导航菜单

AI时代的工业生产新范式

  来源:Synced Review

  作者:Saman Farid

  人工智能对工业生产具有革命性的影响。在下面的文章中:

  人类最大的共同努力

  你吃的食物,桌子上的小摆设,你的房子所用的建筑材料,你驾驶的汽车以及你所看到的屏幕都是在某个地方生产出来的——是设计师、科学家、工程师、规划师这一个个团队的劳动成果。简而言之,工业生产是人类最令人印象深刻的成就之一。从我们开始建造东西以来,我们一直在努力以更快、更准确和更少浪费的方式来建造它们。我们现在处于创新能力发生巨大变化的边缘。

  AI驱动的决策、传感器网络、智能机器人和自治系统的连接网络正在颠覆传统的生产理念并大大提高了供应链的效率和灵活性。这意味着每个人花更少的钱,但能有更高的生活水平,且浪费更少、污染更少、能源消耗更低。工人可以将更多的时间花在有意义的活动上,如教学、学习和照顾周围的人。

  为了了解这一变化的规模和重要性,我们需要注意,2018年美国绝大部分GDP来源于生产消费品、设备、农业、建筑和房地产,这些都遵循类似的生产模式。在发展中国家,对“生产”作为经济引擎的依赖甚至更大,它们每年的总产值达数百万亿美元,在传统制造业、农业生产和采矿业雇用了数十亿人。

  AI正在改变我们的生产方式

  ——从静态模型转向动态模型的生产过程

  在以前,如果想要建新东西,工业工程师会花时间把所有输入定义到一个流程,指定所需的输出产品,并量化所有输入从而设计流程。通过严格的设计和模拟,他们可以平衡产量、可接受公差、现有库存、缺陷和成本等因素,以达到所期望的最佳生产过程设计。(同样的流程也适用于农民决定种什么、如何播种、种植和施肥;或者是建筑公司为新的摩天大楼制定建筑计划。)为了加快生产速度,工程师通常会在单个工厂内设计专门针对某个流程步骤的机器,但这会使维修变得麻烦,并且经常出现故障(步骤可能多达数百个!)。

  这些模型是脆弱的,并且在实现过程中经常面临挑战——如生产过程比预期时间更长;原材料出现得太早或太晚,尺寸太大或太小;或错误率超出可接受的标准。这些偏差在系统中被不断放大,并可能导致生产流程至少在部分时间内会偏离“最佳状态”。

  在较大的项目中,因为这些偏差的存在,工业工程师会先花费几周或几个月来调整生产线。这不仅会造成流程中的低效率,而且还会使管理人员不愿意对产品进行大改。这就是为什么汽车每年的车型只是在外观上不同,或者只有些许调整。AI则使这些模型能够实时设计、测量并重新调整。

  更严格的反馈回路

  AI和高级传感器技术使我们能够更准确、实时、细致地了解系统的所有输入。比如,人们什么时候工作?收到的45,000个螺钉中哪些稍大一些,哪些稍小一些?今天早上这款粘合剂的价格又是多少?

  我们还可以密切监视产量并注意在生产过程中每个步骤的质量和数量水平。但最重要的是,我们也可以对其中的变化施加影响; 我们可以随时调整流程,让它更快或更慢,或者弥补输入偏差。例如,在组装两个部件的过程中,如果一些部件稍大,则需要通过调整“另一半”部件来适应。

  更灵活的系统

  以前,机器人技术(以及所有工业自动化)都建立在纯粹的确定性系统(Deterministic Systems)上,这意味着位置、形状和大小的任何变化都会使系统关闭。每个工作单元和每个机器人都是为完成特定任务而设计的。

  随着计算机视觉和传感器融合的改进,机器人能够根据环境的变化进行动态调整。这使机器人能与人类更加无缝地合作,允许重新设计生产线,并最终提高利用率。

  更有效的协调

  大型设施以前具有规模经济和效率优势,因为它们能够更好地集中资源、采购、供应商谈判等。有了AI后,自动化供应商选择和谈判、实时供应链融资和风险评估以及需求预测变得越来越可行且准确,使小型生产设施与大型生产企业相比处于一个更加公平的竞争环境。

  设计流程(上游)和物流(下游)的变化

  本文主要关注生产过程本身,但值得注意的是,AI还可以在生产前的设计过程中实现创新,同样能在成品和原材料的仓储/分销/物流中实现创新(关于仓储机会的一些想法可以在之前的一篇百度风投的帖子中找到)。快速迭代的设计和建模正在发生巨大飞跃,而机器人和实时自动适配的仓储系统正在改变我们对库存的看法。

  为何与过去的方式如此不同?

