展望未来行业：人工智能、区块链、AR和3D打印
CB Insights发布一份报告，对未来的工厂进行了全方位的展望。报告中详细描述了新技术在制造业8个环节中的运用场景，并给出了一些正在致力于此的公司的发展情况。文章由36氪编译，希望在这个产业变迁的时代，能够给你带来启发。熄灯工厂(Lights-out manufacturing)是指那些自主运作，不需要人的存在的工厂。在这种工厂中，机器的运行通常不需要照明。虽然这听起来有点未来主义色彩，但这种类型的工厂已经存在15年了。
最著名的是，日本机器人制造商FANUC自2001年以来一直在经营一家“熄灯”工厂，在那里，机器在不受监督的情况下制造机器人，一个生产周期需要一个月。“不仅仅是熄灯，”FANUC副总裁加里·齐维尔(Gary Zywiol)说，“我们还关掉了空调和暖气。”人们只需要看看当今最雄心勃勃、技术含量最高的工厂，就能想象出一个机器人完成所有体力劳动的世界。例如，总部位于东莞的手机零件制造商长盈精密技术公司，已经创建了一家无人工厂。工厂中的一切设备——从机械加工设备到无人运输卡车，再到仓库设备——都是由计算机控制的机器人操作的。技术人员通过中央控制系统监测这些机器的活动。曾经，长盈的工厂运转需要大约650名工人来维持。现在已经缩减到60名工人。该公司的总经理表示，他们的目标是将工人数量减少至20个。
随着工业技术的日益普及，这一自动化和数字化浪潮被称为“工业4.0”，就像第四次工业革命一样。
那么，工厂的未来是什么样的呢?
为了回答这个问题，我们深入研究了制造过程的8个不同步骤，来了解它们是如何开始改变的：产品研发：平台是如何使研发人才“民主化”的;人工智能是如何帮助材料科学的;以及如何用AR/VR来构造草图的。资源规划和采购：按需分散制造和区块链项目正在研究整合供应商的复杂性。操作技术：监控和机器数据：看看为未来工厂提供动力的IT堆栈和平台。首先，工厂将会基本数字化，而且我们还将看到更大的预测能力。
劳动力增强和管理：AR、可穿戴设备和外骨骼衣物(exosuits)正在工厂里增强人类的能力。
加工、生产和装配：模块化设备和定制机器(如3D打印机)使制造商能够处理更多的多样化需求。
质量保证：计算机视觉将如何发现缺陷，以及软件和区块链技术将如何更快地发现问题(并实施召回)。
仓储：在机器人技术和视觉跟踪的帮助下，在出现无人工厂之间，就会出现“熄灯”仓库。
运输和供应链管理：远程信息处理、物联网和无人车将为制造商交付产品带来更高的效率。
制造商预测，未来5年，整体效率将以1990年以来的7倍的速度增长。尽管制造业占美国GDP的11.7 %，雇佣了8.5 %的美国人，但它仍然是一个数字化程度相对较低的领域，这意味着自动化和软件驱动方面，还有很大的发展空间。
随着新技术的发展，制造业正在发生重大的变革，几乎所有制造业垂直领域——从汽车产业到电子产业，再到制药业——都会受到影响。时间表和技术会因行业而异，但几乎每个垂直行业的大多数步骤都会有所改变。
1、产品研发
从药物生产到工业设计，规划阶段对于大规模生产至关重要。在各行各业，设计师、化学家和工程师都在不断地进行假设检验。
这个设计看起来是否正确?这个化合物是否符合我们的需求?都需要进行大量的测试和迭代，这是研发的精髓。大规模生产的特征使得最后时刻的重新设计的成本很高。
制药业、技术产业、航空航天业等领域的各大公司每年都会投入数十亿美元用于研发。通用汽车去年在新开发方面就花费了80亿美元。
在高度科学化的研发领域中，高素质的人才遍布全球。现在，软件正在帮助公司进入这个“池子”。
当涉及到数据科学和金融领域等尚未开发的人才网络时，像Kaggle，Quantopian和Numerai这样的平台已经在制药研发等领域取得了成功，在其他领域也在增长。 像Science Exchange这样的按需科学平台目前正在跨越研发垂直领域开展工作，并允许企业通过外包研发来迅速解决缺乏现场人才的问题。
