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
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。