賽迪：AI助力中國智造白皮書（42頁）.pdf

1、AI助力中國智造白皮書AI助力中國智造白皮書 （上海）先進制造業研究院 & 百度AI產業研究中心 2019年10月 目錄 制造業發展現狀分析一、 1 2 3 4 5 6 產品設計 生產制造 物流環節 營銷與銷售 產品使用 安全管理 三、總結與展望 AI在工業制造各個環節的落地應用二、 深入九大行業，面對面訪談調研數十家企業 - 1 - AI技術在制造業的應用需落在工業智能產品或具體工業痛點的解決方案上，相比較“錦上添花”的工業智能產品，“雪中 送炭”的技術更容易被制造業接受 解決痛點 工業AI產品的研發應從制造業企業實際需求出發，通過AI技術滿足制造業全生命周期中的不同需求 需求導向 在云端與

2、邊緣側共同發力，云邊結合打造行業的工業大腦。將豐富的云端業務能力延伸到邊緣節點，實現傳感器、設備、 應用集成、圖像處理的協同 云邊協同 AI技術的必要條件是工業大數據的完整收集及分析，大部分工業企業仍未完成信息化、數字化，導致數據量不足、數據結 構不統一，增加了AI技術應用難度 數據挖掘 核心數據安全依舊是工業企業最為關心的因素，由于工業核心數據是制造業企業最為關鍵的資產，數據上云或者數據外傳 都會嚴重威脅到企業核心數據的安全，因此中大型企業更愿意選擇本地化或者上私有云 安全保障 目前人工智能算法框架以國外企業提供的開源框架為主，以GitHub為代表的開源社區大多由境外公司提供服務，具有中 國

3、自主知識產權的深度學習框架，有助于在工業信息化領域保障產業鏈安全 算法建模 工業的發展進程正在從企業產品牽引用戶需求變為用戶需求引領企業生產,智能制造對于工業領域附加值的提升也應該逐步 從生產制造環節的降本增效，轉向提供高附加值衍生服務,即 “智能制造” 生產的 “智能產品”提供的“智能服務” 商業模式 核心觀點總結 - 2 - 一、制造業發展現狀分析 政策鼓勵和扶持，企業智能化改造備受重視 新時代背景下，國內政策積極引導和扶持 新一代信息技術與先進制造技術的深度融合，是我國從制造大 國向制造強國轉變的核心路徑，制造強國戰略及“1+X”政策 體系相繼出臺，構建完整的智能制造發展政策支撐體系 在

4、宏觀經濟下行壓力下，智能制造及信息化相關技術的發展持 續獲得國家政策扶持，社會資本也逐漸流向智能制造相關產業 發達國家相繼提出先進制造業發展戰略 先進制造業國家戰略計劃（美國） 工業4.0戰略實施建議（德國） “新工業法國”戰略（法國） 制造業白皮書（日本） 各地出臺相關政策文件鼓勵企業智能化改造 廣東省深化“互聯網先進制造業”發展工業互聯網的實施方案 江蘇省智能制造示范區培育實施方案（試行） 山東省智能制造“1+N”帶動提升行動實施方案（2018-2020年） 浙江省數字化車間_智能工廠建設實施方案（2019-2022年） 河南省工業和信息化廳關于開展智能制造標桿企業遴選工作的通知 四川省人

5、民政府關于深化“互聯網+先進制造業”發展工業互聯網的實施意見 湖北省智能制造試點示范項目實施方案（2019版） 福建省工業和信息化廳關于開展2019年福建省智能制造試點示范企業與樣板工 廠（車間）項目認定申報工作的通知 上海市智能制造行動計劃（20192021年） 北京市智能制造關鍵技術裝備供應商推薦目錄（2018） 安徽省推進船舶總裝建造智能化和智能船舶發展的實施方案（2019-2021年） - 4 - 人口紅利降低，勞動力成本提升，精益生產迫在眉睫 9.25 9.22 9.20 9.16 9.11 9.07 9.02 8.97 68.7% 68.1% 67.6% 67.0% 66.3% 6

