1、中国智造 行稳致远 2018中国智能制造报告 工业4.0、 数字化制造企业和数字化供应网络系列报告 主要发现 1 一突破与成长 2 二智能制造部署重点 6 2.1 数字化工厂 7 2.2 设备和用户价值深度挖掘 10 2.3 工业物联网 10 2.4 重构未来商业模式 12 2.5 人工智能 14 三跨越能力鸿沟 17 尾注 19 关于本次调研 20 目录 中国智造 行稳致远 | 主要发现 1 主要发现 智能制造是基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动环节，具有信息深度自感知、智慧优化自决策、 精准控制自执行等功能的先进制造过程、系统与模式的总称1 。简而言之，智能制造是由物

2、联网系统支撑的智能产品、智能 生产和智能服务。 智能制造已经成为全球价值链重构和国际分工格局调整背景下各国的重要选择。发达国家纷纷加大制造业回流力度，提升制 造业在国民经济中的战略地位。亚洲作为制造业重要区域也在积极部署自动化、智能化。 智能制造发展取得了明显成效，进入高速成长期。中国智能制造进入成长期主要体现在三方面：首先，中国工 业企业数字化能力素质提升，为未来制造系统的分析预测和自适应奠定基础。第二、财务效益方面，智能制造 对企业的利润贡献率明显提升。第三、典型应用方面，中国已成为工业机器人第一消费大国，需求增长强劲。 中国工业企业智能制造五大部署重点依次为： 数字化工厂 （63%） 、

3、 设备及用户价值 深挖 （62%） 、 工业物联网 （48%） 、 重构商业模式 （36%） 以及人工智能 （21%） 。 智能制造是以制造环节的智能化为核心，以端到端数据流为基础，以数字作为核心驱动力，因此数字化工 厂被企业列为智能制造部署的首要任务。目前企业数字化工厂部署以打通生产到执行的数据流为主要任务， 而产品数据流和供应链数据流提升空间大。 制造型企业面临愈发激烈的市场竞争和日益透明的产品定价，不得不寻找新的价值来源。智能制造调研结 果显示，设备和用户价值深度挖掘是企业智能制造部署第二重点领域。62%的受访企业正积极部署设备和用户价 值深度挖掘，其中41%的企业侧重设备价值挖掘，21

4、%的企业侧重用户价值挖掘。 中国制造企业云部署积极性不高。53%的受访制造企业尚未部署工 业云，47%的企业正在进行工业云部署，其中27%的企业部署私有 云，14%部署公有云，6%部署混合云。 智能制造不仅能够帮助制造型企业实现降本增效，也赋予企业重新思考价值定位和重构商业模式的契机。德 勤调研结果显示，30%的受访企业未来商业模式以平台为核心，26%的企业走规模化定制模式，24%以“产品 +服务”为核心向解决方案商转型，12%以知识产权为核心。 人工智能对制造业的影响主要来自两方面：一是在制造和管理流程中运用人工智能提高质量和效率；二 是对现有产品与服务的彻底颠覆。智能制造调研发现，51%的

5、受访企业在制造和管理流程中运用人工 智能，46%的受访企业在产品和服务领域已经或计划部署人工智能。 重构商业模式是一项复杂艰巨的任务， 商业模式优化、 创新管理以及云部署为企业能力建设三大关键任务。 1 5 3 7 2 6 4 8 中国智造 行稳致远 | 一突破与成长 2 一突破与成长 亚洲正受到自动化、 智能化大潮冲击。 国际劳工组织 （International Labour Organisation） 调研发现， 越南、 柬埔寨、 菲律宾和印度尼西亚的工人的失业风险 最高， 据估计这几个区域约50%的工人工 作可能在未来20年被自动化取代2 。 亚洲作为制造业的重要区域，在面临制 造业向

6、自动化、智能化、数字化转型 中，能否继续保持其竞争力？ 毫无疑问，亚洲正在积极寻求突破。以 人工智能为例，各国政府大力支持人工 能，推动科技公司、初创公司和学术界 的创新。2017年，韩国政府宣布了10亿 美元的人工智能资金3；日本鼓励人工智 能创业公司和风险投资；新加坡政府的 国家研究基金会宣布国家人工智能计划 （AI.SG），计划未来五年投入1.5亿新 加坡元 （约1.07亿美元） 发展人工智能4。 除了政府的支持，亚洲企业更积极打破 行业壁垒加快新产品开发。不同于欧美 同类企业，中国领先企业间的合作屡见 不鲜，一些知名范例包括：百度与小米 在物联网与人工智能领域合作开发更多 应用场景；腾

