传统制造业向智能制造变革的方向

小编导读

随着中国经济发展的战略转型及中国制造2025、工业4.0概念的提出，制造业迎来了新的发展浪潮。在这个背景下，越来越多的传统企业感受到了重重压力，开启了转型与变革之路。对于制造企业而言，如何部署企业智能制造解决方案？如何建立企业自身特色的智能制造建设体系？如何规划企业数字化转型升级平台？“SAP智造社区”精心撰写了“制造业智能变革之道”系列主题文章，围绕智能制造的关键技术，智能制造的核心解决方案以及各行业企业如何推进智能制造等方面，希望能给读者带来一丝启发。

企业已掀起工业物联网应用热潮

工业物联网是工业4.0的核心基础，它是利用局部网络或互联网等通信技术，把传感器、控制器、机器、人员和物品等通过新的方式联在一起，形成人与物、物与物相联，实现信息化、远程管理控制和智能化的网络，从而最大限度地提高机器效率以及整个工作的吞吐量。随着智能制造战略的持续推进以及企业转型的逐渐深入，物联网在工业转型中的应用价值愈发凸显。企业已经清楚的认识到，要想实现智能化决策和自动化生产离不开人机物的全面互联。当前，工业物联网热潮遍布神州大地，已成为政府、制造企业、互联网公司、物联网公司、电信运营商、IT和自动化厂商等各方关注的焦点。

据IDC报告，2017年全球物联网总体支出将同比增长16.7%，略高于8000亿美元。报告预计，到2021年，全球物联网支出将达到1.4万亿美元。其中包括企业对物联网硬件、软件、服务和网络连接的投资。以不同行业来看，制造业和运输业仍将是获得投资最多的行业，分别为1830亿和850亿美元。

对大多数企业来说，尽管物联网技术已经存在了数十年之久，但其应用范围仅限于运营活动，数据的潜能没有在企业中得到充分释放。随着连接技术、大数据管理、商务分析和云技术的发展，我们现在能够将运营技术与信息技术融合在一起，打造更智能的机器，推动企业实现端到端数字化转型。

工业物联网核心技术

图1 工业物联网体系架构

工业物联网体系架构可分为四层，实体层包括各类智能产品及嵌入式软件和芯片等；传感层则是物联网的皮肤和五官，用于识别物体，采集信息，包括条码、二维码标签和读卡器、RFID标签和读写器、摄像头、GPS等；网络层是物联网的神经中枢和大脑，用于信息传递和处理，包括通信与互联网的融合网络、网络管理中心和信息处理中心等；应用层是物联网的“社会分工”，即与行业专业技术及需求实现深度融合，最终实现行业智能化。在物联网各层之间，信息不是单向传递的，也有交互、控制等，所传递的信息多种多样，这其中关键是物品的信息，包括在特定应用系统范围内能唯一标识物品的识别码和物品的静态与动态信息。

工业物联网的关键技术则包括：

传感器技术：信息的泛在化对工业的传感器和传感装置提出了更高的要求。

微型化：元器件的微小型化，节约资源与能源。

智能化：自校准、自诊断、自学习、自决策、自适应和自组织等人工智能技术。

低功耗与能量获取技术：电池供电，用阳光、风、温度、振动。

通信技术：具体包括：调制与编码技术、自适应跳频技术、信道调度技术、通信协议多样性、多标准有线及无线技术。

组网技术：网络路由技术、互联技术、共存技术、跨层设计与优化技术。

网络管理与基础服务技术：低开销高精度的时间同步技术、快速节点定位技术、实时网络性能监视与预警技术、工业数据的分布式管理技术。

安全技术：具体包括工业设备控制、网络安全和数据安全，阻止非授权实体的识别、跟踪和访问，非集中式的认证和信任模型，能量高效的加密和数据保护，异构设备间的隐私保护技术。

工业物联网在制造业的应用

近几年，物联网技术已经应用于各行业的生产流程以及制造业的产业结构调整中，促进各个工业企业在节能减排、提高生产效率、生产效益提升等方面的改善。在应用上，通过对物联网采集的数据进行分析，可以帮助企业分析各类设备或产品的状态，实现对异常状态的预警或报警，从而实现预测性维护，避免非计划停机；还有助于帮助企业改进产品性能、帮助企业降低能耗、保障安全等。