6、5.6% 64.9% 64.3% 62% 64% 66% 68% 70% 8.6 8.8 9.0 9.2 9.4 2011 2012 2013 2014 2015 2016 2017 2018 中國勞動年齡人口連續下滑 勞動年齡人口總數（億人）占總人口比重% 市場環境不容制造業發展走舊路 人口老齡化和勞動成本上升，使得依賴低人力成本的勞動密集型產業在全球市場的 優勢逐漸喪失。面對內需降低、部分核心技術依賴進口等問題，以精益生產為目標 的制造業智能化改造將引領一批自主品牌邁向全球產業鏈中高端。 2.66 3.07 3.67 4.17 4.64 5.14 5.53 5.95 6.45 7.21 2

7、009 2010 2011 2012 2013 2014 2015 2016 2017 2018 城鎮非私營單位制造業人均年工資(萬元) 數據來源：國家統計局 工業發展是支撐國家其他產業發展的先決條件，而制造業則是促進國家工業發展的 重要力量，在國民經濟中發展中具有不可替代的主導作用。制造業體量大、增速穩、 前景廣，是中國經濟社會發展的驅動核心。 2018年中國國內生產總值（GDP）達到90萬億元，其中制造業為26.5萬億元，占 中國GDP的比例為29.4% ，工業增加值為30.5萬億元，制造業是中國經濟發展的 第一大支柱。預計到2025年，中國工業增加值將達到45萬億元。 - 5 - 制造業

8、信息化改造逐步深入,企業逐漸夯實AI落地基礎 截至2018年底，全國制造業重點領域骨干企業數字化研發工具普及率1為68.9%，關鍵工序數控化率1為49.2%，傳統行業IT投入 強度相對較低，關鍵工序數控化率仍有較大提升空間。 關鍵工序：總時差等于零的工序稱為關鍵工序 1 骨干企業數字化研發工具普及率、關鍵工序數控化率：工信部衡量制造業企業兩化融合能力、智能化水平的考核指標 2 R&D：指科學研究與試驗發展投入占主營業務收入的比例 450 360 187.5 144 30 150 75 38 15 65% 70% 45% 50% 30% 65% 50% 40%40% 7.80% 6.20% 4.

9、10% 0.30% 3.50% 0.50% 2.50% 4.20% 1.60% 0% 10% 20% 30% 40% 50% 60% 70% 80% 0 50 100 150 200 250 300 350 400 450 500 3C 汽車家電電力食品飲料化工冶金機械紡織 2018年全國重點行業信息化建設就緒度 行業前五大企業連續3年IT投入成本（億元人民幣）關鍵工序數控化率R&D 2 數據來源：工信部、WIND（億元） - 6 - 人工智能助力工業領域信息技術新革命 Artificial Intelligence-人工智能 五大核心技術 機器學習/深度學習 計算機視覺 自然語言處理 知識圖

10、譜 語音技術 工業人工智能 以系統化的方法和規則為工業應用提供解決方案 科研成果與工業應用 快速性系統性可傳承性 為工業帶來的改變： 不同的人使用同樣的工具可以得到近似的效果 邁向智能制造標準化的方向 賦能工業場景： 提高生產效率 改善質量穩定性 降低能耗成本 提升設備穩定性 提高危險工業場景的安全性 工業AI的局限性 無法突破人類已有的 認知 以解決問題的“機會 性”向工業場景的 “確定性”逼近 - 7 - 遍布制造業全生命周期的智能化改造需求 工業質檢 故障診斷 能源優化管理 工業機器人 市場需求預測智能物流規劃精準營銷遠程運維 智能家居 市場需求度高市場需求度較高市場需求度一般市場需求度

