造有道 智万物——德勤人工智能制造业应用调查

一、概要

人工智能的应用正从消费智能扩大到企业智能，带动并创造更强大的生产力。制造业具备大量数据累积，是人工智能应用的蓝海。2019年人工智能在边缘计算层与工业物联网相遇，成就人工智能工业落地元年。以人工智能赋能制造业的行动已在全球展开，亚太区制造业基础雄厚，是人工智能在工业领域应用潜力市场。其中，中国、日本、韩国在政策、研发能力、数据和人才四个维度都较其他亚太国家更具竞争力，被视作亚洲人工智能发展的领军国家。目前人工智能在制造业应用潜力的讨论大部分围绕技术提供商展开，对工业用户关注较少。本文旨在深入了解中国制造企业应用人工智能的真实情况和应用场景，探讨人工智能项目理想与现实的差距，以及行业未来发展趋势。

人工智能直击制造业痛点，有望在未来2～5年内对制造业产生可见影响。德勤调研发现制造企业生产经营过程中面临的最大痛点分别是：生产成本上升、生产线设计缺乏灵活性，以及不稳定的产品质量及良率。人工智能帮助企业提升自动化的效率和精确度，预测市场趋势并安排生产计划，以及提升质检效率，因此93%的受访企业认为这项技术将成为制造业增长和创新的关键技术，87%的企业已经或计划在两年内部署人工智能，83%的企业认为人工智能将在未来2～5年内对企业的生产和管理产生实际可见的影响。

人工智能在制造业的应用场景众多，大致可以分为智能生产、产品和服务、企业运营管理、供应链以及业务模式决策五个领域。我们的调查发现，智能生产相关应用是目前制造企业部署人工智能的首要选择，占比51%。其次为产品和服务场景，占比25%。但是受关注的细分场景将在两年内发生明显变化，产品服务和企业管理相关应用场景增加，并出现新的应用增长点——企业对人工智能应用在提升营销效率、物流服务、资产与设备管理、客户需求洞察及能源管理的关注度明显上升。

尽管人工智能在工业领域大规模落地值得期待，我们也发现项目落地的效果往往与预期存在差距。我们的调研结果显示，不论是从企业获益角度，还是从预算及时间投入角度衡量，认为项目达到预期的企业占比仅为9%，意味着91%的人工智能项目未能达到企业预期。

在喧嚣的人工智能热潮下，工业企业切忌盲目投资，在大规模实施落地前，应该明确自身战略，找准应用场景，坚实数据基础，打造团队和合作伙伴关系，进行验证和测试，让人工智能真正为企业创造价值。

二、技术趋势

在过去一百年里，五大趋势主导了全球技术的发展，依次为“电子工具”，“半导体”，“企业服务”，“电信”和“消费智能”。如今，“互联网+消费者”模式所创造的价值已经充分释放并趋于平缓；而第六个趋势已经显现，我们称之为“企业智能”，企业自我主导、运用数字技术解决问题的智能化转型被视为未来技术发展趋势，成为下一阶段价值创造的主角。如图1所示。

这一新技术趋势的本质在于利用对数据的分析和洞见以指导企业生产和管理。智能化浪潮将对各行业产生广泛影响，并大幅提高主要行业的生产力。

从行业来看，传统市场规模较大的领域将继续领跑，2030年制造业，通信、传媒及服务，自然资源与材料将分别以16%，16%，14%占据前三名。其中，庞大的制造业企业已经开始加速数字化转型，推动智能管理，智能工厂，智能物流等全方位智能化，因而制造业也是其中增长速度最快的领域。

制造业的生产、质检、管理等各个环节都在持续、大量、快速地产生着数据。对于一个拥有1000个传感器（传感器每10秒发送一次信号）的工厂来说，每小时就有超过360000条数据流入。1天内就有超过100万条数据。据估算，制造业每年大概可产生1812PB的数据量，超过通讯、金融、零售等行业，如图3所示。在过去二十年中，制造企业决策过程因数字信息的大量增长而变得复杂，企业正试图通过智能化技术有效地处理和利用信息，解锁数据的模式和可用性，解决之前甚至无法预见的问题。例如，机器学习正在帮助制造业企业提高车间每台机器的预测性维护精度，发现提高每台设备和相关工作流程的产量/吞吐量的方法，优化系统和供应链等。

