前 言
“创新就是以不同的方式处理事情，找到新的做事方法。创新就是要打破传统思维，接受新的想法，即使这些想法看起来不合常规或具有风险。这种创新方法要求我们勇于承担风险，拥抱惊讶因为往往正是通过拥抱意外，我们才能找到最重要的突破和进步。
创新还需要一定程度的适应性和灵活性，因为我们必须能够在事情没有按计划进行时调整方法。这可能具有挑战性，因为它要求我们放弃先入为主的观念，对新想法和新观点持开放态度。不过，抱着这种心态，我们就能接触到新的机会和潜在的解决方案，而这些机会和解决方案可能是我们从未考虑过的。”
当前，AI技术正在多样化发展，例如机器学习、神经网络（NN），以及生成式人工智能等等，在制造业、汽车及其他行业中应用逐步成熟，下面，我们将参考解读这份GIO白皮书，更新行业发展的动态。
创新是打破传统思维，以不同方式处理事情，找到新方法。它需要承担风险，拥抱意外。在制造业中，AI使能的创新选集源于GIO圆桌会议讨论和作者的跨文化经验。这种创新方法要求我们勇于突破常规，接受新的想法，即使它们看起来不合常规或具有风险。同时，创新还需要一定程度的适应性和灵活性，以便在事情未按计划进行时能够调整方法。
在创新过程中，AI和人类各有优势和局限性。AI擅长处理大量数据，能够快速发现相关性，但它无法检测因果关系，也不能投射到没有数据的领域，并且其解决方案会反映训练数据集的所有缺点。人类智能则建立在心智模型上，可基于较少的数据进行外推。因此，混合团队是最好的创新者。在合作时，要预料意外，设立明确的目标和期望，同时管理好双方的局限性。
在产品设计和工程中，生成式AI成为一个重要的应用方向。它可以利用机器学习和数据分析的力量，创造出满足客户需求的创新且高效的产品。然而，这一过程面临诸多挑战，例如工厂设计周期中相关数据难以获取，以及需要人工设计师从生成的设计中选择最终方案等。通过生成对抗网络等算法，结合人类的经验和判断，最终实现产品设计的优化，产生了包括更高效利用材料、提高产品配置灵活性以及缩短上市时间等价值。
产品和流程设计中的碳足迹跟踪是可持续发展的重要环节。该用例符合相关的环保要求，但在实施过程中面临着分析和选择组件数字孪生等挑战，需要进一步开发未来的生成式预训练AI模型。通过对产品进行二氧化碳跟踪，能够实现监管合规，提高产品吸引力，同时为产品的再利用提供必要的信息，这对于推动绿色制造具有重要意义。
利用5G技术实现机器的棕地更新和价值创造是一个具有前瞻性的应用。该用例通过5G连接实现了机器的智能化升级，例如在安全和模块认证以及产品运输过程中的增值等方面面临着AI相关的挑战。通过克服这些挑战，实现了生产灵活性的提高、上市时间的缩短以及生命周期成本的降低等价值，为制造业的升级提供了新的思路。
设计光学系统检测汽车白车身表面缺陷是一项重要的创新应用。该用例针对汽车制造过程中的质量检测难题，通过创新的光学检测系统解决了人工检测的不可靠性问题。在实施过程中，面临着保证长期流程能力等AI挑战，通过利用机器学习算法对表面异常进行检测和分类，实现了减少停线时间、降低流程成本以及提高质量等价值。
5.5G技术在物理世界和网络世界融合方面具有巨大的潜力。该用例展示了未来网络如何为制造业自动化创新打开新的窗口，通过实现数据空间的价值创造，满足制造业供应链的数据可追溯性需求。然而，在发展过程中面临着AI成为5.5G服务和特性等挑战，需要满足新的数据本地治理要求。最终实现了新的产品和市场的发展，以及去中心化平台经济的实现等价值。