7、讯与京东合作布局电子商 务生态圈；印度系统集成商组成AI联盟 （如OpenAI）。这赋予它们惊人的影响 力，也意味着它们拥有可用于快速推动 创新的技术实力和资本基础。 中国是亚洲智能化转型的重要力量。政府 加强智能制造顶层设计，开展试点示范和 标准体系建设；企业加快数字化转型，提 升系统解决方案能力。中国智能制造取得 明显成效，进入高速成长期。 中国智能制造进入成长期主要体现在三 方面： 首先， 中国工业企业数字化能力素 质提升， 为未来制造系统的分析预测和自 适应奠定基础。 第二、 财务效益方面， 智 能制造对企业的利润贡献率明显提升。 第三、 典型应用方面， 中国已成为工业机 器人第一消费

8、大国， 需求增长强劲。 数字化能力素质提升 企业数字化能力素质体现在其利用数据 指导生产以及系统自优化的能力。 我们借 鉴国际普遍认可的工业4.0发展路径， 将 企业智能化成熟度分为六个阶段： 计算机 化、 连接、 可视、 透明、 预测和自适应5。 数据来源： 分析 计算机化连接可视透明预测自适应 图1.1 工业4.0发展路径 中国智造 行稳致远 | 一突破与成长 3 计算机化： 企业通过计算机化高效处理重复性工 作，并实现高精度、低成本制造。但 不同的信息技术系统在企业内部独立 运作，很多设备并不具备数字接口。 连接： 相互关联的环节取代各自为政的信息 技术。操作技术（OT）系统的各部分 实

9、现了连通性和互操作性，但是依旧未 能达到IT层面和OT层面的完全整合6。 可视： 了解正在发生什么，通过现场总线和传 感器等物联网技术，企业捕获大量的实 时数据，建立起企业的“数字孪生”， 从而改变以前基于人工经验的决策方 式，转为基于数字进行决策。 透明： 了解事件发生的原因，并通过根本原 因分析生成认识。 预测： 将数字孪生投射到未来，模拟不同的 情景对未来发展进行预测，并适时做 出决策和采取适当措施。 自适应： 预测能力只是自动化行为和决策的根本要 求，而持续的自适应则使企业实现自主 响应，以便其尽快适应变化的经营环境。 随着中国两化融合和工业物联网建设等 多项举措推进，制造型企业数字化

10、能力 素质显著提升， 大部分企业正致力于数 据纵向集成。 调研结果显示， 81%的 受访企业已完成计算机化阶段， 其中41% 处于连接阶段， 28%处于可视阶段， 9% 处于透明阶段， 而预测和自适应阶段的企 业各自占2%。 中国智造 行稳致远 | 一突破与成长 4 智能制造利润贡献显著提升 向工业4.0进阶为制造企业带来真实可见 的效益。2013年曾调研全国200家 制造型企业，结果显示中国企业智能制 造处在初级阶段，且利润微薄。经过五 年的快速发展，智能制造产品和服务的 盈利能力显著提升。 2013年智能制造为企业带来的利润并 不明显，55%的受访企业其智能制造产 图1.2 受访企业所处阶

11、段（基于企业自我评估） 受访企业工业4.0所处阶段 智能制造利润贡献率 图1.3 智能制造产品和服务利润贡献率显著提升 数据来源： 智能制造企业调研 2018 数据来源： 智能制造企业调研2018 品和服务净利润贡献率处于0-10%的区 间，而2017年，仅有11%的受访企业处 于这个区间，而41%的企业其智能制造 利润贡献率在11-30%之间。利润贡献 率超过50%的企业，由2013年受访企业 占比14%提升到2017年的33%。智能制 造利润贡献率明显提升，利润来源包括 生产过程中效率的提升和产品服务价值 的提升。 19% 41% 28% 9% 2% 2% 0% 20% 40% 60% 8

12、0% 100% 计算机化连接可视透明预测自适应 2017年2013年 0-10%11%55% 11-30%41%14% 31-50%14%9% 51-80%19%9% 81-100%14%5% 33%14% 中国智造 行稳致远 | 一突破与成长 5 应用市场潜力 中国已连续六年为工业机器人第一消 费大国。IFR (International Federation of Robotics)数据显示，中国工业机器 人市场规模在2017年为42亿美元，全 球占比27%， 2020年将扩大到59亿美 元。2018-2020年国内机器人销量将分 别为16、 19.5、 23.8万台， 未来3年CAGR

13、达到22%。 汽车、 高端装备制造和电子电 器行业依然为工业机器人的主要用户。 图1.4 全球主要市场工业机器人销量 数据来源： IFR， 研究 中国有哪些独特优势？首先是数据量。 当前人工智能热潮背后的机器学习技术 对数据极其依赖。识别人脸、翻译语言 和试验无人驾驶汽车需要大量的“训练 数据”。由于中国的人口数量和设备数 量庞大，中国企业在获取数据方面具有 天然的优势。第二，中国制造业企业硬 件设备和厂房相对欧美企业普遍较新， 比较容易实现设备连接和厂房改造。 对中国来说，工业互联网不是“弯道超车”而是“换道超 车”，基于中国庞大的工程师数量、完善的工业基础和 大量数据潜力。 李义章， 索为