（一）人工智能被制造业寄予厚望

制造企业生产经营过程中面临的最棘手问题分别是：生产成本上升、生产线设计缺乏灵活性，以及不稳定的产品质量及良率，如图4所示。人工智能是在制造业智能转型过程中被寄予厚望的技术之一。过去10年，人工智能领域开发了大量优秀算法，为实际应用储备了大量的工具；近年来，人工智能开始大规模应用于金融和互联网等领域，起到了较好的示范效应。业内人士普遍认为2019年是人工智能在工业制造领域快速发展以及各种技术落地的一年。

人工智能主要可以为制造业解决三类问题：一是帮助企业提升自动化效率和精确度，提高制造业智能化运营水平并降低运营成本；二是预测市场趋势并安排生产计划，按需生产，并使各个环节在满足需求的前提下保持最低库存；三是提升质检水平，提高产品良品率。这三点正是制造业的痛点所在。这也是制造业对人工智能寄予厚望的原因，如图4所示。本次人工智能制造业应用调查显示，93%的受访企业认同人工智能将成为全球制造业增长和创新的关键技术，其中39%的企业强烈认同，54%的企业基本认同这一观点，是否认同人工智能将成为全球制造业增长和创新的关键。如图5所示。

（二）亚太地区人工智能发展

全球以人工智能赋能工业革命的运动已经开展，亚洲作为全球制造业基地，多个国家把发展人工智能作为国家战略，期望借助人工智能升级制造业，创造实体经济价值红利，如表1所示。中国是亚太地区人工智能的主要驱动力，特别是在政策支持和获取数据的途径方面占有优势。但日本、韩国、印度和新加坡都宣布了国家人工智能战略，推动亚太区成为人工智能领域的领先者。

在本次调研受访者看来，中国、日本、韩国无论在政策、研发能力、数据和人才方面都更具有竞争力，被视作亚洲主要国家的领头羊，引领区域人工智能发展，如图6所示。

当然，亚太地区也面临人工智能发展挑战。德勤问卷调查结果显示，与北美和欧洲相比，亚太区在政策支持方面优势明显，但在人才和研发领域落后。近40%的受访者认为亚太区发展人工智能的政府支持相关资源质量高于北美和欧洲，占比最高；但在人才和研发能力方面，50%的受访者认为亚太区资源质量低于其他区域，如图7所示。

人工智能人才短缺是亚太地区面临的最大挑战，也是研发能力落后于北美和欧洲的主要原因。数据创新中心（Centerof DataInnovation）发布报告，对中国、美国和欧盟的人工智能的人才、研究、开发、应用、数据和硬件进行分析，结果显示，中国在应用和数据方面表现突出，美国在人才、研究、发展、硬件四个维度领先，欧盟在人才、研究、发展、应用均居第二。中国人工智能人才无论在人员数量和顶尖人才方面都不及美国和欧盟。如表2所示。据估算，美国和加拿大人工智能专家数量为中国、印度、日本、韩国专家数量总和的三倍之多4。虽然亚太地区人工智能领域的论文和专利总数快速增长，但缺乏原创性的领军人才（如率先发明一个算法，而非把别人的研究做到极致），亚太地区需要把扩大高校人工智能相关学科的教学能力，鼓励科研质量重于数量，培养更强大的开放数据文化，以及提供更好的工作和生活工作环境、吸引和保留人才作为优先事项。

表1 主要亚太国家人工智能发展战略

表2 中国在高质量人工智能人才方面落后于美国与欧盟

（三）中国制造业应用市场规模预测

中国在人工智能应用领域表现突出，其中人工智能在中国制造业的市场规模有望在2025年超过20亿美元，从2019年开始每年保持40%以上的增长率（如图8所示）。人工智能在中国制造业应用的高增长主要受政策利好、资金充足和制造业应用潜力三方面驱动：

1）国家政策利好，人工智能领域发展空间开放。2017年，“人工智能”首次被写进政府工作报告，这也意味着推动人工智能领域的发展已经上升为一项国策。相对来说，中国拥有更加开放的人工智能发展平台，对人工智能的发展持支持态度，这将给予人工智能领域的创业者和从业者更多的发展空间。尤其在制造业领域内，中国政府采取的多是鼓励发展为主的策略，例如为中国的智能机器人及无人驾驶领域提供政策支持等。而在社会和制造型企业层面，大数据的使用也更加开放。

