“智能制造(smart manufacturing)”这个词的诞生时间恐怕比大部分人想象得要晚。从可考察的记录来看，智能制造最初出现于2006年美国国家科学基金会(National Science Foundation)一场有关于计算机基础设施的演讲。

当时提出的词是“智能流程(process)制造”，后来简化成了智能制造。这场研讨会提到通过网络聚合来自不同设施、位置的数据，再藉由数据建模和计算来实施新的应用。这个概念现在看来并不算新鲜，但在当时极具前瞻性。

这两年，我们听到的有关智能制造的周边词汇越来越多，比如：IIoT(工业物联网)、自主机器人、增材制造(additive manufacturing)、边缘计算、工业数字孪生/工业元宇宙、工业4.0，甚至还有工业5.0。

“市场概念变化映射了智能制造的程度，或者说工业场景对于智造的需求变化。”瑞萨电子嵌入式处理器事业部市场总监沈清在接受采访时说，“无论是工业4.0、IIoT还是数字孪生和边缘AI，都是为了推动工业领域的智能化、互联化和自动化升级，从而实现提质、降本、创收、增效四大价值。”

借着这个机会，我们尝试梳理相关智能制造的周边概念，并谈谈当下的智能制造现状和潜在发展趋势。

智能制造与工业4.0

同期出现的“智能工厂”概念在欧洲，尤其是德国变得流行。现有的既有记录和专家普遍认为，欧洲与美国相似的智能制造/工厂概念是几乎同时、相对独立发展出来的。

不过，2013年德国又提出了“工业4.0(Industry 4.0)”的概念。这是当时有个科学家团队在开发高科技策略时面向德国政府提出的新词。工业4.0真正变得流行是由美国《外交事务(Foreign Affairs)》杂志推动，在2015年的某一期该杂志刊登了WEF(世界经济论坛)执行主席Klaus Schwab的文章《第四次工业革命(The Fourth Industrial Revolution)》。

2016年1月，WEF年度会议的主题也旋即定为“掌握第四次工业革命”，当年10月WEF还宣布在旧金山开启第四次工业革命中心。故而，维基百科将“第四次工业革命”与“工业4.0”划等号。大部分对历史熟知的读者普遍应该清楚，前三次工业革命分别是蒸汽革命、电力革命和信息技术革命——在这个语境下，工业4.0似乎就比我们现在常说的工业自动化范围更宽了。

当时，Schwab预期工业4.0时代的发展会以不同领域技术的爆发为标志，包括CPS(cyber-physical systems，信息物理系统)、机器人、AI、纳米科技、量子计算、生物科技、IoT、IIoT、无线技术、3D打印、全自动驾驶汽车等……

某些企业资料和分析机构的文章认为，工业4.0或第四次工业革命所指的范围要大于智能制造。或者说智能制造是指在制造领域采用工业4.0技术。实际上，最早的工业4.0就是指制造技术与流程的自动化趋势。维基百科“智能制造”词条下甚至直接包含了“工业4.0”。

不过，当我们仔细研读早年的智能制造和工业4.0的规划和路线图会发现，这两者在发展上的确存在侧重点不同的情况。最早的智能制造专注在信息与数据高度连接驱动的制造上，而工业4.0很大程度把注意力放在了CPS系统上。

2014年，德国国家标准化机构(DIN)和德国电工委员会(DKE)发布了“工业4.0德国标准路线图1.0版(Industrie 4.0 German Standardization Roadmap Version 1.0)”。这份路线图中的重点包括有：技术流程与业务流程的整合；数字映射(digital mapping)与真实世界的虚拟化；生产系统与数据驱动的智能产品融合；互联网的广泛使用。

在笔者看来，这一路线图基本上就是在谈CPS系统，也就是把从实际生产线及产品中获取到的数字化数据，与信息系统做同步，通过模拟和分析工具来优化生产工作流。

智能制造这边，美国的企业机构在数年时间里对智能制造的实践做了各方面的完善，而且是把工厂制造商、技术供应商、高校研究院、咨询机构拉到一起来做有关智能制造的实践和规范。其时的智能制造，讲究在业务模型中融入技术，并且通过一系列的技术融合，将传统工厂单纯的成本中心角色，转变为盈利性创新中心。

这些技术包括IIoT、智能机器与协作机器人、云与边缘计算、大数据处理与预测性分析能力、针对多供应商互操作性的A2A(任意对任意)和B2B(商家对商家)标准、企业融合与API管理平台等。2010s年代后期，美国不同的工业制造机构提出过各种各样的智能制造倡导，除了倡导不同角色的协作以外，还谈过在先进传感器、控制、平台、优化模型等方面的技术融合。

2017年CESMII(美国清洁能源智能制造创新研究所)发布过明确的智能制造路线图。也是从这一年开始，智能制造被提得越来越多，相关的统计数据、咨询预测也相继涌现。

随着智能制造与工业4.0用词的普遍化和泛化，现在探讨这两个概念时，可以认为它们能在同一个层面划等号——尤其是，技术推进使得这两个概念趋同。而工业与制造相关的所有热词和其他概念的出现，都是围绕智能制造与工业4.0的。

