生成式AI（GenAI）将如何推动制造业升级？四分仪的观点是：它能帮助工程师在数据库、专利信息中快速撷取有效信息，完成产品设计；同时，还可以将设计环节与视觉检测环节进行整合，提升视觉检测的效果；在管理环节，GenAI的应用还有望实现整个制造周期的透明化，并自动优化成本和流程。

  红山美国的两位投资人在他们的第二份生成式AI (GenAI) 报告中判断，GenAI的发展已确定进入到第二篇章，更多应用将在基础模型上创造解决方案，端到端地解决人类问题。这也代表着，GenAI将随着越来越多应用层公司的出现，进入到各个垂直行业中，为每个行业带来迭代与增长。

  摒除已经足够受到GenAI开发者重视的金融、传媒、零售、健康等垂直行业不谈，作为AI技术重要应用场景的制造业也开始拥抱GenAI。麦肯锡发布的《2023年AI现状：生成式AI的突破之年》报告数据显示，会在日常工作中使用GenAI工具的先进制造业的受访者占比已达到16%。

  相较科技、传媒、电信行业的33%，商业、法律行业的23%，以及金融服务行业的24%，先进制造业中GenAI的渗透率更低，但相应的增长潜力更大。第三方市场研究机构Marketresearch预计，GenAI在全球制造业中的市场规模将在2030年达到约31亿美元。

  赛迪顾问人工智能产业研究中心预测，到2035年，GenAI在全世界内的部署将创造12.5万亿美元的经济效益，届时，中国企业对GenAI的采用率将达到约85%，创造5.9万亿美元的经济效益。赛迪顾问还认为，GenAI的采用将加速中国行业数字化率的进程，在2055年实现中国全行业100%数字化。

  这个过程中，中国的制造业将在GenAI的采用率上实现领先，达到82%，仅次于零售业的90%。其中，智能客服、智能供应链和物流、工业质检、数据安全与合规和预测性维护生成式AI采用率相较明显，分别为10%-90%、30%-70%、19%-60%、30%-55%和16%-50%。

  在这样的行业需求刺激下，从大公司到创业者都在尝试寻找GenAI变革制造业的切入点。在中国，量匠、创新奇智、阿丘科技、炽橙科技、视睿科技、感图科技、Using.AI等聚焦制造业的AI勇于探索商业模式的公司都纷纷获得融资。在全世界内，微软的Azure、亚马逊云、丰田研究院、英伟达旗下的风投部门也都在围绕制造业的AI化进行布局。

  从近期目标来看，亚马逊云将工业设计、市场营销、职能支持确定为GenAI最早在制造业中实现落地的场景。GenAI能帮助工程师在数据库、专利信息中快速撷取有效信息，完成产品设计。同时，还可以将设计环节与视觉检测环节进行整合，提升视觉检测的效果。在管理环节，GenAI的应用还有望实现整个制造周期的透明化，并自动优化成本和流程。

  从长远来看，有分析认为，透过元宇宙科技及相关生成式模型科技的结合，AI在人机一体化智能系统层面将不仅是单纯的辅助者，还可以成为进一步的监督者与决策者。人们可完全期待由AI完全系统决策的年代到来。

  质检是较早应用AI技术的制造业环节之一。在四分仪调研过的多家数智化工厂案例中，基于机器视觉实现的AI质检已经被大范围的应用在高度自动化的生产线上，让自动化生产线拥有了眼睛。GenAI的出现让AI质检方案提供方在大模型基础上能够迅速构建质检场景的小模型，并且提升了AI质检方案的场景迁移能力。

  GenAI融入质检场景的基础原理是通过AIGC生成产品缺陷图，解决样本量不足的问题，减少质检模型的训练时间和成本。并且，利用AIGC将相似的缺陷生成在材料相近、工艺相似的产品中，能提高质检模型向不同场景横向迁移的效率。阿丘科技、视睿科技、感图科技等公司的主体业务都集中在AI质检领域。

  阿丘科技核心团队来自清华大学AI实验室，自2017年创立开始就聚焦于将AI和机器视觉技术赋能先进制造，目前其产品已经部署上线了超百家工厂。利用阿丘科技的AIDG平台，可以将划伤、凹坑和脏污等产品缺陷聚合在一张仿真图上，将质检模型的训练数据集压缩66%，训练时间缩短30%，漏检指标降低20%。

  获得银盈资本、基石基金等机构近亿元A轮投资的视睿科技成立于2018年，专注于半导体视觉检测，致力于成为国内领先的半导体制作的完整过程检测设备整体解决方案供应商。视睿科技提供原创的基于深度学习等人工智能技术的图像识别与分类解决方案，并应用于工业视觉领域的产品缺陷检验测试，目前已在半导体场景中广泛落地。

  获得虢盛资本、高通创投、博华资本数亿元C轮投资的感图科技同样成立于2018年，聚焦高端线路板行业的检测和生产环节，打通并落地了FPC制程产线操作智能监测、FPC SMT 全流程制程设备监控及缺陷&良率管理系统等多个解决方案。高通创投风险投资高级总监毛嵩表示，感图科技团队在小样本学习算法及光学设备集成等诸多方面有着深厚的技术积累和工程化经验。

