AI+制造业：智能制造 降本提效

原标题：中金|AI+制造业：智能制造，降本提效

来源：中金科技硬件

当前我国制造业正处于从传统生产模式向数字化、网联化、智能化的新发展阶段。在我国致力于碳中和的战略背景下，智能制造的发展是我国实现碳中和的关键，也是我们从制造大国走向制造强国的重要一步。一方面，人工智能赋能制造业能通过提高良率、降低原材料损耗等方式降低生产成本，减少碳排放；另一方面，人工智能可通过全自动化、动态监控等方式提高各生产环节的效率，由此实现降本增效，双重发展。我们认为，AI赋能制造业，主要体现在五个环节：1）设计端，仿真系统提升研发效率；2）生产端，智能机器人提高生产效率；3）运维端，AI算法智能预测；4）检测端，机器视觉增强检测精准度；5）物流端，智慧物流提升运输配送效率。

设计端：我们认为，随着我国进入创新型国家行列，正向研发过程会要求工厂以数字化方式为物理对象创建虚拟模型，来模拟其在现实环境中的行为。在设计过程中，基于数字孪生及人工智能等技术的设计仿真可通过避免重复进行物理原型测试并改进质量，降低产品设计研发成本。

生产端：制造业生产模式正快速从少品种、大批量向多品种、小批量转变。我们认为，基于大数据、机器视觉等技术，制造业可通过装配协作式机器人、上下料机器人等实现智能化与协作，提高生产过程的柔性和效率。

运维端：我们认为，基于算法和大数据分析等技术对设备和物料情况进行规划并进行事前预测性维护，有助于提高生产制造过程的稳定持续性，避免宕机带来的损失，降低设备运营和维护成本。

检测端：传统的检测环节通常由人工完成，存在检测效率低、识别错误率相对较高等问题。我们认为，AI+机器视觉的检测方案有良好的延展性、统一的标准及较高的定制化程度，能够减少人力成本、提高检测效率。

物流端：我们认为，智慧物流有望引领供应链变革。智慧物流是具有分析决策和智能执行能力、高度智能化和自动化的物流系统，通过信息流与物品流的快速高效流转，实现降本提效。目前，人工智能技术已逐步在物流领域实现商用落地，我们认为未来有望拓宽更多应用场景。

风险

AI+制造业落地不及预期，工业互联网前期部署成本限制发展速度。

AI赋能制造业：降本提效，双重发展

智能制造：不仅是“网联化”，更是“智能化“

智能制造是将物联网、云计算、AI等新一代信息技术应用于生产制造全生命周期，以通过自主深度感知、自主优化决策和自主精准执行提升制造各环节效率。我们认为，制造业企业智能化转型可通过数字化、网联化、智能化三步实现。工厂可以通过数字化、网联化、智能化的层层递进，实现“智能工厂”转型，进一步优化全行业生态。

? 数字化：采集海量数据，“感受”工业过程。工业传感器作为工业数据的“采集感官”，多类别、广应用为智能化奠基；

? 网联化：通过互联互通、高速传输、云端计算，打破“信息化孤岛”。一方面打通工厂内部的数据流；另一方面进一步打通供应链各个环节数据流，最终实现产品全生命周期数字化；

? 智能化：提高自主决策水平，通过对生产过程中海量数据信息进行自主理解，学习沉淀形成知识，最终由智能设备自主执行。

制造业正处在由数字化、网联化向智能化发展的重要阶段，制造业+AI应运而生。随着信息化和自动化在制造业的逐步应用，制造业数字化水平提升，但大量独立的信息化系统导致“信息化孤岛”问题。通过物联网、云计算等新一代技术解决这一问题，制造业企业可以解决“信息化孤岛”问题，实现互联互通。借助于高速通信网络和云计算平台可实现海量数据的汇集，这有助于AI技术的广泛采用。通过应用深度学习等AI技术，制造业未来有望实现自主智能决策。

总结来看，智能制造的核心是在海量工业数据的基础上，通过对数据的深度集成和分析，实现智能化的决策，并通过柔性生产、动态调控、网联协同等新型制造模式，提高资源配置效率。

从制造大国到制造强国，智能制造大有可为

我们认为，智能制造或为中国从制造大国走向制造强国的必经之路，它是中国制造业提高效率、提升价值链地位、提高创新能力、应对就业人口不足问题的重要手段之一。

制造业企业的智能化升级仍需解决成本和效率问题。历次工业革新，均实现了降本增效，近年来，随着各种新技术和新理念的应用和演进，各行业对于进一步提升生产效率都提出了更高的要求。制造业各个环节都在持续快速产生海量数据，此外，结构化和非结构化数据并存，制造业企业的决策过程因此变得复杂和困难。我们认为，人工智能技术的成熟，包括算法的优化和算力的提升，将助力AI在制造业领域打开更大应用场景，制造业可通过AI实现智能化，提升数据处理能力，在制造业全生命周期实现智能优化和决策，从而实现降本提效。