虽然研发科学家看起来在制造过程中并不重要，但他们在提供最新和最伟大的技术方面——特别是在高科技制造业领域——正在扮演者越来越重要的角色。
许多公司正在研究机器人技术、3D打印和人工智能，作为改进研发过程和减少进入生产时的不确定性的方法。但是假设检验的过程还有待改进，需要进一步收紧迭代时间，将研究成果转化为更快更好的产品。
机器人和3D打印技术加速垂直领域产品的开发
最近的一项行业调查显示，加速产品开发是公司使用3D打印技术的首要任务。此外，57%的3D打印工作已进入新产品开发的第一阶段(即概念验证和原型设计)。
3D打印已经成为设计工作室的主要工作。在订购成千上万个物理部件之前，设计人员可以通过3D打印来查看未来产品的外观。
同样，机器人技术可以自动化各种垂直方向上试错的物理过程。
例如，在合成生物学研发领域，机器人技术对Zymergen和Ginkgo Bioworks等公司产生了巨大的影响，这些公司利用酵母微生物制造定制化学品。寻找完美的微生物需要同时测试多达4000个不同的变体，这意味着大量的湿实验室工作。
使用自动移液管系统和机器臂，液体处理机器人可以进行高通量的实验，以更快和更少的人为误差获得成功的组合。
下面是用于转移样本的机器人基因测试仪Counsyl(左)和Zymergen的移液机器人(右)，用于自动化微生物培养测试。
“材料工程需要有一种能够检测非常小的粒子的能力——比如在300毫米晶片上找到10纳米粒子。这相当于在西雅图市找到一只蚂蚁。”
——奥姆·纳拉玛苏(Om Nalamasu)，Applied Materials首席技术官
除了生物技术之外，材料科学在计算和电子学领域也发挥了关键作用。
值得注意的是，英特尔和三星等芯片制造商是全球最大的研发投入者之一。随着半导体体积变得越来越小，在纳米尺度下工作需要的精度超出了人的能力，这使得机器人成为首选。
未来，科学工具将越来越自动化和精确，以处理微尺度精度任务。
人工智能正在加速材料科学的发现
托马斯·爱迪生(Thomas Edison)强调，材料科学是一个淘汰过程：“我没有失败过一万次。我没有失败过一次。我只是成功地证明了一万种方法是行不通的。“
尽管研发工作的数字化程度和软件化程度低于人们的预期(美国国家科学院称，开发新材料往往是开发新产品的最长阶段)，但爱迪生精神依然存在于今天的研发实验室中。科学方法更好地数字化，对于开发新产品和材料，然后大规模制造这些产品和材料至关重要。
目前，对于人工智能创业公司来说，最热门的领域是医疗保健，因为这些公司将人工智能用于药物发现，制药公司正在向药物研发的创业公司? (如Recursion Pharmaceuticals和twoXAR)投入大量资金。 在其他领域取得成功也只是一个时间问题。
Citrine Informatics是一家从事化学和材料科学工作的公司(下图左)。Citrine将人工智能运用到了其庞大的材料数据库上，并声称它可以帮助企业在节省50%的时间内达到研发和制造节点。同样，Deepchem(下图右)开发了一个Python库，将深度学习应用到化学领域。
简而言之，各行各业的制造商——工业生物技术、药物、汽车、电子或其他物质产品——都依靠机器人自动化和3D打印来保持竞争力。
在3D打印领域，一些创业公司正在着手开发或商业化复杂的材料。MarkForged等公司采用碳纤维复合材料，其他像BMF这样的公司正在开发具有罕见纳米结构和奇特物理特性的复合材料。
当然，未来的制造商将依靠智能软件来推动他们的研发过程。
AR和VR将用于建模过程