  罗克韦尔自动化认为，一线员工拥有丰富的专业相关知识，他们了解事情究竟是如何完成的。但是，一线工人的工作很复杂，他们要提升工作效率。

  在腾讯研究院发布的《生成式AI“进军”制造业：应用范式、趋势与问题》中，也给出了几个将GenAI应用在制造业中的案例：

  SprutCAM X结合ChatGPT api 构建CAM虚拟助手，能够支持工程师操作机床加工，例如提出“在点(100, 25)处钻一个直径10毫米的孔”，AI助手就会为生成相应的CAM执行代码；

  C3iot 也是基于大语言模型构建了面向多个行业和多个领域的生成式AI服务，并且为某大型制造企业基于生成式AI提供设备运维服务，借助C3 Generative AI，操作员可通过简化的工作流程来诊断设备故障根因。当操作员发现生产问题时，可以立即进入C3 Generative AI 搜索故障排除指南和教科书，以找出潜在原因。

  从目前的情况去看，相比于优化质检模型、构建知识库，这个方向上的探索要更复杂、更难以实现。但聚焦工业领域大模型搭建的创新奇智、君联资本和金沙江投资的Using.AI、英伟达旗下风投部门投资的Machina Labs以及频率探索等公司依然在这个方向上进行着探索。创新奇智推出的奇智孔明AInnoGC与其预置大量行业知识和经验的机器视觉智能平台ManuVision相互配合，不但可以快速生成产品缺陷图，还能够在一定程度上帮助工厂规划产线布局、优化仓储区域布局，并能基于制造业知识图谱回答一线工程师的问题。

  Using.AI选择上游核心控制环节切入，专注于通过AGI技术赋能封闭场景下高精度要求的决策。具体而言，Using.AI通过“软硬解耦”的方式，以软件配置硬件资源，利用仿真的虚拟量测、异常检测和现实中的实时控制、工艺优化结合，实现多类型非标设备的可迁移决策能力。

  在36氪的报道中，Using.AI曾为某3C头部企业智能化改造阳极氧化产线。传统结业方案存在手动控制导致的品质管控不稳定、有效数据无法收集带来的物料损耗、不可以进行量化分析决策等问题。Using.AI通过AI技术的引入，实现了参数全程监控、自动染色和加药执行、智能参数控制等功能，帮助客户提升工艺水平、提高良率和大幅度降低成本。

  频率探索则定位为一家工业AI预测性维护公司。频率探索的产品由硬件、软件两部分所组成。硬件端，频率探索研发了低能耗、强计算力的传感设备，用来采集数据。软件端，频率探索研发了拥有多维判断标准的AI设备卫士，为设备提供多维度故障机理模型的实时跟踪，并提供分钟级故障诊断结果。目前，频率探索可以诊断20多个行业、50多种设备的40多种故障类型。

  二者结合不但提升了个性化制造能力，让用户都能够更轻松创造零部件模型，还能够降低材料的研发周期，优化制造流程。精密零组件端到端的AI自主制造工厂量匠就在朝着这个方向进行探索。量匠通过AI技术解决工艺开发问题，以软件定义数控制造工厂，用通用设备和端到端的自主制造，打造一个可轻量化全球复制的工厂，来提升非标（超）精密核心零组件生产的规模化效率和全球化水平。

  用AI实现了工艺的无人化开发，把以周甚至以为月为单位的开发、验证周期降低到了小时级；二是通过自主制造能够把机床和刀具性能推到极限；第三，相比于工艺工程师，AI更能够从全局出发，给出成本最优的工艺方案。丰田研究院（TRI）的人类互动驾驶 (HID) 部门则将GenAI应用到了设计师与工程师的对接环节中。在传统流程中，往往需要设计师与工程师进行大量讨论，才能确定一款兼具设计美观性与车辆安全性的设计的具体方案。这往往会是一个耗时良久的过程。该部门将早期设计草图和工程约束同时结合到了借助GenAI实现的早期设计流程中，保证了设计的迭代能够在工程约束参数范围内进行。

  在亚马逊云科技的支持下，海尔创新设计中心与计算美学Nolibox合作开发了一个工业产品概念设计的具体方案。该方案中，计算美学Nolibox基于开源大模型Stable Diffusion开发了概念图生成应用，并连接了云上的渲染平台，让整体概念设计提速了83%，集成渲染效率提升了约90%。

  在这个确定性的市场上，说服与留住客户慢慢的变成了企业赢得竞争的关键。而在智慧决策、智慧设计领域，还处于探索阶段，虽然在一些项目上已经看到了GenAI带来的效率提升和成本降低，但是这类人机结合紧密的应用场景，大规模的应用不仅受限于方案的有效性，还要等待更多人养成与AI协作的经验。因此，市场的爆发会来得略迟一些。

  但是，AI融入制造业是一个必然的过程，就像红杉美国的报告中所说，我们应该中运用耐心与判断力，并仔细关注每个公司怎么样才能解决价值问题。