AI 在产业中的崛起
“人工智能”是二十一世纪最热门的词汇之一，而主要的推动力来自过去十年。尽管对人工智能的加速推进相对较晚，其起源可追溯至二十世纪中期。
图灵测试
1950 年，阿兰·图灵将人工智能的概念带入人类视野。根据他的思考，他提出了图灵测试，以判断机器能否达到或超越人类的思维水平。不幸的是，直到 60 年代末，突破并不多，这是由于缺乏投入 AI 研发资金而被称为第一次“AI 寒冬”的时期。
机器人进入制造业
然而，尽管当时领域增长缓慢，AI 的一些要素还是在幕后悄然融入制造业。例如，1978 年开发的名为 SCARA 的装配线机械臂被用于制造。但直到 20 世纪 80 年代，我们才看到 AI 研发的下一次繁荣，而国际象棋在其中发挥了重要作用。
AI 的将杀时刻
当时的国际象棋世界冠军加里·卡斯帕罗夫一路称雄。国际象棋被视为必须攻克的关键游戏，因为战胜它意味着 AI 达到了图灵所设想的、能够以人类能力水平思考的标准。
卡斯帕罗夫对 AI 在其领域的进展并不信服，并声称基于 AI 的象棋引擎无法超越特级大师的水平。1996 年他击败 IBM 的“深蓝”，以及更早在 1989 年击败其前身“深思”，进一步强化了这一信念。
但在 1997 年的重赛中，IBM 的“深蓝”击败了卡斯帕罗夫，让他不得不收回前言；这一时刻被认为结束了始于 1988 年的第二次“AI 寒冬”。
AI 的未来
自那以后，AI 稳步提升。然而，直到 2012 年深度学习革命以及更近的 GPT-4 发布，才迎来下一波高潮。
每一次进步都对 AI 的发展起到了重要作用，并逐步渗透到制造业。如今，制造商借助 AI 优化生产已成为常态。
制造业中的 AI 示例
我们可以将 AI 定义为“由机器展示的智能——对信息的感知、综合与推断——而非人类或其他动物所展现的智能”。
AI 的一个特定分支——机器学习——由于制造业对海量数据的依赖，在该行业取得了突破性进展。
机器学习使机器能够基于从数据中学习到的模式，在无人干预的情况下做出决策。人类通常难以梳理海量数据，而对机器而言这很简单。
尽管一座由机器人工人填满的工厂曾像科幻中的天马行空，如今这已是制造商利用 AI 的现实场景之一。
不过，制造商可以从多方面受益于 AI；让我们来看几个例子。
预测性维护
所有工业设备都有寿命。如未能及时维护，可能导致巨大的金钱与时间损失。过早保养同样会带来时间与金钱浪费，因此关键在于识别维护或更换设备的最佳时机。基于 AI 的预测性维护正日益被引入以满足这一需求。
质量控制与检验
制造出的产品通常会进行一定程度的质量控制，以确保在进入消费者手中前达到良好标准。传统实施质量控制意味着由人工进行目视检验以查找缺陷。人工目视检验的问题主要有两点：1）人类易出错；2）检验耗时。
将目视检验的职责交给由 AI 驱动的检测设备（如机器视觉相机），往往能更快且更准确地发现缺陷并完成检验，从而使企业更有信心在产品交付消费者前就达到预期质量。
流程优化与自动化
机器人流程自动化（RPA）等技术简化了构建、部署和管理模仿人类与数字系统及软件交互动作的软件机器人的要求。
此类软件能够以高于人类的准确性处理重复、海量的流程。RPA 的应用示例包括系统间数据传输、搜索、计算与记录维护。
供应链管理
制造业中 AI 的一个很好的例子体现在供应链管理。制造商通常需要处理数以百万计的订单、采购、材料、配料等。手动处理这些流程会大幅占用人力与资源，因此越来越多的公司转向 AI 来增强其供应链流程。
