图 10：寒武纪-1A（Cambricon-1A） (16)图 11：DianNao 结构图和 Layout (17)图 12：图像识别和语音识别错误率达到人类水平 (18)图 13：2016 年 CHiME 比赛试错误率对比（六麦克风场景） (19)图 14：ILSVRC 图像识别挑战赛分类错误率 (20)图 15：神经机器翻译的编码器-解码器框架 (21)图 16：计算机视觉系统框架 (23)图 17：简化的卷积神经网络结构 (24)图 18：二维卷积运算示意图 (25)图 19：最大池化运算操作示意图 (25)图 20：英伟达在 GPU 领域的变展阶段 (26)图 21：深度学习领域与英伟达合作的组织数量 (27)图 22：英伟达季度营收及分部（百万美元） (28)图 23：英伟达自动驾驶专用芯片 Xavier (29)图 24：英特尔 AI 战略 (32)图 25：英特尔面向深度学习的通用架构 (32)图 26：英特尔 Nervana 平台 (33)图 27：百度深度学习开源平台（PaddlePaddle） (34)图 28：百度大脑技术服务 (34)图 29：人工智能产业链框架 (35)图 30：自动驾驶变展路径 (36)图 31：自动驾驶原理框架 (37)图 32：驾驶分级概况 (37)图 33：自动驾驶路线图 (38)图 34：百度 Apollo 技术框架 (39)图 35：百度 Apollo 开放路线图 (39)图 36：人脸检测跟踪 (42)图 37：行人车辆检测 (43)图 38：旷视科技智能安防解决方案 (43)图 39：亚马逊 Kiva 机器人 (45)图 40：极智嘉仓储机器人 (45)图 41：中科曙光营收变动情况 (47)图 42：中科曙光净利润和毛利率变动情况 (47)图 43：2016 年中国 HPC TOP100 厂商份额（系统数） (48)图 44：2016 年中国 HPC TOP100 厂商份额（总性能） (48)图 45：科大讯飞核心技术示意图 (51)图 46：科大讯飞战略架构 (51)图 47：科大讯飞营收变动情况 (52)图 48：科大讯飞净利润和毛利率变动情况 (52)图 49：海康威视营收变动情况 (55)图 50：海康威视净利润和毛利率变动情况 (55)图 51：海康威视视频监控智能化 (56)图 52：海康威视创新业务 (57)表目录表 1：自动驾驶的四个等级 (37)表 2：AI+医疗应用场景（按照医疗阶段） (40)表 3：AI+医疗应用场景（按照应用层次） (40)表 4：商汤科技核心技术描述 (42)表 5：中科曙光2016年营收结构 (46)表 6：中科曙光盈利预测 (50)表 7：科大讯飞重要国际比赛成绩 (50)表 8：科大讯飞 2016 年营收结构 (53)表 9：科大讯飞盈利预测 (54)表 10：海康威视 2016 年及 2017 上半年营收结构 (55)表 11：海康威视盈利预测 (58)一、人工智能的定义和变展历程1. 定义人工智能（Artificial Intelligence，AI），是研究用于模拟和扩展人的智能的理论方法及应用系统的科学，是对人的意识和思维过程进行模拟的科学。
金准人工智能2018年我国智能制造报告
金准人工智能 2018中国智能制造报告前言智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称。
简而言之，智能制造是由物联网系统支撑的智能产品、智能生产和智能服务。
智能制造已经成为全球价值链重构和国际分工格局调整背景下各国的重要选择。
发达国家纷纷加大制造业回流力度，提升制造业在国民经济中的战略地位。
亚洲作为制造业重要区域也在积极部署自动化、智能化。
一、突破与成长亚洲正受到自动化、智能化大潮冲击。
国际劳工组织（International Labour Organisation）调研发现，越南、柬埔寨、菲律宾和印度尼西亚的工人的失业风险最高，据估计这几个区域约50%的工人工作可能在未来20年被自动化取代。
亚洲作为制造业的重要区域，在面临制造业向自动化、智能化、数字化转型中，能否继续保持其竞争力？毫无疑问，亚洲正在积极寻求突破。
以人工智能为例，各国政府大力支持人工能，推动科技公司、初创公司和学术界的创新。
2017年，韩国政府宣布了10亿美元的人工智能资金；日本鼓励人工智能创业公司和风险投资；新加坡政府的国家研究基金会宣布国家人工智能计划（AI.SG），计划未来五年投入1.5亿新加坡元（约1.07亿美元）发展人工智能。
