AI 对制造业差异的影响

在以往的 Substack 文章中，我曾写过 机器人在美国制造业未来中的作用 ，以及将有助于弥合物理现实与数字可见性差距的 美国新的“物理软件”层 。计算机视觉在机器人和我所称的“物理软件”中都发挥着重要作用，如果我们要在美国制造厂的运行方式上看到真正的范式转变，计算机视觉能力必须持续改进，这是至关重要的。

为什么？因为今天的工厂都很老。大多数美国制造业资产建于20世纪中叶的繁荣年代，之后只是逐步升级——并未整体替换。这影响了生产率、维修成本以及数字化和人工智能升级的边际效益。研究指出，工厂平均寿命超过25年。与此相比中国则不同：由于中国在2000年代和2010年代大规模推进工业厂房建设，其制造业资本存量中由近期年代建成的占比更高。较新的设施在整合数字化、自动化和人工智能技术时通常受制于遗留问题较少——且现代化的起点速度更快。

另一方面，新建工厂或彻底改造旧厂需要数年时间——这样的时间表带来经济后果，是大型制造商难以承受的。清空旧设施的停产成本过高，而关税的不稳定性使得目前建新厂变得无法维系。要在单个工厂层面达到最佳制造效率，这一进程将会缓慢推进——事实上，这一过程已经开始。

尽管机器人可能成为制造业的未来基石，人工智能已以深远的方式逐步进入制造设施，并弥合通向最佳效率的差距。

人工智能应对制造计划中的差异

人工智能在制造业的投资回报正在“无聊”的领域显现。人工智能在聚合来自各类来源的非结构化数据并加以理解方面具有独特优势。在制造领域，这使得该技术非常适合减少差异——而非减少人员。

人工智能工具可帮助应对多种差异。过程差异衡量产品质量、产量、设备停机时间等方面，人工智能可以在每一方面产生影响，制造商也开始注意到这一点。调查显示，超过 55%的制造商将人工智能视为“改变游戏规则”的技术 ，并且超过 78%的人预计在未来两年增加对人工智能的投资。

近年来，制造业场景中 AI 软件工具的使用激增，且成效显著。2024 年有 35% 的制造企业在某种程度上使用了 AI，而 2019 年几乎没有采用。早期采用 AI 的企业平均实现了 15–25% 的运营成本下降和 30–50% 的缺陷减少。同样，一项 2025 年的调查发现 78% 的制造业高管报告其生成式 AI 投资带来了可衡量的投资回报，73% 的制造商在 18 个月内实现了 AI 的正向投资回报——这反映出能降低差异的 AI 在效率和质量方面带来的切实改进。随着基础 AI 的改进，回收期将继续缩短。正如俗话所说，今后我们一生中 AI 最差的状态就在今天。

差异的多种形式

更具体地说，最近的一项分析发现质量检验是工业领域中最主要的人工智能应用场景， 约占已实施人工智能应用的 11%。预测性维护和产量优化也是重要的应用场景，这强调了制造商优先在能够稳定工艺和产出的位置部署人工智能。

美国所有主要制造业子行业都出现了显著的人工智能部署，但各行业侧重点不同。在汽车行业，基于人工智能的视觉系统被广泛用于装配验证和最终检验，以减少召回和保修索赔。电子/半导体部门则将人工智能用于良率管理——例如，Intel 的工厂使用人工智能模型分析 100% 的晶圆数据，并以超过 90% 的准确率检测出细微的失效模式，从而实现更早的修正并帮助各晶圆厂维持高良率。过程工业（化工、制药、冶金）利用人工智能来稳定本质上存在变数的工艺：从实时调整化学配方到优化批量生产以获得更高且更稳定的产率。重材料行业（钢铁、玻璃）也在使用机器学习来收紧工艺控制。

在各行各业，这些应用表明人工智能能够应对多种变异来源——无论是人为错误、设备故障，还是工艺复杂性——从而实现更可预测、更高效的生产。

考虑质量一致性：由人工智能驱动的质量控制系统——尤其是使用计算机视觉的系统——可以实时检验每一件产品，发现缺陷或偏差的可靠性远高于人工检验。这种“规模化质量”方法已带来显著成效。 实践中的 AI 视觉模型现在可实现超过 99%的缺陷检测准确率