11、較低 產品溯源安全監察 智能設計軟件 安全管理6 產品設計1生產制造2物流3營銷與銷售4產品使用5 預測性維護 - 8 - 二、AI在工業制造各個環節的落地應用 PART 01 產品設計 生產全生命周期中的首要環節 智能制造的實施規劃 - 10 - 人工智能助力產品設計 市場需求預測 需求點：基于銷售數據建立用戶畫像模型，預測產品銷售情況 解決方案 通過智能終端獲取用戶數據，通過用戶數據建立用戶畫像 通過建模參數優化給出預測的營銷支撐數據，判斷客戶購買意愿 針對不同客群優化銷售營銷策略 難點及風險 用戶數據標準化程度低，客戶行為分析難度較高 用戶數據多涉及個人隱私及商業機密，數據獲取困難 智能

12、設計軟件 需求點：智能助手，為設計師提供滿足相關標準的設計參數建議 解決方案 根據國標及行業標準，建立標準件參數庫 以成熟產品的設計參數建立數據庫，對不同類型產品參數進行分類 以分類后的參數庫作為訓練樣本對深度學習算法進行訓練 在用戶開啟智能功能時，為非標準件提供參數建議 難點及風險 國標及行業標準數據冗雜，機器學習樣本分類難度大 應用效果難以保證，技術推廣前期市場接受度較低 - 11 - 基于知識圖譜的智能設計模塊 筋板尺寸與歷史數據均不相同， 可能不滿足零件強度需求 通孔尺寸與GB/T-5277-1985 沖突，建議參照國標修改 設計周期的長短逐漸成為產品占領市場的核心競爭力，基于知識圖

13、譜的智能設計模塊能夠避免因設計失誤而造成的設計方案反復修改，有 效縮短產品設計周期，提升產品的市場競爭力。 當前，CAD軟件的主要功能是使設計的步驟自動化。CAD軟件用于 創建零件的計算機模型，將它們裝配在一起以及對零件和裝配體的性能 進行建模，以使其符合設計規范。設計過程的分析步驟是迭代的，由專 家執行的設計評審確定其是否需要更改。使用基于AI的工具，可以直接 執行專家決策，而無需進行單獨的設計審查和綜合，因為AI工具中已經 包含了專家的知識和經驗。 AI賦能后的CAD具備以下基本特征： 產品組件以結構化圖層形式儲存，組件與之間的關系以面向對象的 格式實現 產品結構也以結構化圖層形式儲存，產

14、品結構內組件或零件之間， 基于國標或歷史數據推薦方法鏈接 在數據庫中更新組件或零件十分便捷，易于在AI邏輯框架中添加基 于知識的新規則和決策程序 倒角設計不符合行業規范，建 議參照xxxx版本進行修改 - 12 - PART 02 生產制造 制造業全生命周期中最重要環節 工業場景最豐富，智能化改造需求最多 - 13 - 機器視覺-讓質檢線擁有會思考的眼睛 汽車 裝配線表面質量及漏油情況檢測 基于機器視覺的出廠檢驗 方案 裝配線零部件標識和外觀檢驗 視覺輔助檢測車門、車窗雨刷和轉向燈功能 視覺輔助檢測車身外觀質量 冶金 鋼材表面缺陷識別 方案 選擇恰當工藝環節，增加激光光源和工業CCD 相機，對

15、板帶材表面連續拍照，保存圖像數據 對已有的缺陷類型進行全方位拍照，對缺陷類 型和大小進行標定 紡織 基于機器視覺的面料及瑕疵智能識別 方案 采用深度學習算法，針對復雜面料環境進行 瑕疵標定 采用工業CCD相機持續拍攝織物流水線，對 布匹信息及瑕疵種類大小進行智能檢測 3C-產品顯示屏智能質檢 顯示屏是手機關鍵零部件，質量問題直接影響產品體驗。顯示屏表 面微小缺陷難以察覺，人工觀察難度大、成本高。并且，顯示屏涉及復 雜物理原理，缺陷成因難以依靠機理模型確定。 解決方案 在屏幕質檢環節增加工業相機，作為質檢人員輔助工具，以減 輕質檢人員工作量，降低檢測失誤率 AI算法：對已有故障屏幕進行多角度拍照