14、系统董事长 中国北美日本德国 - 50,000 100,000 150,000 200,000 250,000 300,000 350,000 400,000 450,000 2002120222023 中国智造 行稳致远 | 二智能制造部署重点 6 二智能制造部署重点 调查发现，中国工业企业智能制造五 大部署重点依次为：数字化工厂（63%）、 设备及用户价值深挖（62%）、工业物联 网（48%）、重构商业模式（36%）以及 人工智能（21%）。 受访企业所关注的相关技术包括工业软 件、传感器技术、通信技术、人工智 能、物联网、大数据分析等。当然，我 们不能简单认为有了这

15、些技术，就是实 图2.1 受访企业智能制造部署重点领域 图2.2 受访企业所关注的技术 数据来源： 智能制造企业调研2018 数据来源： 智能制造企业调研2018 63% 62% 48% 36% 21% 0%10%20%30%40%50%60%70% 数字化工厂 设备及用户价值深挖 工业物联网 重构生态及商业模式 人工智能 现智能制造，因为新制造业文化的变革 进程是相当复杂和缓慢的，没有行业、 企业与用户的融合推进，这次变革无法 实现。 0%10%20%30%40%50%60% 工业软件 传感器技术 通信技术 人工智能/机器人 物联网平台 大数据 识别技术 云计算 虚拟制造技术 3D打印 C2

16、M 中国智造 行稳致远 | 二智能制造部署重点 7 图2.3 生产数据流主要类型 来源： 公开资料、 分析 2.1 数字化工厂 智能制造是以制造环节的智能化为核 心，以端到端数据流为基础，以数字作 为核心驱动力，因此数字化工厂被企业 列为智能制造部署的首要任务。目前企 业数字化工厂部署以打通生产到执行的 数据流为主要任务，而产品数据流和供 应链数据流提升空间大。 数字化工厂通过新一代信息技术，实现 从设计、生产、物流和服务等各个环节 的数据串连，加速决策，提高准确性。 只有打通数据流才能实现基于实时数据 变化，对生产过程进行分析和优化处 理，进而实现业务流程、工艺流程和资 金流程的协同，以及生

17、产资源（材料、 能源等）在企业内部及企业之间的动态 配置。打通数据流也是工厂建立“数字 孪生”的前提，数字孪生不仅指产品的 数字化，也包含工厂本身和工艺流程及 设备的数字化，从而实现全面追溯、物 理与虚拟双向共享和交互信息。 打通数据流主要包括三类数据的连通， 即生产流程数据、产品数据以及供应链 数据。 生产流程数据 打通生产流程数据除了从生产计划到 执行的数据流(如ERP到MES)， 还包括 MES与控制设备和监视设备之间的数据 流， 现场设备与控制设备之间的数据流， 以及MES与现场设备之间的数据流等。 数据流举例 MES与控制设备和监视 设备之间的数据流 MES将作业指令、参数配置、处方

18、数据等发送给控制设备；控制设 备向MES发送与生产运行相关的数据，监视设备向MES发送诊断信 息和报警信息。 控制设备与现场设备之 间的数据流 现场设备包括各种传感器、数控机床、工业机器人、工艺装备、智 能仓储等制造装备。二者交换输入、输出数据，如控制设备向现场 设备传送的设定值（输出数据），以及现场设备向控制设备传送的 测量值（输入数据）；控制设备读写访问现场设备的参数；现场设 备向控制设备发送诊断信息和报警信息。 MES与现场设备之间的 数据流 MES向现场设备发送作业指令、参数配置等；现场设备向MES发送 与生产运行相关的数据，如质量数据、库存数据、设备状态等。 生产计划(ERP) 制造

19、执行系统(MES) 控制设备/监视设备 现场设备 中国智造 行稳致远 | 二智能制造部署重点 8 产品数据流 打通产品数据流主要体现在产品全生 命周期数字一体化和产品全生命周期可 追溯。 产品全生命周期数字一体化以缩 短研发周期为核心， 主要应用基于模型 定义 （MBD） 技术进行产品研发、 建设 产品全生命周期管理系统(PLM)等。 研 发是数字化工厂 “数据链条” 的起点， 研发环节产生的数据将在工厂的各个系 统间实时传递， 数据的同步更新避免了 传统制造企业经常出现的由于沟通不畅 产生的差错， 也使得工厂的效率大大提 升， 缩短产品研制周期。 产品全生命周 期可追溯以提升产品质量管控为核

