国产精品看高国产精品不卡-国产精品看片-国产精品蝌蚪-国产精品狼人久久久久影院草久久一区二区三区午夜亚洲福-国产精品老熟女视频一区二区-国产精品理论片

幾十年來，制造業一直在熱切期待著全自動工廠的到來。高科技機器人、智能機器和傳感器組成的網絡將無縫協調生產，解決普遍存在的勞動力短缺問題，同時大幅降低運營成本。理論上來說，這些工廠只需極少的人工干預，就能在完全黑暗的環境中運行，因此也被稱為“熄燈工廠”。

迄今為止，為數不多的幾家創建此類工廠的知名企業，如阿迪達斯在美國和德國的“速度工廠”、史丹利-布萊克和戴克在得克薩斯州的“工匠工具工廠”（craftsman tool factory），以及埃隆·馬斯克所說的“過度自動化……是一個錯誤”，都對其廣泛的可行性表示懷疑。因此，一些行業專家建議完全放棄熄燈工廠模式。

我們認為這樣是不對的。2018年以來，美國（-0.4%）和德國（1%）等成熟經濟體的制造業每小時工作產出增長幾近停滯，這凸顯了自動化對生產率提升的必要性。

好消息是，對制造商來說，根據我們的研究和實地經驗，轉變即將到來。早期的阻礙將在未來幾年迅速減小，機器人的能力、靈活性和成本效益都在不斷提高，嵌入式代理將生成式AI帶入了工廠環境，制造商必須為不可避免的顛覆做好準備，否則就有落后的可能。

改造現有工廠

全球范圍內已經出現了一些創新案例，證明了熄燈工廠的長期可行性。我們一家總部位于歐洲的汽車供應商客戶做出了一個大膽決定，將其現有的棕地（brownfield）改造為全自動運營，由人工進行規劃、監督和維護。

該公司的目標是實現成本競爭力，使其在高成本國家運營具有經濟可行性，同時繼續在兩天內為客戶提供服務。公司將直接勞動力減少了100%，有效解決了困擾行業的人才短缺問題，工廠的息稅折舊攤銷前利潤（EBITDA）提高了8%。目前，這一舉措正在全球多個高成本工廠推廣。

為了推動這一轉型，我們的客戶在積極應對熄燈制造商面臨的最常見的財務和技術挑戰，這些挑戰也存在于所有類別的工廠運營中：

可預測的流程： 大多數工廠流程都涉及重復任務，因此用機器人執行這些任務在技術上是可行且有利可圖的。例如，自動導引車可以沿著預定路徑在車間內輕松導航。然而，安裝和維護這些機器人需要高技能勞動力，限制了降低整體勞動力成本的潛力。

不可預測的流程： 即使在嚴格控制的環境中，一些工廠流程本質上仍然是非結構化的。預先編程的機器人往往無法適應這些復雜的意外情況。例如，自動質量控制有時無法識別首次出現的缺陷。這種對意外情況的不適應性，令制造商無法完全信任自動化。

不可自動化的流程： 由于當前技術的局限性，某些復雜的流程無法實現自動化，例如機器人在“組裝”過程中就會遇到困難。“組裝”是指將各種小部件拾取并組織在一起的過程，這些小部件要么過于相似，機器人很難識別，要么過于不同，機器人無法正確抓取，因此這些任務仍需人工完成。

為了應對這些固有挑戰，我們的客戶選擇對流程、產品和布局進行“自動化再設計”，增加了徹底改造工廠運營的步驟，以提高自動化的可行性，同時消除了以人為導向的低效流程。例如，我們的客戶不再需要犧牲寶貴的地面空間來存儲人工看得見摸得著的庫存，而是建造了二層垂直存儲區，方便機器人的進入和瀏覽。利用騰出的空間，他們安裝了更多機器，將產量提高了30%以上。通過從根本上重建流程，他們發現了一些創新的適應性措施，其中包括：

