AI 体现了工厂的范式转移。今天的工厂自动化流程和工具采用的是规则导向的做法，今天的机器人编程处理的是固定的场景。

相反，未来的工厂会利用 AI 来支持自动化流程和机械制造以响应不熟悉或者意外情况，从而做出明智决定。

因此，技术系统会变得更加灵活适应性更强。比方说，在基于规则的做法下，机器人无法从一批未整理的零件中识别和选择所需的零部件，因为它缺乏必要的详细编程去处理零件无数可能的方向。

相比之下，有 AI 支持的机器人可以从一堆乱糟糟的零件中挑出想要的零件，不管其方向如何。

各种 AI 用例包括改善工厂内外不同运营领域的生产力。在调查受访者当中，有 37% 认为 AI 对工厂运营中生产的生产力改进发挥了最重要的杠杆作用。

而 12% 的人选择了物流是 AI 作用最大的地方。跟这些发现一致的是，公司把自优化机器、质量缺陷检测以及效能损失预测视为最重要的 AI 用例。

尽管不同的公司对不同用例的价值看法胡有所不同，但制造商唯有应用 AI 并集成内部不同职能以及供应商与客户的数据池才能重返发挥其作用。

工厂外部。在工厂外围，工程和供应链管理是 AI 应用最重要的运营领域：

工程：制造商可以利用 AI 促进研发努力，从而优化设计，改进对客户需求和期望的响应并且简化生产。

AI 支持生成式产品设计，根据既定目标和约束利用算法探索各种可能的设计解决方案。

通过迭代式测试和学习，AI 算法优化设计，推荐在人类看来非传统的解决方案。

一些航天公司正在利用生成式设计以全新的设计开发飞行器部件，比如提供跟传统设计功能相同但是却轻便许多的仿生学结构。

供应链管理：需求预测是供应链管理领域应用 AI 的关键主题。通过更好地预测需求变化，公司可以有效地调整生产计划改进工厂利用率。

AI 通过分析和学习产品发布、媒体信息以及天气情况等相关数据来支持客户需求预测。

一些公司还利用机器学习算法识别需求模式，其手段是将仓库、企业资源计划（ERP）系统与客户洞察的数据合并起来。

工厂内部。在工厂内部，AI 会把各种好处带给生产以及诸如维护、质量与物流等支持职能：

生产：我们的研究涵括了所有的生产环境，包括连续加工（比如生产化学和建筑材料的）以及离散型生产（比如装配任务）。

在所有的环境中，制造商都会利用 AI 来降低成本提高速度，从而提升生产力。他们还会用它来改善灵活性应对生产的复杂性——比方说客户定制产品的生产。

AI 还可以让机器和部件成为自优化的系统，通过对当前和历史数据进行连续分析和学习实时调整自身参数一些钢铁厂已经在利用 AI 让熔炉自动优化设置了。

AI 分析铸沟的材料构成，识别稳定工艺条件的最低温度，从而降低整体的能耗。

在另一个重要的生产用例中，得到智能图像识别能力增强的机器人可以从未定义的位置（比如箱子里或传送带上）里捡起未分类的零件。这已经在汽车业有了实际应用。

维护：制造商会利用 AI 减少设备故障提高资产利用。AI 支持预测性维护——比方说，通过根据实际情况替换磨损部件来避免故障。

AI 会持续分析和学习机器和部件产生的数据（比方说传感器数据和产品结构）。这一技术对加工业尤其有好处，因为故障会导致销售损失。

比方说，一些炼油厂已经实现了在设备失效前估计剩余时间的机器学习模型。这种模型会考虑超过 1000 个与材料投入、材料输出、工艺参数以及气候条件有关的变量。

质量：制造商可以利用AI帮助尽早检测出质量问题。视觉系统利用图像识别技术识别缺陷以及产品功能的偏差。

因为这些系统可以持续学习，其性能会随着时间转移而改善。汽车供应商已经开始利用带机器学习算法的视觉系统识别有质量问题的部件，包括检测没有出现在用于训练算法的数据集内的缺陷。

AI 还可以持续分析和学习由机器和生产环境产生的数据。比方说，AI 可以将材料属性和行为与钻床设置信息比较，预测钻孔超出耐受度的风险。

物流：我们的研究关注于产内物流和仓储，而不是外部供应链的物流。AI 会促进场内材料供应的自动转移和效率，这对于管理制造多种产品衍生和定制产品所带来的日益增长的复杂性是必不可少的。

在工厂和仓库内运输物品的无人车会利用 AI 感应障碍调整车辆路线从而实现最佳路线。医疗包建设部制造商已经开始在自己的维修中心利用无人车。

在不需要磁条或者传送带引导的情况下，这些车辆可以在遇到障碍时停下来然后自动确定最佳路线。

机器学习算法会利用物流数据——比如材料进出的数据、库存量、零件的周转率等——来促进仓库自主优化运营。

比方说，有一个算法会建议将低需求的零件转移到更远的地方，并且将高需求的零件放到可以更快获取的附近区域。

一些 AI 用例还可以应用到多个运营领域。比方说，能够生成语言并进行处理的虚拟助理（类似苹果的 Siri 和 Amazon 的 Alexa）可向操作员提供源自 IT 系统的相关背景信息。

一些公司已经在利用语音分拣系统处理分拣、打包、接收以及补给事务。在这些应用中，语音系统会连接到 ERP 系统的物料清单引导操作员去到正确的箱子那里。

AI 系统会根据事件报告（比如图片和书面报告）建议相应事件（比如机器故障、质量离差、性能损失）的解决方案，而且还会持续分析和学习这些报告。

飞机制造商已经实现了利用事件报告识别生产问题模式的自学习算法，然后将当前事件与过去类似事件进行匹配，并且提出解决方案建议。

在研究参与者中国，期望上述用例到 2030 年会变得非常重要的人占比在 81% 到 88% 之间，但是认为这种能力已经在生产的多个领域完全实现的占比就相当低（ 6% 到 8% ）。提供了受访者认为在未来工厂中发挥重要作用的用例排名的概览。