20、心。 从行业角度来看， 航空航天领域全部受访 企业已经打通从生产计划到执行的数据， 但从生产执行到现场设备、 产品以及供应 链的数据链条连通相对滞后， 提升空间 主要应用是让产品在全生命周期具有唯 一标识， 应用传感器、 智能仪器仪表、 工 控系统等自动采集质量管理所需要数 据， 通过MES系统开展在线质量检测和 预警等。 供应链数据流 打通供应链数据流主要体现在供应链 上下游协同优化， 实现网络协同制造。 主要应用是建设跨企业制造资源协同平 台， 实现企业间研发、 管理和服务系统 的集成和对接， 为接入企业提供研发设 计、 运营管理、 数据分析、 知识管理、 信 息安全等服务， 开展制造服务

21、和资源的 动态分析和柔性配置。 图2.4 受访企业数据连通情况 数据来源： 智能制造企业调研2018 大。 电子组件及电器制造行业产品数据流 和供应链数据流连通情况高于其他行业， 数字化工厂整体水平较高。 产品质量可 谓是制药行业的生命， 而打通产品数据流 83% 62% 47% 44% 83%受访企业表示已打通从生产计划到执行的数据流 62%受访企业表示打通从生产计划到执行再到现场设备的数据流 47%受访企业表示已打通产品数据流 44%受访企业表示已打通供应链数据流 图2.5 受访企业数据连通情况*（按行业） 数据来源： 智能制造企业调研2018 * 百分比代表打通数据流企业在本行业的占比

22、调研结果显示， 目前企业致力于打 通从ERP到MES乃至现场设备的数据流， 但这也仅是从生产到执行的打通， 未来 还需将产品数据、 供应链数据串联。 我们 们将生产数据流分为两个环节： 一、 打通 生产计划与执行系统的数据流； 二、 执 行与监控和现场设备的数据流。 结果显 示， 83%的受访企业表示已打通ERP和 MES的数据流打通。 62% 的企业继续向 下打通MES到现场设备的数据流。 但仅 有47%的企业打通了产品数据流， 44% 的企业打通供应链数据流 （图2.4） 。 而 且考虑到我们调查的企业均为资质较好 且为中等以上规模， 这一系列比率显然 高于中国整体平均水平。 的制药企业仅

23、占33%， 行业需要强化产品 全生命周期可追溯， 提升产品质量管控能 力。 汽车及汽车零部件以及高端装备制造 都在产品数据流方面领先 （图2.5） 。 从生产计划到 执行的数据流 设备数据流产品数据流供应链数据流 航空航天100%38%25%13% 新材料92%54%46%31% 电子及电器86%81%62%57% 制药83%50%33%50% 汽车及汽车零部件80%67%53%40% 高端装备制造68%53%58%47% 中国智造 行稳致远 | 二智能制造部署重点 9 数字孪生 未来数字世界和现实世界会是一体两面，打通数据流也是数字孪生（digital twin）操作的基础。认为数字孪生是物

24、理实体或流程的准实时数字化镜 像，有助于企业绩效提升。数字孪生往往包含“数字产品孪生”、“生产工 艺流程数字孪生”和“设备数字孪生”不同层面但可以高度集中统一的数据 模型。 数字产品孪生领域，特斯拉公司为其生产和销售的每一辆电动汽车都建立数 字孪生模型，相对应的模型数据都保存在公司数据库。每辆电动车每天报告 其日常经验，并通过数字孪生的模拟程序使用这些数据来发现可能的异常情 况并提供纠正措施。通过数字孪生模拟，特斯拉每天可获得相当于160万英 里的驾驶体验，并在不断的学习过程中反馈给每辆车。生产流程数字孪生领 域，一些嗅觉敏锐的工厂及生产线开始引入数字孪生，在建造之前，对工厂 进行仿真和模拟，

25、虚拟出建造工厂的最佳流程，再将真实参数传给实际的工 厂建设，有效减少误差和风险。待厂房和生产线建成之后，日常的运行和维 护通过数字孪生进行交互，能够迅速找出问题所在，提高工作效率。 Gartner对美国、德国、中国与日本的202位企业的调查发现，到2020年，至 少50%年收入超过50亿美元的制造商将为其产品或资产启动至少一项数字孪 生项目，届时参与使用数字孪生技术的企业数量将增长3倍。预计在今后数年 时间，将有数以亿计的用户使用数字孪生操作，它将被企业用于规划设备服 务、生产线操作、预测设备故障、提高操作效率、加速新产品开发等。在未 来，这项技术有望与工业生产彻底融合，推动智能工业进入新阶段

