AI驱动的效率、适应性与自动化
Importance of AI-Driven Efficiency, Adaptability, and Automation for Future Manufacturing
Wei Wu¹, Zhiheng Zhao¹, George Q. Huang¹
¹ 香港理工大学工业与系统工程学系，香港 999077，中华人民共和国
通讯作者：gq.huang@polyu.edu.hk
现状
由工业5.0所塑造的制造未来强调创建一个更加以人为本、富有韧性和可持续的制造生态系统，能够实现大规模个性化定制[1]。在这一转型过程中，AI不可或缺——从根本上提升效率、适应性和自动化，贯穿各层级设施。在本语境中，效率描述的是优化生产流程以在最大化产出的同时最小化资源消耗和运营周期的能力。AI有助于确保人员、机器和物料在正确的时间、正确的地点协同运作，将效率损失降至最低[2]。适应性表示无缝适应动态环境的能力——包括波动的市场需求和不可预见的 disruptions。由AI增强的网络物理可见性和可追溯性使制造商能够识别 disruptions、做出数据驱动的决策，并迅速调整流程以满足不断变化的需求[3]。自动化涉及以最少的人工干预对重复性或复杂性任务进行自主管理和执行。机器人技术、物联网（IoT）与AI技术的融合使个人或系统能够进行准确、有效和一致的决策，同时具备自我学习和自我优化能力[4]。在竞争激烈的全球市场中，AI的采用对于保持竞争优势和实现可持续发展目标至关重要。
AI技术现已广泛应用于制造业[5]（图1）。例如，预测性维护[6]利用AI分析传感器数据并预测设备故障，从而减少停机时间和维护成本。AI驱动的实时调度与执行[7]——以无缝网络物理同步为支撑——增强了生产对运营不确定性和动态变化的稳健性。通过AI驱动的机器人系统实现制造任务自动化[8]持续提升生产力并简化工作流程。此外，AI在通过改进需求预测和库存管理优化供应链[9]方面发挥着关键作用。生成式设计工具[10]利用AI基于历史原型探索广泛的设计可能性。这些多样化应用正汇聚融合，朝着实现"智能工厂"的方向发展——确保高度自动化、高效和自适应化的生产环境。
AI的进一步发展有望对制造业产生更深远的影响。我们可以预期制造过程将实现更高层次的自主性。增强的人机协作将使AI增强人类能力，使工人能够专注于更复杂、更有创造性和更具战略性的任务。大规模个性化定制和高度灵活的生产系统的提供能力将日益普及，使制造商能够快速响应不断变化的市场需求和个体客户偏好。特别是生成式AI的持续发展有望推动整个制造领域的进一步创新和变革性变化。
当前与未来的挑战
尽管AI在制造业中具有前所未有的潜力，但其广泛而有效的实施仍受到重大挑战的阻碍。首要障碍在于数据相关问题[11]。AI系统的有效性高度依赖于获取大量高质量、一致且准确标注的数据。然而，许多制造企业仍在与过时的遗留系统、普遍存在的数据孤岛以及缺乏整合的数据治理作斗争。这些局限往往导致数据集存在噪声、不完整或缺乏充分上下文的问题，需要耗费大量人力和成本进行预处理。此外，保障数据安全和隐私是首要关切[12]，尤其是在分布式AI模型日益增多的背景下。保护敏感的制造数据和知识产权免受网络威胁仍然是关键挑战。
集成复杂性是另一个重大障碍[13]。现代制造环境以异构技术格局为特征——先进信息系统与老旧遗留设备共存，而后者往往缺乏标准化通信协议或数字接口。将AI解决方案集成到这种差异化基础设施中，在技术上极为复杂且运营上具有破坏性。此外，AI平台与现成系统（如制造执行系统（MES）或企业资源计划（ERP））之间缺乏互操作性，进一步复杂化了无缝部署。这需要大量的基础设施升级，从而增加成本和时间。
同样关键的是围绕AI系统的安全性、可靠性和可信赖性的关切[14]。在安全关键应用中，确保AI驱动决策的公平性、透明度和问责制至关重要。使用有偏见或不具代表性的训练数据集训练AI模型可能会强化现有不公平现象并产生扭曲的运营结果，从而可能损害流程效率。此外，许多先进AI算法的内在不透明性——即所谓的"黑箱"问题——在验证、调试和在人机操作员之间建立信任方面带来了显著困难。加强这些系统对抗对抗性攻击和不可预测变化的稳健性，对于维持长期可靠运营至关重要。
展望未来，未来的挑战将突出体现在确保AI解决方案在多样且不断发展的制造环境中可扩展性和灵活性[15]的需求上。向全行业部署的转型需要有效的AI运营框架，能够容纳不断增长的数据量和日益增长的模型复杂性。此外，AI系统必须展示对变化的生产需求、重新配置制造单元或启动新产品线的增强适应性。应对这些挑战对于释放AI在全球范围内革新制造系统的全部潜力至关重要。
应对挑战的科技进展
多种前沿技术正在涌现和发展，以克服阻碍AI在制造业扩展的挑战，包括数字孪生（DT）、分层计算和区块链（图1）。这些技术有望促进有效集成、提高可靠性并实现可扩展部署。
DT技术[16]为解决集成复杂性和确保可靠的AI性能提供了坚实的解决方案。通过在网络空间创建物理资产、过程和系统的相同副本，DT能够对制造运营进行实时监控、仿真和优化。这些虚拟模型不仅可以促进遗留系统与AI驱动平台之间的无缝同步，而且能够以生成方式增强大量高质量数据，从而显著提高模型准确性和一致性。此外，DT通过提供可见的沙箱环境用于验证AI算法并减少决策延迟，增强了透明度和信任。
云-雾-边-端计算架构[17]建立了AI部署的可扩展性和灵活性。通过在云、雾、边和端设备之间分配计算资源，可以实现更接近数据生成源的高效数据处理，从而提高资源利用率和响应速度。这种架构在动态生产环境中产生实时决策能力，并确保AI系统能够跨地理分布的设施扩展，同时保持运营效率。边缘计算尤其通过在本地处理敏感信息来增强数据隐私和安全性，降低与集中式数据存储相关的风险。
区块链技术[18]提供了一个去中心化和不可变的框架，以增强制造环境中的数据安全性、可追溯性和信任。通过在利益相关者之间实现安全且防篡改的数据共享，区块链降低了数据泄露风险并确保符合相关法规。智能合约可以自动执行访问策略并触发作业序列，加强数据溯源与运营控制之间的耦合。此外，区块链可以改善云-雾-边-端计算系统的连接性和可追溯性，从而加强AI安全性。
最后，生成式AI（GAI）[19]和可解释AI（XAI）[20]的进展将通过激发创造力、建立信任和优化流程重塑制造业。GAI专注于基于从历史数据学习的潜在表示创建新的原创内容。在工业环境中，在多模态语料库上训练的基础模型可以加速领域适应并提供人类可读的指令。同时，XAI旨在使AI系统决策和输出对人类透明和可理解。通过解决许多AI模型固有的黑箱问题，XAI促进了人机协作，同时增强了安全性与可靠性。这些技术共同描绘了一条通向强大、可扩展且可信赖的面向未来的AI制造的可信路径。
