市场调研 | 智能制造数字化落地现状

智能制造数字化现状

智能制造是指不断融合信息化、互联网、大数据、人工智能等最新技术，并将创新技术深入到制造领域，实现生产过程自动化、数字化、网络化和智能化的制造技术。

为了改变人们对于中国制造业低成本、低技术含量和低附加值的传统印象，中国制造业正在经历从中低端制造业向高端制造业发展的“关键时期”。在过去的几年中，中国智能制造市场取得了快速发展，据沙利文报告指出，在政策推动下，中国智能制造应用场景持续拓宽，市场规模实现快速增长，预计2026年中国智能制造行业市场规模将达6.4万亿元。中国政府陆续出台《“十四五”智能制造发展规划（征求意见稿）》《关于推动工业互联网加快发展的通知》等智能制造相关政策，大力推进智能制造的发展，在该背景下，中国智能制造应用场景持续拓宽，市场规模实现快速增长。

图：中国智能制造行业市场规模（单位：万亿元）

数据来源：沙利文调研报告

除了制造环节外，智能制造衍生的数字化管理需求同样吸引着AIoT产业的关注。生产管理数字化是通过信息技术工具，如自动化设备、物联网、人工智能与云计算等技术手段和服务，覆盖了生产计划、生产执行、生产监控、质量控制等多个方面的数字化升级。例如随着数字化时代的来临，生产设备日益大型化、自动化、智能化，特别是设备密集型企业，在生产制程上的生产流程问题也日益增长。现有的各项设备管理制度已远远不能满足日常的生产需要，传统的设备巡检、保养、维修、日常生产运转规范流程，都遭遇了新时代的挑战，很多传统工业生产企业都面临着新的设备管理问题，特别是在车间设备现场管理制度上，更是需要借力新一代信息技术，用数字化的手段，助力新时代的车间设备管理工作，实现企业的提质降本增效。

图：2019-2022 智能制造行业融资额与数量

数据来源：迪赛智慧数

国内制造业数字化转型已经具备一定的基础，据工信部统计显示，截至2021年12月底，全国工业企业关键工序数控化率、数字化研发设计工具普及率分别达55.3%和74.7%，比2012年分别提高30.7个和25.9个百分点；工业企业经营管理数字化普及率达到70.9%，比“十三五”初期增长16个百分点。

据a&s plus调研了解，当前以机器人技术、感知技术、复杂制造系统、智能信息处理技术等代表的技术已经取得了基础研究成果，以新型传感器、智能控制系统、工业机器人、自动化成套生产线等典型智能制造装备产业体系已经初步形成。但不可否认的是，在工业软件、数控机床、高端电容电阻、重型燃气轮机等领域，工业基础仍较为薄弱，这些现状是导致中国制造业“大而不强”的原因之一，本质是缺乏核心和关键共性技术。

智能制造数字化落地难点剖析

业内人士向a&s plus反馈，当前国内智能制造发展面临着技术、资源、人才三大困境，智能制造涉及的技术广泛，投入资源需求大，工业人才稀缺，智能技术与制造产业落地应用仍需不断磨合等问题仍然比较突出。这意味着制造业如果要更好地进行数字化转型，就要从战略层面进行规划和部署，建立清晰的目标和计划，不仅要加强培训和人才队伍建设，提高员工数字化素养和应用能力，还需关注信息安全和数据隐私等数字化存在的问题，确保转型过程的安全性及合规性。

图：智能制造数字化转型难点

转型途径不明确

面对于大多数中小型制造企业而言，智能制造、工业互联网平台、人工智能、数字工厂、AIoT等概念眼花缭乱，涉及的技术五花八门，这给不少企业带来了不小的困惑，虽然数字化转型是共同的目标，但对于转型的路径及措施，大部分企业并不能给出明确的计划，而技术日新月异，需要持续性的资源投入，对于中小型企业而言，具有较大的风险。

数据应用程度低

数据应用是数字化转型的核心，但企业传统业务及系统架构存在的客观问题（系统集成、数据格式、接口标准等），导致设备与设备之间、设备与人之间、系统与平台之间都存在着数据孤岛，数据交互难度大，影响决策的制定和执行，拖慢智能制造数字化改造进程。

缺乏数字化人才

《“十四五”智能制造发展规划》提出，到2025年，70%以上的制造业企业要基本实现数字化、网络化。随着智能制造行业数字化转型进入深水区，推进企业数字化转型需要相应的数字化人才规划与执行，但传统制造业在这方面相关的人才储备不足，导致数字化转型的推进效果不佳，近年来企业对于数字人才的需求量也持续增加。

据人瑞人才与德勤中国近日联合发布的《产业数字人才研究与发展报告(2023)》的数据显示，当前智能制造相关的数字人才需求高涨，有50%受访企业表示供不应求，而预计到2025年该行业数字人才缺口达550万人，其中研发类、营销类和生产制造类数字人才尤其紧缺。以工业软件为例，当前国内业界认为国内仍处于“黑夜中的探索”阶段，“卡脖子”问题尤为突出。从学科的角度看，工业软件主要涉及控制工程和信号与信息处理两个学科，即主要由软件来完成控制方面的计算以及信号与信息处理方面的计算。与工业软件进行交互的是机械、电子电气、液压等领域的对象，无论是让软件实现对特定对象的实时控制，还是在边缘设备或云上开展有效的信息处理，符合功能要求的工业软件必然要融合各类对象的机理知识，也就是说，开发者要综合工业领域的专业知识和计算机领域的知识，才能做好工业应用软件的开发。