26、。 如何创建数字孪生？ 认为数字孪生的创建包含两个主要关注领域7： 01. 设计数字孪生的流程和产品生命周期的数据要求 从资产的设计到资产 在真实世界中的现场使用和维护； 02. 创建使能技术， 整合真实资产及其数字孪生， 使传感器数据与企业核心系统 中的运营和交易信息实现实时流动。 智能工厂的落地实施还要看企业痛点，有的企业要提升产 品质量，有的企业要实现产品设计生产和管理的数字化， 由于企业往往难以承受 “全家桶” 解决方案， 可以先解决眼前 问题， 但一定要有长远规划， 以免以后无法实现互联互通。 朱毅明 ， 和利时集团总工程师 中国智造 行稳致远 | 二智能制造部署重点 10 图2.6

27、 受访企业典型物联网相关技术应用情况 数据来源： 智能制造企业调研2018 2.2 设备和用户价值深度挖掘 制造型企业面临愈发激烈的市场竞争和 日益透明的产品定价，不得不寻找新的 价值来源。智能制造调研结果显 示，设备和用户价值深度挖掘是企业智 能制造部署第二重点领域。62%的受访 企业正积极部署设备和用户价值深度 挖掘，其中41%的企业侧重设备价值挖 掘，21%的企业侧重用户价值挖掘。 围绕设备进行价值挖掘可以说是制造型 企业的天性。如在研发设计阶段，嵌入 新技术，生产更智能或更多样化的产 品；在销售阶段，提供设备相关金融服 务；在售后阶段，对出厂设备和产品进 行实时数据采集和监控，并进行性

28、能分 析、预测性维护等，既提升安全性，也 为企业创造更多服务机会。 虽然起步较晚，制造型企业也在探索和 尝试对用户价值进行深度挖掘，其中以 C2M (customer-to-manufactory，客户 到制造)最受瞩目。C2M体现了定制化生 产的特性，使制造商直接面对用户，以 满足用户个性化需求；同时通过减少中 间环节降低成本、提升效率。 红领集团通过打造C2M电商平台、 柔性供 应能力和大数据能力实现了大规模定制 化。 顾客可以在其C2M电商平台选择款 式、 工艺、 材料并下单。 平台快速收集顾 客分散、 个性化需求数据的同时， 大数据 和云计算技术按客户需求匹配产品数据 模型， 其款式数

29、据和工艺数据能满足超 过百万万亿种设计组合， 覆盖99.9%的个 性化设计需求。 当版型确定后， 系统自动 生成工艺数据， 工艺数据发送至工厂 ， 工 厂进行生产交付。 整个流程从下订单到产 品出厂仅需7个工作日， 并做到按需生产、 零库存、 一人一版、 一衣一款。 阿里巴巴的“淘工厂”集结上万家工 厂，将电商买家订单与制造厂商产能进 行对接，把柔性产能档期联网，解决电 商买家有订单无工厂，制造企业有产能 无订单的结症。 2.3 工业物联网 智能制造要求制造系统具备感知、分 析、决策和执行的能力，而这些能力的 核心均涉及物联网相关技术，如面向感 知的物联技术 （传感器、 RFID、 芯片） 、

30、 面 向分析的工业大数据分析和面向决策及 服务的应用平台。 调研结果显示，目前中国制造企业 物联网应用以感知为重点，分析和服务 交融将是未来物联网建设重点。受访企 业普遍建立系统以传感器采集动态数 据，但数据分析和平台应用相对滞后。 从行业应用来看，电子及电器行业传感 器和平台应用最为普及，76%的受访企 业利用传感器采集数据，43%的企业利 用物联网平台，但仅有33%的企业采用 大数据技术分析所采集的数据。汽车及 零部件制造行业传感器技术应用也有较 高普及率达73%，但大数据和平台应用 低于其他受访行业。 制药行业大数据技术 利用最为积极， 因为医药行业早已面临海 量数据和非结构化数据挑战

31、（图2.6） 。 传感器技术大数据物联网平台 电子及电器76%33% 汽车及汽车零部件73%20% 高端装备制造68%32% 制药67%50% 航空航天50%25% 新材料31%31% 43% 13% 32% 33% 38% 31% 中国智造 行稳致远 | 二智能制造部署重点 11 感知仅是物联网应用的初级阶段，以数 据洞察指导行动，从而提高效率，或者 与服务交融创造新价值，才是物联网的 核心。云平台通过提供强大的数据传 输、存储和处理能力，帮助制造企业采 集和处理大量数据。工业云平台不仅能 够实现企业通过平台完成产品的设计、 工艺、制造、采购、营销等环节，还将 改变传统生产方式和制造生态，创

