设备制造商与系统集成商当下所需的 AI 专家

　　斑马技术大中华区技术总监程宁

　　如今，设备制造商、系统集成商、工程师，甚至工厂本身，正以AI和数据专家的视角思考、行动与表达。有的走在前列，有的仍在追赶，但大家都在寻求更专业、更可行的建议、解决方案与合作伙伴，以便将AI投资真正转化为业务价值。随着制造业AI 应用节奏加快、运营数据利用需求日益迫切，制造领导者们亟需可信赖的专业来源。《2025年政府工作报告》提出，中国将持续推进“人工智能+”行动，进一步将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用，并大力发展智能制造装备；同时明确提出“加快制造业数字化转型，培育一批既懂行业又懂数字化的服务商，加大对中小企业数字化转型的支持”。这些政策方向表明，在国家层面，AI与制造业融合已经被提升至核心战略高度。

　　然而，数字化转型仍面临关键障碍，其中包括：不知先从哪些业务痛点或产线环节入手，成本与资源不足，项目从试点扩展到全厂、全组织的可扩展性，最后便是数据本身。斑马技术2024《全球制造愿景研究报告》指出,AI应用的激增，加之约九成受访者（全球为92%，亚太地区为87%）将数字化转型作为战略重点，这凸显了制造商在提升数据管理能力、借助新技术优化生产流程的可见性与品质等方面的信心。86%的全球受访制造业决策者表示，他们正在努力跟上技术创新的步伐，力求在整个设施和供应链中安全地集成设备、传感器和其他技术。凭借斑马技术的全链路整体解决方案，企业用户能充分发挥数据的效用，从而实现更高水平的安全性和可管理性，并通过新的分析方法来提升业务绩效。

　　为AI备好数据

　　要让AI系统发挥积极效用，就需要大量高质量数据。这意味着必须解决数据质量问题、打破数据孤岛。如今大量运营数据仍沉睡在设备、电脑、数据库和工作流程中，未能得到充分利用。

　　行业必须向前一步，摆脱对云端的犹豫——云端平台跨工作流程、跨厂区、跨地区，能够安全且一致地上传、标注、注释大规模数据集的理想平台。团队可在云端协作，为AI模型提供更优质的数据，以训练、测试并部署到产线边缘、PC或设备端。斑马技术2024《全球制造愿景研究报告》显示，受访决策者指出当今重要的质量管理问题在于实时可见性、上新的标准和法规、集成数据以及保持可追溯性——这些都关乎数据的采集、处理与共享，必须先行解决，才能让AI系统发挥最大效能。

　　训练与测试AI模型需要产线数据集，这样AI模型不仅能在实验室运行，还能在现实场景中工作。它能通过实际WIP流程中获取的数据进行不断学习和调整，实现自我进化——这正是由深度学习等AI技术驱动的“智能自动化”。

　　AI应用的成功实例

　　此处援引一个典型案例，它很好地展示了制造数据如何经充分利用，为AI方案创造价值。一家表面处理技术供应商与机器视觉系统集成商合作开发了一套方案，显著提升了全球汽车制造商使用的电动车电池盖的生产品质，电池盖成品能用于保护高压电池免受外界影响。

　　该方案由基于无代码、流程图式机器视觉软件及深度学习驱动的视觉引导机器人组成——深度学习是更高级机器视觉分析的强力AI技术。机械臂抓取电池盖，经过由相机系统引导的多阶段检测，检查可能影响质量与性能的任何缺陷，哪怕是极细微的表面瑕疵。

　　系统集成商特别认可该软件的开发速度和执行效率，可同时分析大量甚至大体积图像文件，并能在整个制造过程中持续改进。这得益于利用海量数据集进行训练，让系统能够识别并分类特定缺陷。

　　历史数据集被标注后输入系统，再根据新信息重新训练以识别新的检测标准，或对已知缺陷进行知识微调。因此，该方案能借助深度学习不断进化，远胜传统工具的方案——后者往往耐久性不足，难以适应多变的生产条件。

　　在另一案例中，某汽车OEM通过AI质检方案，将复杂如汽车门体（最多含80个零部件）的缺陷率降低10–15%，同时简化了产线，降低了维护成本和系统复杂度。

　　该机器视觉系统集成商采用双相机、单激光3D传感器硬件与AI软件结合的方案。其中，3D传感器扫描汽车门体，捕获数千个数据点，生成高精度点云和深度图，供AI软件进行缺陷检测。该方案的可扩展性和适应性已被制药、食品等行业采用。

　　总结

　　汽车、电池、电子等制造业正加速将AI引入更多运营环节，因为全球对AI的雄心日益高涨，AI带来的收益愈发显著。

　　制造企业需要合作伙伴帮助其理顺数据管理，并选择最合适的AI方案。在这方面，设备制造商与系统集成商正是且应当发挥主导作用，成为首选的专业顾问。最终，一个集智能自动化、互联一线员工和资产可视化管理为一体的互联工厂将成为现实。