比如在哈雷戴维森的新制造工厂中，每台机器都是互联设备，每个变量都在不断接受测量和分析。这样，在机器出现故障之前，设备就能提供相关性能数据，帮助企业实现预测性维护，从而最大限度地减少工作流中断的情况。同时，制造系统在某个组件出现问题时，会向车间经理发送警报。哈雷戴维森甚至还能测量建筑内的温度、湿度以及通风设备每分钟的转速 (PRM) ，他们会持续分析所有这些数据，以发现有助于提高效率和产量的因素。

全球最大的空气压缩系统供应商之一凯撒空压机公司通过物联网的应用，实时监控客户压缩空气站中的各项参数，比如功耗、运营可用性与安全性以及压缩空气质量，并将它们与最小容许值和最大容许值进行比较。服务工程师无需拜访客户所在地，只需通过门户就能分析上述实时数据，并进一步有针对性的制定维护策略，从而确保压缩机持续高效运转，降低运营风险，确保了客户能够实现可靠、高效的运营。公司也实现了从生产型制造向服务型制造的转变。

此外，工业物联网还可应用于优化物流，通过对运输车辆的数据采集，可以掌握车辆运行的位置，以及运输货品的状态，实现制造商、第三方物流和货主的信息交互，实现运输资源的充分应用。还可以用于对污染物的监控、对无人值守的设备、对石油管道的远程监控和故障诊断等。在消费品行业，也有很多基于物联网的智能应用，例如智能家居。通过对各种设备的状态监控，还可以实现设备租赁和服务电商。

制造企业应用工业物联网的注意点

工业物联网应用可谓十分广泛，市场的快速发展也促使更多的厂商投入这一新兴市场的角逐，各种物联网平台陆续涌现，竞争异常激烈。因此企业在应用工业物联网之前，首先要有清晰的认知，对各类物联网平台的开放性、集成能力、数据分析、行业应用功能进行深入比较。

采集哪些有价值的数据，如何采集、传输、存储与分析？物联网应用的基础，源于各种智能终端、传感器和智能仪表，加上GPS定位和网络传输的功能模块（WIFI、4G或ZigBee等）。低功耗的NB-IOT技术，为物联网的普及应用带来了巨大价值。企业要实现工业互联网应用，需要明确究竟要采集哪些有价值的数据？采集频率有多高？如何部署传感器？是要传输所有状态数据，还是只传输超出阈值的数据？海量数据如何存储？是基于私有云还是公有云？物联网数据的数据分析算法和数学模型是什么？数据如何分析与展现？数据异常的预警和处置方式？如何实现物联网数据与企业业务流程的集成？

中小企业和大型企业进行物联网应用的显著差异。中小型制造企业进行物联网应用，可以直接选择基于公有云的物联网平台，相对比较容易。对于大型制造企业，则需要更加慎重地制定工业物联网的应用策略，考虑是否需要自己开发及运营物联网平台。如果选择自主开发或自主运营，就需要考虑与电信运营商、云平台进行合作。

自主开发物联网应用还是利用物联网开发平台来开发物联网应用。企业可以选择物联网的云服务，用物联网开发平台来构建物联网应用，或者直接从底层开发物联网应用。相对而言，应用物联网开发平台来开发物联网应用，对于多数企业而言，是一个经济有效的方式。

物联网平台功能和部署方式的差异化与选型。从部署方式来看，有些物联网平台的交付方式是公有云服务，有些物联网平台可以在企业内部部署，或者通过私有云方式部署。这也是企业进行物联网平台选型必须考虑的问题。

中国制造业加速拥抱云计算

随着云计算各类技术的发展，以及传统制造业面临转型升级带来各类问题，这两者之间的关系变得越来越紧密，制造业正在加速拥抱云计算。智能制造正成为制造业新的关键词，而智能制造的成功推进，需要一系列的使能技术，云计算正是其中一项核心使能技术。云应用是智能制造领域很多深层次应用的必要条件，帮助制造企业加速从要素驱动向创新驱动转变。

图片来源于网络

近年来，我国云计算产业发展迅猛，据统计，云计算产业保持着超过30%的年均增长率，是全球增速最快的市场之一。“十二五”末期，我国云计算产业规模已达1500亿元，产业结构不断优化，SaaS、PaaS占比不断提升，混合云异军突起，成为产业新的增长点。

云应用的增长，除了源于云技术的逐步成熟外，另一主要的因素，是企业对云的认知的逐步加深。在三五年前，中国企业对云的认识还比较初步，对于云，企业关心最多的就是我为什么要用云，云有什么优势，很多企业也特别关心数据安全和网络问题。