2）人工智能为技术创新主要方向，国内资金充足。人工智能已经成为技术创新的主要方向，高科技及互联网巨头挑起人工智能的大梁，资本市场不愿错过这个超级风口。许多中国企业坐拥海量数据和充沛资金，人工智能无疑是一个良机。

3）中国制造业为中国人工智能发展提供广阔平台。在制造业，低技术含量（第二产业、处理常规/可预测/可编程任务）的工人将首先面临被机器人替代。中国制造业主要由传统产业驱动、从业者技术要求较低，因此其劳动力可以被自动化的程度整体较高，重复性、规则性、可编程性较高的工作内容将在未来主要由智能化工业机器人完成。进一步运用机器人和传感器在产线运行、检测、运输、仓储等全过程源源不断产生数据流，为人工智能的计算提供大量的、相对规则的数据资料，助力机器学习进一步的算法优化、提高预测准确度。毫无疑问，数据的收集是数据分析、测试、机器学习的基础。仅当拥有足量的数据基础时，机器学习才能够最大程度发挥其效用。

三、应用场景

人工智能在制造业的应用场景众多，大致可以分为智能生产、产品和服务、企业运营管理、供应链以及业务模式决策五个领域。智能生产相关场景应用是目前制造企业部署人工智能的首要选择，占比51%。其次为产品和服务相关场景，占比25%。但这个比例可能将在两年内发生明显变化——人工智能在工业领域的热点应用从智能生产领域向更加注重产品服务和供应链管理，未来的热点应用包括缩短产品设计周期、提升营销效率、资产与设备管理、客户需求洞察以及能源管理等。

人工智能在实用阶段，算法本质区别并不明显，产品与产品的区别体现在明确应用场景和工程化能力，本章我们将结合调研结果，探究人工智能在制造业的应用场景和变化趋势。

（一）应用阶段及主要场景

德勤2019人工智能制造业应用调查中87%的受访企业表示已经或计划在两年内部署人工智能。从应用阶段来看，已经取得可见成果的企业占比18%，处于示范项目或测试阶段企业占比34%，计划部署企业占比35%，尚无计划企业占比13%，如图9所示。

这结果与企业人工智能项目的推动方式相辅相成。在已经进行或计划人工智能项目的受访企业中，15%受访企业表示在完整的人工智能战略和连贯的计划下进行项目；28%的企业正在探索不同的倡议，搭建学习模型并测试概念的可行性；57%的企业有进行示范项目，但大部分是不连贯的、零散的项目，如图10所示。

本次调查发现，智能生产相关场景应用是目前及未来两年内，制造企业部署人工智能的首要选择，占比51%。其次为产品和服务相关场 景，占比25%。选择供应链和企业运营管理均占比8%，业务模式决策为4%，还有4%的企业尚未计划部署人工智能，如图11所示。

（二）智能生产

在智能生产领域，目前应用比较多的场景是自动化生产工厂与订单管理和自动化排程；未来两年内将有更多人工智能技术用于产品质量监控和缺陷管理。计算机视觉技术的进步推动人工智能在质量监控和缺陷管理方面的应用，如图12所示。

人工智能在自动化生产工厂的应用很大程度上与工厂大规模安装机器人相关。目前无法得知这些安装的机器人在多大程度上运行人工智能软件，但这样庞大的基础无疑会促进人工智能应用场景的增长。中国的工业自动化和工作岗位的转移正在增加，过去三年里，一些中国的工业企业已经使其40%的劳动力自动化。自2012年以来，中国每年的机器人安装数量增长500%（欧洲为112%）。虽然目前大部分自动化工厂的机器人是通过程式编辑以高精度和速度重复执行特定工作，我们认为随着人工智能嵌入，机器人将具有感知环境变化，识别并应对不同对象，甚至在特定情况下自主决策的能力。人工智能用于自动化生产排程，往往关注交期承诺、计划与排产、加工顺序调度、物料准时配送的优化，特别是针对离散行业解决多工序、多资源的优化调度问题8。

