溫度達到3000°F的熔融金屬從鋼水包流至澆鑄機，經過冷卻形成滾燙的橙色板坯。過去70年，這一過程發生在全球各地的鋼廠中，已經重復數十億次。

從表面來看，現代工業可能變化不大，但一場變革悄然上演：制造商正在向線上轉變。過去十年，傳感器成本大幅下降，讓企業能夠在各個生產階段采集數據。

目前，有150億臺機器連接了互聯網；到2020年，這一數值將超過500億臺。麥肯錫預測，到2025年，“智能工廠”的產值將高達3.7萬億美元。

這些現代制造商不斷產生海量的數據，需要借助人工智能才可以從這些數據中挖掘出價值。

正如數據科學家Alp Kucukelbir所說：“只靠人類掌握的專業知識，根本無法梳理出想要的洞察。機器學習可以從大量雜亂的數據集中，揭示人類難以或者無法發現的模式和規律。”

看到這個機會，Kucukelbir與其他人一起創立了Fero Labs，這家公司的平臺把傳感器數據從工廠推送到云端，然后用機器學習算法對數據進行處理。他們的軟件能夠提供有關如何提高工業產量、預防成本高昂的機器故障以及減少浪費的洞察，所有這些都有利于提高產品質量和降低成本。

Fero Labs首席執行官Berk Birand解讀“企業為什么需要機器學習這樣的高級分析技術”

運用傳感器后，鋼鐵公司每年可以節省數百萬美元的成本，因為這樣做可以減少鐵合金（一種昂貴的材料）的用量并防止“氧化鐵皮”（一種有害的鋼鐵氧化）。Kucukelbir表示，Fero Labs能預測“氧化鐵皮”，準確率高達78-100%，可使這種現象減少15%。

大多數制造商已經部署了傳感器，但能夠充分利用傳感器的制造商非常少。Fero Labs的一個客戶在一家鋼廠里安裝了1200個傳感器，但經常使用的只有5個。在建立人工智能平臺時，Fero Labs只是把以前未使用的信息傳至人工智能算法，就能使傳感器數據的利用率提高40倍，無需安裝任何新設備，即可全面了解工廠活動。

但實時運行這些巨大的工作負載需要強大的計算能力。Fero Labs采用英特爾至強處理器來加快算法速度，這幫助他們在客戶系統正式上線之前改進了機器學習模型。

Fero Labs只是英特爾與眾多生態伙伴攜手推動制造業轉型的一個代表。而除鋼鐵行業之外，人工智能在其他領域甚至能帶來更大的回報。

弗若斯特沙利文咨詢公司 (Frost & Sullivan) 工業自動化高級研究分析師 Nandini Natarajan 表示：“我相信，汽車、航空和石油天然氣行業將是人工智能技術的主要受益者。”這些制造商都有復雜的供應鏈，涉及數以千計的各類零部件和專用工具。

任何延遲、故障或錯誤都可能導致生產“單元”中斷，而生產單元是精益制造系統中的獨立裝配點。只有人工智能可以預測各個生產單位之間的復雜交互，從而實現零部件、人力、工具和維修請求自動化，最大限度地提高效率。

信息技術與創新基金會 (Information Technology and Innovation Foundation) 全球創新策略專家Stephen Ezell稱，未采用數據驅動型戰略的制造商將會掉隊，“如果您墨守成規，堅持老一套做法，并且沒有能力實現制造流程的數字化，您的成本很可能會上漲，產品的上市周期可能會拉長，您向客戶提供獨特附加值的能力也會大打折扣。”

在英特爾公司首席執行官科再奇看來，AI戰略決定每家企業的未來勝負，“每家公司都應當制定人工智能戰略，刻不容緩。隨著數字化革命進程的加快，數據越來越多、越來越復雜、越來越多樣，企業必須迅速做出關鍵決策。為了駕馭數據洪流，企業需要人工智能戰略，否則就會落后于時代。”