16、，以圖像作為訓練樣 本，對屏幕故障模式進行機器學習 難點及風險 顯示屏集成電路部分難以拍照，只能通過通電后屏幕顯示情況 進行分析 對于新出現的缺陷類型，人工智能難以識別 產品表面質量智能檢測 - 14 - 由內到外-無處不在的智能工業質檢 家電-空調噪音在線檢測 空調噪音在生產線上淹沒于工廠內嘈雜的設備噪音之中，需要在下 線后在安靜的環境內單獨檢測。采用基于聲紋識別技術的智能質檢方案， 可以實現空調噪音在線質檢，縮短產品生產周期，為產品上市贏得先機。 解決方案 采集工廠內的噪音數據，建立噪音庫 在生產線上增設音頻采集設備，通過聲紋識別技術識別設備噪 音，將噪音作為背景音從采集到的音頻中剔除 對

17、剔除背景音的聲音數據進行分析，實現空調噪音的在線質檢 產品內部質量智能檢測 冶金-鋼鐵產品質量管控 長期以來，鋼鐵產品的內部缺陷、強度硬度等內在質量只能依靠離線 實驗方法進行檢測，在線檢測方法所依賴的機理模型均存在較大的偏差。 基于人工智能算法，可以降低檢測結果對機理模型的依賴，提高準確性。 解決方案 結合現場已有的工業儀表，增加超聲或X射線檢測設備，并通過 信息技術實現檢測數據的實時采集與處理 對產品取樣后，進行材料學實驗檢測，結合超聲和射線成像數據， 對質量波動的數據進行標定 - 15 - 故障診斷及預測性維護-設備的虛擬醫生 生產線歷史數據數據存儲 數據處理 基于AI的 預測性分析 智能

18、終端 實時預警 給出維護建議 ERP質量數據MES 鋼包預測性維護 作為典型的流程型行業，冶金設備的突發故障 將導致全線停產，給企業帶來巨大損失。鋼包是鋼 鐵冶煉過程的關鍵設備，長期與高溫鋼水接觸，內 襯易產生不易察覺的細微裂痕，形成安全隱患。采 用熱紅外成像技術配合機器視覺技術，可以實現鋼 包失效故障的及時預警，提醒對鋼包及時維護。 解決方案 紅外熱像儀置于堅固的殼體內，安裝在固 定位置，當鋼包在龍門吊上經過時，熱像 儀捕捉鋼包圖像 對鋼包圖像進行機器學習，對疑似裂紋點 進行標注，停車檢修時進行實物比對 對鋼包壽命進行預測，有裂紋出現時及時 發出警報 - 16 - 未來已來-人工智能賦予機器

19、人智慧大腦 協作機器人 需求點：柔性制造提升加工精度、人機協同降 低用工成本、多級并聯提高生產效率 解決方案 通過人工智能模塊加載，實現人機協 同和多機協作 通過算法訓練，對機器加工力度、精 度等提供校準、糾錯等輔助功能 難點及風險 低級人工智能階段，AI技術應用達不 到實現人機互動、人機協同的條件 焊接機器人 需求點：提高焊接效率，減小焊縫間隙，保持 表面平整 人工智能可以針對焊接精度進行算法 補償，針對焊接定位誤差、焊接面積 誤差等進行輔助修正，以提高精度 難點及風險 AI智能技術更多起到焊接工藝補償的 輔助功能，在控制算法、視覺算法等 方面有待提升 焊接知識無法通過模塊化處理，算法 模型