全球科技和产业竞争日趋激烈，智能制造成大国制造业博弈核心抓手，助力中国企业进入全球价值链高位：受益于消费电子、家电等行业的崛起，中国在全球制造业的地位不断上升。根据世界银行的统计，2019年，中国制造业增加值接近4万亿美元，位居全球第一，美日德依次排名第二至第四位。

虽然中国企业在规模上超过美德日，但产品设计生产所需的装备、方法论和软硬件平台上，目前还主要依靠西门子、GE、三菱等美德日企业。人工智能、大数据等新技术兴起，为制造业智能化升级奠定基础。通过访谈，我们注意到中国企业目前主要通过和美日德设备企业合作的方式推进自己的制造业升级。在不少场合，中国企业发现海外设备厂商在对新需求的理解，以及人工智能等新技术的应用能力上，无法完全满足中国企业升级的需求，我们认为随着智能制造的推进，世界分工体系可能迎来重构，中国先进制造业有望向微笑曲线两端延伸，实现效率提升、产业升级，争得更多价值空间。

制造业适龄人口未来快速减少，“00后”对从事重复劳动意愿较低。根据2021年中国第七次全国人口普查数据，目前中国15—59岁人口为89438万人，占比63.4%，相比2010年下降6.8%，根据国务院《国家人口发展规划（2016—2030年）》，14-45岁人口占比到2030年将下降到22%，适龄人口减少对未来制造业的持续影响较大。此外，在我们的访谈中，公司也指出，“00后”以后的年轻人从事简单重复劳动的意愿较低，员工稳定性较低。

我们认为，智能制造的普及一方面将会减少人力需求数量，适应制造业适龄人口减少的趋势；另一方面也将改变人力需求结构，对技术人才的需求提升，中国工程师红利有望集中释放，为企业的持续发展创造动力。

我国制造业数字化和网联化已初见成效，智能化转型仍有进步空间

中国制造2025目标指引下，我国智能制造数字化和网联化成果初现，智能化转型空间较大。根据2021年《“十四五”智能制造发展规划（征求意见稿）》：到2025年，规模以上制造业企业基本普及数字化，重点行业骨干企业初步实现智能转型。到2035年，规模以上制造业企业全面普及数字化，骨干企业基本实现智能转型。我们认为， 2025年是初步实现智能制造的关键节点，我国制造业在智能化转型方面仍有较大提升空间。

? 基础设施、设备供给和转型升级仍存在提升空间。根据2021年《“十四五”智能制造发展规划（征求意见稿）》：到2025年，规模以上制造业企业智能制造能力成熟度达2级及以上的企业超过50%，重点行业、区域达3级及以上的企业分别超过20%和15%；智能制造装备和工业软件技术水平和市场竞争力提升，国内市场满足率分别超过 70%和50%；主营业务收入超 50 亿元的系统解决方案供应商达到 10家以上；制修订 200 项以上智能制造国家、行业标准；建成 120 个以上具有行业和区域影响力的工业互联网平台；

? 优质数据资源潜力较大，应用场景亟待丰富。中国是世界第一制造大国，拥有完整的制造业门类体系和产业链，各领域制造业生产过程的全生命周期可以实时生成海量数据，为人工智能模型的学习、训练、优化提供充足的数据资料。人工智能目前主要应用于产品质检分拣和预测性维护等重复性和规则性的领域，但AI在一些复杂性和定制化的制造场景中应用不足。根据IBM，大多数企业仅有1%的数据得到有效分析应用。加快人工智能与制造业的融合，需要更加充分利用AI技术对海量工业数据进行分析，让数据这一新型生产要素更好地发挥出提升生产力的作用。

长期来看，我们认为我国工业智能化转型仍有较大的市场空间。根据Bizwit数据，2021年AI在中国制造业中应用的市场规模约3.65亿美元，同比增长43%，有望保持40%以上增速至2025年，达到20亿美元以上的市场规模。

随着AI产业在我国逐渐推广，叠加碳中和对制造业降本增效提出更高要求，我们认为，中国智能制造有望进一步加速产业发展，提升产业规模。

从设计到物流，AI赋能工业多场景应用落地前景可期

我们认为，目前在工业场景中，从设计到物流环节均存在大量的重复性场景，在机器视觉、语音技术、机器学习等AI技术助力下，以上场景均可以依靠计算机辅助或全部依靠计算机完成，AI技术在工业中的应用，可以大幅提升传统工业的效率，降本增效。

设计端：数字化设计软件集成AI模块实现高效模拟仿真研发

AI如何赋能设计端降本增效？

仿真设计系统通过集成AI模块，可以缩短研发周期。我们认为，未来的工厂会为物理对象创建数字化的虚拟模型，来映射其在现实中行为。整合制造流程的数字孪生生产系统，可以将产品设计到生产制造的全过程数字化，提升产品的可靠性和制造效率。其中，产品设计阶段具有高不确定性和高成本的特性，基于数字孪生技术的设计仿真通过避免重复进行物理原型测试并改进质量，降低了产品开发成本并缩短了产品开发时间。