现在企业对云的特点和优势已经有了比较全面的认识，对数据安全等问题的担心也降低了，更多的企业已经了解到，云产品应用的经过认证的数据中心以及被许可的云环境在某种程度上甚至比企业内部的系统更加安全，而专业的云平台在负载、备份、容灾方面甚至能比企业在本地部署系统要做得更好。有些比较谨慎的企业，也会选择将某些核心应用，如财务模块，放在本地部署，将其他的应用放在云端。这些都促使企业对云的态度从最初的观望走向了如今的认可。现在，企业对云的关注点开始更多地转移到公司战略层面，更关心云应用是否能满足企业系统需求，是否能更有力地支撑企业的发展战略。

云计算的架构

云计算的架构一般可分为三个层次，即基础设施层（IaaS）、平台层（PaaS）和软件服务层（SaaS）。

IaaS(Infrastructure as a Service)，基础设施即服务。主要包括计算机服务器、通信设备、存储设备等，能够按需向用户提供的计算能力、存储能力或网络能力等IT基础设施类服务，也就是能在基础设施层面提供的服务。PaaS(Platform as a Service)，平台即服务。

PaaS定位于通过互联网为用户提供一整套开发、运行和运营应用软件的支撑平台。SaaS(Software-as-a-Service)，软件即服务。简单地说，就是一种通过互联网提供软件服务的软件应用模式，用户不需要再花费大量投资用于硬件、软件和开发运维团队的建设，只需要支付一定的租赁费用，就可以通过互联网享受到相应的服务。和传统的网络服务模式相比较，云计算的体系结构更加地模块化，每一层和上下层的关系都是比较松散的耦合关系。

图片来源于网络

目前，云计算技术已经在制造企业内获得了方方面面的应用，为制造企业带来了更加高效的管理以及的业务创新。其中，通过IAAS服务，企业可以利用工业云将服务器、存储设备外包，广泛应用虚拟桌面和移动终端，减少或消除专职的IT运维人员，降低IT应用成本，专注于信息化应用。在SAAS应用方面，企业级邮件系统、视频会议、协同办公、CRM、在线招聘、供应链协同和电子商务等领域已经有成熟的应用。在PAAS应用层面，很多工业软件企业也在将软件的开发平台服务化，支持软件功能的配置与扩展。同时，国际工业软件巨头正在从卖软件的License转型为卖订阅服务(Subscription)，与客户实现双赢，制造企业IT应用正在从本地走向云端。

工业云平台支撑企业实现智能制造

近几年，制造企业内掀起了智能制造的热潮，数字化、网络化、智能化日益成为了未来制造业发展的主要方向。

制造业迈向智能制造，目前面临的关键挑战在于：制造与互联网技术如何解决企业IoT互联、大数据实施处理与分析实时监控与自动化控制、智能决策执行、企业内外部系统互联互通、第三方互联网服务接入等问题，在这些问题下，云平台有了广泛的应用前景。工业云平台能够支撑大量的智能制造的关键技术，如物联网、大数据、移动应用、虚拟现实、数据分析……等等，从而实现互联网技术与先进制造技术的融合，形成支撑智能制造的全生命周期的工业软件，以平台支撑智能制造创新、支撑企业商业和协同创新。

在工业云平台的支撑下，企业可以实现个性化定制、网络化协同制造、服务型制造等创新模式。在智能研发领域，可以构建仿真云平台，支持高性能计算，实现计算资源的有效利用和可伸缩，还可以通过基于SAAS的三维零件库，提高产品研发效率；在智能营销方面，可以构建基于云的CRM应用服务，对营销业务和营销人员进行有效管理，实现移动应用；在智能物流和供应链方面，可以构建运输云，实现制造企业、第三方物流和客户三方的信息共享，提高车辆往返的载货率，实现对冷链物流的全程监控，还可以构建供应链协同平台，使主机厂和供应商、经销商通过电子数据交换（EDI）实现供应链协同；在智能服务方面，企业可以利用物联网云平台，通过对设备的准确定位来开展服务电商。

工业物联网是智能制造的基础。一方面，在智能工厂建设领域，通过物联网可以采集设备、生产、能耗、质量等方面的实时信息，实现对工厂的实时监控；另一方面，设备制造商可以通过物联网采集设备状态，对设备进行远程监控和故障诊断，避免设备非计划性停机，进而实现预测性维护，提供增值服务，并促进备品备件销售。工业物联网应用采集的海量数据的存储与分析，需要工业云平台的支撑，不论是通过机器学习还是认知计算，都需要工业云平台这个载体。

