乍看之下，中国似乎在人工智能应用于工厂车间方面占据优势。中国是世界制造业强国，其人工智能系统的性能已接近美国主要竞争对手。而且已将工业人工智能列为促进经济增长的国家优先事项
欧洲另有打算。欧洲大陆的老牌工业巨头们也在尝试利用人工智能，以期在下一阶段的工厂自动化中占据主导地位
西门子 、 ABB 和施耐德电气等公司拥有海量的生产数据可供利用， 他们希望欧洲能够抢占人工智能这一利润丰厚的领域。欧洲曾开发出像DeepSeek或Claude这样世界领先的聊天机器人，但未能成功
成功将使这些老牌企业能够为下一代数据驱动型工厂提供产品，并使新兴的、以技术为中心的竞争对手更难抢走它们的客户。这也有助于降低欧洲在技术和经济上对美国和中国的依赖
将人工智能应用于商品的设计、制造和运输，意味着可以用更少的工人生产更多的产品，减少停机时间和浪费。各国政府将其视为应对劳动力短缺、促进经济增长和将更多商品生产留在国内的一种途径
人工智能平台，即大型语言模型，主要由OpenA、IAnthropic和DeepSeek等美国和中国的初创公司开发。但许多最有能力将人工智能嵌入全球生产设备的公司，却是那些制造和维护这些设备的成熟老牌企业
据高盛统计，自2020年以来，工业集团已斥资超过1100亿美元收购软件公司，以增强其人工智能能力。他们押注先行者能够将这项技术嵌入到难以替换的制造系统中
工厂软件的更换与取消聊天机器人订阅截然不同，它可能需要购置新设备、重新培训和重新设计流程。此类投入可能会使工厂在未来数年内都依赖于同一项技术
中国生产全球约30%的商品，年产值达4.7万亿美元。承诺利用人工智能技术实现制造业现代化。据国际机器人联合会统计，去年全球近60%的新增工业机器人由中国企业安装。中国政府正通过“人工智能+制造”计划，优先推进人工智能的大规模应用
但欧洲安装机器人和实现制造业数字化转型的时间更长，因为这是解决该地区相对较高的劳动力成本的一种途径。全球工厂安装的许多设备都产自欧洲。德国西门子公司表示，其为全球部署的工厂控制系统提供三分之一的设备
这意味着欧洲企业拥有构建最佳人工智能驱动型工业系统所需的大量数据。据称，他们尤其擅长利用这些数据来预测设备故障、提高产品质量并提升现有机械的效率
尽管欧洲工业集团已深度融入全球工厂，但美国公司拥有最先进的人工智能系统，并正努力将这些能力应用于现实世界。英伟达在人工智能芯片领域拥有压倒性优势，几乎所有开发工业人工智能的制造商都在使用其设备来训练机器人并加速模拟
一些美国工业人工智能初创公司获得丰厚的估值。由贝佐斯和巴贾杰联合创立的Prometheus公司在6月份筹集120亿美元，用于开发其所谓的“人工智能通用工程师”
如果你能聘请到世界上最好的软件工程师，设计人工智能聊天机器人相对容易。事实上，一些人工智能聊天机器人现在正在不断改进自身——这个过程被称为递归式自我改进
在现实世界中运用人工智能的能力则更为复杂。人工智能系统在设计芯片、更改机器设置或移动机器人时，必须遵守物理定律，并在其控制的设备范围内运行。生产线上的错误指令可能会损坏设备、毁坏成千上万件产品，最坏的情况下甚至会伤及工人
聊天机器人利用海量的在线文本、图像和代码进行训练。工厂人工智能则需要更专业的信息，例如机器的传感器读数、工程图纸、生产记录、工人视频以及设备故障时的运行数据。这些信息中有很多从未被收集过，有些仍然只存在于纸面上，而且很大一部分属于专有信息
德国作为欧洲最大的出口国，十多年来一直致力于推动企业在“工业 4.0”计划下实现工厂数字化和互联互通，但许多企业仍然难以满足基本需求
