专题：都在讲预测性维修，预防性维修到底还做不做？
一、预防性维修与预测性维修的区别
预测性维修和预防性维修均属于主动性维修，均是在计划停机时间内，在设备功能丧失之前，对隐患和缺陷的处理。
区别在于：
预测性维修强调对设备状态的周期性或连续性的监测、观察，并判断设备劣化倾向和缺陷状态，对设备实施计划性的实施功能修复、纠正和改进活动。预测性维修监测和观察活动的普及性、诊断的准确性和隐患、缺陷的处理效率，都影响了预测性维修通道建设的质量和有效性。
预防性维修是基于可靠性设计，依据可靠性试验获得设备零部件的失效条件，给定周期和频次的维修项目，一般在设备说明书中会明确指出，设备运行多少时间或加工频次，需要更换某种零部件。实施过程中无须对状态进行判定，无论设备是否失效，都强制进行维修，是以时间触发的维修过程。
形象的理解，预防性维修就好比婴幼儿时期的注射疫苗，强调装备自身的可靠性，预测性维修就好比成年时期的体检，通过异常和缺陷状态进行维修，强调针对性处理。
二、基于可靠性设计的预防性维修项目确定
提预防性维修，必须提一个新的名词，RCM（可靠性为中心的维修）。认识RCM，需要从装备可靠性设计和制造作为出发点：当系统容许的可靠度为0.99，系统的零部件数量为10个，则每个零部件的可靠度需要达到0.999。对于复杂系统（包含智能装备），在装备设计时，为确保可靠性通常有以下手段：
1. 冗余设计，装备设计时，通常对零部件都有冗余设计的考虑，包括加工精度、尺寸、材质等方面，以确保系统可用度满足设计要求。
2. 优化设计，减少零部件数量，由于零部件数量增加会加大对可用度要求，故欧美国家的机械设计立足于简单化，这样有利于确保系统的可靠度。
3. 受制造成本、装备能耗、安装空间、设计难度等诸多限制，装备在冗余和优化设计上挖尽时，应对系统进行故障模式分析和试验，进而确定出按周期更换某种部件、周期性的维护修理和检查确认，以确定预防性维修的项目。
三、预防性维修的利弊
对于复杂系统而言，预防性维修必不可少，预防性维修可以提高可靠度，以满足对系统可靠度的要求。
但由于受设备制造缺陷及备件质量的影响，累计预防性维修也会呈现另外的曲线，故障率随时间降低，系统修复会带来新的耗损故障。
在改革开放三十年内，中国迅速完成了产业普及，装备制造业快速发展，但同时也积累了许多根本性的问题，用户在使用复杂装备时，通常会遇到这些问题：
1. 用户多采取低价中标策略，导致购置回来的装备可靠性不足，产品质量缺陷严重，故障不断。
2. 设备制造厂家缺乏维修性和可靠性设计，出现零部件不通用，非标件过多（基于市场竞争，防止仿造），甚至设备制造厂家在生产同一型号的设备时，出现配置不一样的情况，给用户的预防性维护和备件储备带来了极大的困难。
3. 零部件供应环节，典型的如润滑油，轴承等基础零部件，存在仿造、假冒品牌备件，造成预防性维修越修越坏。
4. 由于产品订单或预算不足，导致该预防性的维修项目未按时实施，造成维修不足。
5. 设备状态良好，但由于周期性维修，造成维修过剩。
四、结论
综上所述，预防性维修在企业的复杂系统中必须存在，对于今后设备向智能化、自动化发展的趋势下，预防性维修依然是必不可少。但除复杂系统的可靠性保障以外，尽可能少的使用预防性维修，这对于降低维修费用和确保可用度极其重要。
来源：沈鼓测控，作者：杨明波
责任编辑：邵玉洁 审核人：吴晓兰
媒体合作: 010-88379864
期刊：《汽车测功机类设备预测性维护系统设计》
刘春来 杨春辉 刘洪伟 林长宏 崔明雨 王洪超 刘锰
（中国第一汽车股份有限公司研发总院，长春 130013）
【摘要】新能源电动车产业面临全面升级，竞争快速加剧，产品开发周期不断缩短，对研发设备的测试效率和测试成本提出了更严峻的考验。为了进一步提升装备研发效能，快速满足新能源高端产品开发需求，深入研究并设计了一种研发设备预测性维护系统，通过物联网、小波变换、深度学习、多元高斯分布、长短时记忆神经网络等关键技术，开发故障诊断、寿命预测算法模型，实现设备关键故障以及剩余寿命的预测。结果表明，本系统可大幅度减少停机和维修时长，实现研发、维修资源更高效的利用。
关键词：预测性维护；数据采集；网络架构；故障诊断；剩余寿命预测
0 引言
近年来，汽车产品研发周期日益加快，而提升测试设备可动率是确保产品研发效率的关键因素。设备的预测性维护技术对设备数字化赋能提效具有重要意义，其可以提前预测设备故障及寿命，避免设备长时间停机，延长设备使用寿命，进而降低研发成本。
