制造业为何必须拥抱 AI 与大数据以构建竞争优势

制造业数字化转型的议题已持续十年，但近期事件更凸显了工业 4.0 与智能制造所带来的敏捷性、可扩展性与韧性的迫切需求。《Manufacturing Global》采访了 GE Digital 高级数字产品经理 Cobus Van Heerden、EY 英国咨询合伙人 Mark Powell 以及 Infor EMEA 解决方案咨询副总裁 Phil Lewis，探讨如何利用 AI 与大数据技术实现实时运营可视化，从而提升流程可靠性与绩效。

AI 与大数据在制造业的当前应用有哪些？

CVH：工业 AI 融合了针对性 AI 技术、数据、物理模型与深厚领域知识，旨在解决关键工业业务挑战。传统 AI 模仿人类智能，而工业 AI 则在此基础上进一步挖掘洞察，在高风险、动态多变的工业环境中确定因果知识。在制造领域，工业 AI 可用于检测和预测关键流程与资产问题，帮助企业优化产能、质量与成本结构。

PL：教科书式的 AI 或大数据定义忽略了行业差异，不同行业对技术的需求截然不同。关键在于将特定技术应用于企业面临的具体问题——可能是“行业标准”问题，也可能源于技术配置本身。最大价值在于将大数据、AI 等工具应用于那真正独特的关键 10% 业务上。我们将其归类为 60/30/10 模型，以此驱动技术应用的最大价值。

为何制造商应利用 AI 与大数据实现工业 4.0 智能制造？

CVH：智能制造部署工业高级分析，利用实时与历史数据预测未来资产与流程绩效，并在闭环中优化。这涉及运用 AI 与机器学习，让流程工程师整合跨工业数据源的数据，快速识别问题、发现工厂问题根因、预测资产未来表现，并自动化员工可执行的改进行动，从而提升质量、生产力与运营。

MP：数字化迫使制造商重塑供应链。多数企业仅用内部数据追踪供需平衡，难以预见影响供应链的外部事件。利用能理解非结构化外部数据（如社交媒体、事件数据）的 AI 技术，制造商能更早规划应对供应链中断。此外，制造商还可用 AI 与大数据构建制造运营的数字孪生，挖掘缩短生产周期、增加产能、预测非计划维护等变革性可能。

PL：AI 与大数据的标杆数据极具吸引力。西门子在德国实现一家工厂 75% 流程数字化或自动化，生产力提升 1400%，这对任何企业都是颠覆性的。因此，许多制造商正探索如何将 AI 与大数据纳入未来规划。

制造商实现 AI 与大数据运营价值的最佳策略是什么？

CVH：流程工程师拥有卓越领域专长，可构建流程模型——即流程数字孪生并加以解读，这是通过分析提升竞争优势的基础。制造商应制定策略，将领域专长与五大能力对齐：分析——自动根因识别加速持续改进；监控——预警减少停机与浪费；预测——主动行动提升质量、稳定性与可靠性；仿真——假设仿真以更低成本加速精准决策；优化——最优工艺设定点在可接受质量下将吞吐量提升高达 10%。所有流程工程师都需发展分析与机器学习能力以保持竞争力。工程师可从小项目起步，逐步推进至试点、多工厂优化，深度应用分析。其深厚领域专长为建模流程、开发特定应用的变革性分析奠定基础。最重要的是，立即开始分析实践——“Trystorm”（试验风暴）一些项目，用数据与分析验证直觉想法，无需等待成为数据科学专家。利用易用的成熟工业分析工具，结合领域专长，即可快速驱动巨大改进。

PL：企业（含制造商）评估数字化项目通常聚焦客户、供应链、内部效率或人员四大驱动因素，这些往往源于持续的“如何做得更好”态度，并因竞争焦虑而加速投资。但需注意，许多制造商已在疫情前大量投资技术，首要任务是将 AI 与大数据与现有技术对齐。评估现有技术时，不仅要看短期能否支撑当前流程，更要看其是否为未来提供数据平台——这要求大数据能力。不再仅选支持/微调现有流程的平台，必须内置未来能力。同时需确保技术以最佳方式部署，这要求开放的云原生应用景观，让企业无需繁琐集成即可抓住大数据、AI 等新机遇，提升组织敏捷性，专注于技术在业务需求上的创造性应用，如识别新收入机会。

采用 AI 与大数据分析面临哪些挑战？

CVH：制造商面临降低废品、成本、风险并满足客户需求的压力。AI 与数据的结合通过赋能员工掌握情境化数据，使人、资产、流程高效协同，加速数字化。另一挑战是“如何开始”：企业想了解分析在运营中的应用，却不视为现有员工职责。所幸工业 AI 方案可助力，无需流程工程师成为数据科学家。

MP：关键挑战在于制造商能否在组织内就 AI 高价值影响领域达成共识。例如用机器学习与计算机视觉预测识别设备故障，减少停机与维修成本。另一挑战是建立通过试错学习将 AI 融入流程的文化。长期以来组织谈论成为“数据驱动”但效果不佳。制造商需换思路：先理解新洞察能从何处创造价值，再聚焦驱动洞察所需数据，进而驱动业务价值。组织应成为“洞察驱动、数据赋能”而非单纯“数据驱动”，才能真正释放 AI 与大数据威力。

PL：核心在于数据态度的转变：数据曾被视为“必要之恶”，如今成头号资产。这常驱使企业痴迷大数据标签，但关键在于怎么用数据——借 AI/BI/IoT 等将数据转化为真正资产。汽车行业是典范——利用并出售汽车产生的数据。有趣的是，“云”已成基础设施：两年前云是首要考量，现在是“必选项”，问题不再是上不上云，而是用何种云/云策略。对话已从“怎么做”转向“做什么”及“为什么拥抱数字化”。

AI 与大数据是否在驱动第四次工业革命（工业 4.0）？

CVH：工业 AI 与数据结合产生“流程数字孪生”，帮助制造商通过挖掘传感器与生产数据洞察，快速排查连续、离散或批次制造流程绩效。该技术利用预测分析，让用户分析运行场景，量化运营变更对关键绩效指标的影响，识别绩效波动成因。数字孪生通过回溯历史数据与实时数据，激发持续改进——这是未来工业的核心目标。

PL：我们每天看到 AI/ML 用例增加——库存优化、维护、财务流程加速等高频领域。为持续获得 ROI，AI 需与其他系统“预装就绪”而非“事后挂载”，否则面临高昂集成成本。下一步具体技术取决于公司/项目成熟度——企业刚从“零散数字化项目”迈向“数字化织网”。由海量传感器数据驱动的 AI 指导性作业，对 B2B/工业市场极具潜力，在资产维护与现场服务已现曙光。