32、造新 的收入来源和商业模式。中国制造企业 云部署现状如何？ 调研发现， 中国制造企业云部署积 极性不高。 53%的受访制造企业尚未部 署工业云， 47%的企业正在进行工业云部 署， 其中27%的企业部署私有云， 14%部 署公有云， 6%部署混合云 （图2.7） 。 上云 可以大幅降低每个单元的储存和计算成 本， 甚至通过跨界创造新的商业模式， 但 也带来了复杂性。 企业担心一旦将诸如工 厂生产过程、 资产性能管理的数据放到 云平台上之后， 信息安全、 知识产权问题 会接踵而至。 除此之外， 很多企业尚未明 确工业云在企业层面的商业应用和相关 能力欠缺也是导致企业云部署积极性不 高的原因。 对

33、于选择公有云还是私有云， 很大程度取 决于企业的关注点不同。 如果企业只是 聚焦自己的生产制造， 降本增效， 往往不 会选择公有云； 如果企业聚焦商业模式创 新和产品转型， 则会天然的更倾向于选 择公有云或混合云， 因为往往涉及服务平 台， 需要做到一定程度上的兼容和融合。 由于目前国内比较常见的工业云的部署 以云的基础功能为主， 企业把云看作虚 拟服务器， 在云上做存储、 计算， 只有少 数企业通过云部署改变生产方式和制造 生态， 进行公有云和混合云部署的企业 仍为少数。 图2.7 受访生产型企业工业云部署 数据来源： 智能制造企业调研2018 混合云尚未部署私有云公有云 27% 14% 6

34、% 53%47% 中国智造 行稳致远 | 二智能制造部署重点 12 认为物联网在智能制造领域的应用 场景主要分为三类： 设备与资产管理、 产 品洞察和服务创新。 设备与资产管理 具备感测与联网功能的系统与大数据结 合， 可以实现设备的监控和管理， 如远 程监控、 预测性维护和互联现场等。 远 程监控以物联网替代传统的人工巡检机 制， 通过传感器远距离将设备数据传输 到运营中心。 预测性维护打破传统工厂 按计划进行定期维护设备的运营方式， 通过物联网对设备整个生命周期进行全 程监控， 并预测设备未来可能发生的故 障， 提前制定预防性维护计划， 减少故 障率并提高生产效率。 物联网还可以连 接和监

35、控厂房的工业装置和设备， 获得 有见解的分析， 从而帮助跨工业设备、 生产线以及在整个工厂范围内优化性能 和效率。 当然， 除了新厂房， 老厂房和设 备在没有更新换代之前， 也有联网监控 的需要， 如何在现有设备上进行物联网 改造是值得企业关注的问题。 产品洞察 制造企业往往不太了解自己的产品如何 被使用， 而物联网将改变这一现状。 在 产品投入使用后， 制造厂商可以通过物 联网与产品建立并保持联系， 收集动态 数据， 以更加系统的方式实时地持续地 分析产品使用情况。 在了解客户对产品 的使用方式后， 厂商还可以基于数据预 测客户需求， 开发个性化产品和新的服 务项目， 提高产品附加值。 服务

36、创新 基于数据和平台提供后市场服务， 物联网 与服务交融实现商业模式创新。 物联网 协助制造企业更有效捕捉和预测市场需 求， 创造动态化、 个性化的智能服务、 咨 询服务、 数据服务、 物联网金融与保险 等新的服务种类。 这类应用将打破企业 原来的边界， 从全社会的维度思考制造 资源的优化， 客户和制造端的互动以及 各种商业模式的创新。 企业需要评估自身业务需要， 明确商业目 标、 相关流程和预期结果的范围， 在考虑 技术可扩展性、 性能、 带宽经济和技术创 新等级后， 才能对数据和物联网系统的 处理架构做出明智的选择。 2.4 重构未来商业模式 智能制造不仅能够帮助制造型企业实现 降本增效，

37、也赋予企业重新思考价值定 位和重构商业模式的契机。同时，新进 入者也在不断挑战传统市场参与者的地 位，众多技术型企业加入战场推动工业 企业探索商业模式上的创新。 调研发现企业对未来商业模式的规 划大致呈四类： 30%的受访企业未来商业 模式将以平台为核心， 26%的企业走规模 化定制模式， 24%以 “产品+服务” 为核心 向解决方案商转型， 12%以知识产权为核 心 （图2.8） 。 平台型商业模式定位以提供 多种软件服务和搭建生态系统为核心， 未来可能不会出现类似BAT这样的行业 未来企业很大部分增值将来自跨企业活动，从长远看，公有云、混合云是大趋势，因为 只有这样才能实现数据交换和资源共