协作机器人
协作机器人（简称 Cobots）在与人类并肩工作、提供支持方面承担了更大的职责，而非取而代之。
与被编程为重复执行单一任务的自动化机器人不同，协作机器人可以学习执行多种任务，更常被部署于需要重物搬运（如搬运笨重汽车零部件）或在工厂装配线上作业。协作机器人的另一种用例是于大型仓库中定位并取回物品。
AI 在制造业的伦理影响
在制造业中由 AI 带来的种种积极成果与潜在突破的同时，也出现了一些令部分群体担忧的伦理问题。
以下是他们提出的一些顾虑。
失业与不平等加剧
最显而易见的担忧是对人类安全的威胁。对一些人而言，这种威胁关乎生存；对另一些人来说，则更多关乎劳动力需求。
传统上，技术进步会提高对高技能劳动力的需求，而对受教育程度较低、技能较少的工人的需求则下降。
然而，正如 IBM 董事长兼首席执行官 Arvind Krishna 在 2023 年 1 月达沃斯的预测所言，随着 AI 革命，我们可能会看到相反的情况：
“相比体力劳动，您更应该担心文书、白领岗位。大量此类岗位会被取代。那么问题在于：‘要创造哪些工作来替代它们？’”
随着机器变得更加智能，它们势必在职场中取代许多人类岗位，使缺乏第四次工业革命所需技能的人面临失业。
网络安全威胁
网络犯罪分子不断发明新的系统入侵手段，这引发了对 AI 的诸多担忧，因为其更易受到网络攻击。世界经济论坛指出制造业的主要威胁包括：
- 钓鱼攻击
- 勒索软件
- 知识产权盗窃
- 供应链攻击
- 物联网（IoT）攻击
随着人、产品与设备通过物联网日益互联，系统中的一个小小漏洞就足以扰乱整条生产线，在最糟糕的情况下甚至会让制造企业完全停摆。
偏见
在信任 AI 快速处理大量数据时所做的权衡之一，是它可能学习到固有偏见。AI 并非总能做到公正中立。
例如，一个被训练用于预测未来罪犯的 AI 系统，对黑人表现出明显偏见。构建系统的人也必须纳入考量。AI 系统是由人创建的，而人往往有各自的偏见，可能会被无意中带入。
在制造业中，AI 偏见可能引发多重问题。
例如在预测性维护中，若 AI 模型基于带偏的数据集训练，可能无法准确预测设备故障，导致意外停机、成本上升与生产率下降。
偏见还会扭曲自动化质量控制流程，基于有缺陷的数据，可能对某些产品或零部件产生不当偏好。
此外，在 AI 驱动的供应链管理中，偏见可能导致不公平的供应商选择、资源配置低效以及对市场需求的误判。这些影响不仅会损害运营效率，还可能带来声誉风险并引发合规问题。
总结
毋庸置疑，AI 是一项革命性技术；越来越多的企业已开始采用它来改进实践、做出更优决策并打造更好的产品。
随着这些系统变得更智能，制造实践也有望随之改进；因此，牢牢掌握AI 基础的企业，极有可能在竞争中占据显著优势。
申请演示，了解 DataCamp 如何引导您为整个团队提升技能，打造数据友好型文化。
自从世界经济论坛创始人克劳斯·施瓦布在达沃斯的一次会议上提出“第四次工业革命”（4IR）一词，至今已七年。尽管如此，围绕其潜力、形态及到来时间的热议从未停止。
在其同名著作中，施瓦布将第四次工业革命描述为“正在模糊物理、数字与生物领域界限的一场技术革命”。
随着我们对人工智能等技术的依赖加深，且其在生活中扮演的角色愈发重要，许多人不再将第四次工业革命视为未来之事，而坚持认为它已然到来——下一步是建立对 AI 的信任以加速其落地。您可以在我们的专题网络研讨会中进一步了解如何用 AI 颠覆决策制定。