目前，各种类型的制造商都依靠计算机辅助设计(CAD)软件进行原型设计。在未来的制造过程中，AR和VR可以在研发中发挥更大的作用，并且可以有效地将工业设计人员的设计图以“实体”的方式展示出来，从而消除对3D打印物理模型的需求。
Autodesk是AutoCAD的软件开发商，它是未来原型和协作技术的领头公司。该公司频频投资3D打印等尖端技术，并与健康人工智能创业公司Atomwise合作开展“机密项目”。最近，Autodesk对制作AR / VR游戏引擎的探索，预示着它将在设计过程中运用更多的沉浸式计算。
Autodesk的游戏引擎Stingray增加了对HTC Vive和Oculus Rift头戴设备的支持。此外，游戏和VR引擎制造商Unity已宣布与Autodesk建立合作关系，以提高互操作性。
同样，苹果公司已经设想了AR / VR与3D打印相结合来促进设计的过程。通过使用CB Insights数据库，我们发现了一项苹果专利，该专利设想AR将“计算机生成的虚拟信息”叠加到现有对象的真实世界视图上，工业设计人员能有效地对现有或未完成的对象进行3D打印“编辑”。
该专利设想，通过“半透明眼镜”使用AR，但也提到“配备摄像头的移动设备”，暗示了在iPhone上使用ARKit的潜在3D打印机会。
康奈尔大学的研究人员最近展示了使用AR / VR绘制3D打印对象的能力。最终，人机界面可以无缝衔接，实时“雕刻”3D模型。
未来，研发团队将进一步研究AR和VR，并测试它是如何与3D打印以及传统原型堆栈相结合的。
2、资源规划和采购
一旦产品设计完成，下一步就是生产了。通常情况下，这需要收集零部件供应商、基础材料制造商和合同制造商的信息，并建立网络，以实现产品的大规模生产。但寻找供应商并获得信任是一个艰难且耗时的过程。
例如，真空吸尘器制造商戴森( Dyson )花了长达两年的时间为其在汽车业的新业务寻找供应商。“无论你是戴森还是丰田，制造汽车前灯都需要18个月的时间，”一名参与该项目的员工说。
2018年，装配线变得非常精简，以至于几乎可以实时地流入零件，并在零件到达时以最快的速度进行组装。例如，本田设在英国的装配厂，只保留了一个小时的零件准备时间。在英国退出欧盟之后，该公司报告称，边境进口零部件的滞留时间更长，并表示，每延迟15分钟，就意味着85万英镑的损失。
我们研究了技术是如何改进这一复杂的采购流程的。
分散式零件制造
分散式制造可能是一项即将发生的变化，可以帮助制造商处理对零件订单的需求。
分布式或分散式制造采用与IT协调的地理上分散的设施网络。零件订单，尤其是用于制造中型或小型产品(如3D打印零件)的订单，可以通过分布式制造平台按比例完成。
像Xometry和Maketime这样的公司提供按需3D打印和数控铣削(一种可以将一个物体从一个区域中分离出来的减法)，在整个车间网络中完成零件订单。
在Xometry的网站上，用户只需要简单地上传3D文件，就能获得铣削，3D打印甚至零件注塑的报价。目前，该公司允许按需定制多达1万个注塑零件，因此它可以处理大型制造商的生产。
Xometry并不是唯一一家提供打印服务的公司：UPS 也在拥抱这一趋势，在60个地点为喷嘴和支架等塑料部件提供3D打印服务，并利用其物流网络向全球交付订单。
随着大规模定制化的兴起，对分散的零件供应商网络的依赖也将随之兴起。
区块链技术用于资源跟踪
企业资源规划(ERP)软件通过客户关系管理(CRM)跟踪从原材料采购到资源分配的情况。
然而，一个制造企业可能会有很多不同的ERP系统和孤立的数据，具有讽刺意味的是，意在简化事务的ERP“堆栈”，也可能会变成一团乱七八糟的软件。
事实上，普华永道最近的一份报告发现，许多大型工业制造商拥有多达100个不同的ERP系统。
区块链和分布式账本技术(DLT)项目，旨在将来自公司各个流程和利益相关方的数据整合为通用的数据结构。许多大型企业正在试行区块链项目，这些项目的目的往往是降低其孤立数据库的复杂性和差异。