人工智能在产品质量监控和缺陷管理应用有望快速增长，很大程度受益于机器视觉技术的进步。机器视觉工具利用机器学习算法，经过少量图像样本训练，可以在精密产品上以远超人类视觉的分辨率发现微小缺陷。产品质量提升还可以通过工艺优化实现，人工智能对关键工艺步骤的数据进行感知分析，并依此实施优化提升良品率。这些应用可以为那些生产昂贵产品、对产品质量要求高的企业创造可观的经济价值。

当然，由于采集数据的方法、数据的质量和多样性以及规模直接决定机器学习发挥作用的空间，人工智能在智能生产领域的应用对企业的硬件设施有一定要求，如自动化设备及管理系统配备齐全和传感器的广泛使用。

（三）产品与服务

在产品与服务领域，目前已经在应用人工智能技术的企业较少，但计划在两年内优先部署的企业数量明显增加，特别是在缩短产品设计周期、个性化客户体验以及提升营销效率的应用场景，如图13所示。

制造企业面临既要提升产品性能、降低能耗，又要缩短设计周期的挑战。生成式产品设计是目前比较受欢迎的利用人工智能缩短设计周期的应用。它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。具体来说需要经过三个步骤：首先，设计师或工程师将设计目标以及各种参数（如材料、制造方法、成本限制等）输入到生成设计软件中。然后，软件探索解决方案的所有可能的排列，并快速生成设计备选方案。最后，运用机器学习来测试和学习每次迭代的效果。

人工智能在提升产品客户体验、挖掘客户需求洞察和提高营销效率的应用同样具有很大潜力，因为制造业企业不仅需要了解发生在工厂里的事，更要了解产品出厂后的生命旅程。以用户体验（安全性）为例，iPhone X使用了安全性更高的Face ID，Face ID是通过人脸识别技术进行的生物特征认证。苹果表示，Touch ID指纹识别被相同指纹破解的概率是五万分之一，Face ID面部识别被相同面貌破解的概率为一百万分之一，Face ID面部识别的安全性整整提升了20倍9。

（四）供应链管理

在供应链领域，配送管理和需求管理与预测是目前制造企业应用人工智能提升供应链效率的主要场景，未来两年内，物流服务、需求管理与预测、资产与设备管理场景的应用将快速增长，如图14所示。

配送管理解决的是货品安全精准配送的问题，也是目前人工智能在制造业供应链领域最多的应用。基于人工智能技术实现货架、商品、机器人的整体协调，能够更快速地实现产品出入库和高效的仓库货架规划。在工厂仓储中，各种类型的全自动流水线、自动分拨、仓储和配送机器人已经开始慢慢应用，基于人工智能技术可以让每一个物料都有最优路径，最短时间送达。

供应链管理的另一大挑战是预测下个季度的热销产品，从而让供应链人员对企业的库存、人员以及物流能力进行合理规划，甚至在消费者购买之前将货物提前运送到临近销售点的仓库内。人工智能更深层次运用在对消费趋势的分析与预测，藉由整合内部销售数据、消费者产品使用记录、产品生命周期追踪、竞争情报、市场趋势分析和社交媒体等数据对消费者需求偏好与购买行为进行画像分析。设计师们可以为下一个季度创造热销品，企业能更精准计算预期收入。

（五）企业运营管理

在企业运营管理领域，目前比较多的应用场景是财务管理，未来两年内，人工智能在能源管理人和人力资源管理的应用将显著增，如图15所示。

制造企业的能源消耗占企业生产成本比例较高，不同的装备水平、工艺流程、产品结构和能源管理水平对能源消耗都会产生不同的影响。将人工智能用于能效诊断，可以帮助企业提高节能效率。

有企业已经实现所有能源的消耗分析与优化都是通过人工智能来完成，进一步实现工厂整体能耗的降低。钢铁厂也逐步通过人工智能学习以及分析应用，来控制钢铁厂的能耗。

（六）业务模式决策

在业务模式决策领域，客户体验与成本结构是人工智能用于制造业业务模式决策的主要方向。现今的客户无疑越来越挑剔，既希望获得定制化产品和服务，又要求更低廉的价格。相当一部分受访企业计划利用人工智能精准预测客户需求、开发智能化产品和服务或采用灵活的定价和收费模式，从而给予客户新的整合并互动的服务体验。在制造业人力成本和资源成本快速上升的大环境下，成本结构是企业关注的另一热点。人工智能在人力替代、库存管理、设备稳定性等方面的应用潜力可以降低企业管理的成本和费用，优化成本结构，如图16所示。

