随着智能制造热潮的到来，人工智能应用已经贯穿于设计、生产、管理和服务等制造业的各个环节。
人工智能的概念第一次被提出，是在20世纪50年代，距今已六十余年的时间。然而直到近几年，人工智能才迎来爆发式的增长，究其原因，主要在于日趋成熟的物联网、大数据、云计算等技术。
物联网使得大量数据能够被实时获取，大数据为深度学习提供了数据资源及算法支撑，云计算则为人工智能提供了灵活的计算资源。这些技术的有机结合，驱动着人工智能技术不断发展，并取得了实质性的进展。AlphaGo与李世石的人机大战，更是将人工智能推到了风口浪尖，引爆了新一轮的人工智能热潮。
此后的近几年，关于人工智能的研究和应用开始遍地开花。随着智能制造热潮的到来，人工智能应用已经贯穿于设计、生产、管理和服务等制造业的各个环节。
PART ONE
产品缺陷检测
由于深度学习的应用，制造业生产线的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦、裂纹、泄漏等表面缺陷。
这一过程，通过应用图像分类，对象检测和实例分割算法，由数据科学家以给定缺陷检测任务训练视觉检查系统来完成。深度学习驱动检测系统，与高光学分辨率相机和GPU相结合，形成超越传统机器视觉的感知能力。
例如，可口可乐构建的基于AI视觉检测程序，已经可以诊断设施系统并检测产线问题，及时把检测到的问题反馈给技术专家进行解决。基于此，未来质量检测人员被李开复列为将被人工智能替代的工种。
新的检测技术包括合成数据、迁移学习和自监督学习等。在合成数据中，生成对抗网络(Generative Adversarial Networks，GAN）数据生成工具会检查质检员认为“正常”的图像，并合成缺陷图像，用于训练人工智能模型。同时，迁移学习与自监督学习，用于解决特定问题。随着数据积累，缺陷检测算法更加精确。
PART TWO
智能分拣
制造业上有许多需要分拣的作业，如果采用人工的作业，速度缓慢且成本高，而且还需要提供适宜的工作温度环境。如果采用工业机器人进行智能分拣，可以大幅降低成本，提高速度。
以分拣零件为例。需要分拣的零件通常并没有被整齐摆放，机器人虽然有摄像头可以看到零件，但却不知道如何把零件成功地捡起来。在这种情况下，利用机器学习技术，先让机器人随机进行一次分拣动作，然后告诉它这次动作是成功分捡到零件还是抓空了，经过多次训练之后，机器人就会知道按照怎样的顺序来分拣才有更高的成功率；分拣时夹哪个位置会有更高的捡起成功率；知道按照怎样的顺序分拣，成功率会更高。经过几个小时的学习，机器人的分拣成功率可以达到90%，和熟练工人的水平相当。
PART THREE
库房管理与物流
比如京东物流某库房，需要按照订单和发货地分拣成品，同时回收空的料箱，并把部分废料、废品扔进废料堆放处。这个工作每个班次由两名工人合作完成，库房内有粉尘和噪音，每天累计重复分拣动作要执行2000-3000次，虽然重物搬运由机械手完成，但仍是强度大、环境差、技术含量低的重复性工作。
企业用一台机器人替换每天三班倒的两个工位，机器人带有机器视觉系统，订单和发货地分拣可以扫RFID码，成品、空箱、废料废品的判断由AI学习算法逐步提高识别率，最初识别率只有62%左右，需要每个班次配合一个工人拾遗补缺，随着数据积累，AI识别模型不断完善，9个月后，综合识别率提高到96%的水平，成品识别和发货地分拣完全准确，已不需要库房留人补缺，只在废料废品回收时，捡出极少量的空箱即可。
PART FOUR
生产制造
福特曾经豪言：不管你要什么车，我都只生产黑色，这是流水线大生产的典型写照，但如果福特放在现状还是这种思路的话福特汽车只有死路一条。因为现在个性化越来越多，但是个性化生产的成本又非常巨大，那么只有一种途径就是大规模定制，利用个人消费数据进行分析后形成综合的订单，然后平台分发进行大规模生产进而降低成品单价，犀牛制造目前就是走的这条路子。但虽然电商具备大量的消费行为数据，但是数据永远是落后于实际需求的，这种应用场景需要将分析平台极大化准确率才能增加。
PART FIVE
远程运维服务
远程运维平台，通过物联网、大数据和人工智能算法等技术，对生产过程、生产设备的关键参数进行实时监测，对故障及时报警。由工业大数据分析及人工智能算法支撑的预测性维护和辅助决策等功能，可以进一步减少由于非计划停机造成的人员出差和停工延误，让工业企业的运维实现少人化、无人化、远程化的模式变革。
纵观全球，涉足工业人工智能领域的企业早已证明了这种技术的独特价值。人工智能技术在改善企业的生产力、效率、质量和成本等方面具备巨大潜力，无疑将成为赋能未来制造业的全新引擎。不过，企业的人工智能转型之旅任重道远。率先觉醒的企业必须坚定信念、勤练内功、即刻出发，在工业人工智能领域开疆拓土，力求将自己变成闪耀未来智能制造之光的灯塔。