例如，去年，英国航空公司测试了区块链技术，以维护一个统一的航班信息数据库，用来识别出现在大门、机场监视器、航空公司网站和客户应用程序中的相互冲突的航班信息。
当涉及到追踪零件和原材料的来源时，区块链可以对这些零件和材料流入工厂的情况进行管理。在区块链中，随着产品在从制造到销售的整个供应链中转换，这些交易数据可以记录在永久分散的记录中——从而减少时间延迟、成本和人为错误。
Viant是一家位于以太坊的创业工作室Consensys的项目，它在许多资金密集型领域为制造商服务。而且Provenance正在建立一个材料和产品的可追溯系统，使企业能够在销售点与消费者接触，从整个供应链的供应商处协作收集信息。
展望未来，我们可以期待更多区块链项目来构建供应链管理(SCM)软件，处理机器对机器(M2M)通信和交付，并通过缩小公司的数据足迹来促进网络安全。
3、操作技术：监控和机器数据
据推测，未来的制造过程最终将看起来像一个巨大的、自我维持的网络物理有机体，只需要间歇性的人工干预。但在各个行业要实现这一目标，还有很长的路要走。
根据精益生产指标(以整体设备效率或OEE衡量)，世界一流的制造基地的理论产能达到85%。但工厂平均只有大约60%，这意味着在活动简化方面有很大的改进空间。
在未来20年里，工业4.0的成熟首先需要基本的数字化。
最初，我们将看到机器变得更加数字化友好。之后，数字化可以转化为预测性维护和真实预测性智能。
大型产品已经演变为“按小时计算的电力”业务模式，可确保正常运行时间。按小时供电(或基于性能的合同)现在在制造业中相当普遍，尤其是在半导体、航空航天和国防等关键任务领域。
这种想法可以追溯到20世纪60年代，当时通用航空( GE Aviation )、劳斯莱斯( Rolls Royce )和普惠( Pratt & Whitney )等喷气发动机制造商开始销售“按小时付费的推力”，而不是一次性发动机销售。这使发动机制造商能够摆脱商品陷阱，专注于高利润维护和数字平台。如今，通用会积极跟踪其发动机的每一个细节，因为只有当发动机工作正常时，它才会得到报酬。
尽管保证了正常运行时间，机器的所有者负责优化使用情况(就像购买喷气发动机仍然需要保证它们良好运行的航空公司一样)。总之，工厂所有者仍然“拥有”机器链之间的输出风险。
如果不对每一步进行数字化处理，效率就会被留在纸上。
然而，现在工厂车间里通常留有几十年的旧机器。除了显著的成本之外，跟踪温度和振动的传感器并不是在考虑传统机器的情况下制造的，也会延长了校准周期和功效。
当Harley-Davidson的制造工厂经历了工业物联网(IIoT)传感器改造后，该公司的总经理迈克·费舍尔( Mike Fisher )表示：传感器“使设备更加复杂，而且它们本身就很复杂。但随着复杂性而来的是机遇。”
从基本数字化到预测
简而言之，操作技术( OT )与传统IT类似，但针对“未覆盖区域”进行了定制。典型的IT堆栈包括台式机、笔记本电脑以及用于知识工作和专有数据的连接，OT管理直接控制或监测物理设备。
对于制造商来说，OT堆栈通常包括：
连接的制造设备(通常配备改装后的工业物联网传感器)
监控和数据采集(SCADA)系统和人机界面(HMI)，为运营分析人员提供工业监控
可编程的逻辑控制器(PLC)，这是在工厂机器上抓取数据的加固型计算机
3D打印机(增材制造)和数控铣削的机器
从某种意义上说，IT和OT是同一个技术堆栈token的两个方面，而且随着制造业得到更好的数字化，边界将继续模糊。
如今，大多数工业机器的“大脑”在可编程逻辑控制器(PLC)中，这是坚固耐用的计算机。像西门子，ABB，施耐德和罗克韦尔自动化等工业巨头都提供高价位的PLC，但对于小型制造公司来说，这些可能是不必要且昂贵的。