数字孪生与AI结合，可进一步提升设计研发的效率：1）数字孪生模型中积累的数据可以在人工智能模型中实现知识积累和沉淀，为AI决策提供数据支持；2）AI模型的决策结果也可以在数字孪生模型得到反复仿真和验证，为AI决策提供低成本试错和优化机会，不断提升其可靠性；3）由于目前仿真系统要求用户对仿真优化算法和仿真建模工具有较深入的了解，非仿真专业人士难以优化大量参数，而利用AI技术可以帮助研发人员进行选择。将AI模块（如机器学习模块）集成到设计软件，可以实现高效的模拟仿真分析；因此，研究人员可以在研发阶段以低成本进行大量验证和模拟，或进行数字化自动研发，提升研发效率，大幅缩短研发周期。

案例1：波音公司：数字化研发减少原型机损耗

波音公司与达索系统合作建造数字样机的项目中，通过模拟空气的流速对机翼产生的压强、发动机喷气产生的推力等，对飞机起飞条件进行测试，缩短波音787客机的研制周期并提高了质量，避免了测试过程中物理原型机的大量损耗，使开发成本降低50%，考虑到飞机研发设计过程中需要采用大型风洞等高耗能实验环境，AI技术的采用可大幅降低研发测试所需能耗，从而助力降低碳排放。

案例2：劳斯莱斯：研发流程+研发成果双重降能耗

劳斯莱斯制造超级喷气发动机时使用数字孪生风扇叶片，模拟物理对象在各种场景下的性能、验证产品的功能、安全性和质量，以避免多个原型的重复开发。根据俄罗斯礼炮制造中心和英国安本（Aberdeen）集团预测，采用数字孪生技术进行航空发动机研发，可缩短15%-20%的研制周期，节约27%的研发成本。此外，劳斯莱斯依靠数字孪生制造的发动机提高了25%的燃油消耗效率，实现碳排放的降低。

案例3：蔚来汽车：全球研发平台提升跨地区协作效率

蔚来汽车选用达索系统3DEXPERIENCE作为全球研发平台，工程师可以随时快速访问完整的车辆数据，实现中国、德国和美国工程师协作开发新设计。此外，研发人员可以通过仿真与协作，快速实现产品设计迭代。数字化全球研发平台简化开发流程，缩短研发周期，提升研发效率。蔚来汽车的ES8电动七座SUV由概念设计到发布仅用时3年，远小于传统厂商4-5年的周期，各地设计人员和物理样机的差旅次数及运输成本大大减少，同时新能源工业品可进行快速更迭，有助于实现工业品从设计制造到终端使用全生命周期碳排放量降低。

生产端：智能制造三大新功能提升生产力

AI如何赋能生产端降本增效？

智能制造提供了大数据信息处理、机器视觉信息获取等功能，这些功能为生产环节带来新的生产力，提升生产效率。

? 大数据信息处理：工业生产中产生的海量数据将与工业云平台相连，采用分布式架构进行分布式数据挖掘，提炼有效生产改进信息，最终将用于预测性维护等领域。

? 机器视觉：机器视觉通过计算机模拟人的视觉，基于提取的信息进行处理与理解。随着工业生产复杂程度的不断加深，越来越多的微加工生产流程不断涌现，随之而来的是大量不可控制的磨损和消耗。为了保证生产精度，机器视觉被广泛用于（1）零部件的 尺寸测量与定位；（2）工序间自动化等工序。

案例1：上下料机器人：精准物料产品传输

上下料机器人，顾名思义，是用在工序之间，代替工人自动上下料物料的机器人。通过导入上下料机器人，工厂能够实现“缩短加工节拍”、“节省人力成本”、“提高产品质量”等目的。

通过引入机器视觉，上下料机器人使生产运输流程实现闭环式控制，可以实时监控物料的位置和环境，并通过控制系统的闭环式反馈微调上下料位置以保证精准物料传递。机器视觉的作用是帮助物料在设备间以更精准的定位交接，通过视觉辅助的设备可以在加工的同时检测加工位置的变化以及加工件的尺寸测量，这个数据可以反馈到设备的控制系统，帮助设备以更精准的精度加工产品。下图是上下料机器人被用在数控机床（CNC）间上下料的一个应用场景。

上下料机器人可以缩短作业节拍，减少机床待机和空载期间的能耗，提升机床的能量利用率。根据杰拓机电数据，GW-12/GF16型的台式钢筋弯曲机空载功率为1.5KW，此时每减少1s的空载时间，即减少1500J能耗，根据碳交易网数据，节约1度电约等于减排0.997千克二氧化碳，因此前述空载时间降低带来的能耗减少相当于减少了约0.4g二氧化碳排放量。此外，上下料机器人的高精度物料传输可提升原材料的利用率，减少物料损耗和相应的碳排放。

案例2：协作式机器人：柔性高效人机协作

协作式机器人（cobot）是设计为和人类在共同工作空间中有近距离互动的机器人。与被设计为自动作业或在有限的导引下作业的工业机器人不同，协作式机器人的设计需要考虑与人类近距离互动以及对于周围人类的安全保护。

制造业生产模式正在快速从少品种、大批量向多品种、小批量转变，大部分制造企业常常面临日益增大的成本压力、产品多样化需求不断增加以及时刻变化的产量需求等挑战。而传统的工业机器人，是在保护栏后面，与工作人员相隔离，在工作流程上，也是和人的其他工作相屏蔽，这就呈现出工作流程环节和生产模式上的相对固化。为了应对这一挑战，需要更柔性、更高效的解决方案，那就是智能化与协作，制造方式必然需要具备更高的灵活性和自动化程度。由此，能和工人协同工作的协作机器人需求持续提升。

协作式机器人的核心技术在于对人动作和行为的感应和理解。协作式机器人可以通过传感器感知操作人员的距离、力度等信息，结合机器视觉、传感器、高级伺服电机等，协作式机器人可以判断人的动作、位置和运动趋势，并在运动轨迹中通过伺服电机保持安全停顿。因此，协作机器人在可灵活运动的基础上，能够保证操作人员的安全。此外，通过声学传感器和AI系统辅助实现，协作式机器人也可具备语音控制等高级功能。

协作机器人智能化的提升，可以节省原先大量周边设备的投资和产线空间，实现便捷、高效、灵活的人机协作，降低工厂设备和厂房运维所需的能耗。工业建筑建造过程中所需的建材，使用过程中所需的建筑照明、采暖、空调和建筑电气，均会产生大量能耗，而工厂厂房空间利用率的提升有助于减少由此产生的碳排放。

案例3：仓储机器人：柔性物料产品传输

传统生产线布线固定，生产流程固定，再布线成本高，无法灵活柔性生产。自动导引运输车（Automated Guided Vehicle，AGV）可以跨流程、跨产线、跨区域、跨部门运输物料、半成品和产品，实现生产流程柔性化。AGV通过机器视觉来判断行进路线、物料位置、周围环境等重要信息。

AGV特点：AGV可被定义为能够轮式移动、沿规定导引路径行驶的运输车，具备工作效率高、行动敏捷、安全性高等特征。与其他常用物料运输设备相比，AGV的活动不受场地、道路和空间的限制，无需预先铺设轨道等设施。因此，其自动性和柔性能够满足智能化仓库自动化、灵活性需求，实现高效、经济、灵活的无人化生产。

AIV（Automated Intelligent Vehicle）：AIV的全称是自动智能运输车，是AGV的升级产品，其最大的进化之处在于它可以根据场地的地图、起始地、目标地和当时的周围环境自动生成自己的行进路径，以躲避人员、轨道及其他作业环境中的运动物体。不同于AGV，AIV不需要前期电磁引导布线，更具灵活性。同时，AIV可以形成团队模式，带领车队进行跨区域运输，实现智能化的团队运输。

通过配备仓储机器人，企业可建立自动化仓库或无人仓。无人仓，是指不需要仓管人员现场监管，能够自动化地实现货物的入库、出库、存取等操作。主体由货架，巷道式堆垛起重机、入（出）库工作台和自动运进（出）及操作控制系统组成。自动化仓库是目前自动化程度最高的应用之一，电商企业处在领先地位，工业企业目前也在大力发展和应用。

以日日顺智能无人仓为例，依托ERP系统与仓库管理系统和在控制系统上应用的无线射频、激光导引、红外通讯等技术，同时利用AGV激光导引小车，实现大型家电、家居卫浴用品、健身器材等大件货品从入库、上架，到存取、出库，全过程都由算法指引着自动化设备完成。安得智联借助美的集团、库卡（KUKA）、瑞仕格（Swisslog）等技术支持，研发了Air-carry、Air-pick、Optimus Prime、Bumblebee等四款不同用途的AGV机器人，未来可以为客户提供覆盖全部物流应用环节和场景的智能物流产品及服务，覆盖从简易到局部，到高端集成的解决方案。

以基于RFID技术的仓储管理系统为例，通过将RFID识别技术和计算机的数据库管理查询相结合，可以节省人力物力，相比于传统（人工）仓库管理系统，具有以下优势：1）全自动化识别出入库物品，无需人员干涉，并且可以同时识别多个物品；2）自行准确迅速地采集数据，精确掌握库存的实时情况；3）缩减盘点周期，实现库存管理的可视化；4）降低人力以及管理成本。

我们认为，智能仓储机器人主要基于三条路径助力制造业实现减排：1）在物料分拣和运送阶段，人力容易受到情绪、体力和外部环境影响，而机器人可以不间断稳定工作，提高物料传送的精度和效率，减少了原材料在运输过程中的损耗和由此产生的碳排放；2）AI可以对传送路线进行智能规划，减少运输里程，降低运送过程中的能耗；3）机器人是智能仓库的关键一环，相较于传统仓库，智能仓库可以较大程度上节省建筑用地，如上文分析，建筑建设和运维所产生的碳排放随之减少。

运维端：工业大数据+AI算法智能预测设备异常

AI如何赋能运维端降本增效？

制造业作为资产密集型行业，实现企业资产在其生命周期内的价值最大化尤为重要。我们认为，相较于资产或生产设备出现故障后进行维护，事前预测性的维护，有助于提高生产力，避免宕机带来的损失，降低设备运营和维护成本。

预测性维护是什么？

预测性维护是指基于被监测设备、物料、环境的信息，预测诸如设备剩余使用寿命、物料良率等指标。预测性维护系统可以预测昂贵的维修需求或严重故障，并在发生严重损坏之前启动预防措施。服务部门可以快速反应，更换特定零件，或者提前进行维护工作，从而达到预测性维护降低企业生产成本的目的。

以半导体生产为例，设备通常包括大量的零部件，通常在生产厂商所存的零部件有限，如果由于磨损导致生产停止生产公司往往要看零部件的交期才能恢复生产，这个时间有可能是一周或者一个月甚至更久。如果可以预测到零部件的更换时间，通过安排及时的设备维护，生产企业只需在预先安排的设备维护时间更换即可避免无法控制的产能损失。

预测性维护需要什么？

为了实现预测性维护，企业需要安装更多的传感器，并实现设备和物料的联网化。通过分析汇聚的数据、进行大数据分析，提炼设备故障，物料不良等的预测模型。

AI是预测性维护的关键技术

随着工业大数据的完善以及数据分析能力不断提升，基于设备机理模型和产品数据挖掘，尤其是利用神经网络和机器学习算法建立分析模型，开展基于规则的故障预测、工艺参数优化、设备状态趋势预测等单点应用。根据ARC Advisory Group分析，约82%的故障是偶然发生的，不具备提前预知能力，而只有约18%的故障能够利用传统方法预防。人工智能技术结合巡检机器人，不仅减少维护人员成本，更能提早发现故障，降低工厂的运营成本，保证企业生产效率的提升，减少额外能耗，助力碳中和。

案例1：精英数智+华为云：“煤矿大脑”预警生产风险

精英数智科技股份有限公司与华为云共同推出“煤矿大脑”解决方案，运用人工智能、物联网、大数据、云计算等技术，为煤炭行业预警与应急响应提供解决方案。煤矿管理人员可以通过人工智能视频识别技术识别运输皮带是否启停、撕裂、断带、跑偏，运输皮带上是否有异物，从而降低皮带的损耗、防止其空转，进而提升煤矿的安全运行和整体效率的提升。根据中国青年报[1]，山西众多煤企引入“煤矿大脑”后实现降本增效：AI分析算法从云端下发矿点数据，实时风险预警，识别率达98%；集中监管分矿点IT基础设施，运维成本降低65%，有效减少因生产事故所引发的一系列资源消耗与碳排放。

案例2：BCG：AI控制系统预测异常碳排放

BCG帮助欧洲某石油和天然气公司重设了控制系统，通过采用机器学习模型，预测未来三到五个小时内所有生产单元的能源消耗和碳排放，并对异常过量排放的单元进行隔离、分析和修复，预测设备故障和排放异常的准确率均超过80%。基于此控制系统，该公司的碳排放量降低1%-1.5%，相当于每年少排放3500-5500吨温室气体。

检测端：AI+机器视觉助力检测环节提质增效

AI如何赋能检测端降本增效？

传统的检测环节通常由人工完成，存在检测效率低、识别错误率相对较高等问题，传统的机器视觉方案在碎片化的工业生产中仍面临定制化成本高、周期长、参数标定复杂导致使用不方便等问题。AI借助图像处理技术进行识别，利用训练出的模型进行质量检测，减少人工成本的同时提高精准度，助力制造业实现降本增效。我们认为，AI+机器视觉的检测方案有良好的延展性以及统一的标准，并能够减少人力成本、提高检测效率，同时普通用户能对AI工业质检平台进行个性化操作，保证使用的便捷性。

? 良好的延展性和统一的标准：机器学习是人工智能的实现方法之一，我们认为，机器学习模型一旦训练出，能够快速部署到工厂的每台设备，既能保证检测的实时性要求，又能保证工厂检测精度的标准统一。

? 减少人力成本，提高检测精度和速度：机器学习模型随着数据的增加逐渐迭代，从而能保证越来越高的精度和速度 ，在一些精密工业品的识别上具备优势。我们认为，随着时代的变化，愿意从事工资低、工作重复枯燥质检的工人越来越少，AI工业质检有助于制造企业降低人力成本和增加效率。

? 定制化程度高，用户界面易上手： 目前，AI技术在检测端产业化落地的主要产品之一是AI工业质检平台。AI工业质检平台是对工业视觉检测推出的集模型训练和预测于一体的智能平台，是AI技术针对质检进行产业化落地的产品。针对传统制造业缺少AI类人才，新推出的AI工业质检平台逐渐模块化，无需编程基础即可操作，并且工厂可根据实际需求进行模型的选择和更新，保证灵活性和时效性。

案例1：自动光学检测（AOI）：自动产品质量检测

AOI（Automatic Optic Inspection），全称是自动光学检测，相比于人工检测，检测的效率和可靠性都更高。AOI在执行过程中不会疲劳，稳定性可控，不会影响产线整体效率。同时，对于一些较小的元器件，人眼容易误判和漏判，AOI检验精确性高。AOI获得的信息全面且可追溯，出现问题可以即时发现并调整。随着图像采集合和图像识别技术的发展，AOI性能将会更加强大。利用AOI的检测方案，一方面提升了检测速度并减少人工成本，另一方面通过提升良率使得物料成本减少，间接减少碳排放。

应用场景#1：PCB自动检测代替人工检测。

电子元件的尺寸越来越小，一块PCB板上将布满数万个电子元件，使得人手动通过显微镜检测变得低效而且错误率高。现在在电子生产的表面贴片流程，AOI检测已经代替人工检测，成为生产流程中必不可少的工序。

AOI目前分为2D检测和3D检测设备，主要是监测物料或产品的表面的产品质量，如打线位置精度，焊线的形状和焊脚，激光打标效果等。2D的AOI技术较为成熟，主要基于对二维图像的处理，在SMT贴片等流程已经成为标准化的工艺，目前在晶圆处理和芯片封测生产阶段也有越来越多的应用。3D AOI不仅需要基于平面的图像识别，更需要对场景物体深度识别，通常需要环绕式摄像头做信息采集，对精度的控制要求难度更高，检测结果也更加精密准确。目前主要的应用场景包括3D玻璃检测等。

应用场景#2：元器件实时X光检测内部结构。

传统的半导体元器件的内部检测需要在专业的X光检测设备进行，这类设备通常是独立设备，并不和产线连接，检测效率低下，往往需要小时级的时间。自动X光检测（Automated X-ray Inspection，AXI）的主要应用在于封塑之后电子元件的内部结构检测，电子元件的内部结构有可能在封塑的过程中被改变而有短路的风险，或者封塑不均匀有气孔产生，在温差大的环境中热胀冷缩导致元件失效。目前X光检测主要用于质检，在生产中的实时检测应用需求越来越强。同时，未来对于热量敏感和防伪环境下检测有可能出现红外光检测，紫外光检测以及深紫外光检测。

案例2：智能巡检机器人：高效率、高频次、高准确率

在各类机房中，传统巡检人员日常巡检工作繁琐、工作量大、突发事件响应慢。智能巡检机器人感知灵敏，集合了多种传感器对图像、声音、温度进行采集，利用AI算法对采集的数据进行分析并做出决策。智能巡检机器人能24小时不间断巡检，对现场状况检测做出即时反应，利用高精定位导航技术，实现室内狭窄环境下的自主导航。综合以上优势，智能巡检机器人能实时检测多个项目，包括温度检测、设备检测、消防通道检测、蜂鸣检测等并保证高频次、大范围、无死角的智能巡检，提升巡检的准确率和效率。

物流端：智慧物流引领供应链变革

AI如何赋能物流端降本增效？

什么是智慧物流？

智慧物流是将物流活动有关信息与智能硬件、物联网、人工智能等技术相结合，是具有智能分析决策和智能执行能力的物流系统。智慧物流通过信息流与物品流的快速高效流转，实现降低成本、提高生产效率的目的。

从国家政策导向而言，工业4.0时代，客户需求高度个性化，产品生命周期缩短，智能化的工厂需要智慧物流与之匹配，降低企业成本，管理或整合上下游供应链。2016年国务院办公厅、交通运输部、发改委、国家邮政局等多部委密集出台了一系列相关政策和法规，推动智慧物流的落地。

智慧物流如何提高物流效率？

目前智慧物流需求热点主要集中在物流数据、物流云和物流技术三部分，我们认为主要可以总结为信息化、标准化、智能化三大趋势。从目前而言，TMS（Terminal Management System，终端远程维护管理系统）、WMS（Warehouse Management System，仓库管理系统）、RFID、快递柜、机器人等技术已经逐渐开始商用，而无人卡车、无人机、甚至基于多种技术之上的人工智能目前尚处于研发或测试阶段，未来应用场景广泛。

案例1：信息化：车货匹配、仓库管理

物流信息是指与物流活动（商品包装、运输、储存、装卸等）有关的一切信息。物流信息来源包括物流活动本身以及商品交易活动、市场。因此，狭义来讲，物流信息是直接产生于物流活动本身的信息，包括运输、保管、包装、装卸、流通加工等活动中产生的信息；广义来讲，在狭义的物流信息外，还包括商品交易信息和市场信息，包括销售和购买信息、订货接货信息、发货收货信息等。