”

制造业拥抱大数据时代

曾几何时，在人们的印象中，大数据作为一种新兴技术，离人们的日常生活还很遥远，显得异常“高冷”。

随着互联网技术的不断深入，特别是近几年来物联网、云计算以及社交网络的飞速发展，人们所接触和关注的数据量呈现出了爆炸式增长。同时，大数据分析和处理的技术也随之建立并丰富起来，其应用也越来越广泛，大数据给各行各业带来变革性机会。例如个人的饮食、健康、出行、家居、医疗、购物以及社交等生活数据会被实时采集上传互联网，通过对这些数据的分析，商家可以为每个人量身定制个性化的服务。在工业生产领域，运用大数据技术可以全盘把握供需平衡，挖掘创新增长点，提高效率，节约成本;在交通领域，可以实现智能辅助以及无人驾驶;在农业领域，可以对环境气候土壤以及农作物状况进行监控，实现超精细化耕作……

图片来源于网络

那么究竟什么是大数据呢?大数据(big data，mega data)，或称巨量资料，是指"无法用现有的软件工具进行提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合，需要通过运用新系统、新工具、新模型的挖掘，才能获得具有洞察力和新价值的东西。"大数据不用随机分析法这样的捷径，而采用所有数据全面进行分析处理。

区别于其它数据，大数据具有4V特点，即数据容量大(Volume)、数据类型繁多(Variety)、商业价值高(Veracity)以及处理速度快(Velocity)的特点。

数量(Volume)，即数据巨大，从TB级别跃升到PB级别。伴随着各种随身设备、物联网和云计算、云存储等技术的发展，人和物的所有轨迹都可以被记录，数据因此被大量生产出来。

多样性(Variety)，即数据类型繁多。数据来源多样化，不仅产生于组织内部运作的各个环节，也来自于组织外部。大数据不仅是处理巨量数据的利器，更为处理不同来源、不同格式的多元化数据提供了可能。

速度(Velocity)，即处理速度快。快速度是大数据处理技术和传统的数据挖掘技术最大的区别。大数据是一种以实时数据处理、实时结果导向为特征的解决方案，它的快有两个层面，即数据产生得快和数据处理得快。

真实性(Veracity)，即追求高质量的数据。数据的重要性就在于对决策的支持，数据的规模并不能决定其能为决策提供帮助，数据的真实性和质量才是获得真知和思路最重要的因素，是制定成功决策最坚实的基础。

数据产业发展趋势

未来几年，大数据产业将朝着以下几个趋势发展:

图片来源于网络

开源大数据将商业化。随着闭源软件在数据分析领域的地盘不断缩小，IT厂商的商业模式向开源靠拢，并加大专业服务和系统集成方面的力度。利用Hadoop和R两类技术，帮助客户向开源的、面向云的分析产品迁移。

Hadoop将加速发展。作为大数据领域的代表，未来很多企业会把研发的重心放在Hadoop上。从整体上说，不仅是Hadoop本身本会得到迅速发展，同时Hadoop在多个数据中心中的配置和无缝集成技术也将成为热门。

打包的大数据分析应用将开拓新的市场。随着大数据逐渐走向各个行业，基于行业的大数据分析应用需求也将日益增长，未来几年中针对特定行业的业务流程的分析应用将会以预打包的形式出现，这将为大数据技术供应商打开新的市场。

将会创造一些新的细分市场。大数据相关技术的发展将会创造出一些例如以数据分析和数据处理为主的高级数据服务和基于社交网络的社交大数据分析等新的细分市场。

大数据与云计算将深度融合。云计算为大数据提供弹性可扩展的基础设施支撑环境以及数据服务的高级模式，大数据则为云计算提供了新的商业价值，大数据技术与云计算技术必有更完美的结合。

大数据在制造企业的应用

大数据作为新一代信息技术的代表，已开始在工业设计、研发、制造、销售、服务等环节取得应用，并成为推动互联网与工业融合创新的重要因素。面对大数据的浪潮，传统企业要主动把握大数据的发展方向，深入挖掘大数据的价值，分析需求偏好、改善生产工艺以及提升企业的内部管理水平等。