20、難以進行訓練 制孔機器人 需求點：基于智能算法的制孔精度和制孔定 位誤差補償 基于人工智能技術的面板基孔自動 預設 基于控制算法實現定位精度動態補 償 難點及風險 目前主機廠商大多存在工件的數字 模型不完整的突出問題，工件的數 據模型完整度不夠 - 17 - 工業機器人-“虛擬勞動力”顛覆傳統制造模式 1 2 3 4 5 6 拾取和放置 防止人工因操作枯燥而出錯 視覺系統可提升效率和精度 大幅降低企業用工成本 設備看護 看護協作機器人具有針對特定 設備的IO對接硬件，可提 示機器人進入下一周期生產時 間或需要補充原料時間 包裝碼垛 代替人工，降低操作重復率 小型負載能力強，協作機器人 運動更加

21、靈活 加工作業 協作機器人通過編程將程序 復制其他機器人，省去企業 員工訓練 柔性制造 算法補償，生產加工精度更 高 根據實際狀況調節生產效率， 使產線及供應鏈更加協調 質量檢測 通過視覺算法，對零部件、 加工件等進行檢測，并與 CAD模型自動對比，提高質 檢精度和效率 協作機器人 - 18 - 能源優化管理-助力企業降本 3C-液晶面板工廠廠務智能優化 液晶面板的制造需要在恒溫、恒壓、恒濕的無塵環境，需要潔凈的壓縮 空氣不斷從無塵室中噴出，而制造壓縮空氣的大型機臺需要使用冷卻水。廠 務站房里的空壓機和冰機的耗電量占廠務系統的60%以上。 解決方案 根據廠務運轉機理和歷史運行數據對廠務系統進行

22、建模，輸入可調 參數，輸出廠務運行狀態，用深度學習算法擬合輸入與輸出的關系 把依靠人的觀察和經驗調節變為系統智能建議調節 把滯后的應激式調節變為前瞻的預測性調節 把設備定期維護變為實時監測設備狀態和預測性維護報警 冶金-智能管網平衡系統 高爐煤氣是高爐煉鐵過程中的重要副產物，管道回收后可輸送至下游生 產車間充當主要能源介質。然而在生產過程中，高爐產氣波動不可預知，且 下游用戶用氣節拍不協同，導致產氣與用氣不平衡。 解決方案 實時監測管網壓力及各設備產氣和用氣波動 利用機器學習算法建立高爐煤氣產生的預測模型，對未來煤氣產生 量進行預測 結合預測數據和煤氣管道壓力監測數據，保障關鍵用氣工序節拍穩

23、定，對異常用氣操作進行監測和預警 - 19 - PART 03 物流環節 連接智能制造生產全生命周期各環節 智能工廠必不可少的應用場景 - 20 - 智能物流-倉庫與消費者高效連接的“路由器” 運輸路線智能規劃 需求點：精細化工、食品飲料等產品多具有時效性，需保 證在保質期內送至用戶指定位置。同時，企業運輸成本居 高不下，已成為各行業痛點 智慧物流：考慮車輛啟用成本、單公里成本、油 價、階梯費等綜合運輸成本優化，提供最優路徑 云計算支持：為企業提供持續的云技術支持，確 保運輸路線的實時最優調整 難點及風險 運輸成本計算方案復雜，受眾多因素影響，需以 歷史數據作為人工智能學習重點 以化工原材料物

24、流、食品運輸、電子商務等為基 礎的智慧物流供應商較多，市場競爭較為激烈 - 21 - 啤酒智能物流優化 從工廠至零售全流程智能規劃 降低啤酒廠商物流成本 用戶主要需求 啤酒倉儲物流涉及倉庫布置、配送方式、 物流外包、信息化建設和流程再造等環節 啤酒多為玻璃瓶包裝，運輸難度大 解決方案 與專業物流團隊合作，為其提供基于人工 智能的倉儲布置及物流方案優化 與線上銷售平臺合作，為其提供信息化、 智能化改造過程中的算法支持 難點及風險 倉儲及物流涉及環節較多，需要同時與多 家運營商溝通方案細節 物流成本影響因素較多，智能優化效果存 在不明顯的可能 原材料供應預處理深加工倉儲出貨 工廠 收到訂單下訂單

