机器学习赋能制造业减排：直击气候变化核心挑战

气候变化对人类构成重大威胁，非留待后代之忧。若温室气体排放不在2050年前近乎清零，世界将面临全球气温灾难性后果。虽许多行业已采取减排步骤，但因错误预设绿色方案成本高昂，仍存抵触情绪。

制造、物流、建材是温室气体排放主力。据自然资源保护委员会（NRDC），美国前15大食品饮料公司年排放温室气体超澳大利亚全国总量。然而，借助机器学习（ML）采纳，该行业也极具正向气候影响潜力。

ML被誉为技术进步利器，虽用于对抗全球粮食短缺，但鲜有努力挖掘其在其他环境用途的潜力。工厂ML应用跨多行业，可通过驱动能效、精简供应链、提升生产质量，助力全球减排。

削减消耗

工厂常见问题：机器运行功率过高于所需产出。许多工厂可在不影响性能前提下降低单机功耗大幅提效。若机器仅需25%最大功率即可特定速度跑线，多种ML技术可通过关联功率和生产数据揭示此点，允许优化功率设置，即使最优设置随机器老化而变。

电厂案例中，ML可结合热成像判断厂区哪些部分温度过高，调节施加功率。若工厂采纳类似原则管理用电，将进一步提效。一种方式是精简供暖、通风、空调系统。虽是潜在大投资，工厂也可用ML模拟不同能源下的产出和功耗，便于重新设计工业流程以低碳能源替代煤油气运行。

除能耗，工厂也可用ML在产品生产前捕捉缺陷（如用计算机视觉早期发现产品缺陷，或用历史数据预测错误成因），大幅减少废品。这多重受益：生产同等产出需时减少、减少废品浪费时间、废品排放减少。若一家1亿美元工厂废品率降10%，其排放影响相当于让2000辆车停驶一年。这凸显工厂微小变化对排放的巨大杠杆。

供应链优化

许多工厂过度生产或过度备货。这不仅通过生产浪费资源，还因运输仓储增加排放。ML可通过预测需求减少此弊。食品行业例中，可通过量化算法追踪保质期或计算机视觉追踪颜色变化识别临近变质产品，减少收获后损耗。若以此精简供应网络减轻仓储压力，则能因正确产品在需求时被发运而卖出更高比例产品。理论上，ML还可助工厂基于地理、公司年龄等类别建立供应商网络，构建算法辅助决策选哪个供应商。

计算机视觉等ML技术还使工厂能按广泛接受标准"分级"并记录产品质量。执行这些分级允许供应商提供产品认证级别，给潜在客户信心、拓宽可触达市场。例如，因美中钢铁高关税，钢铁常经第三国转运，削弱终端客户对最终质量保证。基于ML的检测认证，无论供应商端或客户端，都让美国钢铁用户更易从更多国家采购钢铁。

精炼工艺

许多制造业深受生产过程材料浪费和能量损失之苦。如钢铁生产，成型过程中大量改性和热传导导致巨大能量损失。每吨钢全供应链排放1.8吨CO2，水泥钢铁生产占全球温室气体排放9%。塑料生产工厂因塑料不如金属可回收，大量废料未被回收。

这两类生产在废料减少上最可能见剧变。而非聚焦许多初创公司以额外成本提供的绿色方案，废料减少应成这些行业主激励，进而带来节能和更可持续生产。可持续和清洁能源方案不应被视为有钱工厂的奢侈品，而应是提效的副产品。工厂也可不走显性清洁能源路径、仅用更少能源就提高产出——用能不超需求本就是好习惯。

ML通过精炼制造工艺助力气候变化抗争，带来效率提升、能耗降低、排放减少。这些成果将让工厂有信心转向更清洁生产。将ML应用于气候变化可助制造业脱碳、推进尚在萌芽期的ML技术、造福整个社会。

Arjun Chandar和Hunter Ashmore是IndustrialML Inc.联合创始人。