老生常谈的关键属性：数字化

这里我们采用NIST(美国国家标准与技术研究院)对于智能制造的定义：完全集成的、协作制造系统，在工厂、供应网络、客户需求中，能够实时响应来满足改变中的需求和情况。这个定义已经相当宽泛和务虚了。

而上述IIoT、机器人、边缘计算之类的技术才是达成智能制造更具体的构成。德国软件制造商SAP公司列举了智能制造的基础技术，包括IoT/IIoT、AI/机器学习、大数据、自主机器人、增材制造/混合制造、云计算、5G连接、边缘计算、模拟仿真/数字孪生、design for manufacturing(可制造性设计)。

可能和大部分人想象得不同，这里面的绝大多数子项是在智能制造出现之前就存在或被提出的，而且存在时间明显更为久远。比如，边缘计算的概念最初兴起自上世纪90年代——CDN(内容分发网络)几乎算得上是边缘计算的雏形了；本世纪早期CDN范围扩展到其他应用，成就了最早的边缘计算服务。

数字孪生(digital twin)和元宇宙(metaverse)最早出现于科幻小说《雪崩(Snow Crash)》，用于表现虚拟现实空间——这些词后续再兴起的时间点就很难追溯了。所以不难理解为何在智能制造、工业4.0刚刚诞生时，规范定义和路线图中已经将IIoT、大数据、数字孪生之类的词汇收归其中。故此，也很难说智能制造领域这些年在不断炒作新概念。

在我们看来，所有这些概念要实现的终极目标都是制造的智能化和自动化。即科幻电影中呈现的全无人化工厂——即便最终具体的形态未必是这样。而在实现智能化和自动化的过程中，既然是借助电子科技去实现，首先要做的必然是数字化。当然，这其中还牵扯到网联化等与数字化相关的趋势。

图1：过去5年，IIoT关键词在谷歌的搜索热度变化 图片来源：谷歌搜索

在具体技术中，观察谷歌搜索词趋势会发现，IIoT过去5年的热度相对平均(图3)——我们则可以认为，它在智能制造方向上算得上是一个脚踏实地的技术。实际上，IIoT涵盖了半导体关注的传感、连接、控制/处理、电源全部四大板块。除了电源以外，其他几个要素都旨在制造领域做数字化。

这几大要素也是瑞萨、安森美这类智能制造领域核心市场参与者正尝试全链路搭建的几大构成。

沈清谈到瑞萨的高性能MCU/MPU、模拟及功率半导体器件产品，“助力工业设备实现更高效、更智能的数据处理和控制，支持生产过程的自动化和智能化，提高生产效率和质量”。瑞萨的无线通信模块、传感器接口、安全加密芯片、以太网通信等解决方案，“用于支持工业物联网的构建和运营”。这就基本覆盖了整个信号链。

安森美亚太区应用工程技术总监Hector Ng则告诉我们，安森美有关智能制造的产品线“覆盖电源管理、智能感知、高效连接与精确控制，为实现智能工厂的自动化、信息化和智能化转型提供全方位的支持”。体现的也是四要素的齐全，与达成制造的完整数字化。

当代智能制造最热的词：AI、数字孪生

再仔细想一想，SAP列举的任何一种有关智能制造的具体技术，除了增材制造这种更偏制造技术的，其他任意一项技术都可以划归到感知、连接、控制/处理、电源。所以我们基本可以总结，所有相关智能制造的市场概念，无非就是对这四个环节的包装，或某个环节出现了新技术。例如，“5G连接”与连接相关；“边缘计算”及“大数据”与控制/处理、连接、感知皆相关。

笔者尝试借助谷歌搜索引擎，针对上述智能制造相关的具体技术，查看了搜索词趋势(图4)——除了“AI”这样单独的热词，在近一年的搜索热度远超其他关键词以外，以IIoT一词为参考坐标，智能制造领域目前较突出的搜索热词是数字孪生和边缘AI。

图2：过去5年，边缘AI、数字孪生与IIoT三个关键词在谷歌的搜索热度变化

沈清在采访中特别提到了边缘AI，2024年3月瑞萨推出的视觉AI与实时控制功能的MPU RZ/V2H，基于该芯片的“视觉检测单板计算机”利用摄像头图像识别周围环境，并实时确定和控制其运动。“瑞萨电子在边缘AI方面积极投入研发，推出了多款边缘AI加速器产品。在设备端/边缘端实现实时的AI推理和决策”。

Hector则提及“工业数字孪生是一种集成虚拟模型和实时系统的概念，通过实时数据交换，使企业能够在虚拟环境中模拟、监控和优化物理世界的运作。”虽然Hector和沈清都提到工业数字孪生刚刚起步，“从概念验证逐渐走向成熟应用”，但许多行业领先企业已经在实际生产中部署这项技术，以解决优化生产流程、预测性维护、产品设计与验证等多种问题。

不知是巧合还是必然：仔细留意智能制造与工业4.0源起时分的定义与路线图，会发现边缘AI和数字孪生恰好对应了智能制造与工业4.0。前文已经谈到，智能制造早前讲究的是信息与数据高度连接驱动——边缘AI就是对数据计算与连接的充分应用；而工业4.0以前一直在谈CPS，即真实世界的虚拟化，俨然就是数字孪生路线。

