人工智能与制造业融合发展面临三大挑战

由于技术的迅猛发展、投融资力度的加大以及地方政府和科技界、工业界的广泛合作，人工智能应用的广度和深度均大大超出预期，成为推进供给侧结构性改革的新动能和振兴实体经济的新机遇。其中，人工智能与制造业融合发展是新一轮产业变革的核心内容，是制造业高质量发展的必由之路。虽然人工智能加快向各领域渗透，但在制造业这一最具潜力的场景下应用落地困难重重，面临以下三大挑战：

1.制造业与人工智能融合应用成本高昂。人力成本方面，人工智能领域基础人才短缺，直接导致用人成本升高，进而大幅提高了制造业与人工智能对接成本。目前人工智能人才培养暂时落后于产业发展步伐，人工智能与制造业的融合型技术人员数量滞后于人工智能与制造业融合发展的要求，企业不得不通过提高薪资待遇来抢夺稀缺的人工智能领域人力资源。资源成本方面，人工智能所需设备购置、运营维护升级均会提高制造业与人工智能对接成本。人工智能技术所需的各类高精传感器价格昂贵，一系列的技术应用和系统维护都不是免费服务，最终形态成本将高于传统的低技术含量产品。技术成本方面，人工智能技术尚处“弱人工智能”阶段，技术落地应用多需要人力辅助，形成双倍成本。目前人工智能技术很难实现理想的“无人化”，其定位更像是一种工具，弥补人类在计算力和操作能力等方面的不足，帮助人类简化操作，制造企业即便在已经购置人工智能设备之后，仍需聘用技术工人予以辅助。

2.产融学对接尚不充分。产融协同方面，制造业资本投入不足。制造业自有资金不足。近年来制造业利润普遍不高，只靠企业自身投入几乎难以支撑长期所需要的大量资本投入。此外，制造业融资困难，制造企业的投资回报率相对其他高新技术领域相对偏低，短期效益可能很难显现，资本逐利特性导致资本投入更为谨慎，商业资本的关注度持续走低。产学协同方面，人工智能前沿技术在制造业难以落地。高校以一流期刊论文发表引用为衡量标准的评价导向，导致学界专注于学术研究，对产品商业化理解不足，不能及时针对市场变化对研发重点进行调整，致使技术与市场脱节，难以将人工智能研发成果转化为现实生产力。

3.制造业数据孤岛问题严重阻碍与人工智能融合应用。制造业信息化建设尚不完善。目前人工智能技术主要基于机器学习，数据的体量与质量将直接决定人工智能技术效能。然而目前我国大部分制造企业尚停留在工业2.0阶段，大量数据下沉在各条生产线之间，信息化建设不足导致各类生产制造数据极度缺乏。制造业数据标准不统一。我国制造企业诸多生产设备均采购于多家国外厂商，不同制造企业，甚至是同一制造企业不同生产线之间，数据标准差异大，各类数据之间难以互通共享，极大增加了人工智能顶层设计标准的复杂度，不具备应用落地普适性。