结语
总之，制造业的未来与AI的进步深度交织。AI是实现更高效率、适应性和自动化水平的基石——这是培育具有竞争力、可持续和以人为本的工业生态系统所不可或缺的。虽然在制造业中部署AI已取得重大进展，但若干关键挑战依然存在——包括数据质量、系统集成复杂性以及构建可信赖和可靠AI系统的迫切需求。数字孪生、分层计算和区块链等新兴技术为应对这些挑战提供了有前景的途径——通过增强网络物理可追溯性和可见性、模型可靠性、流程安全性和系统灵活性。充分利用这些创新提供了克服现有局限和充分实现AI在制造业中变革潜力的手段。此外，GAI和XAI有望进一步加速创新并重新定义制造范式。这一轨迹将为智能工厂铺平道路——不仅高度高效和富有韧性，而且能够实现大规模个性化定制——从而在全球市场中获得竞争优势，并推动下一波工业演进。
致谢
本研究部分受香港研究资助局策略主题研究项目（T32-707/22-N）、合作研究基金（C7076-22GF）、研究影响基金（R7036-22）和创新及科技基金（PRP/007/25LI）资助。
参考文献
[1] Xu X, Lu Y, Vogel-Heuser B and Wang L 2021 Industry 4.0 and Industry 5.0—Inception, conception and perception J. Manuf. Syst. 61 530-535
[2] Guo D, Li M, Lyu Z, Kang K, Wu W, Zhong R Y and Huang G Q 2021 Synchroperation in industry 4.0 manufacturing Int. J. Prod. Econ. 238 108171
[3] Wu W, Zhao Z, Shen L, Kong X T, Guo D, Zhong R Y and Huang G Q 2022 Just Trolley: Implementation of industrial IoT and digital twin-enabled spatial-temporal traceability and visibility for finished goods logistics Adv. Eng. Inform. 52 101571
[4] Sahoo S and Lo C Y 2022 Smart manufacturing powered by recent technological advancements: A review J. Manuf. Syst. 64 236- 250
[5] Nti I K, Adekoya A F, Weyori B A and Nyarko-Boateng O 2022 Applications of artificial intelligence in engineering and manufacturing: a systematic review J. Intell. Manuf. 33 1581-1601
[6] Çınar Z M, Nuhu A A, Zeeshan Q, Korhan O, Asmael M and Safaei B 2020 Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0 Sustainability 12 8211 Journal XX (XXXX) XXXXXX A Author et al 17
[7] Ding J, Chen M, Wang T, Zhou J, Fu X and Li K 2023 A survey of AI-enabled dynamic manufacturing scheduling: From directed heuristics to autonomous learning ACM Comput. Surv. 55 1-36
[8] Soori M, Arezoo B and Dastres R 2023 Artificial intelligence, machine learning and deep learning in advanced robotics, a review Cogn. Robot. 3 54-70
[9] Sharma R, Shishodia A, Gunasekaran A, Min H and Munim Z H 2022 The role of artificial intelligence in supply chain management: mapping the territory Int. J. Prod. Res. 60 7527-7550
[10] Mata O, Ponce P, Perez C, Ramirez M, Anthony B, Russel B, Apte P, MacCleery B and Molina A 2025 Digital twin designs with generative AI: crafting a comprehensive framework for manufacturing systems J. Intell. Manuf. 1 1-24
[11] Escobar C A, McGovern M E and Morales-Menendez R 2021 Quality 4.0: a review of big data challenges in manufacturing J. Intell. Manuf. 32 2319-2334
[12] Patel D, Sahu C K and Rai R 2024 Security in modern manufacturing systems: integrating blockchain in artificial intelligence-assisted manufacturing Int. J. Prod. Res. 62 1041-1071