制造即服务是一种创新的生产模式，通过共享生产资源实现合作。该用例为企业提供了一种灵活的生产方式，解决了企业在生产能力和市场需求方面的不匹配问题。在实施过程中，面临着为生产服务寻找匹配数字孪生等AI挑战，同时AI还需要支持打造制造生态系统。通过这种模式，实现了产品吸引力的提高、投资成本的减少以及生产效率的提高等价值。
贯穿生产过程的质量监控是确保产品质量的关键。该用例通过早期发现质量问题，避免了后期的大量损失。在实施过程中，面临着利用AI关联实验室测试结果等挑战，通过AI技术的应用，实现了OEE的提高、次品数量的减少以及能源和材料消耗的降低等价值。
用于联网生产质检的联邦学习是一种创新的数据处理方式。该用例解决了数据隐私和协作问题，在制造业中具有重要的应用价值。在实施过程中，面临着客户端选择等挑战，需要保护数据和模型参数的隐私。通过联邦学习，实现了投资成本的降低、产品质量的提高以及数据共享知识产权的保护等价值。
在制造数据空间中创造价值是Catena - X的核心目标。该用例通过满足汽车价值链各参与者的需求，实现了整个产业链的协同发展。在实施过程中，面临着获得过程参数等AI挑战，需要协调闲置产能的需求或供应。通过这种方式，实现了总拥有成本的降低、OEE的提高以及产品吸引力的提升等价值。
动态预测性风险管理是应对IT - OT融合下新认证需求的重要手段。该用例通过利用数字孪生进行风险评估，确保了运营安全。在实施过程中，面临着相关AI挑战，通过合理的风险评估和管理，实现了工作场所安全的提高、投资成本的降低以及机器设计灵活性的提高等价值。
设计自主工厂是制造业未来发展的一个重要方向。该用例根据自身规律生产产品，实现了生产过程的自动化和智能化。在实施过程中，面临着将产品设计转换为机器指令等AI挑战，需要考虑设备能力和产品组合广度。通过这种方式，实现了生产效率的提高、人力需求的减少以及生产灵活性的提高等价值。
预测性维护是避免生产中断的关键措施。该用例通过预测设备故障，提前采取维护措施，确保了生产的正常进行。在实施过程中，面临着获取故障数据、准确预测故障时间等挑战，可采用规范性维护等方法。通过预测性维护，实现了正常运行时间的增加、维修时间的减少以及韧性的提高等价值。
规范性算法不仅要考虑相关设备，还要考虑围绕它的流程及其各自的业务目标。需要有运行模型来预测设备在退化情况下的行为及其对整个生产流程的影响。这个范围往往超出了当前AI通常涵盖的范围，而且建设成本可能非常高。因此，它只适用于关键的、高价值的资产。
结 语
AI工具的加速发展和数据空间访问的增加将为制造业带来巨大的机遇。随着AI技术的不断进步，更多的创新应用将涌现出来。例如利用AI，创造出更具创新性的产品设计方案，辅助企业利用数据资源，进行更精准的市场分析和生产决策，以及在更多的行业范围内寻找应用机会，进入市场。
数字化使能行业的转型，促进了OT、IT和电信行业的融合，也增加了问题解决方式、不同的标准、痛点和KPI标准的多样性和复杂性。需要加强解决方案提供商、集成商和最终用户/运营商三方之间的沟通交流。如果您有兴趣了解更多，可以持续关注我们的公众号资讯，以及即将推出的“2025SIE全球供应链创新论坛”。同时，欢迎各位读者向我们投稿，分享在制造业中应用AI的经验和成果。
参考资料：
1.人工智能行业GIO白皮书：AI使能工业创新
声明：文章内容仅供参考，不构成投资建议或其他任何形式的专业建议。对于因使用、引用、参考文章内容而导致的任何损失，我方不承担任何责任。
文章如有内容、版权和其他问题，请及时与我们联系，我们将在第一时间处理。
往期推荐:
