充滿金屬氣息的流水線上，十幾個(ge) 機械手齊齊舞動，霎時間火花四濺——是最典型的現代化汽車生產(chan) 畫麵，經常會(hui) 被電視作為(wei) 高科技的代表播出的那種。

以奧迪在德國的內(nei) 卡蘇爾姆組廠為(wei) 例，就擁有超過2500個(ge) 工業(ye) 機器人，其中有900個(ge) 專(zhuan) 門負責點焊作業(ye) ，每天總共要處理超過1000台商用車，每台汽車的點焊大概有5000個(ge) ，算下來這些點焊總共多達500萬(wan) 個(ge) 。

這麽(me) 多機器加工的點焊，如何確保質量？與(yu) 上下飛舞的機器人焊接場麵不同，檢查的過程看起來卻很“笨”：每天將一輛汽車送到18位工程師的手上，用超聲波探測一點一點檢查焊接的質量。

如此鮮明的對比，恰恰體(ti) 現了製造業(ye) 傳(chuan) 統和未來的那條“分割線”。

全球車企都頭疼的問題，是這樣被解決(jue) 的

之所以奧迪會(hui) 選擇1000台之中隻抽1台，並不意味著人們(men) 對於(yu) 機器加工的完全信任，而是檢查的成本實在太高。1台車就要18個(ge) 專(zhuan) 家，那1000台車豈不是需要18000名專(zhuan) 家。

在赤裸裸的數字麵前，人們(men) 隻能選擇投入更多前期建設、維護整個(ge) 加工過程的穩定性，這也是為(wei) 什麽(me) 工廠中經常有造價(jia) 昂貴（數百萬(wan) 、數千萬(wan) ）、恒溫恒濕防震的加工環境。

另外一方麵，尤其是像點焊這樣加工數量眾(zhong) 多的加工項目，機器並沒有大家想象中的“靠譜”，假設每次點焊加工的失誤率僅(jin) 為(wei) 十萬(wan) 分之一，但一台車5000個(ge) 加工點算下來，仍有5%左右的概率會(hui) 出現失誤。

現實中的數據也很能說明問題，根據市場監管總局今年3月公布的數據，2019年因為(wei) 車身質量問題，中國就召回了33萬(wan) 輛乘用車。這個(ge) 數字在全年超2000萬(wan) 台乘用車的總銷量中看起來隻算很小一部分，但足以證明傳(chuan) 統汽車製造業(ye) 在經過上百年的不斷進化之後，仍存在比較明顯的”天花板“。

汽車製造技術和能力止步”天花板“，再加上大環境因素的影響，讓整個(ge) 汽車製造業(ye) 挑戰重重。去年年底，以在美國建廠的福耀玻璃為(wei) 采訪對象的Netflix紀錄片《美國工廠》，在中國互聯網上爆紅，引發了廣泛的討論。

拋開中美文化、企業(ye) 管理製度這些最熱的話題，其實它很好地展現了全球汽車製造業(ye) 當下麵臨(lin) 的一部分困境——製造業(ye) 人工成本不再像之前那麽(me) 容易下降，機器人技術不適用於(yu) 所有場景、而且在生產(chan) 力之外也帶來了新的挑戰。

開篇中奧迪所麵臨(lin) 的問題就非常典型，好在奧迪在一位神秘夥(huo) 伴“神秘夥(huo) 伴”的幫助下很快找到了解決(jue) 方法：在加工過程中引入全新測量的數值，通過機器學習(xi) 訓練算法，形成一整套全新的質量判定標準，邊加工邊做質量檢查。

這個(ge) 解決(jue) 方法聽起來簡單，但內(nei) 在的創新實在不少，以新增的數據為(wei) 例：工業(ye) 機器人是智能化的，以往的質量監測數據往往來自它，例如點焊過程中位置是否精準，機器人是否運動出現故障等等。