[13] Mao S, Wang B, Tang Y and Qian F 2019 Opportunities and challenges of artificial intelligence for green manufacturing in the process industry Engineering 5 995-1002
[14] Tripathi S, Muhr D, Brunner M, Jodlbauer H, Dehmer M and Emmert-Streib F 2021 Ensuring the robustness and reliability of data-driven knowledge discovery models in production and manufacturing Front. Artif. Intell. 4 576892
[15] Arinez J F, Chang Q, Gao R X, Xu C and Zhang J 2020 Artificial intelligence in advanced manufacturing: Current status and future outlook J. Manuf. Sci. Eng. 142 110804
[16] Wang S, Zhang J, Wang P, Law J, Calinescu R and Mihaylova L 2024 A deep learning-enhanced Digital Twin framework for improving safety and reliability in human–robot collaborative manufacturing Robot. Comput.-Integr. Manuf. 85 102608
[17] Yang C, Wang Y, Lan S, Wang L, Shen W and Huang G Q 2022 Cloud-edge-device collaboration mechanisms of deep learning models for smart robots in mass personalization Robot. Comput.-Integr. Manuf. 77 102351
[18] Leng J, Ye S, Zhou M, Zhao J L, Liu Q, Guo W, Cao W and Fu L 2020 Blockchain-secured smart manufacturing in industry 4.0: A survey IEEE Trans. Syst. Man Cybern. Syst. 51 237-252
[19] Ghobakhloo M, Fathi M, Iranmanesh M, Vilkas M, Grybauskas A and Amran A 2024 Generative artificial intelligence in manufacturing: opportunities for actualizing Industry 5.0 sustainability goals J. Manuf. Technol. Manag. 35 94-121
[20] Alexander Z, Chau D H and Saldaña C 2024 An interrogative survey of explainable AI in manufacturing IEEE Trans. Ind. Inform. 20 7069 - 7081 The Outlook of Artificial Intelligence in Manufacturing and Value Chains Kiva Allgood1, Devendra Jain1 and Benedikt Gieger1 1 Centre for Advanced Manufacturing & Supply Chains, World Economic Forum, Cologny/Geneva, Switzerland E-mail: mailto:kiva.allgood@weforum.org Status AI has evolved from a promising technology to a transformative force, fundamentally reshaping global manufacturing and value chains. Over the past decade, AI and its applications have matured, driven by advances in data availability, algorithms, and compute power. As a result, manufacturers are increasingly recognizing AI’s potential to drive step-change improvements in efficiency, sustainability, and resilience when deployed at scale. The World Economic Forum’s Global Lighthouse Network1, a community of advanced manufacturing sites, serves as a compelling showcase of such AI-enabled improvements. The early use cases of AI focused on predictive maintenance and quality control. Today, AI’s integration spans the full value chain: demand sensing, supply planning, autonomous intralogistics, energy optimization, and dynamic scheduling. Notably, much of the current impact still stems from conventional AI models, which