图片来源于网络

预测分析。当前，大数据最引人关注的一个方面是预测分析。企业可以利用数据中隐藏的模式、识别各种风险和机遇，比如交叉销售和升级销售的目标客户、客户流失倾向、经济预测、信用评级和保险承保等。例如，当需要开车时，上百万美国人选择AAA(美国汽车协会)的旅游救援、保险和紧急拖车服务。为了更好地理解客户需求，AAA总部组件了一个"活动中心"，应用SAP Predictive Analytics软件进行预测分析。

为企业决策部门和管理层提供依据。利用大数据工具对供应链进行分析以选择供应商、优化物流配送方案和进行价格谈判等;利用大数据分析工具可以对商品进行销售预测，分析顾客的购买偏好，确定商品的价格。中国商飞通过SAP商务智能解决方案(SAP BI)和SAP业务经营管控平台(SAP ERP)的实施，成功构建了实时、透明、智能的业务经营管理平台，实现了质量全程可追溯以及实时运营;实现高效业务协同，增强了全供应链数据共享与智能分析，为管理决策提供强有力保障。

实现智能生产。大数据是制造业智能化的基础，其在制造业大规模定制中的应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等，核心是定制平台。定制数据达到一定的数量级，就可以实现大数据应用。通过对大数据的挖掘，实现流行预测、精准匹配、时尚管理、社交应用、营销推送等更多的应用。同时，大数据能够帮助制造业企业提升营销的针对性，降低物流和库存的成本，减少生产资源投入的风险。成立于1988年的中信戴卡公司，是全球最大的铝车轮生产企业，在全球市场占有率将近25%。中信戴卡已经与SAP合作多年，在双方的合作之下，一个高度智能化的生产制造供应网络正在显现，实现覆盖从智能营销、智能研发、智能制造、智能经营、智能决策到智能服务六大智造体系，真正实现全价值链的"智造"。

实现个性化定制。消费者与制造业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些消费者动态数据，能够帮助消费者参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。制造业企业对这些数据进行处理，进而传递给智能设备，进行数据挖掘，设备调整，原材料准备等步骤，才能生产出符合个性化需求的定制产品。在定制西服的传统概念中，定制与工业化经常是一对天然的反义词。红领西装与众多服装加工厂有着显著的不同，其通过大数据系统和相应的工艺改变，实现了对传统服装企业改造。能够根据顾客身体测量数据和相关细节，制定出符合每个顾客个性化需求版型。提高了生产效率和客户满意度。

应用大数据的注意事项

大数据的应用能给企业带来诸多便利，实现了以往常规技术手段无法实现的目标。但也要认识到大数据在制造业大规模运用的时间还不是很长，很多企业应用经验相对缺乏。为了确保大数据在实际运用中能够发挥其应有的效果，应注意以下几点:

图片来源于网络

对于海量的数据要去粗取精，去伪存真。对于业务数据，应当在进行实时分析的基础上，将决策支持的数据通过移动端推送给企业各级负责人，决策过程用数据说话，不再是凭经验、拍脑袋。

大数据要形成一定的数据决策力。数据决策力就是基于数据进行科学决策，并且让数据发挥价值的能力。在大数据时代，这种能力已经变成跟以往的财务能力、生产能力等一样不可或缺的能力。要重视数据安全性。随着产生、存储、分析的数据量越来越大，隐私问题在未来的几年也将愈加凸显。所以新的数据保护要求以及立法机构和监管部门的完善应当提上日程。

探讨人工智能的本质 

美国作家卢克•多梅尔曾在《人工智能》一书中提出“智能奇点”的概念，即机器在智能方面超过人类的那个点。他认为，人工智能在技术和产业两个方面正在临近“奇点时刻”。第一，信息革命正从技术深化到科学向智能方向提升，人工智能正处在科技革命的奇点上。第二，信息革命正从科学转化为技术向智慧产业深化，人工智能正处在产业革命的奇点上。

人工智能（Artificial Intelligence，AI）的本质其实就是为了研制出具有类人智能的机器或系统，能够模拟、延伸和扩展人类智能的理论、方法、技术以及应用形式。人工智能作为一门学科诞生至今已超过60 年，期间经历了2 次高潮和低谷，从2010 年开始迎来第三次发展浪潮。从当前人工智能产业发展情况来看，可以将人工智能分成技术支撑层、基础应用层和方案集成层。

