2017年5月27日，擊敗柯潔之后，獨孤求敗的AlphaGo決定隱退，也將一大批AI公司推向臺前，包括谷歌旗下的DeepMind，以及以商湯為代表的國內AI頭部企業。
恰逢此時，作為AI技術應用最有潛力的領域，全球不少國家陸續出臺了關于制造業+AI的國家級戰略，比如德國在2018年通過了《聯邦政府人工智能戰略要點》，11月發布“AI Made In Germany”的戰略。
作為歐亞大陸另一端的制造大國，中國也在2015年發布《中國制造2025》，AI也在2017年第一次出現在政府工作報告里，2020年，國家發改委明確將AI列入新基建。
根據德勤的報告，AI的應用可以為制造業最多降低20%的加工成本，到2030年，因AI的應用，全球將會新增15.7萬億美元GDP，其中中國占7萬億美元，到2035年，AI將推動勞動生產率提高27%，拉動全球GDP增長27萬億美元。
過去五年，AI與傳統制造業之間的碰撞和融合，從過去的單一場景的淺層互動邁向了全產業鏈、多場景的2.0階段，雙方之間的嵌套關系越來越深。
小試牛刀
作為一門復合型科學，AI在生產制造的不同階段都有潛在應用。
比如在分撥、倉儲和配送環節可以通過優化算法來制定最優路徑，節省時間；在生產計劃環節，在給定條件下可以生成最佳排產計劃；在質檢環節，通過機器視覺和算法發現微小缺陷，提升良品率；在設備維護領域，可以利用歷史數據來預警故障風險。
過去五年，一些大型產業已經開始受益于AI的應用，比如汽車、鋼鐵、化工以及電力行業。
2016年，上汽通用將AI應用到數字化排產上，比如在動力總成工廠，排產時間從原先的8小時縮短至0.5小時，效率提升了16倍，整個排產系統一年能夠為上汽通用節省一千萬[5]。
在國外，奧迪通過AI技術，將位于匈牙利的電動車工廠改造成了模塊化的“自動化加工島”，車輛在每個島上完成對應的加工和裝配，無人駕駛AGV小車負責運輸車身和零部件，人工智能算法負責調度，從而使得生產效率提升了20%。
2017年，臺灣中鋼引進了AI技術，對鋼鐵熱成型過程中的缺陷進行檢測，篩選出了一些關鍵的特征數據，并喂給AI學習。最終他們發現爐內壓力對產品缺陷影響最大，AI為其節省了90%的成品質量判定和人力資源。
由此可見，AI能夠通過對上游供應鏈和下游需求的精準預測來優化生產計劃和控制供應鏈成本。
但總體而言，當前AI技術能覆蓋的多是大產業和高頻場景，在龐雜的工業上游環節，AI滲透率并不高。
長尾場景
在大部分產業，越接近上游，生產環節場景標準化程度越低、規模效應越不明顯。AI在這些場景中的復用難度大，供需雙方都需要付出極大的成本，加上制造業整體毛利率偏低，投資回報周期被無限拉長，導致上游企業對AI的接受度普遍不高。
與此同時，企業智能化轉型改造的周期也較長。如果是規模較小，能夠接受整套轉型方案的企業，大約能在1年之內完成；如果規模偏大，且之前已經引入ERP等數字化系統，那么要與新的智能化方案全面融合，則需要更長的時間，轉型過程中對企業的生產經營造成的影響很難抵消。
但這并不意味著數字化轉型對于工業上游企業而言不是剛需，相反，在一些極其重視流程規范和過程安全的領域，AI能夠解決這些企業的痛點。
2005年3月，英國石油公司位于美國得克薩斯州的煉油廠發生了一起嚴重的火災爆炸事故，事故造成15名員工喪生，180余人受傷，直接經濟損失超過15億美元。
這是一起典型的由長尾、低頻場景發生問題而引發的事故，整起事故由夜班安全員的不規范操作誘發，期間油位警報器失靈、油位指示器發生故障，排液控制閥關閉，泄壓閥被暴力打開，最終使得煉油廠蒸餾塔油位過高，從排放煙囪中噴出，恰巧被附近未熄火的汽車引燃，才釀成了這樁慘禍。
人為操作失誤，偶發的器械故障，甚至是偶然開進工業區沒有熄火的汽車，這些都是傳統工業場景中極難防范的問題。但通過引入AI對關鍵流程、關鍵設備進行監控，通過AI進行園區與人員的管理，類似的事故就能夠防范于未然。
當下的難點是，如何讓AI進入工業的上游場景，既然存在相應的需求，那么就應該從AI落地的性價比入手。
AI普惠
AI在工業上游場景落地的性價比低，核心原因是AI的生產要素過于昂貴。
縱觀國內外AI企業，過去比拼的都是算法精度，用博士和超算堆出來的高質量算法，背后都是巨額的研發投入。但當產業開始落地時，如何把AI生產的整體成本降下來，就成了擺在AI企業面前的一道難題。
