AI浪涌不息，工业企业如何驭“AI”有方，不再望“AI”兴叹？

走完这“五步”，企业就基本能完成横跨整个生产网络的AI布局（参阅图2）。

• 第一步，深入诊断。企业要分析发展现状，识别在AI技术部署过程中的挑战和机遇，认清自身的长处和短板，评估技术落地的先决条件，确定在当前技术和设备条件下可以采取的行动。

• 第二步，科学规划。出台关于AI战略的整体规划，设定远景目标、技术路线图等。根据重要程度、所需投资等，确定成效最大的AI用例；对所需的相关技术或设备，明确“自研还是外购”；制定AI治理、能力建设等机制；制定变革管理和沟通方案，并进行技术基础设施设计相关决策。

• 第三步，细化方案。基于前期诊断和整体规划，针对企业现状和目标间的差距，细化制定解决方案和举措。包括评估潜在的解决方案供应商，设计技术解决方案和概念验证方案，以及制定企业能力建设计划和基础设施建设解决方案等。

• 第四步，高效落地。解决方案和举措确定后，要高效执行并检验成效。比如在试点领域对AI解决方案及其相关技术基础设施开展概念验证，检验其效果，在试点工厂验证能力建设计划、公司治理和变革管理方案等。

• 第五步，全面推广。上述四步后，AI技术解决方案、技术基础设施以及组织转型举措等都得到验证，可以向整个企业和组织复制推广。管理者要基于整个生产网络路线图，持续督进推广成效。

AI的快速迭代决定了企业要时刻保持技术敏锐，跟进技术最新进展，动态验证并更新此前设定的技术路线图和目标，并主动将最新、最前沿的AI技术为我所用。要做到这一点，可探索成立专项工作小组，通过相关技术平台、参加技术活动和大会等，及时掌握AI最新发展情况。

调研中的一个普遍观点是，企业组织对AI落地的影响，往往比技术本身大得多。主要涉及5个关键方面：

• 良好的公司治理。这一点为AI的落地和推广提供了制度、组织、机制等一系列最基础的保障。具体表现为：企业应有合理的组织架构，以支持走完AI布局的“三阶段”（比如“总分式”架构，担任“总”职的部门/单位落实AI的跨网布局的整体协调；担任“分”职的部门/单位负责具体实施并对结果负责）；科学的职责分工（通过科学合理的分工，大家各司其职、各尽其能、各负其责，确保各项工作按技术路线图持续推进）；健全的流程机制（比如定期会议机制，可用来督进工作进度、监控实施流程；定期审查机制等，用来审查操作过程、优化操作标准等）；相应的激励和考核指标（通过对各层级、各方面利益相关者设置激励举措和KPI等硬约束指标，提升各方工作积极性和工作质效）。

• 过硬的技术实力。主要包括企业自身的数据分析能力；数据体系结构搭建能力（能定义AI相关的数据需求和数据体系结构，提升数据可用性）；数据工程能力（通过与AI相关的必要技术、数据平台与数据管道集成，实现大数据、实时数据自动交付）；数据科学能力（设计开发统计算法和模型）；以及软件开发、机器学习、自动化技术等能力。当然，技术之外，企业员工学习积极性、问题解决能力和适应能力等，也是不可或缺的软技能。

• 有效的变革管理。AI在工业企业难以落地，和失败率高、员工担心被替代等有关。因此，在转型初始阶段，管理者就要主动提升内部管理的透明、和谐度，减少技术落地的阻力，包括：从上至下推动，即领导层统一共识，坚定支持转型；上下共同参与，即推动全员参与变革，且每个人都清楚自身的职责、应发挥的作用等；塑造变革文化，企业内部要倡导拥抱变革、推动转型的文化；破除内部壁垒，AI技术和应用对内部员工开放，从而提高员工的接受度；畅通交流机制，领导和员工双向、真诚、顺畅沟通且氛围和谐。

• 广泛的跨界合作。AI技术的高迭代性、专业复杂性决定了企业需要和跨领域、跨价值链的专业伙伴进行合作，努力构建一个紧密的AI合作生态，这可以带来三方面的助益：一是推动创新，通过借鉴行业内外的独到见解和成功实践，为持续创新注入动能；二是方便试点，借力相应数字工厂作为试点测试平台，在真实工厂环境中模拟应用、积累经验；三是提升能力，通过和业界、学界专家深度合作，助力企业人才培养和技术能力提升。

• 合规的生产经营。以“欧盟人工智能法案”为代表的AI技术监管正在日趋完善和成熟，要在长期内保障技术顺利落地，合规经营至关重要。包括：及早明确要求，根据AI在企业生产网络中的应用范围和规模，及早识别和明确不同地区相关法律政策标准，确保合规开展；评估风险水平，做好技术风险评估，必要时向当地监管备案；加强维护更新，重点做好技术文档的持续更新和维护，包括从技术整体架构到风险管理策略的各类内容细节，展现企业对合规要求的遵循。

AI革命是数据技术的革命，数据是AI的关键特征，也是AI发展的根本。因此，相关技术基础重在满足AI的数据需求。主要涉及6个关键方面：

• 可靠的数据来源。AI应用程序以数据为基，工业企业必须确保拥有随时可用、可访问的数据源，包括各类结构化和非结构化数据。来源包括：现场层（可编程逻辑控制器和物联网（IoT）设备和传感器等提供的非结构化数据，如实时的温度、振动或压力数据）、控制层（包括MES制造执行系统、SCADA监控与数据采集系统）、事务层（包括ERP企业资源计划系统、WMS仓库管理系统、TMS运输管理系统等）。

• 高效的数据处理。包括数据摄取（从各数据源收集和导入数据）、处理（通过数据清洗、过滤等，将原始数据整理成适合机器学习和深度学习的数据）、存储（将数据存入中央数据湖，作为所有应用都可采用的可信数据源）、交付（构建数据管道，确保数据流畅通，并最终交付到数据应用环节）、存档和删除（基于数据治理等要求，确定数据的去留）。

• 友好的应用交互。另一个关键的技术基础与AI工具和应用本身有关。在智能层，采用MLOps的最佳实践方法，纳入算法和AI模型，实现更高质量的模型开发、测试、验证、部署和服务目标。在参与层，主要由通用和专用应用程序组成，相关接口能够允许AI用户与生产结果进行交互，以更好推动经营实践与发展目标的一致。

• 强大的计算能力。要实现机器学习和深度学习，离不开大量数据的运用和处理，数据处理速度主要依赖中央处理器(CPU)和图形处理器(GPU)，要保障和提升AI数据计算效率，可以采取两种方式：本地部署或上云部署。虽然前述现场层、控制层等往往在本地部署，但相应的云端方案供应商也可圈可点。特别是随着Gen-AI的出现，以及未来用企业特有数据微调基础模型等需求的产生，企业既可以在本地部署、微调或操作一个开源基础模型，也可以成为云平台上的专用租户。

• 实时的通信连接。机器学习和深度学习算法通常高度依赖实时通信技术和数据可得性，因此，高带宽、低延时的无缝网络连接至为关键。要做到这一点，在工厂与工厂之间，可采用云链路技术建立连接；工厂内部，可以用有线或无线通信进行连接；对各类设备，则可以采用适当的物联网协议来进行高效地通信。

• 严密的网络安全。AI处理大量数据过程中，需要严格确保敏感数据信息安全，因此，很有必要制定一套全面、严密的网络安全策略，包括：对使用者采取严格的身份验证和访问管理；使用防火墙和入侵检测系统等加强数据保护、检测和响应；风险分析和管理；制定相关预案和恢复计划等。