相對應的，實際完成焊接動作的焊槍，卻是非數字化的，第一步改造的重點就是為(wei) 這些焊槍加上控製器，並且接入網絡。

除了焊槍之外，解決(jue) 方案中還引入了焊縫配置、焊接金屬類型、焊條健康狀況等數據，並利用AI最終找出下一步就是找出規律——如何才能確保焊接的質量。

從(cong) 焊槍中收集而來的數據，與(yu) 焊接後的人工檢查數據被一同輸入計算機，通過機器學習(xi) 訓練算法的預測能力，增加其準確度。

單就這個(ge) 解決(jue) 方案而言，所需要的能力不小且複雜：

首先是加工設備焊槍的改造，需要在終端部署一定量計算力和網絡通信的能力；

其次是一條流水線上，數台機器人共同作業(ye) 時，各自數據采集、邊緣計算，最終再將結果匯總的能力；

最後是整體(ti) 的運維統籌能力，所有機器人的數據在邊緣計算處理之餘(yu) ，還得匯總到一起，數據匯總的儀(yi) 表板可幫助奧迪員工直觀查看數據，並且係統會(hui) 在檢測到焊縫缺陷或潛在配置變化時提醒技術人員，以最大限度減少或消除缺陷。

協助奧迪完成這麽(me) 大一個(ge) 挑戰的夥(huo) 伴不是別家，就是全球半導體(ti) 業(ye) 巨頭英特爾。在內(nei) 卡蘇爾姆工廠進行的機器人升級，就是英特爾和奧迪在合作進行概念驗證（POC）試驗。

雖然隻是一次試驗，但效果依舊十分明顯。奧迪的生產(chan) 計劃、自動化和數字化負責人Michael H?ffner就專(zhuan) 門表示，通過這次試驗，生產(chan) 線上勞動力成本降低了30%到50%。

更為(wei) 關(guan) 鍵的是此次試驗的內(nei) 容，完全可以作為(wei) 一種基礎性技術，擴展到汽車生產(chan) 的其他環節中去，如鉚接、塗膠和噴漆等等。

橫向拓展能力的基礎主要有兩(liang) 點，一是英特爾打造工業(ye) 互聯網時的硬件基礎，各種不同的工業(ye) 解決(jue) 方案都是運行在英特爾的X86處理器上，而英特爾X86處理器自身從(cong) 邊緣到雲(yun) 計算的廣泛布局，讓其工業(ye) 互聯網解決(jue) 方案極具擴展能力。

另一方麵在於(yu) 英特爾在工業(ye) 互聯網上的提前投入，在奧迪解決(jue) 方案中，便使用了英特爾的“Industral Edge Insights（下文簡稱IEI）”軟件。這套軟件本身就著眼於(yu) 工業(ye) 中的各種場景，通過與(yu) 英特爾自身靈活的硬件基礎結合，幫助客戶更快完成數據收集、存儲(chu) 和分析，降低工業(ye) 互聯網的門檻。

解決(jue) 方案拓撲圖

仍以焊接這個(ge) 任務為(wei) 例，英特爾還和國內(nei) 公司信捷點氣合作，研發了一款完全通過3D機器視覺實現的焊接解決(jue) 方案，能夠完成很多以往非智能解決(jue) 方案無法完成，必須依賴人工的焊接任務。

製造業(ye) 的下一步，應該是什麽(me) 樣子？

作為(wei) 決(jue) 定人類生活水平的前提，製造業(ye) 的發展注定沒有終點隻有更遠的遠方。這個(ge) 不斷前進的過程中，最關(guan) 鍵的是找到未來的核心趨勢。

日本在上世紀70、80年代瘋狂地將各種機器人技術引入了機械、電子、汽車為(wei) 代表的製造業(ye) 。時至今日，日本的機器人保有量雖持續下滑，但仍牢牢占據世界第二的位置。這背後所對應的就是日本對於(yu) 製造業(ye) 發展的判斷：

●一是機器人在完成高精尖的製造任務時有先天優(you) 勢；

●二是日本是全球少子化、人口老齡化最嚴(yan) 重的國家，機器人可以極大幅度解決(jue) 勞動力問題。

問題來了，從(cong) 當下趨勢看，製造業(ye) 未來的核心是什麽(me) ？