智能制造的起源是智慧工厂，而智慧工厂的概念最早由IBM于2009年提出，属于IBM“智慧地球”理念在制造业的应用实践。随着智能化成为各国制造业的发展方向，企业管理方式、个人生活理念和国际竞争格局也发生了巨变，智能制造建设得到前所未有的重视，有望成为未来制造业的新模式，那么，到底是什么智慧工厂或者智能制造呢？

智能制造定义每个国家有稍微区别，但是重要程度都不言而喻，根据德勤就先进制造技术在未来重要性的排名来看，“智能工厂”在美国、欧洲、中国三大地区的重要性排名分别为第4位、第1位与第2位，突显出其在未来智能制造技术中的重要地位：

中国：智能制造定义为基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统与模式的总称”。

美国：“智能制造创新研究院”对智能制造的定义是：智能制造是先进传感、仪器、监测、控制和过程优化的技术和实践的组合，它们将信息和通信技术与制造环境融合在一起，实现工厂和企业中能量、生产率、成本的实时管理。

德国：“工业4.0”的内涵就是数字化、智能化、人性化、绿色化，产品的大批量生产已经不能满足客户个性化订制的需求，要想使单件小批量生产能够达到大批量生产同样的效率和成本，需要构建可以生产高精密、高质量、个性化智能产品的智能工厂。

综合来看，智能制造并没有严格的定义，一般可以理解在工厂管控基础之上利用信息技术、物联网技术、设备监控等技术对工厂计划、资源、执行等业务进行有效管控，及时了解生产现状，减少因为信息沟通不畅而造成的窝工现象，降低因为人手工在纸质单据中录入引起的质量数据错误的风险。并加上绿色智能的手段和智能系统等新兴技术于一体，构建一个高效节能、绿色环保、成本可控、质量可追的现代工厂。

《中国智能制造“十三五”规划》的颁布确立了到2020年，传统制造业完成数字化改造，到2025年，重点企业实现智能化转型。在政策引导推动下，中国智能制造业在制造业中扮演越来越重要角色。既然智能制造的重要性不言而喻而且迫在眉睫，那么智能制造最原始的驱动力在哪？效率？环保？还是质量？

目前国内制造业大部分属于中低端制造业，大多数还是吃人口红利的血汗工厂，但是由于人力成本相对较低，所以工厂的老板没有必要去建立所谓的智能工厂，还不如将精力倾注于销售端拉更多的订单。

除此之外，还因为投入一条产线或者数字化系统少则上百万，而即使工厂没有一条自动化产线或者信息化系统，全部用人工去操作反而成本比建设产线的成本要小，即几年人工累计成本＜产线建设成本。正因如此在现实当中见过太多场景：工厂建立一套管控系统需要壹佰万，而即使专门雇佣几个实习生通过人工收集数据、Excel汇总，几年以内几个工人的成本累计加起来还没有壹佰万，那么对于老板来说如何选择已经跃然纸上了。所以智能制造最大的阻碍不是外国竞争对手，也不不是技术难点，而是国内的人口红利。

但是“九宵龙吟惊天变、风云际会浅水游”，尽管美国劳动力成本是国内劳动力成本的2.57倍，但美国自动化程度高且用工少。国内两条月总产量为4500吨的生产线用工250人，美国设备改进，同产能两条生产线才用工180人。按照目前国内工人工资上涨趋势，如考虑国内5年工资再翻倍、10年工资翻两番计算，那么中国在人工成本上也占不到任何优势了。即使相对于印度、越南、泰国等国家的人力成本优势也在逐渐减弱，自2008年以来，我国劳动力成本的增速明显快于工业生产效率增速，根据测算，2019年，我国制造业劳动成本将为越南的177%、印度的218%。下图为地区工资上涨幅度(估算)与名义GDP增速，明显已经能够看出人工成本增长迅速，企业人力成本管控难度与日俱增，尤其是劳动密集型企业招工难从来都不是新鲜的事，比如2020年疫情刚开始消退，义务就大举旗号：来义务打工，报销车费。

人工成本剧增的同时，如今外卖、滴滴之类的第三产业也蜂拥而起，甚至利润增长空间远大于中低端制造业，并且受制于很多技术和非技术困难，许多业务场景很难实现无人化自动化（比如快递派送、电气上门安装、无人驾驶等），因此可以制造大量薪资水平更高的劳动密集型的低端就业岗位。本人曾亲眼见过至少十几个身边朋友告别之前比亚迪工厂的工作，然后在京东送外卖、开滴滴，反而比比亚迪薪水高出不少，活的更加体面。

所以以外卖业为代表的第三产业的发展，相当于对制造业来说其实是进行了一次放血式疗法，大面积抢夺人工，倒逼企业发力去推动智能制造实现机器代人，从而降低人工参与度，实现成本可控、质量可控。假设没有以外卖、滴滴、快递为代表的第三产业大规模发展与侵占制造业人口红利，吸收过剩的低端劳动力，智能制造缺少最根本、最原始的驱动力去发展智能制造。

当你想到的时候一定要抓紧时间与机会，因为指不定已经有人开始在行动了。比如，2011年开始郭台铭为解决招工难和人力成本快速上涨等问题，就启动了大规模的机器换人计划，计划到2020年让富士康的自动化率达到30%；而如今富士康已部署超过4万台自研的Foxbot工业机器人，大量的流水线工人被机器人替代，尽管如此还是不得不面对工人成本剧增而考虑搬迁工厂到越南的局面。因为据测算2017年中国城镇单位就业人员平均工资是泰国和越南的2.14/3.51倍，这也造成部分劳动密集型的制造业倾向于向人力成本更低、环保要求更宽松的东南亚国家转移。