形成这一问题的原因很复杂，要想解决也不是短时间可以达成的，目前国家已经针对这一问题推出了多项政策，从费用支持、人才引进、市场激励等层面进行刺激，同时拓展替代性的国际合作渠道，重新布局国家、区域和全球多圈层的产业链格局。

智能制造产业链

当前我国制造业正处于从传统生产模式向数字化、网联化、智能化演进的阶段，智能制造作为我国实现碳中和与走向制造强国的重要一步，产业规模日益增长。在数字经济的背景下，工业互联网通过全面构建人与人之间的互联互通，有效支撑了工业制造业各要素、产业链和价值链信息的全环节，机器和材料。无人工厂、智能生产线、绿色生产线等等高效且环保的新技术正在快速地改造着制造业，同时形成了初步的产业体系。

物理基础关键产品技术链

表：智能制造产业链示意图

来源：观知海内咨询、a&s

表：AI赋能工业应用图谱

资料来源：工业互联网产业联盟，中金公司研究部

目前在工业场景中，AIoT技术从设计到物流环节的大量重复性场景中，已经实现了落地，机器视觉、语音技术、机器学习等技术大幅提升传统工业的效率，帮助工业企业实现降本增效。a&s plus认为，AIoT赋能制造业主要体现在以下五个环节：1）设计端，数字孪生仿真与规划验证；2）生产端，场景智能决策+自动化控制；3）运维端，AI算法智能双碳管理；4）检测端，机器视觉增强检测精准度；5）物流端，智慧物流控制台。海康威视基于制造企业的实际需求，依托智能物联的能力，立足于企业园区管理、生产过程管理、物流管理、营销管理四大环节，帮助企业提质增效，创新发展，实现企业透明化管控，为企业数字化转型提供助力。以设备设施管理应用为例，海康威视通过多样化数据采集技术获取全量全要素设备数据，提供设备设施巡检，实现设备状态的智能化监测、设备资产管理及设备智能检修。在数字化转型浪潮中，制造业都在敏捷响应市场变化，革新制造业价值链的各个环节，持续推进精益改善。“人治到数治”已成为其核心特点，全面实时地感知生产过程中的设备设施运行状态、人员规范行为和物料实时流转，从而在产研销供等全领域日益发挥出巨大的效用，为企业创造新的商业价值。

图：企业数字化转型重点建设趋势

来源：海康威视

图：不同制造模式下业务创新方向关注

来源：海康威视

厂商类型代表性企业业务重点

表：智能制造主要参与者

智能制造行业是一个多元的领域，不同类型的企业在不同细分领域均发挥着重要的作用，同时随着技术及市场的变化，厂商类型的阵营也会随之变化。

智能制造产业未来发展趋势

当前，中国智能制造市场面临历史机遇，一方面，制造业面临一些困难，比如原材料成本上升、生产成本上升、劳动力短缺、人口老龄化等等，一方面，制造业又面临众多机遇，比如新兴的人工智能技术、物联网、大数据、云计算、智能制造技术在制造业的部署。

据Omdia的Automated Guided Vehicles行业研究报告指出，工业机器人，协作机器人，AGV/AMR 在最近几年迅猛发展，主要原因是企业自动化转型升级的内在需求驱动，企业主希望能提高效率、降低成本、减少人工、节约能源、实现可持续发展。另外，这些设备技术方案越来越成熟，厂商更多，竞争更激烈，促使工业机器人/协作机器人/AGV/AMR的价格大幅下降，价格下降也进一步拉动了需求，下游的工厂产线，自动化仓库，物流搬运等行业大量采购部署。目前智能制造产业有两个显著的趋势：一是工业软件正在云化，在技术上，提供云原生的解决方案给大大小小的用户，顺应客户的技术模式变化，在市场上，云原生的方案商业模式也更加多样化，不管是大客户还是中小客户，都能找到自己负担得起的软件服务；二是各种新技术的融合发展。人工智能、工业物联网、大数据、云计算、数字孪生、AR/VR的融合发展正在帮助工业企业实现以前不能实现的虚拟设计、模拟、仿真和智能优化，帮助企业实现全生命周期的管理，以及端到端的服务和运营。新技术的融合发展给工业软件创造了更多的市场空间，也为本土的工业软件厂商创造了新机会。在AIoT等新兴技术的赋能下，自动化、网络化、数字化和智能化已然成为工业制造产业的发展趋势。目前，AIoT的赋能，正在帮助工业提升效率，降低成本，节省人工，节约能源，实现可持续发展。在未来，AIoT可以帮助工业更加智能，实现自感知、自决策、自执行、自适应、自学习等智能制造，AIoT也不仅仅发生在设备和工位上，AIoT也可以更广泛的部署在更大的系统，比如产线、车间、工厂间，或者不同的制造企业之间，实现全产业链的人工智能管理，库存规划和全方位供应链可见性，从而使产业链更加透明化，实现更好的可预测性，用人工智能应对产业链波动。