数字化、智能化推动工业变革是大势所趋，但在应对突发事件时，工业企业在复工复产中暴露的不完善问题相继凸显：返程复工人员短缺、供应链原材料短缺、物流运输不畅，远程协同机制不成熟……

“供应链是在这次疫情中暴露出来最大的短板。” 清华大学大数据系统软件国家工程实验室总工程师、工业互联网产业联盟副秘书长王晨今日接受第一财经等媒体采访时说。现在上游供应链情况怎么样？如果某个零部件供应商没有复工还能去找谁？这些供应链情况的掌握，对于企业智能化的生产至关重要，但遗憾的是，“这一部分的信息，我们的掌握是不够的。”

王晨直言：“疫情爆发后，我们发现大数据水平挺低的。”

而在格创东智 OT业务总监&智能装备事业部总经理王赟看来，疫情倒逼一些企业放脚步想一想自己遇到的痛点和困难，是不是有更好的方式解决，能够提前准备，而这同时也倒逼了人工智能工业应用的加速发展。

今年2月，工信部发布通知，要求运用新一代信息技术支撑服务疫情防控和复工复产工作，并强调，制造企业与信息技术企业合作，深化工业互联网、工业软件(工业APP)、 人工智能、增强现实/虚拟现实等新技术应用，推广协同研发、无人生产、远程运营、在线服务等新模式新业态，能加快恢复制造业产能。

人工智能等前沿科技在工业抗疫、复工中起到怎样的作用？新冠疫情冲击下，工业智能能否按下快进键？

四大痛点待解

“当前的疫情引发了太多平时看似平常，但是实则不太合理或者是需要解决的痛点。” 在生产一线有着丰富管理经验的王赟对此深有感触。

他结合疫情期间观察到的工业企业情况，总结下来，企业复工首先面临第一个痛点，就是春节返乡以及复工人员的安全问题。尤其是工业企业会涉及打卡，上下班过程中容易造成拥堵， 在厂区、食堂等等场所也容易出现人员密集。此外，对于疑似及确诊员工病例路径、接触范围的锁定也是企业目前非常头疼的问题。还有一些工厂，对员工的情况分类还在使用非常传统的手工报表。尽管有企业提出分时上下班、分批吃饭，缩短会议时间等措施，但还没有通过更智能化的手段解决问题 。

第二个痛点来自生产的稳定。工业企业的核心就是生产，要保证设备的稳定和产品品质的稳定。自动化程度不是很高的企业，用工荒的问题显著。而对于半导体、面板重资产高价值连续制造的特殊行业，一旦停产损失巨大，外部疫情的变化以及一些人员的管制，对于员工的身心造成压力和负担。

此外，在不少高科技行业有很多外部专家来源于国外，疫情影响国外专家到现场进行问题的诊断和解决。这就倒逼企业在思考，怎样更好联动外部专家和现场，对问题进行分析和诊断。

第三个痛点来自物料储备和调控。王赟提到，因道路车辆的管控造成生产产品及原材料物流受控，“是不是有一些系统化的大数据的应用，人工智能的判别，能够协助企业解决这方面的问题、找到更多替代方案？”

第四个痛点是在是制度和流程规范方面、远程办公如何提高工作成果，怎样协作沟通。天泽智云解决方案副总裁史喆补充道，在工厂和生产中，协同办公比较困难，很多指令的下达既有电子的也有纸质的，包括有各种现场问题搅在一起，没有完全的变成数字化可优化的平台化的方法。

“这次可以看到很明显的一点是，所有生产工厂里面产能的评估和调度是很不足的。” 史喆说。此外，在复工复产中如何统计防疫物资的使用量，做到及时补量分配，现在基本上都是人工为主，通过数据平台和支持系统做到更智能化解决的并不多。

现在业界都在提产业协同、平台协同，在王赟看来，关键是怎么样能够把人和工作和企业能够很好的结合起来，把企业的上下游的数据，各个部门之间的数据，以及人与设备之间的数据做到共享。“在未来的5G、大数据、云技术的支持下，首先要打破数据的壁垒，才能在更多的场景下形成更智能化的解决方案和应用。”

挑战与机遇

王赟抛出了不少问题。在腾讯优图实验室工业AI项目负责人黄亮看来，其实也是一个个商机。

黄亮以工业视觉领域中所做的市场调研和案例进行分析。对面板行业来说，传统的视觉缺陷检测和分拣设备，无法满足先进工业领域日益复杂精密的检测需求，在实际产线上依然需要人工肉眼复检，没有切实地给企业节省人力和提高效率。

此前，优图联合腾讯云为某面板企业的液晶面板做缺陷检测。利用视觉AI的算法做出缺陷检测的工具，通过近半年的线上系统调试和试运行，已交付模型数量75个，覆盖站点20个，检测产品16个，并形成配套产品化方案和交付训练平台，加速模型迭代和交付效率。他表示，从近期获得的数据看，因为搭建这套缺陷检测系统，客户的质检工人减少了100多人。

对企业而言这不仅仅意味着降本增效，尤其在疫情期间，有些制造业企业愿意花钱却找不到人干活，这也是AI带来的最直观的好处。

而明略科学院主任于政则提到帮助上海地铁的智能维保和国家电网线路的巡检知识图谱的智能服务系统，尤其在疫情期间，该智能系统实现了远程监测和高效预警和巡检，从而减少了现场人员办公，降低现在因疫情或者未来其他突发状况带来的负面影响。

值得注意的是，工业场景一个特质是定制化，不同的细致领域有不同的业务特点，很难找到一个大而全的通用的解决方案。“如何在保障方案的通用性同时又能够灵活适配不同的业务场景，是非常有挑战的事情。我们也是在朝着这个方向努力。”黄亮表示。

谁也不知道下一个黑天鹅什么时候到来。疫情是对AI在工业领域应用的一次效果检验，既是挑战也蕴含机遇。例如，目前不少工业上成熟的智能应用体现在检测环节上。在王晨看来，机器学习、人工智能技术只做了局部的事情，AI还应更进一步，工业过程中更需要的是智能决策。

不过，对于中小企业和民营企业的工业智能化转型，多位专家也给出建议：先从点开始，从自身业务需求出发，结合企业自身数据情况、数据质量数据存储周期、传感器的精度等入手，做发展规划，“千万不要一个面铺开把大量的钱花下去，制造业企业挣钱不容易。”

王赟举了一个例子，某一个产品出现品质问题，传统的做法是从Excel导数据抓因子，再找几个经验丰富的工程师检讨，可能需要五到六小时，如果在数据完善情况下，用AI可能30分钟就解决了。“价值一旦想清楚了，场景化应用落地价值很大。”