智慧物流是一种以信息技术为支撑的现代综合性物流管理系统，它不仅仅满足于传统物流对物流信息的被动感知，而是通过智能化收集、集成、处理物流的采购、运输、仓储、包装、装卸搬运、流通加工、配送等各个环节的信息，实现全面分析，及时处理及自我调整功能。物流公司在日常业务和经营当中会产生大量的数据，如何能够更好地利用这些信息来帮助提升效率，是物流公司规模壮大后普遍遇到的问题，这需要涉及到将这些数据数字化并累积成足够的数据库，需要大量的基础设施建设。

海尔旗下的大件物流品牌日日顺物流建立了以订单管理、仓库管理、配送管理、预约管理、资源协同、车辆轨迹、移动应用、服务质量为主要内容的八大IT信息系统，支持业务全流程可视。2020年6月，日日顺在青岛启用智能无人仓，满足24小时无人化黑暗作业，较大减少了仓库运营成本，助力碳中和目标实现。

美的集团旗下物流公司安得智联利用RF扫码技术，可以将收货、上架、移库、补货、拣货、出货QC等全部仓储管理操作实现信息化，通过无线网络和LMS实时通讯更新库存信息，大大提高仓储精准度和操作效率；在信息化得到的即时数据基础上，依托强大的IT开发团队，安得智联可以与客户的系统进行EDI对接，通过WMS系统实现仓储管理，提高数据传输的准确性和效率，减少人为操作带来的风险。

车货匹配平台降低车辆空驶率。针对传统货运信息不畅、运行效率低下、成本高企的问题，在“互联网+物流”的推动下，车货匹配平台在2013年和2014年间快速涌现。以往传统匹配方式主要通过线下实体，包括配货站、公路港、物流园区等进行信息发布、售卖等。当互联网介入后，形成了虚拟车货匹配平台，利用互联网，通过物流APP、WEB或其他系统的开发，将线下车源、货源等进行整合，并在线上发布信息进行精确匹配，由此解决物流信息不对称性问题，降低空驶率和等待时间，节省相应能耗，降低碳排放。

AI+物流园，智慧互联助力物流畅通无阻。物流是端对端的服务，减少中间环节能提高效率。供应链各个环节仓库状态信息长期以来无法打通，从原材料到最终销售信息传递有严重的滞后性。过去，物流园区存在缺乏统一的数据管理和运营、泊位依靠人工管理效率低下、出入程序繁琐、能耗管理自动化水平低等痛点。

智慧物流园通过端对端信息打通，实现智能管理仓储、温度控制以及泊位分配等应用，帮助物流企业降本增效。智能物流运营中心通过对各类数据的整合、利用AI进行预处理、大数据分析等，最终实现分布式的智慧应用。例如，顺丰DHL借助华为云打造的智慧物流园区实际部署后，供应商卸货效率平均上升29%，泊位由系统自动分配，人力成本下降15%，货车进入的平均等待时间由5分钟降为1分钟。同时，整个物流园区无纸化运营，减少60%的能源消耗，有效促进碳中和目标实现。

案例2：标准化：托盘标准化

智慧物流的基础是物流的标准化，包括物流信息标准化和物流设备标准化。

物流信息标准化打通上下游及供应链。物流信息的标准化，有助于在上下游之间建立快速、及时和透明的信息传递和共享机制，进而解决上下游物流活动中的重复操作、准确性差、可靠性低等问题，提升供应链运转效率。

智慧物流信息标准化体系包括基础标准、工作标准、管理标准和技术标准及单项标准。具体需要标准化的信息包括物流术语标准化，物流物品分类标准化，物流信息采集标准化以及各个网络环节的网络标准化。

托盘标准化试点降本增效。我们以托盘标准化试点为案例，分析物流标准化带来的较大收益。自2014年起，商务部、财政部、国家标准委开展商贸物流标准化专项行动和物流标准化试点，以标准托盘（1.2mX1.0m）及其循环共用为切入点，带动提高物流上下游设施设备标准化水平。根据《2016年度中国托盘标准化发展监测分析报告》，经过三年的推广，标准托盘的占比提高4个百分点到27%（其中重点商贸物流领域托盘标准化率达到65%），由此带来物流成本的大幅下降和效率的提升：

?试点企业综合物流成本下降25%以上：1）应用标准化托盘，提高装卸搬运机械化水平，货物损坏率降低：平均货损率降低45%（从试点前4.2%降低至2.9%），2）减少对人工搬运的依赖，降低人力成本支出：平均装卸搬运单位成本下降53%（从试点前105.7元/吨降低至49.3元/吨），在劳动力成本较高的东部城市单位装卸搬运成本降低幅度更大。试点地区各类企业（第三方物流企业除外）平均物流成本占营业收入的比重平均下降13%（从试点前的36%下降到31.3%），试点城市社会物流总费用占GDP比重平均下降2个百分点。

