PwC洞见：以AI与大数据重塑制造业

《Manufacturing Global》专访PwC中东合伙人Kaveh Vessali（数字、数据与AI），探讨AI与大数据在制造业的应用。

请定义人工智能与大数据

AI是机器感知环境并执行通常需人类智能任务的能力，涵盖技术、方法与应用的完整领域。

大数据是处理超大规模数据集的工具与能力集合。

AI与大数据如何协同

大数据是AI关键赋能器之一，随数据量激增，其重要性日益凸显。

如何应用于制造场景

广义上，AI与数据应用价值包括：降本、减少人为错误、提升生产力与效率。关键在于：任何技术落地，首问"要解决什么问题？"——无论是自动化重复任务，还是重塑工厂工作本质，让人机协作实现更优、更快决策。

制造商为何采用智能制造能力时应引入AI与大数据？价值何在？

经济收益视角：

1. 自动化流程与AI增强现有劳动力带来的生产力增益；
2. 个性化定制能力提升与高质量数字化/AI增强产品服务驱动的消费需求增长。

制造业（及建筑业）本质资本密集。PwC 2018报告《中东AI潜在影响》测算：至2030年，AI采纳可使该行业GDP贡献增超12.4%。

AI与大数据如何助力制造商在Industry 4.0演进？面向Industry 5.0者如何布局？

核心在于当下投资以面向未来的业务护城河。

观察到两大采纳路径：即时落地无需大数据——采用"感知类"技术（如计算机视觉），制造场景丰富（自动缺陷检测等）；长期布局需投资数据——建立采集、存储、治理、大数据能力，开发高价值机器学习驱动AI用例，这是长期成功的必要条件。

实现AI与大数据价值的最佳策略？

AI与大数据只是智能工厂一环。领跑AI规模化采纳的组织，已在核心业务流程数字化上取得最大进展。要在规模化应用AI领先，需在技术投资与组织决策上推进：

1. 流程数字化沉淀数据生成能力。制造现场数百传感器实时产生海量测量数据，形成大数据。数据是构建AI基石，可靠精准的数据获取、管理与治理至关重要。产线与工厂在数据采集中扮演直接关键角色。
2. AI战略长短期皆以用例、业务应用为起点。制造商须梳理AI应用场景，按预期影响与实施复杂度平衡优先级。

除技术与流程，人是技术采纳成功核心。AI团队需包含数据科学家、数据工程师、方案架构师、数据管家，日益关键的"分析/AI翻译官"连接业务与技术。文化建设同等关键：建立数据与AI驱动文化，通过教育建立对数据与算法的信任，认知能力边界与风险，避免预期落空动摇投资意愿。

采纳挑战有哪些？

[研究机构缺失]显示：实施AI主要挑战为ROI不确定性。长期数据与AI战略需巨额投资，必须设定切合实际的回报周期预期。

多数企业数据端受困：采集供给AI所需数据并保证准确，折射数字化投入不足。

规模化落地AI的主要挑战（多选）：

• 40% → 技术不成熟
• 40% → 劳动力缺乏实施管理AI技能
• 36% → ROI不确定
• 33% → 数据不成熟
• 32% → 缺乏透明度与信任
• 24% → 工作委员会与工会
• 22% → 本国及关键市场监管障碍

信任缺失与工会顾虑源于媒体将AI误读为"替代"工人、夺走工作。自动化确有效率增益，自首次工业革命以来皆然。但我们深信：数据与AI在增强工人能力、提升产品品质时价值最大。

新兴挑战：网络攻击越发瞄准智能工厂互联设备。PwC近期联合全美制造商协会与微软举办网络研讨会探讨此题。

制造业AI与大数据当前趋势？

• 企业更聚焦将AI植入核心生产流程：工程、装配、质检；
• 安全重视度显著提升，协议遵循技术（如保持与特定机械安全距离）延展至COVID-19合规日常场景；
• 大型机械预测性维护与供应链优化受高度关注。

未来12-18个月制造业AI与大数据走向？

诚实判断：将延续过去12-18个月轨迹。AI与数据已在制造业落地，只是媒体关注度不及医疗等领域，但成功案例存在，且将随数字化转型深化持续涌现。