IDC數據顯示，到2021年，20％的領先制造企業將通過嵌入式智能、人工智能、物聯網和區塊鏈等技術實現流程自動化，并將執行時間縮短25％。

德勤表示，機器學習可以讓離散制造業的產品質量提高35％麥肯錫指出，那些將在未來五到七年內擁抱人工智能的企業中，有半數企業的現金流將有望增加一倍，而制造業由于對數據的高依賴性所以將領跑于其他行業還有數據統計，到2020年，領先的制造企業中將有60%的企業借助數字化平臺為其30％的業務收入提供支持有機構表示，48％的日本制造企業看到了將機器學習和數字制造技術整合到運營中可能帶來的更多機會，這個結果高于麥肯錫最初研究的預期無論如何，對于制造企業來說，通過富有洞察的機器學習平臺來提高產品質量和產量，提高工廠生產率，將成為下一步變革的關鍵。

具體來看，利用機器學習來簡化生產的每個階段——從入庫供應商質量開始，一直到制造計劃和訂單完成——已經成為了制造業的一個優先事項。根據德勤最近的一項調查顯示，機器學習將制造業的計劃外停機時間減少了15-30％，生產量提高了20％，維護成本降低了30％，質量提高了35％。

據統計預測，人工智能將給全球企業的市場營銷和銷售創造1.4萬億美元到2.6萬億美元的價值，給供應鏈管理和制造創造1.2萬億到2萬億美元的價值。對此，麥肯錫也預測，基于人工智能的預測性維護可能會給制造企業帶來0.5萬億美元到0.7萬億美元的價值。

麥肯錫提到，人工智能的海量數據處理能力（包括音頻和視頻），將幫助企業快速識別異常以防止故障的發生。而機器學習可以檢測某個特定聲音是來自在質量測試中正常運行的飛機發動機，還是裝配線上即將發生故障的設備。

制造企業正在嘗試通過使用云平臺上的機器學習和預測分析讓業務更具可持續性。比如，有部分制造企業就在使用Azure Symphony Industrial AI從模板庫部署設備模型，這個模板庫中包括熱交換器、泵、壓縮機以及制造企業常使用的其他資產。Symphony AI的Process 360 AI可以幫助用戶創建流程的預測模型，其中，高級別流程將被定義為通過設備生產的物品（如化學品、燃料、金屬、其他中間產品和成品），而工藝模板實例將包括氨工藝、乙烯工藝、LNG工藝和聚丙烯工藝。我們發現，流程模型有助于預測過程擾動和跳閘，而這是單獨設備模型無法預測的。

波士頓咨詢集團（BCG）發現，制造企業使用人工智能可以將生產商的轉換成本降低多達20％，同時由于勞動力生產率提高，成本降低可能達到70％。BCG發現，生產商正在通過使用人工智能來開發和生產為客戶量身定制的創新產品，并在更短交付周期內進行交付，從而創造額外的銷售收入。

那些依賴重型資產的離散制造企業和流程制造企業正在利用人工智能和機器學習來提高吞吐量、改善能耗和利潤。擁有重型設備（包括大型機械）的制造企業正在探索使用算法來提高產量、可持續性和良率。麥肯錫發現，人工智能可以自動執行某些復雜的任務，并提供一致性和精確的最佳設定點，讓設備能夠自動運行，這對于采取一班制或者多班制的自動化制造來說至關重要。

基于人工智能和機器學習的產品缺陷檢測和質量保證能夠將制造生產率提高到50％甚至更多。機器學習在發現產品及包裝異常方面有天然的優勢，在提高產品質量和防止次品流出方面同樣有著巨大潛力。與人工檢查相比，基于深度學習的系統能夠將缺陷檢出率提高達90％。

如今有不少可以使用的開源人工智能環境，再加上低成本的攝像頭和強大的計算機，這一切讓小型企業也能夠越來越多地使用人工智能進行視覺檢測。在使用人工智能進行視覺質量檢查的過程中，從不同角度對良品和次品進行視覺成像來創建參考示例，將為學習算法訓練監督提供強大的支持。