除了政府的支持，亚洲企业更积极打破行业壁垒加快新产品开发。
不同于欧美同类企业，中国领先企业间的合作屡见不鲜，一些知名范例包括：百度与小米在物联网与人工智能领域合作开发更多应用场景；腾讯与京东合作布局电子商务生态圈；印度系统集成商组成AI联盟（OpenAI）。
这赋予它们惊人的影响力，也意味着它们拥有可用于快速推动创新的技术实力和资本基础。
中国是亚洲智能化转型的重要力量。
政府加强智能制造顶层设计，开展试点示范和标准体系建设；企业加快数字化转型，提升系统解决方案能力。
中国智能制造取得明显成效，进入高速成长期。
2018中国智能制造报告
2
中国工业企业智能制造五大部署重点依次为： 数字化工厂 （63%）、 设备及用户价值 深挖 （62%）、 工业物联网 （48%）、 重构商业模式 （36%） 以及人工智能 （21%）。
智能制造是以制造环节的智能化为核心，以端到端数据流为基础，以数字作为核心驱动力，因此数字化工
3
厂被企业列为智能制造部署的首要任务。目前企业数字化工厂部署以打通生产到执行的数据流为主要任务， 而产品数据流和供应链数据流提升空间大。
中国智造 行稳致远 ——2018中国智能制造报告
德勤工业4.0、 数字化制造企业和数字化供应网络系列报告
目录
主要发现
1
一．突破与成长
二．智能制造部署重点
6
2.1 数字化工厂
7
2.2 设备和用户价值深度挖掘
10
2.3 工业物联网
10
2.4 重构未来商业模式
12
2.5 人工智能
14
三．跨越能力鸿沟
17
1
中国智造 行稳致远 | 一．突破与成长
一． 突破与成长
亚洲正受到自动化、 智能化大潮冲击。 应用场景；腾讯与京东合作布局电子商
国际劳工组织 （International Labour
务生态圈；印度系统集成商组成AI联盟
Organisation） 调研发现， 越南、 柬埔寨、（如OpenAI）。这赋予它们惊人的影响 菲律宾和印度尼西亚的工人的失业风险 力，也意味着它们拥有可用于快速推动
制造型企业面临愈发激烈的市场竞争和日益透明的产品定价，不得不寻找新的价值来源。德勤智能制造调研结
4
果显示，设备和用户价值深度挖掘是企业智能制造部署第二重点领域。62%的受访企业正积极部署设备和用户价 值深度挖掘，其中41%的企业侧重设备价值挖掘，21%的企业侧重用户价值挖掘。
人工智能技术在制造业的应用调研报告
人工智能技术在制造业的应用调研报告一、引言随着科技的进步和社会的发展，人工智能技术逐渐得到广泛应用。
在制造业领域，人工智能的应用已经成为一种趋势，并且取得了显著的成果。
本调研报告将从技术的角度，对人工智能技术在制造业的应用进行深入调研和分析。
二、机器人在制造业中的应用1. 生产线自动化机器人在制造业中的应用最为直观的就是生产线自动化。
通过引入各种类型的机器人，生产线可以实现高度自动化，提高生产效率和质量。
例如，装配机器人可以代替人工完成重复性的装配任务，大大减少了生产成本和人工错误。
2. 智能仓储和物流人工智能技术还可以应用于制造业的仓储和物流管理系统。
通过使用智能机器人和自动化物流系统，可以实现仓库货物的快速分类、装载和运输。
这不仅提高了仓储和物流的效率，还降低了运营成本。
三、数据分析和预测1. 数据收集与处理人工智能技术可以帮助制造业收集和处理大量的数据。
通过传感器和智能设备，可以实时监测和采集生产线上的各种数据，如温度、压力、质量等。
然后，通过数据分析和处理，可以获得有关生产效率、设备故障等方面的有用信息。
2. 预测与优化通过对生产数据的分析，人工智能可以帮助制造业进行生产计划的预测与优化。
根据历史数据和模型训练，可以预测未来的生产需求、供应链状况等，并做出相应的调整和优化，以最大程度地提高生产效率和降低成本。
四、质量控制与质量预测1. 智能检测利用人工智能技术，可以实现对产品质量的实时监测和检测。
通过图像和声音识别技术，可以对产品进行全面的检测，快速发现任何潜在的缺陷，并及时采取措施进行修复和调整。
2. 质量预测通过人工智能技术，制造业可以预测产品质量问题的发生。
通过对历史数据和产品特征的分析，可以预测产品可能出现的质量问题，从而提前做出防范和优化措施，降低质量风险。
五、安全管理在制造业中，安全是一个非常重要的方面。
人工智能技术可以帮助制造业提高安全管理水平。
例如，通过智能监控摄像头和算法分析，可以实现对生产现场的实时监测和异常检测，及时发现和预防事故的发生。