最大限度地降低成本。 改造的重點在于精簡機器人的數量。例如，我們的客戶一開始就面臨一個關鍵決策：是否要投資50萬美元，將塑料成型零件運送到裝配站。由于每種尺寸的零件都需要一個專門的機器人，這樣做的費用很高。為了避免這筆開支，我們幫助他們重新設計了流程，增加了一條傳送帶，將輸出尺寸相似的塑料零件集中在了一起。這一新步驟將所需機器人的數量減少了一半，大大改善了熄燈工廠的業務情況。

學習預測未來情景。 我們的目標是訓練AI系統在生產開始前，而不是生產過程中為不確定性做好準備。例如，我們的客戶安裝了一個自動視覺檢測器，用于拍攝圖像并檢測劃痕等質量問題。對于一些罕見缺陷，系統需要花費數年時間才能學會在沒有人工支持的情況下將其檢測出來。為了解決這個問題，我們生成了大量有潛在缺陷的人工或“合成”圖像，模擬各種光照條件以匹配攝像頭可能捕捉到的圖像。這一額外步驟使我們能夠從第一天起就部署訓練有素的視覺檢測人員，在系統還不穩定時也無需監督。

調整流程，避免部分任務。 通過調整流程，可以避開尚未實現自動化的任務。對于我們的客戶來說，沒有一個機器人能夠獨立有效完成裝配任務。為了逐步取消這項任務，我們與供應商合作建立了一個貼有QR標簽的包裝箱倉儲系統。每個箱子都裝有單一零件，使機器人能夠自主識別QR碼，并按照裝配所需的準確順序取出箱子。

雖然我們客戶的熄燈工廠展示了這種方法的巨大潛力，但直到今天，這種轉變對于制造商來說依然困難重重。許多人認為技術障礙讓人望而卻步，盡管有望獲得顯著的長期收益，但他們往往對必要投資猶豫不決，擔心會影響整個工廠的運營。此外，漸進式的技術進步很難讓人們從整體上認識自動化。不過，這種思維模式即將發生巨大變化，使熄燈工廠的概念平民化，方便更多制造商接受。

AI正在拉低準入門檻

我們正在進入一個轉型期，對各種規模制造商的準入門檻正在降低。熄燈自動化依賴能夠感知、規劃和執行任務的機器人，其水平幾乎與人類相同。就在幾年前，這些機器人還只支持工廠中預先設置好的單維互動，這嚴重限制了它們的能力。

情況發生了變化，因為具身智能體（Embodied agents，指可以在虛擬環境中處理數據和做出決策，而且能夠在現實世界中通過物理身體進行感知、學習和行動的智能系統。——編者注）將生成式AI的能力帶入了機器人的物理世界。現在，機器人可以通過文字、音頻、傳感器和信號等多模態感官感知車間的變化。因此，AI可以生成簡單的計劃，并根據對世界的理解進行迭代。機器人還可以實時將計劃轉化為具體行動并加以執行。這些發展都非常前沿，但許多已經進入了制造商的研發渠道，并開始得到應用。

指令簡單。 編程和集成占機器人應用成本的50%至70%。通過為非技術人員提供指導機器人的自然語言界面，生成式AI界面有望大幅降低這一成本。這一轉變將是巨大的：工廠不再需要每8個機器人就配備一名專業工人，而只需要每25個機器人配備一名非專業工人。行業應用已經出現，例如，Sereact公司已經推出了語音或文字指令界面PickGPT，可以通過“我需要打包訂單”等簡單指令與機器人進行互動。

任務多樣性。 訓練機器人完成單一任務的傳統方法正在過時。DeepMind和30多個研究實驗室證明，在電纜布線、物體操作和拾放等不同任務中，通用機器人人工智能（generalist robotic AI）的表現比專業機器人高出50%以上。這種多功能減少了部署大量機器人的需要，最大限度縮短了停機時間，提高了整體效率。

