去年年末，新華社中國經(jīng)濟信息社發(fā)布《中國制造業(yè)高質(zhì)量發(fā)展報告（2019）》（白皮書）。該報告對國內(nèi)外制造業(yè)的前沿動態(tài)進行了比較研究，發(fā)現(xiàn)我國制造業(yè)競爭力在持續(xù)增強的同時，“大而不強”的問題依然存在，關鍵核心技術與高端裝備依然高度依賴外力，勞動生產(chǎn)率依然落后于美、德、日等傳統(tǒng)制造業(yè)強國。因此，在新的一年，我國制造業(yè)亟待進一步優(yōu)化產(chǎn)業(yè)結構，由要素驅(qū)動向創(chuàng)新驅(qū)動轉變，以緩解由全球貿(mào)易結構變化帶來的壓力。

在我國經(jīng)濟和制造業(yè)向高質(zhì)量發(fā)展、向價值鏈中上游邁進，向效率要紅利的過程中，更深層次的自動化、數(shù)字化，特別是智能化將毫無疑問地起到關鍵推動作用，必將成為制造業(yè)轉型升級的核心動力。作為制造業(yè)大國的中國，同時也是人工智能的強國，只要兩者結合得當，無疑將給中國制造業(yè)插上一雙有力的翅膀，飛躍智能化轉型的高峰。

“自家的和尚好念經(jīng)”，研究院打造真正適合聯(lián)想的智能排產(chǎn)

然而，相關市場研究發(fā)現(xiàn)，中國的人工智能公司中真正關注工業(yè)領域的尚不足5%，幾百項大型人工智能投資項目中，與制造業(yè)有關的不到1%。原因何在？有媒體分析認為，除了工業(yè)領域數(shù)據(jù)和標注不足、相關算法不夠成熟之外，算法工程師對工業(yè)流程和技術等實際問題不夠了解，以及工業(yè)企業(yè)對“外來”人工智能公司和解決方案的不信任，是更加深層次的原因。在這一背景下，我們更多看到的是企業(yè)內(nèi)部的技術團隊，尤其是人工智能團隊，在自身企業(yè)的智能化轉型過程中發(fā)揮了關鍵作用。

全球PC市場占有率第一的聯(lián)想集團旗下的合肥生產(chǎn)基地——聯(lián)寶科技，全球每售出8臺筆記本電腦就有1臺來自這里。短短幾年，產(chǎn)品累計出貨超過1.2億臺，年訂單數(shù)超過60萬，定制化小單比例超過80%，面向全球100多個國家和地區(qū)高效供應。如此龐大的生產(chǎn)需求對生產(chǎn)排程提出了很高的要求，整個排產(chǎn)過程需要考慮包括人員、設備、物料、生產(chǎn)工序與方法、環(huán)境在內(nèi)等數(shù)十種復雜的變量，因此人工排產(chǎn)逐漸變得力不從心。針對這一問題，聯(lián)想研究院人工智能實驗室的機器學習團隊打造了使用多交互增強學習優(yōu)化網(wǎng)絡和基于注意力機制的最優(yōu)化網(wǎng)絡的人工智能排產(chǎn)方案，可以模擬多變的生產(chǎn)環(huán)境，自動尋找最佳排產(chǎn)策略。在制造企業(yè)最關注的產(chǎn)品數(shù)、訂單數(shù)、訂單交期滿足率和產(chǎn)能合理利用率四個指標上，人工智能算法相比人工排產(chǎn)均有明顯提升，排產(chǎn)耗時也大幅減少，從原來的每天6小時縮短到1.5分鐘，生產(chǎn)效率也獲得了16%的提升。而且隨著數(shù)據(jù)的積累和模型的訓練，智能排產(chǎn)模型的能力還會進一步提高。

以解決實際問題為導向，聯(lián)想人工智能大有作為

聯(lián)想研究院人工智能實驗室機器學習總監(jiān)范偉曾表示，聯(lián)想的機器學習研究目標是把數(shù)據(jù)轉化為生產(chǎn)決策，把技術轉換成生產(chǎn)力，從而提高集團業(yè)績并創(chuàng)造實際價值。在這個過程中，優(yōu)秀的算法固然是重要的一環(huán)，然而真正能夠“一錘定音”的是基于生產(chǎn)環(huán)境下各種實際問題的，對不同算法的深度理解和靈活運用。聯(lián)想機器學習團隊目前由26名員工組成，其中14位是算法工程師，都是對算法擁有深入理解并對實際問題擁有敏銳認知的人才。

以解決實際問題為導向，聯(lián)想機器學習技術在垂直行業(yè)的深度融合應用中具有優(yōu)秀的可擴展性。這在團隊的另外兩款明星產(chǎn)品——智能服務備件前瞻分析和智慧物流系統(tǒng)中，得到了充分的體現(xiàn)。

智能服務備件前瞻分析系統(tǒng)的核心目標是預測聯(lián)想售后服務站對產(chǎn)品備件的需求，并實現(xiàn)提前采購，提前調(diào)度，提前在離用戶最近的服務站備貨，在用戶的產(chǎn)品發(fā)生故障以前就感知到需求，這樣當需求真正發(fā)生時就能以最快的速度完成對用戶備件的更換，最大化用戶滿意度，同時也能平衡企業(yè)的庫存成本。為了實現(xiàn)這一目標，機器學習團隊不僅需要對服務站所需的成千上萬種備件進行精細的分析，還需要針對因服務量較少而數(shù)據(jù)稀疏，或者受季節(jié)性地理環(huán)境影響較大的地區(qū)，靈活切換不同的算法。目前，智能預測精度已實現(xiàn)比人工提升7%，每年為聯(lián)想節(jié)省上千萬美元成本。

智慧物流系統(tǒng)的核心目標是通過優(yōu)化配送路徑，助力聯(lián)想城市配送中心降低運營成本，提升服務質(zhì)量。據(jù)最新調(diào)查統(tǒng)計，末端配送成本占端到端物流總成本的比例高達41%，可優(yōu)化空間巨大。最后一公里的服務質(zhì)量也直接決定了用戶體驗。高達84%的客戶表示，令人沮喪的末端配送體驗，讓他們放棄再次選擇購買相關產(chǎn)品或服務。與智能排產(chǎn)類似，末端配送的優(yōu)化也是一個典型的運籌學問題。為了應對這一挑戰(zhàn)，機器學習團隊對聯(lián)想北京配送中心的業(yè)務現(xiàn)狀進行了調(diào)研和梳理，綜合考慮產(chǎn)品數(shù)量、種類、運單數(shù)量、體積以及配送地址、客戶類型、服務時長等多種因素，通過強化學習建立圖深度網(wǎng)絡模型，挖掘出“訂單-客戶-路線”之間的復雜關系，動態(tài)生成了一套智能調(diào)度方案。與人工派車方案相比，智慧物流系統(tǒng)可有效降低運輸里程44.1%和平均用時42.9%，提升車輛裝載率32.6%，減少車次46.0%。從而在提升配送服務水平和客戶體驗的同時，極大的降低了運力成本。

聯(lián)想集團副總裁，聯(lián)想研究院人工智能實驗室負責人徐飛玉博士曾在多個場合表示，聯(lián)想人工智能研究的長項在于研究與業(yè)務緊密結合，形成了閉環(huán)的生態(tài)系統(tǒng)。相信在未來十年，在人工智能的應用趨勢逐漸從消費端的“酷炫”功能轉向針對商用端“對癥下藥”的大背景下，擺在聯(lián)想研究院面前的必將是更將廣闊的天地。