? 推动物流效率大幅提升：

1）带板运输比例提高1.1倍（从15.5%提高到32.5%），带板运输有利于减少倒装次数、提高企业物流效率、降低人工搬运成本、降低破损率，更是在供应链上下游之间实现托盘循环共用的基础和关键环节；2）平均车辆周转率提高1.2倍（从试点前的1.25次/天提高到2.75次/天），3）从传统的人工装卸到引入叉车，撰写效率提升：平均装卸工时效率提高21.4倍（从试点前的0.5吨/小时提高到11.2吨/小时）4）供应链协同作业效率提升：托盘标准统一后，上下游可以方便共用，并且可以开展托盘订货、免验货快速出入库等操作，提升供应链协同作业效率。

根据《商务部办公厅财政部办公厅关于开展供应链体系建设工作的通知》，未来商务部将继续推动与标准托盘相衔接的设施设备和服务流程标准化。具体措施包括：支持仓库、配送中心、商超、便利店等配送设施的标准化改造，以及存储、装卸、搬运、包装、分拣设备和公路货运车辆（外廓2550mm）等标准化更新；鼓励以标准托盘和周转箱（符合600mm×400mm包装模数系列尺寸）为单元进行订货、计费、收发货和免验货，促进物流链全程“不倒托”、“不倒箱”；推动利用配送渠道、押金制等对标准包装物进行回收使用；探索标准托盘箱替代快递三轮车箱体，以循环共用推动分拣前置、环节减少。

日日顺引领大件物流服务标准。大件物流面临能否送货到家并上楼、能否拆箱、专业安装、退换维修等行业难点和需求痛点，往往导致消费者体验差。2016年10月14日，日日顺联合中国标准化协会共同发布了居家大件智慧物流全流程服务标准，包括“仓、干、配、装、揽、鉴、修、访”八大规范，涵盖了产品从仓库到配送再到退货等全流程。

案例3：自动化/智能化：无人车、智能快递柜

传统的物流行业是劳动力密集型产业，各环节均需要大量劳动力。随着中国人口红利的逐渐消失和劳动力成本的相应上涨，自动化、无人化和智能化技术的发展进步既是要求也是机遇。目前应用这些技术的企业主要有三大类：以菜鸟物流、京东物流等为代表的平台型企业、传统物流公司和新兴创业企业。人工智能算法可以规划运输工具的最优行进路线和驾驶模式，降低分拣、运输和配送环节的能耗，减少碳排放。

分拣环节：智能分拣

传统快递物流中心依赖工人手动称重、分拣、配货，费时费力，面对各大网购节爆发式增长的包裹数量，货品积压、丢失时有发生，严重影响包裹发运速度及质量。根据中科微至官网，公司研发的系统可快速精准地实现大小件包裹的智能化分拣，准确率达99.99%，可实现高密度分拣（18000件/小时）。智能分拣可有效降低漏拣、错拣，提升分拣过程的效率。

运输环节：无人车、无人机

运输环节的无人化和自动化目前仍处在探索研发阶段，主要分为陆上（无人车）和空中（无人机），典型代表包括京东物流研发的新能源无人货车和顺丰研发的大型干线无人机。

同样地，末端配送机器人目前尚处于研发阶段，京东和菜鸟等平台对此都有相应的投入和布局。而智能快递柜作为末端最后一公里的重要补充，则得到了更为广泛的应用，涌现了包括丰巢、速递易等一批企业。除快递公司参与设立丰巢的形式外，物流公司也有依靠自身资源建立末端快递柜网络的：日日顺旗下创业公司日日顺乐家，利用200多个城市的6千个海尔服务商和5万名服务工程师资源，在全国90个城市完成1万多个社区智能柜和社区驿站平台，覆盖用户1800万，日均活跃用户40万。

量化测算

我们认为，通过提升良率、减少材料成本等方式，人工智能在制造业各环节的应用可实现降本增效，助力碳中和。以物流端智能分拣及运输环节为例，我们对应用人工智能对成本的影响进行测算。

关键假设思路：

目前，智能分拣主要有交叉带式和AGV式两种解决方案，我们遵循各方案单包裹成本、所需人力、渗透率不同的假设。具体来说：1）传统全人工分拣效率通常小于1.5万件/小时，所需人力约为50人，单包裹成本约为0.45元，人力分拣目前在行业内应用仍较广泛；2）交叉带式方案所需人工为20-30人，单包裹成本约为0.45元；3）AGV方案但包裹成本可低至0.18元，该方案目前渗透率仍较低，但我们预计随物流行业智能化水平提升，AGV渗透率有望迅速提升。

物流运输方面，我们从公路货运周转量、油耗和对应能耗出发，参考行业内通过智能化降低空驶率的假设。具体来说：1）空驶率有望由2019年的28%降低到15%；2）大货车平均油耗百公里30升；3）每千克燃油对应约3.31千克二氧化碳排放。

基于以上假设，我们认为随物流行业智能化、自动化程度不断提升，2025年物流分拣及运输环节智能化升级有望通过降耗增效，减少5.6万吨/7081万吨以上的碳排放。

责任编辑：张正君