（七）热点应用场景变化趋势

如果不对应用领域进行区分，只是对具体应用场景进行扫描，会发现人工智能在制造业领域的热点应用场景将在两年内发生重大变化，主要体现在两方面：人工智能在工业领域的热点应用从智能生产领域向更加注重产品服务和供应链管理；两年内会出现新的应用增长点，其中提升营销效率、物流服务、资产与设备管理、客户需求洞察、能源管理以及供应链运输与网络设计管理为企业重点关注应用。

这种变化是制造业向工业4.0过渡的必然结果。制造业不仅关注生产过程，而是整个价值链——如何进行需求感知并进行供应链相关规划，如何创造和增加智能产品和服务以增加收入，如何以新的方式与客户建立联系并整合客户信息等。人工智能处理大量数据及做出明智决定的能力使上述环节更有效的得以实现和创造价值。如图17所示。

三、现实与预期的差距

（一）91%项目未能达到预期

中国制造业企业人工智能项目实施不在少数，效果如何？通过企业调查我们发现，不论是从企业获益角度，还是从预算及时间投入角度衡量，认为项目达到80%～100%预期的企业占比仅为9%，这意味着91%的人工智能项目未能达到企业预期，如图18所示。

人工智能项目结果与预期差距较大是全球普遍存在的现象。这种落差往往是由以下几方面的问题造成：

1）既有经验及组织架构障碍：当人工智能技术的导入涉及到管理变革或流程优化操作时，由于员工已经熟悉原有工作流程，实施新流程是一个困难的过程，特别是企业往往无法完全投入所需的资金培训与时间。另外，不了解如何进行相关的组织架构调整也是企业应用人工智能过程的挑战。

2）基础设施条件制约：实施人工智能项目对企业的基础设施有一定的要求。德勤调查发现，45%的企业认为基础设施影响较大，从而不得不推迟原有的人工智能计划；还有14%的企业认为基础设施问题影响严重，导致企业无法进行某些转型。如企业首先要有能够采集关键变量的传感器，要能够把实际有效量测数据收上来，才有机会分析哪些流程改进质量才能更好，生产效率才能更高(如图19 所示 )。

3）数据采集方法及数据质量问题：当基础设施条件具备后，采集数据的方法，数据的质量、多样性以及规模直接决定了机器学习的发挥余地。目前国内大型制造企业的自动化设备和管理系统都已配备齐全，但产生数据的利用率却一直不尽如人意——耗费资源收集大量数据，而收集上来的数据却往往并非关键数据。

4）缺乏工程经验：人工智能技术公司需要把假设的算法与理论落实到企业实际应用场景中，考验的不仅是项目团队的技术能力，也考验团队对制造工艺的理解，和算法与行业应用结合的经验，综合运用各种软硬件资源，建构出可行的人工智能应用场景方案。

5）项目规模过大、过于复杂：人工智能适用于解决具体问题，通用型大项目往往涉及复杂的多种因素决策，超出目前人工智能的能力范围。

（二）半数企业不能接受预期和现实的落差

51%的受访者会选择已经有成功经验的项目，因此不太能接受预期和现实的落差；49%的受访者认为试错无法避免，并能够接受预期和现实的落差，如图20所示。创新带来的失败和代价是可以理解的，不要让挫折破坏企业实施人工智能的承诺，企业需要学会如何了解失败、控制失败，最终利用人工智能为企业带来长期回报。

四、未来已来

（一）实际影响可期

人工智能在制造业的应用已不是纸上谈兵，而是将在不远的未来改变企业生产和管理的方式。德勤调查显示，83%的企业认为人工智能已经或将在未来五年内对企业产生实际可见的影响，其中27%的受访者认为人工智能项目已经为企业带来价值；56%的受访者认为人工智能将在未来2～5年为企业带来回报。受访企业对人工智能项目结果的态度。人工智能项目将在何时对企业产生实际可见影响（如图21所示）。

当然，不同行业应用人工智能的预备度有所不同，从资产、技术、标准与法规以及生态系统四个方面衡量，电子及通信设备、家用电器制造、汽车制造、电力及电气行业的预备度较高（如图22所示）。

