至顶网CIO与CTO频道 12月04日 编译:诸如MES、ERP、PLM等智能工厂及其他智能工厂市场在2019年的估计价值约为1.54千亿美元,2019至2024年期以接近10%的年复合增长率上涨。
仅智能制造平台市场一项在2019年为44亿美元,预计未来五年的复合年增长率将上涨20%。
制造商在未来三年里计划每年的投资基数为其收入的3.24%。计划投资额高于过去三年里每年投资额的1.7倍。
制造商计划在未来五年里建设的智能工厂超过40%,年投资额与过去三年比将增加1.7倍。
上述及许多其他见解来自凯捷研究所,报告题为《智能工厂规模》,可以从下载副本。凯捷研究小组的研究发现,实现智能工厂生产水平的两个主要挑战是信息技术(IT)和运营技术(OT)系统的融合以及寻找范围专长、知识和领导智能工厂技能的应聘者的需求。凯捷发现,优秀的智能工厂举措存在挑战,仅14%的制造商觉得自己的举措是成功的。凯捷这项研究调研了1000个制造商,重点放在那些已经实施了智能工厂举措的组织。报告的42-43页给出了调研方法。研究报告的主要见解包括以下内容:
制造执行系统(MES)、监控和数据采集(SCADA)以及产品生命周期管理(PLM)系统是智能工厂举措取得成功的必不可少技术。制造商在定义及推出智能工厂举措时采取的是务实的、经过验证的方法,依靠的是运营团队每天都在使用的自己的的长期系统。在塑料制造和加工业里,实时监控是通往轻装(或完全自动化制造转型)之路。被采访的制造业高管认为实时监控可以提供具有丰富上下文的实时数据流,这些数据流可令诸如跟踪/追踪和新兴技术(分析/AI、工业物联网、机器人和智能能源管理)等长期存在的技术交付结果。
来源:凯捷研究所报告《智能工厂规模》
中国、德国和日本是智能工厂采用指数最高的头三个国家,紧随其后的是韩国、美国和法国。凯捷建了一个智能工厂采用指数,可更准确对每个国家进行排名。智能工厂采用指数大于一的国家或部门表明高于平均的更积极的扩展计划。下图是各国家的得分:
来源:凯捷研究所报告《智能工厂规模》。
近70%的制造商目前在推出智能工厂举措,与2017年比有显著的上升。两年前只有43%的制造商在推出智能工厂举措。而今天则有68%的制造商在这样做。大多数两年前在规划智能工厂举措的组织(33%)现在已经推出了举措。Seshu Bhagavatula博士是印度最大重型汽车制造商Ashok Leyland的新技术和业务计划总裁。他表示, “我们采取智能工厂举措的主要原因有三。首先是要通过现代化和数字化运作提高我们的老工厂的生产效率。第二是处理人类难以检测到的质检问题。第三则是综合定制或大规模定制的能力。”
来源:凯捷研究所报告《智能工厂规模》
电力、能源和公用事业行业到目前为止在智能工厂进展方面领先其他行业并高于全球平均水平。离散制造商的计划最为雄心勃勃,预计该行业里全部生产中心的43%将在五年内转为智能工厂。离散制造在该预测期间内的智能工厂采用指数也高于其他行业,进一步凸显出该行业在智能工厂竞争方面的积极进取。
来源:凯捷研究所报告《智能工厂规模》
平均而言,40%的生产设施现在用上了MES / SCADA解决方案。同样的40%用了PLM离散制造和消费产品。诸如远程监控、移动/增强工(AR/VR)和制造智能(从工业的IoT到分析和AI)等较新的解决方案的部署则仍维持在生产线的平均三分之二。
目前由数字平台技术管理的生产线份额。来源:凯捷研究所报告《智能工厂规模》
52%的制造商认为MES/SCADA系统与企业资源规划(ERP)的整合是他们的智能工厂计划的关键需求。约超过一半(48%)的制造商认为整合产品生命周期管理(PLM)系统是智能工厂举措成功的所必需的。出人意料的是,只有40%的推出智能工厂举措的制造商拥有跨越设备到数据分析的终端到终端整合平台。
来源:凯捷研究所报告《智能工厂规模》
三大核心技术实现智能工厂。三大核心技术为连接(利用工业物联网收集来自现有设备和新的传感器的数据)、智能自动化(例如,先进的机器人、机器视觉、分布式控制、无人驾驶飞机)和云规模数据管理及分析(例如,实现预测分析/AI)。凯捷发现,这些数字技术还将实现IT-OT融合,可支持终端到终端从设计到操作(数字孪生)的数字连续性。
55%的制造商在其智能工厂计划涵括了新建项目。凯捷发现,新建项目特别在小型和中型公司(那些年收入低于100亿美元)普遍存在。例如,在收入处于50亿到100亿美元之间的公司里,2019年里新建项目占了59%,而在2017年里只有50%。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。