AI如何渗透制造业：席卷众人，改变一切，激发自省

今年1月全球排名第一的分销商巨头安富利（Avnet）发布了一份面向1200名全球工程师的问卷调查，主题是当下最热的产业话题——《拥抱AI，设计开发的新机遇》。调查显示， AI正在渗透设计、采购、开发、量产各个工业制造阶段，而接受调查的三大专业人群——软件工程师、电子工程师、机电工程师——他们对这一潮流抱有积极适应、主动探索的乐观态度。

AI正在成为产品设计中的默认元素：42%的工程师告知，他们所在的企业“已经”在产品中集成了AI技术，另有40%的被调查者称，其雇主“正在”将AI集成到新品设计中。

专业AI设计工具尚未得到完全信任：从电路设计、PCB走线到仿真测试、方案优化……几乎每个设计阶段都出现了特定的AI工具和平台。但是，近四成的电子工程师们表示，出于对AI引用数据质量的担心、以及保护商业机密的考量，他们在具体研发工作中虽然会尝试这些AI工具，但主要还是采用以往传统的设计工具。

通用AI助手已经完成全面渗透：尽管对于设计工具抱有怀疑，但是64%的受访者表示，自己在设计和开发过程中已经大量采用诸如ChatGPT、Google Gemini、Microsoft Copilot和Meta AI这些AI助手，帮助自己进行资讯搜集甚至代码的自动生成。

大部分企业都在考虑加大AI研发投入： 68%的受访者透露，所在企业计划在未来12个月内投资5000万至2.5亿美元用于生成式AI，这一比例明显高于2024年初的45%。

最受人关注的问卷问题，应该是“选择您认为未来最有需求的三大嵌入式AI应用”。1200名工程师投票给了 “流程自动化”、“预测性维护”和“异常/故障检测”。那么，这三大应用的具体指代什么？它们是AI时代的崭新概念，还是早已有之的应用升级？

“流程自动化”（42%）：工业领域的流程自动化，指的是利用技术和软件自动执行生产过程中的各种任务和操作，以降低人工错误，提高运营效率。前AI时代的流程自动化，主要依赖预先定义的规则和人工编写的程序，按部就班执行重复性的任务，不同部门的自动化系统往往独立运行，缺乏实时协调和交互能力；后AI时代，得益于几何级数增长的数据处理能力，流程自动化能够指导企业进行资源优化配置、调整生产流程，全面协调采购、生产、库存、物流不同环节的高效运作。

“预测性维护”（28%）：所谓预测性维护，就是实时监测设备运行状态和性能数据，以便在设备故障发生前进行干预和维护。AI普及之前，一些工厂已经通过传感器部署、数据收集和专家的人工分析完成该项工作；但现代的AI驱动系统，则能够实时处理海量复杂数据，创建动态模型，瞬间识别以往很难发现微小异常，从而更准确地预测设备故障。

“故障/异常检测”（27%）：使用机器视觉技术进行产品缺陷检测，早已经在各条产线上广泛应用。不过，传统的机器视觉系统依赖于预定义的规则和模式，检测精度和范围有限；如今的AI系统得以通过深度学习算法，从大量生产数据中学习和适应，逐渐提高检测精度，识别复杂和罕见的缺陷，甚至总结出缺陷模式，帮助企业了解问题根源。

值得中国工程师关注和思考的，是此次被调查群体对于自己AI技能的反思。他们认为，目前自己最需要提升的技能集中于以下几个领域：

AI模型优化（17%）：根据工作内容，选择合适的评估指标来衡量最优AI模型，并能自己通过调整模型超参数，训练和优化AI模型——这又需要掌握网格搜索、随机搜索、贝叶斯优化等方法。

数据分析与解释（16%）：能够从多个数据源收集数据、清洗数据，以保证数据质量；能够用不同的可视化数据模型，发现数据中的模式和趋势。

问题解决和批判性思维（16%）： 简单说，就是分辨真假、整理评估、保持质疑态度，真正成为AI的受益人，而不是受害者。