德国信息技术协会研究显示 ，近一半的德国工业企业表示，他们缺乏足够的IT基础设施来使用“数字孪生”技术来测试新机器或在制造和安装设备之前对整个生产线进行虚拟模拟。许多企业生产小批量、专业性强的产品，这限制人工智能驱动的自动化所带来的潜在效益
对于机械制造商来说，只需按一下按钮就能用最新的人工智能技术升级系统，这种情况几乎不可能发生，因为没有两家工厂是完全相同的
一家公司可能同时拥有使用 30 年的西门子控制系统和一台全新的库卡机器人，另一家工厂则可能使用罗克韦尔自动化控制器和ABB设备
将多个组件连接起来，使它们在人工智能增强的生态系统中无缝协作——通常需要跨越多个工厂——这可能是一项巨大的挑战
归根结底，这项技术需要能够收回成本，有时最具成本效益的生产力提升方案根本不需要人工智能。预测性维护就是一个例子
制造商可以构建人工智能模型来预测昂贵的机器部件何时会发生故障，但数十年的采购记录可能已经表明，无论如何，该部件都需要每三年更换一次
人工智能或许会得出同样的结论，但可能存在更快、更便宜、更可靠的方法来实现这一目标
传统数字孪生技术依赖于已知的规则：改变部件的重量或形状，软件就能计算出这会对最终产品的性能产生怎样的影响。人工智能可以分析海量的仿真数据，测试更多组合，帮助工程师更快地找到更优的设计方案
宝马在研发过程中会进行数千次虚拟碰撞测试 ，然后再对实体原型车进行破坏测试。为加快这一进程，宝马已开始与法国的Mistral AI 公司合作，分析超过1PB的碰撞模拟数据
工厂生产线使用大量传感器来监测温度、振动和压力。人工智能可以综合分析多个信号，并检测出单独分析难以发现的模式
德国化工制造商朗盛利用这项技术分析振动和温度数据以及其他工艺变量，以识别设备何时出现异常运行，从而使工程师能够提前数小时甚至数周发现潜在的高昂故障
人工智能配置机器控制软件的速度也远超人类。西门子的工程师用简单的语言向其Eigen工程代理描述任务，该代理即可生成并检查新的自动化代码。然后，机器操作员在机器上运行该代码
工厂和仓库长期以来一直使用机器人来执行重复性工作，但当参数不断变化时，机器人就难以胜任。例如，包裹的形状、尺寸、重量和材质各不相同
人工智能模型正在接受训练，以便识别机器人面前的物体，并根据实际情况决定如何处理，而不是预先编程所有可能的动作。 亚马逊表示，其Sparrow机器人可以处理进入仓库的超过2亿种不同的产品
工业人工智能开发者设想，未来你可以给人工智能模型一个产品设计，就能帮助确定如何制造该产品，设计必要的工具，规划工厂布局，指导机器运转，并协调组装和包装成品的机器人
这一愿景正引起广泛关注。自OpenAI于2022年推出ChatGPT以来，企业报告中提及工业人工智能的次数增加八倍多。但这项技术只有从演示阶段走向工厂应用，并且节省的成本超过其安装成本时，才能真正发挥作用
中国展现自动化发展的巨大潜力。其工厂运行着超过200万台工业机器人，约为第二大自动化机器人用户日本的4.5倍。
在缺乏用于训练人工智能机器人的真实世界数据的情况下，企业正在自行创建数据。在慕尼黑敏捷机器人公司的实验室里，数十名员工每天向公司的人形机器人演示如何抓取和组装物体，而其他人则拍摄自己执行相同任务的视频。这些演示视频将成为公司人工智能模型的训练素材
仿真可以低成本地倍增数据，因为虚拟机器人可以针对不同的物体和条件重复执行任务数千次。但开发人员仍然需要真实世界的案例来验证仿真中有效的方法在工厂车间是否也有效。难点在于如何找到构建可靠模型所需的真实案例和实际案例的比例，同时又不至于让训练成本过高