这为 Oden Technologies等创业公司带来了一个机会，提供可以直接插入大多数机器的现成计算硬件，或者集成现有的PLC。这反过来又使中小型企业变得更加精简，并实时分析其效率。
随着数字化变得无处不在，技术提升效率的下一波浪潮将是预测分析。如今围绕物联网的叙述表明，所有的东西——每个传送带和机器人执行器——都会有一个传感器，但并非所有的工厂功能都具有同等价值。
但是，将便宜的物联网传感器应用于一切对象上并不是万能的，而且完全有可能通过更少数量的更专业、更精确的物联网传感器创造更多价值。举例来说，Augury使用配备人工智能的传感器来监听机器并预测故障。
具有成本意识的工厂业主将认识到，高度精确的传感器，将比不必要的物联网提供更高的投资回报率。
边缘的新架构
计算在“边缘”完成，或者更接近传感器，是IIoT体系结构中的一种新趋势。
A16z公司的彼得·莱文(Peter Levine)在人工智能和智能硬件方面进行了设想，他预计无人车、无人机和高级物联网对象的云计算将告一段落。
在未来工厂中，连接的机器应该没有什么不同。
像Saguna Networks这样的公司专门研究边缘计算(接近收集点)，而像Foghorn Systems这样的公司则进行雾计算(想象一个像LAN一样在现场完成的低悬云计算)。这两种方法都可以让关键任务设备安全运行，而无需将所有数据传输到云，这一过程可以节省大量带宽。
在不久的将来，人工智能和硬件的进步将允许物联网独立存在，因为我们知道它几乎与集中式的云无关。
这一点很重要，因为从短期来看，这意味着农村工厂不需要发送一万条机器信息来传递“我很好”，这会花费昂贵的带宽和计算资源。相反，他们可以将异常情况发送给中央服务器，并主要处理本地决策。
此外，云计算延迟在制造业方面有很大的不利因素。任务关键型系统(如连接的工厂)无法承受将数据包发送到离线云数据库的延迟。
从长远来看，边缘计算为自动化工厂铺平了道路。支撑边缘计算的人工智能软件将是允许工厂机器进行独立决策的基础设施。
总而言之，在网络边缘利用更多计算的设备将迎来新的分散式工厂设备浪潮。
网络安全是重中之重
IIoT的一个悖论是，工厂承担着重大的下行风险，但几乎没有投资于安全防护上：最近一项调查中显示，28%的制造商表示，过去一年由于网络安全攻击导致收入损失，但只有30%的高管表示他们会增加技术方面的支出。
网络攻击可能对重工业造成毁灭性影响，在重工业中，网络物理系统可能会受到影响。WannaCry勒索软件袭击导致欧洲雷诺日产汽车工厂关闭。2014年，一次复杂的网络攻击导致德国钢铁厂发生物理损坏。
因此，关键的基础设施是网络安全领域不断增长的一部分，许多创业公司如Bayshore Networks? 正在提供IoT网关(连接不同协议的连接传感器)，允许多个垂直行业的制造商监控他们的IIoT网络。Xage等其他基于网关的安全公司甚至采用区块链的防篡改分类账技术，从而保证工业传感器可以安全地共享数据。
同样，添加连接的物联网对象和工业控制系统(ICS)传感器已经在端点处引发了新的漏洞。
为了解决这个问题，Mocana和Rubicon Labs等公司正在IP和设备层面开发安全通信产品。
此外，一些最活跃的企业网络安全投资者是对OT计算感兴趣的企业。戴尔(其中包括工业IoT网关)以及谷歌、通用、三星和英特尔等都是这一领域最活跃的。
安全地管理ICS和IIoT系统将继续成为一个关键的投资领域，特别是黑客攻击证明了OT的脆弱性之后。
(责任编辑：admin)
纳米纤维涂层管状支架骨再
中美合作团队《Science》
内燃机增材再制造修复技术
高性能金属激光增材制造装
西安交大与哈佛大学合作研
仿真技术与3D打印推动液压
科学家使用超声波