25、區域倉儲 倉儲零售 收到訂單下訂單 進貨倉儲出貨 收到訂單下訂單 出貨 倉儲 進貨配送 倉儲 進貨 收到訂單下訂單 - 22 - PART 04 營銷與銷售 生產全生命周期中協同客戶需求的環節 大數據和人工智能的結合應用 - 23 - 精準產品推薦 基于AI的聚類和解釋消費者數據以及個人資料信息和人口統計信息 獲得用戶數據 圍繞高相關性和個性化服務，向既有用戶和潛在客戶推薦新款產品 產品智能定價 根據供需關系，產品價格是影響其銷量的關鍵因素 基于對歷史同期數據和消費者其他消費習慣的分析能夠準確確定產 品的最優定位，以實現銷售利潤的最大化 廣告精準投放 根據智能終端所采集的用戶數據，分析用戶觀看

26、廣告的時間及地點 對比既有客戶的數據，對潛在客戶進行廣告精準投放 促銷時機決策 以歷史同期銷售價格、銷量數據及銷售地點數據為學習樣本 根據人工智能算法，找到不同商場最佳促銷時機 大數據+人工智能實現精準營銷 - 24 - PART 05 產品使用 制造業全生命周期的最終環節 核心是產品數字化、智能化 - 25 - 人工智能助力設備遠程運維，實現降本提效 設備遠程運維 需求點：生產設備故障不能及時維護造成產品質量問題 解決方案 利用 “邊緣計算”設計理念，在運行過程中將設備產生 的有效數據進行篩選、存儲和標定 利用人工智能算法提高設備穩定性，實現產品質量提升 難點及風險 某些企業設備數字化程度有

27、限，智能化改造需要投入大 量精力實現生產設備數字化監測 經濟效益難以核算，難以獲得制造業企業通力支持 需求點：降低人力巡檢成本，提高巡檢效率 解決方案 無人機、巡檢機器人等智能裝備對電力設備運行狀況、 運行參數進行記錄存檔 智能算法分析數據，提升巡檢效率和隱患識別率 難點及風險 巡檢環境復雜多變，對巡檢設備及AI技術要求高 電力巡檢 - 26 - 基于磨損數據的軋輥狀態智能預測 支撐軋輥廠技術服務新模式 精準預測軋輥服役周期 用戶主要需求 智慧服務將成為傳統企業的數字化轉型之路 某軋輥企業擬采用按軋制里程銷售軋輥的新模式，代 替軋輥的一次性銷售 軋輥磨損數據有利于軋輥廠制定換輥策略，同時有利

28、于軋制工藝補償 解決方案 與鋼鐵企業合作，獲取軋輥全生命周期的磨損數據 利用歷史數據預測軋輥當前軋制里程的磨損狀況 難點及風險 軋輥磨損基本遵循力學基本規律，預測模型需充分考 慮力學基本原理 磨損數據能反應企業產品質量問題，軋輥企業和鋼鐵 企業對數據的流通都有所保留 - 27 - 鋼廠磨輥車間 以太網 從數據中提 取有用信息 VPN服務器 工作環 境監控 軋輥廠商遠程監控，實現智能運維 智能空調 自行感知決策 全屋智能 主要需求 自動感知室內空氣狀況，決策并執行調節室內空 氣各項指標 不同品牌智能家居產品的互聯互通 解決方案 為智能空調制造企業提供技術解決方案，實時準 確感知、調節室內空氣情況

29、 與各智能家居制造企業積極尋求合作，整合各企 業智能家居形成全屋智能解決方案 難點與風險 技術上兼容各品牌智能家電較困難 尋求合作過程艱難 - 28 - PART 06 安全管理 監控生產全生命周期 智能化管控一切人、事、物 - 29 - 廠區人員跟蹤定位 入廠人員自動識別 人員位置實時監控 用戶主要需求 化工企業廠區龐大，廠房內危險區域較多 廠房修建期間，工人進出廠區較為頻繁 生產安全和數據安全均存在潛在隱患 解決方案 硬件：增加攝像頭，確保廠區內無視野死角 算法：通過圖像技術進行人臉和危險動作識別 邊緣智能：采用邊緣智能方法增加計算效率 難點及風險 需要硬件較多，要求人員識別準確率較高，需