图片来源于网络

★技术支撑层：主要由算法模型（软件）和关键硬件两部分构成。关键硬件主要包括用于数据采集的各种传感器和用于高性能并行计算的各种人工智能芯片，如GPU、FPGA、NPU等。算法模型（软件）主要用于训练数据，利用算法模型对数据进行运算分析，进而提升机器的自主学习能力。

★基础应用层：主要由感知类技术和其他深度学习应用构成。该层主要是为了让机器完成对外部世界的探测，即看懂世界、听懂、读懂世界，由计算机视觉、语音识别、语义识别构成，是上层智能产品或方案不可或缺的基础。

★方案集成层：为特定的应用场景提供产品或方案。根据不同行业或应用场景的需求构建不同的人工智能解决方案。比如智能物流、智能安防、无人驾驶汽车、工业机器人以及智能工厂等。人工 智能重构领域很多，有着非常庞大的应用空间和市场。

随着大数据、云计算和物联网等技术应用的逐渐发展成熟，人工智能也迎来来新的发展机遇。从机器学习到深度学习，推动人工智能实现快速发展的主要动力基于两大因素：其一，快速提升的智能芯片并行运算能力。其二，让机器具备自主学习能力的算法模型正在逐步取得突破。

人工智能：支撑智能制造转型

推进智能制造转型的根本原因在于：机器功能表现不遂人愿，人很难掌控机器的全部状态情况。机器不容易改变和提升功能，任何的功能更改都需要重新开发某些甚至全部零部件；机器运行状态不为人知，且不说远程监控，就是人站在机器前面，也未必知道哪个零部件正常与否，还有多长时间需要更换；机器不灵活，例如无法像人手一样灵巧地装配零件；机器不认人，无法判断谁是合法的操作者并给以相应的配合；机器不会自主发声，告诉所有者或其他人，“我已空闲，请给我安排工作”等等。

在机器不智能的时代，只能靠人的智能来弥补。但是，人的体力有限易疲劳，人的智力和技能有差异，人的心理状态不可控，更重要的是，很多问题限于人的辨别力是无法解决的，例如机器中的一个关键零部件现在复合受力是多大？环境的振动是否会引发加工质量问题？车间中的粉尘状态何时会爆炸等等。

因此，人们一直期望在制造活动中能够有某种人体以外的“智能”要素的参与，无论是类似人还是其它生物的智能要素，加入到机器、生产环境或者生产的流程之中，使得整个制造活动可以满足这样的需求：所有的状态信息都能实时获取和快速响应，所有的决策都恰当且及时，所有的产品特征变化（个性化需求）都能充分满足，所有的产品都是高质量高附加值的，所有的制造过程都是高效安全的，所有的设备维护都是主动、预测式的，所有的企业运营都是高利润、低成本、绿色环保的等等。作为制造业智能制造转型的关键使能技术，人工智能的发展在为智能制造赋能的同时，也为机器从“劳动工具”向“劳动伙伴”的角色演进提供新路径。

图片来源于网络

当前，制造企业从原材料采购、生产制造，到产品销售与流通，所有经营生产过程正越来越趋于数据化和智能化。数据的不断累积以及数据算法和模型的不断发展成熟，为人工智能融入到制造业提供了机会，进而促进企业从传统生产向智能生产转型。

企业可以通过遍布车间的传感器和智能芯片，实现对生产过程中的全链路数据的处理和分析，进而提升生产效率、库存周转率、设备利用率等关键指标。在销售层面，通过对海量的交易数据进行挖掘、计算和分析，人工智能可以为企业制定自动化和智能化的生产计划；在生产层面，通过对产品数据、生产设备数据的采集和分析，人工智能实现对生产设备和产品质量的智能化诊断，提高产品良品率；在流通层面，通过产品上部署的传感器及时采集产品状态数据，为企业的生产过程提供决策支撑，同时也可以提供预测性的维修维护服务。

图片来源于网络

机器学习：人工智能背后

人工智能大师西蒙曾说过：“学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。”机器学习是人工智能应用的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。现有的计算机系统和人工智能系统至多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和研究，必将促使人工智能和整个科学技术的进一步发展。

SAP认为，机器学习就是计算机从数据中学习而不被明确编程，所依据的只是不断优化的算法和经验。机器可以看到、阅读、聆听、理解和交互。当前，支撑机器学习的软硬件技术正在逐步发展成熟。比如改进的硬件计算单元如英伟达的GPU、谷歌的TPU等，以及正在实现突破的各种深度学习算法和训练模型。