与富士康类似，2012年美的已投入6亿元改造费和6年的时间，打造中央空调核心零部件全自动组装生产线，生产效率提升70%，生产线人数下降50%，产品合格率达到99.9%。而在东莞劲胜的打磨车间，60台机器手日夜无休地打磨一个个手机中框结构件。一台机器手替代6至8名工人，原来需要650名工人的车间，现在只有60人负责看线和检查，未来将减少到20人。与熟练工人相比，刚上线的机器手虽是“新人”，但生产的产品数量和质量却远超熟工、能手。

与此同时，工人成本工资不断上涨，而机器人成本回收时间逐年降低：2012年一台工业机器人成本回收的时间约为5.2年，到2018年约下降至1.05年。同时，在人力成本上升与设备价格下降的确定性趋势下，未来工业机器人回收期有望进一步缩短，制造业机器换人、智能制造升级已经是大势所趋。劳动力减少、人力成本上升倒逼制造业向智能化自动化升级，智能制造将逐步替代人力劳动，提高生产效率，是制造业未来的发展趋势。

所以综合而言，目前工厂对于智能制造的诉求更多的其实并不是来源于竞争或者技术发展，当然这两个也有影响的因素，但并不是倒逼企业数字化改造的根本原因，最原始的驱动力更多的是为了摆脱劳动密集型这种特性，为了更好的控制成本而不得不做出的改变。那么有人与无人之下工厂运营的模式又有哪些不同？或者说智能制造为劳动密集型其他带来了哪些，目前比较成熟的有以下几个场景：

设备巡检

目前中国大部分企业仍然保持着“人工智能”的本性，凡是人工能够完成的，肯定以人工为主，之所以有这样的局面，是因为之前人工成本比较便宜或者说信息技术成本比较高，但现在人工成本剧增外加信息技术逐渐成熟，仍然再保持“人工智能”的现状，就有些敝帚自珍了。

比如大型流程行业最影响交付的时间与质量的无非是设备与各类仪表，但是现在大面积化工厂，即使是杭州恒逸集团这样在全球范围内具有定价权的企业，也保持着人工巡检的传统。定期巡检设备进行点检，定期巡检仪表查看温度、压力等工艺参数，再将数据记录在纸质单据中，耗时费力成本大。类似于这种业务完全可以通过数据自动采集、报警完成，实现半自动化、数字化，从而降低成本、管控交付周期。

基于机器视觉的质量检验：

印刷品质量目前大部分需要人工查看，长时间进行质量观测对于眼睛有不可逆转的伤害，而且眼睛检测的效率、效果都有待商榷，很多工厂这个工作岗位两三个月就要轮一次岗，因为肉眼确实受不了。这种情况下就可以采用基于机器视觉的质量检测方式，通过CCD采集待检测印刷品的图像，并对图像进行处理，根据印刷品所要求达到的质量要求设定标准（由客户提出标准），如待检测图像相关指标超过所设定的标准，系统自动报警，被检测品被认为不合格品自动发起不合格品处置流程。通过这种降低人为参与的方式，降低成本、提升质量。

仓储物流的应用

仓储物流也是劳动密集的业务之一，目前传统工厂充斥着大量的叉车司机、手工分拣、库管员等人员，从入库分拣、库位管理、上下架、出库分拣到物料运输，尤其仓储类业务劳动强度大，而且容易出错。通过计算机视觉用于分拣机器人的感知和地图定位，利用机器学习和深度学习，实现分检机器人的路径规划和避障。通过数学规划等运筹优化算法和遗传算法，实现仓库上下架策略管理。通过多智能体算法 蚁群算法用于多个分拣机器人的协调行动。基于人工智能技术实现货架、商品、机器人的整体协调，能够更快速的实现产品出入库和高效的仓库货架规划。在工厂仓储中，各种类型的全自动流水线、自动分拨、仓储和配送机器人已经开始慢慢应用，基于人工智能技术可以让每一个物料都有最优路径，最短时间送达。

生产运营管控:

目前工厂大量存在人工管控，即使相对来说流水线自动化程度比较高的企业同样存在这样的问题。甚至部门企业因为领导需求成立“数据科”，通过人工录入的形式收集企业管理运营数据，然后以Excel进行汇总统计，管理本并不应该属于劳动密集型岗位，但是因为黑盒工厂的存在，造成管理人员数量突增。完全可以通过数字化改造，通过数字驱动企业管理，寻找企业窝工、低效率、低质量的业务点，然后进行优化升级，提升客户体验、降低交付周期。

目前企业通过机器、软件代替低端、重复性劳动的需求已逐步呈现出风起云涌之势，但理想很丰满，现实很骨感，由于种种技术、成本等条框的限制造成许多业务根本没办法摆脱人为干涉，只能极大限度的降低人工参与度，从而减少人数、降低因为人为引起的质量风险。而整个企业包含的业务链非常冗长，目前只能在质量检测、仓储等单点业务上进行升级优化，然后根据技术的发展与多项技术的不断融合，逐渐由点到线拓扑式蔓延发展。