多家制造商在各个行业复制了这些成果。福特近期在美国的多家工厂部署了 AI 视觉，用于验证线束、内饰及其他组件的装配；AI 按数字化构建食谱（build recipe）逐辆检查车辆，数秒内提醒工作人员任何错位或缺失的零件。在电子制造中，视觉 AI 被用于高速检测电路板上肉眼难见的焊接或元件放置问题，降低了电路板质量的波动。在食品和消费品领域，AI 摄像头检查产品外观和包装完整性以确保一致性（任何异常都会触发剔除或调整）。

AI 还越来越多地用于监控流程遵循，从源头预防缺陷。先进的视频分析可以观察操作员和机器执行每一步的方式，确保遵循标准作业程序。通过实时提醒团队这些“流程偏差”，AI 有助于在各班次之间保持一致的流程执行，减少由人为因素或疲劳带来的变异。

AI 驱动的质量控制在事后（以近乎完美的一致性筛选缺陷）和上游（保持过程在规范内以避免产生缺陷）双向打击变异，从而提高一次通过率并减少报废。即使一次通过率小幅提升也能转化为可观的节省——行业数据显示，一次通过率提高 1% 可将制造成本降低最多 4%，凸显质量改进的高投资回报率。

人工智能可以解决产品差异和人为差异——也能覆盖机器差异。设备意外停机会导致产出和效率波动。人工智能通过预测性维护来应对这一问题：提前预测机器故障或性能衰退，从而可以主动进行维护（并更高效地安排）。通过用机器学习模型分析传感器数据（包括振动、温度、压力），人工智能系统能够识别出故障前的早期预警模式——这是人类常常无法发现的。这类系统的投资回报已被充分记录。Deloitte research 在 2024 年的研究发现，实施预测性维护通常可将意外停机时间减少约 45–50%，并将维护费用降低约 20–25%。这些数字令人震惊——考虑到停机每年可能给制造商造成约 500 亿美元的总体损失，单个大型工厂一小时的停机可能就要损失数十万美元，因此由此带来的节省相当可观。

在过程制造（化工、制药、金属等）中，人工智能也能发挥特别强大的作用。这些行业常面临固有的可变性——原材料性质或环境条件的细微差异可能导致产率、质量或周期时间波动。传统的过程控制使用固定设定点和裕度来适应这种可变性（通常较为保守，导致性能欠佳）。人工智能提供了一种更动态的解决方案：通过分析大量工艺数据，它可以实时识别最优设置并适应变化的条件，有效收紧结果分布——提高产率、减少浪费、使质量更均一。

在制造车间上游，AI 协助供应链和库存管理。许多制造商在 2021–2025 年间采用 AI 进行动态排程和库存管理，以应对中断。多智能体 AI 系统可以将生产排程与维护和供应数据协调——例如，如果预测某条生产线将停机，AI 代理可以将订单重新安排到另一条生产线，并同时检查任何所需零件的供应商交货期。一个估计显示，这种由 AI 驱动的决策支持（通常使用 LLMs 并从企业数据检索）可将“决策延迟”减少 70%–80%——例如将数据收集任务从 4–8 小时缩短到不到一小时。实际上，这意味着制造计划人员可以在同一天对变化做出反应，而不是等一两天，从而使生产运营更平稳。

初创公司的前方挑战

与我其他关于人工智能的文章相比，你会注意到我提到的在这些细分领域中显然“领先”的人工智能供应商更少。美国制造业生态系统极为复杂——软件系统各不相同，厂房布局、管理团队和流程也各有差异。这不仅体现在不同原始设备制造商之间，即便是那些在全国管理数十家工厂的单一 OEM，其系统也各不相同。因此，目前还没有一种能够在整个行业中“即插即用”地解决这些问题的明显人工智能方案……至少还没有。

相反，早期公司正在采用由 Palantir 普及的前置部署工程师（FDE）模式。FDE 基本上是具有工程背景的咨询人员——他们进入顾客的系统，利用本公司的核心技术构建特定解决方案。随着人工智能的进步，以及公司为足够多样的顾客解决足够多的边缘案例，那些积累了数据和分发渠道的公司将更接近“即插即用”解决方案——这些公司最终将获得数亿美元的收入。我们还未完全到达那一步，但已有许多公司在朝这个愿景努力。