專家和公眾都對人工智能的潛在能力抱有過高的期望。

編譯|智堡

免責聲明：本文僅代表原作者觀點，不代表智堡立場。

多年來，汽車制造商一直承諾，首款全自動駕駛汽車將于2018年上市。顯然，這并沒有發生。盡管全球汽車技術產業僅在2018年就投資了80億美元，一些汽車現在有了一些自動駕駛功能，但它們無法在沒有人駕駛的情況下體驗真實世界的駕駛。

同樣，制造專家多年來一直預測，只要有人工智能(AI)和機器學習(ML)的支持，機器和機器人就會變成完全自動化的工廠，不需要任何人類的互動。但即便是當今最先進的自學習人工智能系統，也無法與人類工程師執行的廣泛任務相匹配，因此需要專業人士來教授人工智能系統如何學習。

為什么人工智能沒有達到宣傳的效果？簡而言之，這是因為人們，包括所謂的專家和公眾，都對人工智能的潛在能力抱有過高的期望。在人工智能和機器人取代人類的熱潮中，人們認為人工智能和機器學習能夠學習推理和抽象思考，并像人類一樣對不可預見的事件做出反應。這與事實相差甚遠。事實上，人工智能的技術狀態具有4歲兒童的推理能力，因此顯然無法獨立管理工廠內部的復雜操作。這并不是說人工智能沒有什么可提供的。人工智能的當前狀態能夠解決許多制造業急需的任務，比如檢測質量故障的模式和識別潛在的效率。但人工智能無法對未知的環境做出反應，比如一種未知的處理技術或一種全新的產品，或者找出如何應對隨機的和不尋常的情況，比如一個新的和以前未知的故障或停電。

制造業如何從人工智能中受益?

要釋放AI的全部價值，有兩個關鍵的先決條件:提出一個可以用客觀事實解決的清晰問題，并積累大量的訓練數據——要么是真實世界的數據，要么是一個可以模擬的問題。簡而言之，讓人工智能來處理謹慎、狹隘的任務，讓人類來處理帶有未知變量的復雜問題。例如，人工智能擅長在明確定義的流程流中優化流程效率，而人類則更擅長重新設計和優化車間布局。同樣地，人工智能在實時識別質量問題方面非常強大，但在解決這些問題的根本原因方面，人類仍然更勝一籌。

三個例子

然而，在制造業的許多領域，人工智能正在被成功運用。事實上，超過50%的大型跨國公司將在未來五年內在其供應鏈運作中廣泛應用支持人工智能的解決方案！因此，全球在認知和人工智能系統上的支出正以每年50%以上的驚人速度增長，并將在2019年超過200億美元。雖然在供應鏈中實現了廣泛的用例，但是有三個特別有前途的例子：需求預測、生產計劃和調度，以及可視化模式識別。

1. 需求預測

管理供應鏈最具挑戰性的一個方面是預測未來的生產需求。機器學習被證明在關聯成百上千的因素和得出比傳統統計方法更精確的結果方面非常有效。因此，企業可以降低庫存和運營成本，更快地響應客戶需求。例如，通過在供應鏈中使用機器學習引擎，一家領先的氣候控制產品供應商的銷售額增加了50%，庫存周轉率增加了25%。然而，企業應該意識到，基于人工智能的預測有其局限性，只能預測與以前事件直接相關的未來結果。

2. 生產計劃與調度

與傳統的企業資源規劃和生產計劃解決方案相比，機器學習可以考慮多種約束并對其進行更有效的優化。例如，人工智能引擎可以消化機器數據(速度、振動)、環境數據(溫度、濕度)、規劃參數(等待時間)、預測數據(需求)等等。然后，他們將這些大量的輸入數據與關鍵指標的輸出值關聯起來。通過揭示積極結果中的模式，他們可以獲得改善業務績效的見解。此外，車間操作可以與人工智能調度實時交叉鏈接，以改進反饋回路中每次生產運行的決策。因此，企業正在減少零部件的交貨時間，提高設備利用率達85%。

3. 視覺模式識別

人工智能也被證明在工廠和物流樞紐中的自動化視覺質量檢查方面非常有效?，F代人工智能系統可以通過深度神經網絡訓練來識別復雜的視覺模式，這種神經網絡甚至可以識別微小的物質缺陷。例如，全球最大的物流公司之一利用強大的人工智能引擎來確定一個集裝箱是否受損，并建議實時修復資產的最佳行動方案。同樣，精密機械供應商可以通過應用全自動視覺檢測系統來保證產品100%無缺陷。這些例子表明，盡管完全自動化的“零人類”工廠更像是科幻小說里的夢想，而不是現實，但已經有許多切實的用例——尤其是在供應鏈方面——正在提升今天的企業業績。

總結

以上是生活随笔為你收集整理的人工智能的炒作_解密人工智能：是炒作还是我们期望太高的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。