（二）企业投资偏好

32%的受访企业预计未来两年内部署人工智能的投资规模达2000万以上，还有32%的企业预计将投资不超过500万元，其余企业的投资规模处于500～2000万之间(如图23 所示 )。

从技术倾向性来看，更多企业将投资于复合性技术体系，从而优化生产、成本、库存或质量控制等方面，或用于销量、价格预见性维护的预测。对单一技术类别，如视觉监测、机器人定位、专家系统等技术的投资热情相对较小(如图24所示）。

人工智能可以显著优化产品配置，以及制造商按订单生产产品所依赖的配置-定价-报价（CPQ）工作流程。例如，西门子的销售、设计和安装铁路联锁控制系统采用了人工智能和机器学习，它们可以帮助西门子从1090种潜在组合中找出最佳配置。这是机器学习所擅长的，即找出既能够满足客户需求、同时也是最有可能制造出来的产品的最佳配置10。

人工智能的预测和决策辅助与大数据分析密切相关。在德勤调查过程中，很多受访企业都表示有意愿利用人工智能进行大数据分析，实现数据可视化和精细管理。电气设备企业利用人工智能远程处理大数据，在故障发生前便能及时发现问题，从而更好的服务智能电网。

（三）布局工业AI平台

人工智能在工业市场的应用存在可扩展性问题。人工智能解决方案通常针对特定的应用程序和企业进行定制。业界普遍认为，工业人工智能平台让企业以更低的成本应用人工智能，是人工智能在工业领域的落地和普及的必要条件。

许多技术提供商正在搭建这样的平台，阿里云ET工业大脑即是工业AI应用平台，也是开发型平台。平台正试图降低行业AI使用门槛，通过可配置的方式做业务的编排。而平台的开发功能，允许合作伙伴或者工业终端用户自身进行行业模板构结、定制，在平台之上沉淀自身的行业数据模型，架构自己的算法模型。Craft Works是一家为工业客户构建定制人工智能解决方案的软件公司，公司正专注于开发AI平台引擎；这样，工业客户可以构建自己的模型，而不是依赖于特定的AI解决方案。

同时，工业企业对人工智能平台也表现出很大兴趣。德国雅迪（HARTING）为工业电缆的主要供应商，推出了一个名为MICA的IoT网关，它提供边缘的连接和机器学习推理。柯尼卡美能达（Konica Minolta）也推出AI平台，用于工业自动化、预测性维护和质量控制的图像、声音和数据分析。

五、德勤建议

中国制造业正处于人工智能大规模落地应用爆发的前夕，领先企业已经开始布局以赢得先机。德勤建议企业从自身战略、应用场景、数据基础、团队组建、合作伙伴、验证及实施开展人工智能的实际落地。

（1）战略目标匹配

企业首先需要确保其人工智能部署必须与企业的战略和业务目标匹配，不论这个目标是创造新的收入、减少成本、或提升运营效率，关键是选择合适的复杂程度来满足企业的业务目标。人工智能应用程序还需要符合企业业务目标所设 想的时间表。某项技术越先进，它成熟所需的时间就越长。

在人工智能运用任何商业情景中之前，建议企业借助这个机会对相关业务流程及运营模式进行优化，确保基础设施条件可以支持人工智能项目的实施。企业在到达工业4.0之前，必然要经过工业2.0、3.0的过程。

（2）明确应用场景

要找到合适的人工智能落地应用场景，本质上是要理解这项技术在哪些方面可以做的比人类更好。目前的人工智能技术并不善于解决通用性问题，人工智能技术要实现应用场景落地并形成商业价值，需要明确其所能解决的特定领域问题，并明确应用场景边界，将人工智能的功能需求限定在有限的特定问题边界之内，这样得出的解决方案才能相对可行可靠——如基于深度学习的AI技术在对海量信息处理已经比人类更优秀，所以可以代替人类的肉眼检测、审查数据或决定何时进行维护。

（3）落实数据基础

由于目前基于深度学习的人工智能高度依赖大数据，企业的数据基础往往是决定AI项目是否能成功实施的基石。在实施 AI方案之前企业可以对自身的数据基础 进行诊断和评估，我们可以简单地将数据基础成熟度分成以下几个等级：