38、享。私有云虽然安全，但很可能被孤立在新的商业 模式和新的生态圈之外。 贺东东 树根互联CEO 图2.8 受访企业未来商业模式定位 数据来源： 智能制造企业调研2018 平台型企业 规模化定制 “产品+服务”为核心 其他 以知识产权为核心 30% 26% 24% 12% 8% 巨头， 但不乏垂直行业领军企业或平台。 规模化定制模式， 如C2M已经不局限于 服装制造， 而延伸到汽车和装备制造等 行业。 “产品+服务” 为核心旨在围绕客户 需求提供解决方案， 是目前很多企业在做 的。 以知识产权为核心的企业往往通过 专利战略， 形成技术壁垒占领市场。 不同商业模式的价值定位和价值创造方式 不同， 所

39、面临的挑战也不尽相同 （图2.9） 。 企业需要持续审视自己的商业模式， 通过 评估自身运营情况进行适当地改善并定 期评估其他商业模式是否具有可行性。 中国智造 行稳致远 | 二智能制造部署重点 13 图2.9 不同商业模式特点及挑战 商业模式定位特点及趋势挑战 平台型 多种软件服务+生态系统 竞争力体现在平台上的软件服务能力，而非平台本身 大部分企业会选择扩展性更强的公有云平台搭建基 础设施 未来不会出现类似BAT 的巨头，而是垂直行业的领军 企业或平台 典型企业：GE Predix、三一重工、树根互联 工业企业更擅长实物产品创新而非软件服务创新 软件平台需要支持多种软件服务方案，包括那些尚

40、未开发的服务 数据所有权问题 可能需要进行一系列软件企业收购 平台业务搭建培育期较长，领导层、股东能否接受较长回报期的 压力 平台业务很难与现有业务竞争人力资源和财务资源，企业可能需要 重组业务单元P&L，改变会计实务 规模化定制 直接面向用户、多维交叉分析、了解用户行为、建 立数据模型 多采用模块化设计方法 数据链条贯通用户、制造商和供应商 业务流程符合柔性制造特点 很多行业都可能走向规模化定制，如服装、消费电 子、汽车、装备制造 典型企业：红领集团、海尔、长安汽车 客户交互、数据仓库、数据分析等技术投入预算将大幅增加 为应对个性化定制生产，供应链也需要数字化转型 尽管生产环节复杂程度提高，

41、必须保持成本水平和成本结构可控 “产品+服务” 为核心 提供由产品和服务两大模块组成的整体解决方案 服务是产品战略的重要组成部分和利润来源 服务创新与产品创新双轨进行 典型企业：罗罗、徐工 从围绕现有产品提升客户体验到围绕客户需求提供解决方案 系统集成能力有待提高 创新投入大幅增加而收益却不尽人意 收入模式改变 知识产权为核心 企业往往通过专利战略，形成技术壁垒占领市场 收入来源：1）专利授权许可收费，2）专利、产品 和解决方案组合，3）技术转让 技术许可常与标准化战略相结合 典型企业：高通、华为、朗科 技术研发投入大 技术成果产业化时间的不确定性 专利授权之前主要收入来源的不确定性 投入大量

42、资源进行专利维权 来源： 分析 中国智造 行稳致远 | 二智能制造部署重点 14 2.5 人工智能 人工智能对制造业的影响主要来自两方 面： 一是在制造和管理流程中运用人工 智能提高产品质量和生产效率； 二是对 现有产品与服务的彻底颠覆。 随着国内制造业自动化程度提高， 机器人 在制造过程和管理流程中的应用日益广 泛， 而人工智能更进一步赋予机器人自我 学习能力。 结合数据管理， 导入自动化设 备及相关设备的联网， 机器人通过机器学 习分析， 可以实现生产线的精准配合， 并 更准确的预测和实时检测生产问题。 人工智能在制造业产品和服务领域的应 用则更具有颠覆性。 产品本身就是人工 智能的载体，

43、 硬件与各类软件结合具备 感知、 判断的能力并实时与用户、 环境互 动。 而产品的功能和服务， 也将颠覆原有 生态系统。 以汽车产业为例， 传统汽车行 业的竞争格局是金字塔型整车厂处 于顶端， 各级别供应商跟随其后。 但是在 智能汽车时代， 整车厂的主导地位将受到 严峻挑战， 零部件厂商、 互联网巨头、 算 法公司、 芯片制造商、 传感器供应商等企 业无不加快对无人驾驶技术的研发和商 业化步伐， 并期望通过占据技术制高点 打破汽车产业的生态平衡8。 中国制造企业人工智能应用情况如何？ 智能制造调研发现， 51%的受访企业 在制造和管理流程中运用人工智能， 46% 的受访企业在产品和服务领域已经