  从石器时代到工业革命

  在人类历史的大部分时间里,生产都属于家庭手工业。每个家庭、城镇或村庄都使用自己的方法和系统,根据他们拥有的资源和技能生产商品。

  工业革命带来了远超人力、比人类更灵巧的机器,这使得生产规模大幅扩大。

  一套新的生产系统诞生了,并且人类很快意识到标准化生产会对生产力产生重大影响。经过艰苦的努力,我们组装了大量机器和生产线,并希望在更改配置之前尽可能多地使用它们,因此,生产的相同产品越多,单位成本就越便宜。标准化生产还有一个额外的好处,那就是零件可以互换——如果你订购了某种类型的螺丝钉,标准化生产下的一致性使你可以放心地找到它的替代品。

  充满标准化组件的子系统使我们能够快速构建更复杂的东西,如建筑、飞机、船舶和汽车。即使像办公椅这样简单的产品——包含了注塑成型轮子、机加工滚珠轴承、缝合织物和液压升降机——也是数百名工程师、设计师、生产经理和工人共同努力的结果。然而,合作是要付出代价的:没有一个人能够理解所有组件的设计、选择它们的原因以及所考虑的替代方案。因此,需要新的工具来试着达到一个更优化的生产系统。

  构建“机器的机器”

  19世纪90年代,弗雷德里克·泰勒(Frederik Taylor)是最早意识到我们需要一个更好的系统的工程师之一。我们需要设计一个人类参与其中的机器。该机器是生产“系统”的一部分,在这个系统中我们使用数学和统计来做出重要的决定,而人类和其他机器来执行它们。在这个系统中,我们需要考虑:

  1. 我们应该把这些步骤按什么顺序放到生产线上?

  2. 我们如何匹配每个流程步骤的速度以避免额外的延迟?

  3. 我们如何决定要保留多少原料(库存)来保证生产线的供应?

  4. 我们如何应对供应原材料数量和质量的意外变化?

  5. 我们如何组织工人,使每个人都在正确的时间出现在正确的地点?

  6. 我们如何在保证相同质量的同时最大限度地减少浪费和停机时间?

  为解决这些问题,Toyota生产系统(Toyota Production System,TPS)和六西格玛方法论(Six Sigma Methodology)以及学术领域的运筹学等工具可以帮助工程师、部门经理和商业人士规划和实施他们的模型。

  不幸的是,大多数这些模型都有一个重要假设:相对固定的输入(原材料、劳动力)和相对固定的产出。换句话说,生产线无法今天生产垃圾桶,明天生产吊扇,而且,原材料需要按照一致的时间以一致的质量到达。我们可以对不确定性进行建模并做出解释,但总是需要付出代价。

  在工厂车间的混乱中,传统运筹学家所提倡的大多数原则都不适用。即使是最基本的构建模块,例如排队论,在实际工厂中也无法借鉴(或者是因太复杂而无法使用)。相反,实践者使用了更简单的工具,这些工具依赖于更具启发式的度量方法,例如TPS的拉动(pull)方法或即时(just-in-time)原则。

  我们需要设计能够观察并回应系统输入变化的系统。

  是什么让这如此艰难?

