制造业的新挑战制造业向智能制造升级转型已成为业内大多数业者的共识，不少企业开始着手针对现有生产线或新规划的生产线，开始设置传感器，并进行数字化和网络化的更新和建设。然而，随着机器设备采集的数据越来越多，如何将海量数据转化为具有实际效益的信息，成为行业向智能制造转型的新挑战。根据业界常用的工业4.0的5C成熟度模型，工业4.0从成熟度上大致分为五个阶段，从低到高。设备连接（Connect）；数据转换（Convert），通过搭建大数据平台和边缘计算，对前一阶段提取的数据进行分析和使用；进一步提供生产数据可视化和预测仿真模拟预测（Cyber??）；之后，引入人工智能（AI）学习平台，使工厂成为具有自我诊断、自我修复、自动调度能力的认知智能工厂（Cognitive），最终实现小批量定制化制造和生产能力。软件定义，并能自动配置动态定制（Configure）价值链平台。目前从事的数字化和网络建设更多的是与前两个阶段有关。前段时间，包括台达电子、研华、新汉等在内的企业与SAP、鼎信、东捷等行业展开了跨界合作。能够将信息技术（IT）和运营技术（OT）中的信息进行整合，从而进入第三阶段，执行数据可视化和预测模拟等功能。因为单纯的收集和展示运行机器采集的数据，其实对智能制造的贡献是有限的，因为纯粹的数据，如果没有后续的分类、管理和分析，最终会变成数据垃圾。通过IT与OT的结合，可以采集到合适的现场生产数据，并与运营端信息整合，为运营商决策提供有效信息。然而，要真正实现工业4.0的终极境界，即直接小批量定制产品，对上下游动态价值链进行自动配置，仅靠数据可视化或预测模拟是不够的。目前，虽然富士康的灯塔工厂已经可以让工厂自己的部分工序自主运行，但已经有了第四阶段的雏形；但是，要实现动态配置，就涉及到AI学习平台的搭建和更复杂的供应链。物流、物流、市场的数据采集、分析、预测、管理还有很长的路要走。关键在AI有业内人士认为，要实现工业4.0的完全成熟优化阶段，最重要的关键在AI部分。虽然目前AI相关的工具很多，但不同的行业或需求需要建立不同的模型，而建模的过程也不是一蹴而就的，不仅要有充足可靠的数据，模型本身也必须得到不断的训练和纠正。对于很多刚刚进入数字化、网络化阶段的企业来说，确实还有很长的路要走。目前，制造业已形成向智能制造发展转型的共识，工业4.0正逐步进入导入期；虽然要达到引入AI并进行小规模定制化生产的成熟状态还有很长的路要走。然而，该行业愿意迈出第一步，然后才有希望向前迈进。做好数字化和网络化工作，收集正确的数据，也是未来引入人工智能应用时提供大量有效数据的基础。