44、或计 划部署人工智能 （图2.10） 。 制造和管理 流程中人工智能的运用更偏向系统自动化 和制造精益化， 目的是提高生产效率和产 品质量， 同时人也被解放出来， 可以去思 考更复杂的问题。 主要应用场景包括使用 机器人实现流程自动化、 柔性制造、 定制 化生产、 质量检测等。 在产品和服务领域 人工智能的运用更侧重产品和服务与使 用者的互动， 典型应用包括研发和新品测 试、 用户行为分析、 自动驾驶等。 当然人工智能仍处在其发展早期， 技术突 破及商业论证需要更长时间。 另外， 人工 智能应用环境和基础设施的完善程度， 信息和安全法规、 企业自身的能力都成为 企业面临的主要挑战。 我们发现，

45、 对于尚 未部署人工智能的制造企业来说， 缺乏投 资人工智能的商业论证、 尚不具备建立和 支持人工智能的系统能力、 尚不明确部署 人工智能的前提为主要挑战 （图2.11） 。 中国智造 行稳致远 | 二智能制造部署重点 15 图2.10 受访企业人工智能应用及部署情况（整体） 图2.11 受访企业尚未部署人工智能的主要原因 图2.12 受访企业人工智能应用及部署情况*（按行业） 数据来源： 智能制造企业调研2018 数据来源： 智能制造企业调研2018 人工智能正迅速渗透各行各业。汽车及 汽车零部件制造、高端装备制造、电子 及电器制造三个行业在制造流程中采用 机器人的比例过半。汽车及零部件制造

46、 行业使用机器人的企业比例达到80%， 预示未来工业机器人的市场增量将主要 来自非汽车行业。在产品和服务领域已 经或计划部署人工智能的行业分布比较 均匀，高端装备制造和制药比例较高， 但其他行业如新材料、汽车及零部件、 航空航天、电子及电器也正在或计划部 署人工智能。 数据来源： 智能制造企业调研2018 * 百分比代表已经采用机器人和部署AI的企业在本行中占比 制造及管理流程运用人工智能产品和服务已经或计划部署人工智能 46%51% 0%10%20%30%40% 缺乏投资AI的商业论证 尚不具备建立和支持AI系统的能力 尚不明确建立和推行AI系统的前提 需要先投资于数据管理平台优化 没有预算

47、 尚无相应的流程和监管 无法获取所需数据 制造流程采用机器人产品和服务已经或计划部署AI 汽车及汽车零部件 高端装备制造 电子及电器 新材料 制药 航空航天 80%40% 58%53% 52%33% 46%46% 17%50% 13%38% 中国智造 行稳致远 | 二智能制造部署重点 16 行业对人工智能的理解已随着算法、技术和应用的发展，越来越加深。对于企业而言，应跳出人工智能仅是“机器换人”的既 定思维，在精益制造、产品质量、用户体验等多方面进行部署。 表2.13 人工智能行业应用场景 行业应用场景 汽车 智能生产：自动化与人工智能结合提高生产线效率和产品质量 智能车载系统：智能语音助手、

48、人脸识别、疲劳监测、导航、人机界面、车家互联、智能安全等 驾驶辅助：在感知层面，利用机器视觉、语音识别感知驾驶环境、理解乘客；在决策层面，利用机器学习与深度学习 模型建立驾驶决策系统 智能销售：通过手机APP了解新车功能、问询车辆相关问题，通过手机摄像头扫描，了解存疑的控制原件或显示屏的问题 预测性维修：通过接入汽车的插件和一个附属手机APP，搜集实时发动机和传感器数据及其他监测信息，通过运行状态 信息和预测模型实现零配件的提前维修更换 汽车金融保险：结合人工智能与大数据，辅助汽车金融、保险企业进行风险决策 高端装备制造 智能生产：协作机器人和自动化生产线改造融合，确保离散型生产过程的效率、安

49、全质量、自我纠错 智慧型设备：自主设计和优化运行状态、自主评估和优化能耗、评估诊断重要系统设备、自身和环境等数据信息的自 动感知等 预测性维修：搜集实时运行数据，通过运行状态信息和预测模型实现零配件的提前维修更换 电子及电器 智能移动设备：语音互动、增强用户体验、手机AI芯片、 智能家居：围绕“智能”、“便捷”、“安全”等属性，结合智能家居设备和智能家居平台 可穿戴设备：面向不同群体的人工智能+多种穿戴形式，如手环、手表、眼镜、耳机、衣物等 航空航天 智慧型飞机：自主设计和优化运行状态、自主评估和优化能耗、评估诊断重要系统设备、自身和环境等数据信息的自 动感知等 空间站机器人：空间站组装建造、航天器捕获、辅助太空人出舱活动、维修维护、载荷照料等空间智慧操作 制药与生命科学 缩短药物研发时间：结合人工智能、大数据、生物模型分析、