  设计和完善生产线需要数年时间,而且必须有一个关键部件才能运作:人类工作者。人类非常多才多艺!只要最简单的培训,我们就可以拧螺丝、打开抽屉、取出砂纸、然后将一连串零件粘在一起。

  人类是如此多才多艺,所以大多数生产线开始时需要大量的体力劳动。这个计划不断在变化,因为人们可以迅速地适应,他们是比传统机器人更好的选择。渐渐地,一旦流程正式化,就会逐渐形成自动化。自动化确保由机器执行可重复的过程步骤,这些机器被设计为一次又一次执行相同的任务,且比人更快、更精准。

  无论我们是想生产玉米、办公椅、汽车、T恤还是油轮,同样的原则都适用。重复是传统自动化的最大优点。

  如果你曾询问过工厂某一种产品的报价,就会知道他们的第一个问题是:“这得看你想要多少。”

  不幸的是,需求通常不是这样运作的。尽管(或由于)营销人员尽了最大努力,人们想要的东西在不断变化。市场一直在影响价格的变化,而事实上我们不知道未来会发生什么(如下图所示)。

  使这个问题复杂化的是,我们所需要的多样性也在不断增加。我们想要不同的设计和颜色,不同的形状和大小,在我们的汽车、冰箱、鞋子、钱包和门锁上有更多可选的功能。从消费者的角度来看,这是了不起的,但是需要从制造商那里得到更多的灵活性(这通常意味着更多的库存、更多的生产线和更高的成本)。

  这样的后果就是,数以百万的仓库储存着未售出的存货,无数的备件闲置着,“只是以防”需求激增。作为消费者,你买的每一件商品都补贴了所有浪费的生产成本、库存、闲置的生产线和等待订单的劳动力。据估计,一个产品20%-40%的成本来自于生产过程中的低效。

  为了避免这种情况,小批量的生产通常被送到“加工车间”而不是传统的连续流动的生产线。为了生产相同的东西,这些加工车间通常需要更多的人力劳动,更慢的速度,产生更多的浪费,并且需要更多的调试时间。

  前方的道路会怎样?

  在百度风投,我们相信在未来几年里将会诞生新一代的工业巨头,他们对世界的影响将与亨利·福特(Henry Ford)、托马斯·爱迪生(Thomas Edison)和安德鲁·卡内基(Andrew Carnegie)在他们那个时代的影响媲美。这可以有多种形式,下面是一些有意义的典型:

  新设备供应商:与GE、Siemens、ABB、John Deere、Boeing、Caterpillar、Honeywell、Mitsui、Schlumberger类似,我们相信,新一代初创企业将打造出足以重建整个行业的新型设备和系统。

  新运营商:类似于United Airlines、Uber、Exxon Mobil、Rio Tinto、BaoSteel、Foxconn、PG&E、AECOM、P&G等,我们相信将会有新一代公司使用AI支持系统的新范式来创建新的农场运营商、工厂、矿山和运输公司,这些公司将拥有全新的商业模式、成本结构和市场。

  新环境:我们相信,许多后来工业化的地区有机会实现跨越式发展,并在我们从未见过的新环境中建立业务。就像,很难看到智能手机就能预测到它对拼车的影响,但我们相信新一代的智能决策系统将创造出新型产业,希望能向在这个领域工作的企业家学习。

  幸运的是,我们已经与致力于这个新世界各个方面的企业家合作,例如:

  Aqrose:利用计算机视觉识别制造中的缺陷并进行实时修正,目前正在与世界上一些最大的制造商合作。

  Automation Hero:自动化过去繁琐且费时的内部业务流程,提高业务对其操作的可见性。

  AMP Robotics:从回收分类开始,使用计算机视觉和动态调整机器人手臂进行工业分类。

  Covariant.ai(以前叫Embodied Intelligence):高度智能的适应性机器人,可实时学习和适应环境。

  Celi Engineering:从钢厂开始,使用高级传感器和建模来提高工业燃料燃烧器的效率。

  Cubeworks:构建智能尘埃毫米级传感和计算平台,使计算机能够比以往更好地了解周围的世界。

  Ripcord:自动高效地将记录数字化,以实现快速回顾和更好地决策。

  Kebotix:使用AI发现和创造高级化学品和材料,拥有一个完整的自动驾驶实验室,可以自主地测试和验证材料。

  Openspace:关于建设项目的被动数据收集,以确保准确和及时的完成。

  Sensoro:超低功耗通信网络和基地,使传感器能够在各种环境中收集和传输数据。

  Veo Robotics:将工人的灵活性和敏捷性与工业机器人的强度和精度结合在一起。

  AI时代的工业生产新范式