不过，说到底，边缘AI与数字孪生，都是技术持续进步达成的数字化中高级阶段。犹如数字化的早期阶段还在谈传感技术，即如何将自然与模拟信息转为数字信息；往后发展就是数字信息的控制与处理。唯有当数字化发展到高级阶段时，才谈得上基于海量数据的人工智能。

数字孪生则更是数字化要迈向的下一个高级阶段，不仅需要工厂与制造数据更高程度甚至全方位的数字化，而且需要AI技术协力。可见智能制造的热词发展是有据可循的：当数字化发展到新的高度，智能制造就会有新的具体技术和热词出现。

MathWorks这家公司作为工业软件企业，在制造数字化方面更有发言权。其实，从MathWorks的新品或新特性涌现，也能窥见这方面的趋势。

下个阶段：生成式AI、工业元宇宙、机器人

去年的SIGGRAPH顶会上，英伟达CEO黄仁勋提到工业数字化是潜在50万亿美元产值的大蛋糕。可能在智能制造乃至工业4.0提出的时代，谁也不曾想到英伟达会和工业制造产生关联，因为英伟达以前就是个造游戏显卡的。

当时，黄仁勋在会上做了一个演示，他将一份PDF文档——工厂的2D CAD平面图——发给生成式AI模型，要求它基于这份PDF文档，生成该工厂的3D数字孪生。最终生成的3D模型不仅完全基于平面图，而且加入了光照、纹理等效果。理想情况下，这样的工厂数字孪生如果实现物理级精准，甚至可用于机器人训练、仿真。

当然，要真正做到这样的程度，并将其投入生产，可能还面临很多挑战。但它展示的不仅是显卡渲染3D厂房的本职工作，还体现了生成式AI在其间发挥的作用，乃至数字孪生、AI对于机器人技术的辅助。在笔者看来，工业数字孪生规模扩大以后，无疑就是工业数字元宇宙了。

图3：宝马的数字工厂，来源：英伟达

如Hector所说，前沿工业企业已经开始应用数字孪生和元宇宙技术了。比如2021年，宝马借助英伟达Omniverse构建汽车工厂的数字孪生，其数字工厂比现实世界工厂提前2年被打造出来。前年，宝马公司方面曾表示，企业需要定期对工厂做重组，以适应新车上市的节奏，可在数字孪生虚拟工厂中做规划与测试。数字工厂周边衍生的AR/VR技术需求自不必多谈。

值得一提的是，宝马借助英伟达Isaac对机器人做AI训练，相当于在虚拟环境中训练这些机器人——这也是工业元宇宙的某一类应用。无论是AGV叉车在工厂内的导航运货，还是机械臂在产线上的操作，从虚拟世界里的机器人AI训练，到机器人智能的部署，英伟达这两年在反复强调自己有端到端方案。这几乎已经被行业认为是工业制造的未来了。

Hector指出，安森美开发的完整的自主移动机器人设计，由电源、传感器、通信、照明和运动等多个子系统方案构成，结合了公司各种不同智能电源和感知方案，可用于设计各种类型的机器人、协作机器人、电动工具和自动引导车。

对于未来智能制造的畅想，Hector也提到“核心在于高度自动化的生产流程，通过引入先进的机器人/AGV技术，可以实现生产线的自动化操作”。可见高度数字化背景下的工业数字孪生、AI和机器人技术必然是智能制造的未来。

图4：机器人在元宇宙里训练，来源：英伟达

最后，值得一提的是，今年GTC开发者大会上，英伟达发布了Project GROOT人形机器人项目——当然主要是人形机器人的基础模型。按照英伟达的说法，这是基于生成式AI来“生成机器人的下一个动作”。在分析师采访会上，黄仁勋提及如果万物皆可数字化，那么万物就可token化(tokenized)——换句话说，也就是万物皆可生成。

文字、图像、视频这类信息被数字化以后可生成，则基因、脑波、机器人等类型的数据被数字化也可生成。固然AI已经渗透到了工业制造领域，生成式AI的来袭几乎也成为了必然。

Hector在肯定生成式AI的大前提下，谈到安森美为生成式AI与工业数字孪生的大规模数据处理与高功耗数据中心提供电源和功率相关的产品，旨在“推动生成式AI发展”。沈清则说“从理论上来说，生成式AI能够在智能制造的多个环节发挥重要作用，包括研发设计规划、生产过程管控、经营管理优化以及产品服务优化等。”只不过“现阶段生成式AI还处于探索阶段”。

生成式AI于智能制造所处的发展阶段，可能相比数字孪生还要初级。但生成式AI的来袭对于企业获得50万亿美元工业数字化潜在价值无疑将在未来成为中坚力量。

本文主要探讨的了数字孪生、工业元宇宙、生成式AI等概念的兴起是工业数字化道路上的必然。在数字化程度持续加深的过程中，制造持续在智能化和自动化方面实现突破。新热词的出现，更多表明的是智能制造之路还在持续拓宽。