L1：关键业务数据缺失；

L2：基础数据完整但组织内存在信息孤岛；

L3：数据整合度高但不能支持业务决策；

L4：可以进行数据驱动的业务决策但不能实时响应业务变化；

L5：支持数据驱动的业务决策并能实时响应业务变化。

当企业的数据基础成熟度在较低级别时，例如：关键数据缺失的L1级，需要做的往往不是马上实施AI方案，而是先进行数字化（或信息化）改造以打好基础。 互联网和金融行业由于每天发生的业务天然就能产生大量数据，相对而言数字化程度最高，最早就有机会尝试利用AI技术；对于数据基础建设还未完成的其他传统行业，则必须通过业务流程的改进将数字化的程度提高才能考虑AI解决方案。

（4）组建团队及搭建伙伴关系

企业如果想打造AI能力，至少需要以下几类人才所组成的团队：

1）AI技术专家——包括数学、统计学方 面的科学家，进行底层算法的研究；同时也包括传统意义上IT技术专家， 能使用最新的AI算法开发技术原型以及后续的商业产品。

2）行业专家——对于特定行业的AI解决方案，团队中需要有经验的行业专家加入。

3）AI应用专家——AI应用专家首先是一名优秀的产品经理，其次要了解算法特性，最后还要能理解行业问题，这样才能将AI技术专家和行业专家的优势整合在一起构建适合行业的技术解决方案。

组建内部人工智能团队的同时，企业也可通过合作伙伴关系快速引进人工智能相关专业知识，特别是在人工智能战略、实施流程、技术实践、项目交付等方面借助合作伙伴的协助填补能力空白。我们的调研发现，96%的受访企业都选择与外部伙伴合作，技术咨询公司和人工智能企业为主要合作伙伴。

Gartner将人工智能技术提供商分为四种类型：领先的云服务提供商（如亚马逊、阿里云、谷歌等），企业应用程 序套件提供商（如ERP、SCM、HCM和 CRM业务应用程序），数据科学和机器学习平台提供商（大量人工智能头部及创业企业），以及系统集成商（如德勤、IBM等）。这四类技术提供商各有优势，企业需要根据其业务环境和目标选择最合适的伙伴。

值得注意的是，跨境区域合作是驱动今天科技发展的重要力量，尽管中美有着非常紧密的合作关系，但过去一年里，人工智能已经被美国认为是敏感技术，涉及国家安全领域。中美关系的不确定性将对两国企业人工智能深层次合作 产生影响。

（5）验证及大规模实施

有了应用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于AI的过程设计原型验证（Proof of Concept）。在确认技术原型可行的情况下，再进行迭代和最终的大规模实施。

全球制造业与新技术融合的动力与日俱增。随着制造企业累计的数据量增加， 以及人工智能技术的成熟和配套工程能力的发展，人工智能将能够发挥其全部潜力。

六、关于本调查报告

为了解人工智能在制造业领域的实际应用情况和趋势，德勤从“中国制造业500强”中选取110家大中型企业，并对其高管进行问卷调查。在问卷调查基础上，遴选代表性企业进行深度访谈。

注：

1 India's National Strategy for AI http://niti.gov.in/writereaddata/les/document_publication/NationalStrategy-for-AI-Discussion-Paper.pdf

2 AI Singapore, https://www.aisingapore.org/

3 Budget 2018: Government seeks to boost Australia AI capabilities, 08 May 2018 https://www.computerworld.com.au/article/640926/ budget-2018-government-seeks-boost-australian-aicapabilities/

4 Global AI Talent Report 2019,jfgagne, https://jfgagne.ai/talent-2019/

5 此处AI研究人员数量是指2007～2017年间在AI期刊上发表文章或取得AI相关专利的研究人员。

6 H-Index 由 Google Scholar 和 DBLP提供，指被引次数高于或等于H的论文的数量，是衡量科学家产出和研究影响力的手段。

7 在21个顶级学术会议发表论文的AI研究人员中博士人数占比

8 工业互联网正确打开方式系列（十三）：排程调度优化，产业智能官 https://m.ydaobo.com/wenzhang/50355.html

9“人工智能对用户体验的影响”，《AI改变设计》，2018-03-04，http://www.woshipm.com/ucd/970109.html

10“西门子，知识图谱和数据思维支撑的下一级人工智能”西门子创新日，Michael May, 2019-05-15