為降低AI整體的生產成本，使其順利進入工業生產環節，商湯推出了“AI工業引擎”，目的是用一套“大AI模型”來覆蓋工業領域極其復雜的長尾場景。
這套AI工業引擎以商湯SenseCore商湯AI大裝置為基礎，整合了其原創打造的SenseMARS火星混合現實平臺與SenseFoundry Enterprise方舟企業開放平臺的能力，專門面向工業企業AI轉型所面臨的三個痛點。
痛點一：工業領域復雜、低標準化的長尾場景
工業領域復雜、非標的長尾場景往往需要不同的AI算法來解決問題。面向這些場景，商湯SenseCore AI大裝置通過模型生產平臺、算法訓練平臺等AI生產的強大能力，生產了超過22000個算法模型。
不僅如此，商湯還與香港中文大學商湯聯合實驗室合作打造了算法開源計劃（OpenMMLab），與社區開發者共同構建創新生態，目前，商湯已將210多個算法和1500多個預訓練模型進行了開源。基于此，商湯向企業開發者提供算法工具，使得自身開發的先進算法和開源形成的算法生態能夠下沉到工業生產、管理、運維等各個環節，并串聯其間的關系，形成價值閉環。
痛點二：場景多樣化對算力的需求激增
算法精度的提升并沒有使AI對算力的需求降低，相反，隨著AI開始向工業上游的長尾場景覆蓋，場景的復雜性要求AI由專用向通用轉變，這一過程中，AI對算力的需求出現了指數級的增長，在過去幾年翻了近百萬倍。
為滿足日益增長的算力需求，商湯建立了新型人工智能計算中心AIDC，這一設施整合了AI芯片與AI傳感器，能夠提供高達3740 Petaflops（Petaflops，每秒千萬億次浮點運算）的算力，預計在2022年完工投入使用。
通過強大的算力基礎，整合領先的算法能力，商湯可以助力工業企業實現AI的更大規模落地和應用。
痛點三：AI的自動化、自適應部署
擁有大量針對不同工業場景的算法和支撐算法運行的算力之后，還需要一套能夠讓算法自動“Run”起來的方案，這是降低AI公司部署算法成本與工業企業接受部署成本的關鍵。
商湯在平臺層打通了數據平臺、模型生產平臺、深度學習訓練框架和深度學習推理部署引擎，實現了從數據存儲、標注到模型訓練、生產、部署、測試的全鏈路、批量化過程。通過商湯的AI大裝置，可以真正實現對人工智能生產要素成本的大幅降低，從而讓工業企業能夠在有限的資源和預算的情況下，用得起、用得上AI，部署和覆蓋到更多需求場景中去。
然而，商湯給出的方案沒有停留在提升AI能力與降低部署成本，在工業場景的易用性上，商湯為工業提供了更加具象化的能力——SenseMARS火星混合現實平臺與SenseFoundry Enterprise方舟企業開放平臺。
SenseMARS火星混合現實平臺能夠通過仿真技術，為企業打造工業生產環境1:1的數字孿生空間。在虛擬層，商湯提供的AI可以在數字孿生空間中進行預訓練，降低AI部署對現實生產環節的影響；而在現實層，通過虛實結合的方式，則能夠讓AI對實體資產進行數字化管理。
在與南方電網的合作項目中，商湯為南方電網打造基于人工智能和增強現實技術的換流站智能運檢系統“AR巡檢”，包括了巡檢路線自動規劃、數據分析與智能協助等功能，實現了一線人員與AI的協同工作，大幅提升了巡檢的效率。
SenseFoundry Enterprise方舟企業開放平臺則能夠直接為企業提供標準化的AI算法和應用，降低企業的學習成本和部署工業AI的成本。
通過AI工業引擎，商湯能夠向工業企業提供低成本、低使用門檻的AI算法，即使面對工業領域的長尾場景，這些算法也能表現出極高的匹配度，加速AI賦能工業轉型的進程。
對所有AI企業而言，工業領域的長尾場景是一個龐大的藍海市場，如果能在這些領域快速落地，這些公司商業價值也能得到大幅提升。
尾聲
對中國來說，制造業的轉型升級是一項永遠在路上的歷史性課題，想在新一輪的技術革命中搶占制高點，必須要仰仗更多的政策推動和技術支持，包括AI。
反過來，中國制造業的轉型升級也為AI的落地和發展提供了廣闊的平臺。
一方面，重復性、規則性以及可編程性較強的工作將逐步由工業機器人完成，另一方面，AI將促進制造業研發、生產、運輸、倉儲、服務等環節的數字化和智能化，與工業互聯網疊加，創造出更多高質量的就業崗位，產生更多有商業價值的新場景。