30、與硬件 提供商深度合作，共同開發廠區監控系統 用戶對技術成熟度要求較為嚴格，需在項目初期以聯 合開發為主，重點培訓企業內部IT人員熟悉人工智能 技術 訪客姓名：張三 訪客狀態：正常 訪問區域：煉化車間、儀表室. 責任員工：李四 訪客姓名：王五 訪客狀態：不合規 非法訪問：設備室、1號倉庫 責任員工：趙六 訪客姓名：、 、 訪客姓名：、 、 - 30 - 人工智能助力優化產品溯源能力，加強生產安全管理 基于大數據分析的質量控制 基于農業物聯網的產品溯源 用戶主要需求 食品安全重要性強 食品制作定制化、精細化程度低 食品生產量大，溯源困難 解決方案 無人機拍攝谷物、動物圖像，記錄生長情況 根據原材

31、料生長情況制定收獲計劃 基于溯源數據的智能分析，實現食品等級劃 分，制定銷售計劃 難點及風險 技術難度大，需要投放大量傳感器，和較多 工程師進行監測 溯源涉及環節較多，需要較多行業進行聯合 研發 - 31 - 生產計劃制定原材料播種或養殖原材料生長監測制定收獲計劃 批量收購食品 原材料 食品加工基于溯源數據 的質量分析 批量銷售 三、總結與展望 需求導向、痛點聚焦是AI賦能制造業的關鍵所在 AI技術在制造業的應用需落在工業智能產 品或具體工業痛點的解決方案上 相比較“錦上添花”的工業智能產品，“雪 中送炭”的技術更容易被制造業接受 - 33 - 安全性將成為企業智能化升級決策的重要依據 工業核

32、心數據、關鍵技術專利等數字化資產 對于企業的價值正在加速提升 如何降低數據安全隱患，提升系統安全和數 據安全成為了企業進行數字化改造升級中愈 加重要的參考指標 增加廠區生產安全、過程安全迫在眉睫 - 34 - 根治行業、深耕場景，打造自主工業AI算法平臺 不同工業行業有各自獨特的知識領域和機理形成的 行業門檻 人工智能與制造業深度融合的路徑就是不斷地將飛 速發展的信息技術與工業場景的應用端相結合 而作為先進信息技術與底層智能應用之間的橋梁， 工業AI算法平臺面向工業場景，為底層應用提供便 捷的開發服務 飛槳PaddlePaddle-源于產業實踐的開源深度學習平臺 - 35 - 云邊協同，打造工

33、業智能應用產品 在云端與邊緣側共同發力，云邊結合打造行業的 工業大腦 將豐富的云端業務能力延伸到邊緣節點，實現傳 感器、設備、應用集成、圖像處理的協同 算法升級由云端完成 云端 邊緣側 算法平臺 - 36 - 工業企業附加值提升關鍵點將由設備價值挖掘轉向用戶價值挖掘 工業的發展進程正在從企業產品牽引用戶需求變為用戶需求引領企業生產 智能制造對于工業領域附加值的提升也應該逐步從生產制造環節的降本增效，轉向提供高附加值衍生服務 即“智能制造”生產的“智能產品”提供的“智能服務”，重點聚焦工業質檢和遠程運維等場景 - 37 - 滿天星產業知識分享平臺APP 覆蓋行業 100+ 個產業數據 1000萬+ 條 匯聚專家 1000+ 位研究報告 10000+ 本 注冊會員 100萬+人 顧問股份有限公司 聯系人：張龍 電話：8610-88559093 傳真：8610-88559009 官網： 地址：北京市海淀區紫竹院路66號大廈 郵編：100048