隨著超高清工業相機的逐步應用，AI視覺比肉眼的檢測能力更強，比如，在汽車製造中，它可以發現衝壓件上肉眼難以識別的裂痕，發現體積巨大的白車身上有可能影響塗裝質量的細微塵埃。此外，AI視覺還可以取代人工完成查看、抄寫、錄入等工作，有效避免人工檢測可能造成的遺漏或偏差。

大數據

大數據在製造業中的應用更早，但是隨著人工智慧技術的不斷進步，通過大數據能做的事情也越來越多。舉個最簡單的例子，經過對生產數據的不斷積累和反覆學習後，機器可以自主完成很多工作，比如，機器人對未經分類的零部件進行分類，根據訂單自主調整生產節拍，甚至可以通過採集更高維度的數據（例如用戶對產品的意見反饋），自主完善和優化生產指標，從而改善產品的工藝質量。

總而言之，AI技術一方面可以將人工從重複的工作中解脫出來，另一方面，AI技術更加精確、嚴謹，不會出現人為操作出現的錯誤，提高生產的質量和效率

AI讓計算機和機器有能力用聰明的方式去執行任務。AI幫助製造商決定最好的動作序列來實現目標，也能讓他們遠程實時對運營進行管理。

AI技術在運營當中有若干應用：

機器視覺：通過可見光、x射線或者激光信號感應生產環境——比方說，用攝像頭對零件和產品進行分類。

語音識別：處理語音等聽覺信號——比方說，用類似Alexa或者Siri的虛擬助手處理操作員有關質量問題的評論。

自然語言處理：分析文本，解釋最可能的意思——比方說，從不同的績效報告生成摘要。

信息處理：從非結構化文本中析取知識並獲取查詢答案——比方說，通過搜索產品相關的文字報告。

從數據學習：根據生產相關的經驗數據對值進行預測或者分類——比方說，利用機器和流程產生的歷史數據來預測事件。

規劃與探索：選擇一系列的行動讓特定目標最大化——比方說，讓自動導引車（AVG）識別最佳的下一步。

語音生成：通過文本或語音跟人溝通——比方說，大聲朗讀指令。

處理與控制：操縱物體——比方說，讓不需要特殊培訓的機器人從儲存箱中撿起未分類的零件。

導航與運動：在物理環境下機動——比方說，讓AGV在工廠內自主移動並優化路線。

AI的作用是增強，而不是取代製造商現有用於持續改進生產力的手段。AI是工業4.0主要的技術建構塊之一。此外，製造商還可以用AI來增強傳統的效能手段，比如自動化和精益管理。比方說，通過識別質量問題的根源從而幫助消除缺陷，AI可以支持精益管理減少浪費。

AI體現了工廠的範式轉移。今天的工廠自動化流程和工具採用的是規則導向的做法，今天的機器人編程處理的是固定的場景。相反，未來的工廠會利用AI來支持自動化流程和機械製造以響應不熟悉或者意外情況，從而做出明智決定。因此，技術系統會變得更加靈活適應性更強。比方說，在基於規則的做法下，機器人無法從一批未整理的零件中識別和選擇所需的零部件，因為它缺乏必要的詳細編程去處理零件無數可能的方向。相比之下，有AI支持的機器人可以從一堆亂糟糟的零件中挑出想要的零件，不管其方向如何。

除此之外，在生產、維護、質量、物流以及工程、供應鏈管理等方面，AI也扮演著十分重要的角色。比如AI還可以讓機器和部件成為自優化的系統，通過對當前和歷史數據進行連續分析和學習實時調整自身參數，一些鋼鐵廠已經在利用AI讓熔爐自動優化設置了。

AI在智能製造中扮演著非常重要的作用，而GPU則為AI的發展和普及奠定了基石。GPU計算可助力深度神經網路所需的運算，使其能夠從龐大的數據中學會識別各種圖案。這種全新的超強計算模式引爆了AI時代！

---

目前最成熟的是機器視覺，比如機器手搭配攝像頭進行工件分揀和機牀上下料，效率比不上自動化專機，不過現場編程越來越容易，在柔性生產有優勢，目前在工廠的推廣還在早期，好多宣稱無人工廠的其實沒真正用起來，因為中國工廠的問題不是單純的產量問題，能不能穩定的接到大單纔是最關鍵的問題。

設備聯網過程監控故障診斷壽命預測，也是一個重要的部分，特別是搭配自動化車間使用，但是目前重點在聯網，而不在診斷，因為出問題的單元，問題一般挺嚴重，診斷不是難點。

---

謝邀，ai科技依賴於數據和信息，哪裡堆積的數據信息哪裡就會產生ai的應用，製造業現最需要的是解決自動化的問題，自動化解決的是人力，ai是針對數據信息的。

20年前，深藍戰勝國際象棋大師，基於減枝演算法。

3年前，阿爾法狗，戰勝圍棋世界冠軍，深度學習。

一直以來就是都是數學模型的建立，現在的ai成百上千中數學模型。

博弈類棋類，他的反饋驗證系統是規則，可以及時的反饋給模型。

人臉識別，可以隨時驗證，有系統數據驗證。

比如貓臉識別，不能隨時驗證，需要創建一個貓臉系統，缺乏數據驗證直接進入到ai的困境。

ai的訓練是需要環境的，沒有這個環境就很難成功，現在的製造業數據信息環境並不好，解決一個企業的一個小問題，企業之間通用就是一個問題了。

---

視覺識別：這種應用其實有很長時間了，甚至早於這一波AI風潮。大約十五年前，我就見過由企業和院校聯合開發：用高速攝像機替代光電掃描技術，拍攝棉花纖維照片，然後進行圖片分析，從而進行棉纖維分級。產線上的在機檢測也大量採用視覺識別技術，和預定數據進行比對。現在提AI，只是數據處理的能力和速度，以及圖片分析的能力更強了。

AR智能運維：在流程工業領域，針對流程中大量的管線、設備，配合感測器進行實時數據採集，在後臺進行實時的數據監控，利用預先建立的數字化業務模型，進行合理化分析，提前預防故障、隱患，同時，現場運維人員可以利用移動設備，以AR的方式在現場獲取詳細的數字化信息，輔助現場工作，甚至和遠程專家保持同步。這項技術在松下、西門子等服務的企業裏，已經見到實例，2019年德國漢諾威工博會上，有類似的展示，不過，並不普及。

坦率地說，現在所謂AI智能製造，很多隻是基於更強計算能力和數據技術的深度自動化和數字化而已，進一步減少原本流程中人的因素，和自主決策的「智能」差遠了。

---

我自己基本在做的都就三樣，物聯網（材料，品質管理），機器人（組裝，搬運），視覺系統（檢測，輔助組裝）。

---

推薦閱讀：