目前，寶馬、梅賽德斯、本田、現代和特斯拉等汽車制造商都在通過通用人形機器人探索多功能任務。例如，寶馬正在車身車間、鈑金車間和倉庫試用由OpenAI支持的Figure AI項目。然而，在沒有任何人機交互的熄燈環境中，人形機器人的外觀既昂貴又沒必要，因此該技術正在保持同樣多功能的同時，轉向更經濟的設計，例如Mimic正在制造沒有腿的人形手。

適應能力提升。 機器人可以動態識別并適應不斷變化的工業環境。例如，Covariant公司的機器人基礎模型可自行設計策略，以應對具有挑戰性的拾放任務，如搖晃箱子以更輕松地抓取其中物品，從而使機器人能夠在第一天就處理客戶倉庫中超過10萬個從未見過的SKU。Covariant的模型能夠很好地適應環境，因為它是從數百萬個真實機器人拾取物品的多模態數據集中學習的。預先訓練好的模型可以縮短設置時間，通過即時適應提高效率，并在整體上建立我們對熄燈設置的信任，為制造商提供公平的競爭環境。

像人一樣靈巧。 隨著機器人在一系列任務中模仿人類行為的能力不斷提高，可自動化任務的范圍也在迅速擴大。豐田綜合研究所（Toyota Research Institute，TRI）正在開發一種“機器人幼兒園”（kindergarten for robots），在這種幼兒園里，遠程操作員可以手動控制機器人完成200多種常見的人類技能，如使用工具和倒入液體，而AI生成模型則會在后臺學習這些行為。根據谷歌的展示，機器人甚至可以通過在視頻上繪制人類運動軌跡來進行學習。就在去年，針對長期存在的裝配難題的自動化解決方案終于實現了工業化。戴姆勒卡車公司（Daimler Truck）現已與Sereact公司合作，部署了一套人工智能解決方案，能夠根據對象動態識別和調整抓取策略。

開始你的“熄燈”轉型

制造商首先應該專注于了解和解決當前痛點，這樣可以快速取得成功，為未來的旅程提供資金支持。此外，制造商還應對整個轉型過程進行嚴格審查。

重新思考投資標準。 雖然單個自動化使用案例的投資回收期至關重要，但是將其與熄燈自動化的更廣泛優勢結合考慮，就可以更清晰地了解真正的價值投資主張。例如，在成本效益分析中，我們客戶的財務團隊就考慮到了這樣一個事實，即如果實現熄燈自動化，總產出將增加30%。

重新思考實施策略。 實施熄燈工廠需要協調運營、產品設計、工程和采購等部門。這些多學科團隊必須密切合作，為新部署的機器人建立快速改進周期，并不斷改進解決方案。

重新思考決策制定。 機器人會產生源源不斷可被采集和分析的數據，為工廠運營提供前所未有的透明度，這樣我們就能做出更明智的決策，對影響車間的所有因素進行全面的根本原因分析，從而取代直覺和可能出錯的人工輸入。

在可預見的未來，技術將不再是熄燈轉型的瓶頸。是否追求這一目標，主要取決于工廠的經濟考量，而不是技術障礙。擁抱自動化并在全面改革運營戰略方面表現出靈活性的制造商，將在這一浪潮中處于有利地位。

丹尼爾·庫珀（Daniel Kuepper）、列昂尼德·茹科夫（Leonid Zhukov）、娜姆拉塔·拉加歌帕（Namrata Rajagopal）和雅尼克·巴斯波（Yannick Bastubbe）| 文

丹尼爾·庫珀是BCG的董事總經理兼高級合伙人，常駐德國科隆，是BCG布魯斯·亨德森智庫(Bruce Henderson Institute)會員。列昂尼德·茹科夫是BCG的數據科學副總裁，常駐紐約，是BCG布魯斯·亨德森智庫技術與業務實驗室主任，BCG人工智能研究所主任。娜姆拉塔·拉加歌帕是BCG顧問，常駐孟買，也是BCG布魯斯·亨德森智庫大使。雅尼克·巴斯波是BCG董事，常駐柏林。