在预测性维护领域，已有学者通过先进的数据分析和机器学习技术，对设备健康状态评估和故障预测进行了深入探索。近年已在设备状态监测、故障诊断和预测性维护模型构建方面取得丰硕成果。张国萍[1]通过全面收集和分析设备状态数据，利用深度学习等先进技术，实现对设备健康状态的精确评估以及对故障演化过程的预警预测。程伦新等[2]通过对振动和电气数据的监测，建立故障诊断、预测及运行优化等各类模型，解决电机设备零部件损耗不确定的问题。李敏等[3]提出基于优化并行二维卷积神经网络的滚动轴承智能故障诊断方法。刘益豪等[4]通过卷积神经网络提取数据的多维特征，同时采用双向长短时记忆网络有效捕获其时间序列特征。黄庆归[5]采用小波包变换与长短期记忆递归神经网络相结合的方式进行预测性维护，实现了对工业机器人伺服电机故障的实时监测。陈劲[6]通过深度学习算法分析采集的海量数据，构建了高精度的生产质量预测模型。孙若依等[7]构建了由物理设备层、物联网数据采集层、数字孪生数据层、虚拟设备层以及预测性维护服务层组成的多层次预测性维护框架。
本文基于现有研究成果，设计了一种完整的预测性维护方案，涉及采集架构搭建、网络架构搭建以及采集数据处理等关键环节，同时详细阐述了故障诊断和寿命预测模型的实现方法。此方案适用多种高速旋转类、周期运动性设备，本文以最常见的整车底盘测功机为例进行详细阐述。实践验证，本研究提出的方案具有较高预测准确率，可以显著提升设备运行效率，同时有效降低研发成本。
1 采集架构设计
1.1 底盘测功机结构
图1为汽车底盘测功机试验设备的典型结构，主要包括测功电机、传动轴、电机座、轴承座、力传感器、转速编码器以及负载端7个部分，其结构符合典型汽车旋转类试验设备的结构特征[8]。
pagenumber_ebook=62,pagenumber_book=58
图1 底盘测功机结构示意
1.2 传感器布置方案
本方案需布置的传感器主要包括末端三向振动传感器、电机温度传感器、顶端三向振动传感器、顶端温度传感器、轴座三向振动传感器、轴座温度传感器以及末端温度传感器等。传感器布置如图2所示。
pagenumber_ebook=62,pagenumber_book=58
图2 传感器布置方案
为保证采集方案的通用性并避免干扰原控制系统，采取非侵入式传感器点位布置方案。末端三向振动传感器和顶端三向传感器分别布置于电机外壳尾端和顶端，紧邻轴承两端，主要负责采集电机尾端和顶端轴承在x、y、z方向的振动数据，而轴座三向振动传感器布置于轴承座近轴承位置，主要负责采集轴承座内轴承和传动轴在x、y、z方向的振动数据。顶端温度传感器和末端温度传感器分别布置于电机外壳顶端和末端，紧邻轴承两侧，主要负责采集电机顶端和末端轴承实时温度。轴座温度传感器布置于轴承座近轴承位置，主要负责采集轴承座内轴承的实时温度。电机温度传感器布置于电机外壳中间，主要负责采集电机实时温度。
设备的对称和相似部位可按本布置方法进行类比拓展，转速、电流和电压等重要参数可通过设备自身控制器或外置传感器同步采集。
2 网络架构设计
2.1 数据传输架构
大多数底盘测功机需配合环境仓使用，且测功机本身存在电磁干扰，无线传输可靠性较低，因此采用屏蔽线束连接方式完成信号传输。如图3所示，本方案所需的网络设施主要包括数采终端、边缘机、网络交换机、总交换机、数据服务器、诊断服务器、企业网关以及用户访问终端8个部分。数采终端是所有传感器信号的采集、转换、滤波工具，最终实现数字信号的传输。边缘机负责运行诊断模型，通过接收数采终端实时传输的数据信号进行运行状态判定和故障诊断。网络交换机为各试验间内数据的交换中心，可实现信息的分配和集传。总交换机是试验间与外部的信息交互中心，可实现仓内和仓外信息交互。数据服务器为数据存储中心，负责持续接收和存储来自数采终端的传感器数据，是诊断和预测模型训练的数据库。模型服务器为模型训练和优化中心，可通过数据库内数据不断优化模型，提升预测准确率。企业网关为设备网与企业办公网数据交互中心，通过网段规划，保证数据透传和网络安全。用户访问终端包括个人电脑、手机等设施，用户可通过有线或无线方式访问设备状态、报警信息以及设备剩余寿命等数据。
pagenumber_ebook=63,pagenumber_book=59
图3 网络传输架构
2.2 数据传输过程
数据传输主要包括采集存储、模型训练、模型部署和预测诊断4个过程。在采集存储过程中，传感器数据、设备关键数据通过数采终端进行采集、转换和汇总，并通过网络交换机、总交换机传输至数据服务器进行存储。在模型训练过程中，模型服务器周期性调用数据服务器内的历史数据，在原始模型基础上进行再次优化迭代，不断提升模型精确度。在模型部署过程中，将训练完成的模型通过总交换机、网络交换机部署到边缘机。在预测诊断过程中，边缘机负责执行测量模型算法，并结合数采终端传输的实时数据，进行故障诊断及寿命预测，并将结果通过网络交换机、总交换机、企业网关等网络设施将结果发送至用户访问终端。
对于设备台数较少或者预测实时性要求不高的用户，可将边缘机和模型服务器融合，进而有效降低部署成本。若在预测到具体故障后需触发急停或顺序下电等紧急逻辑，建议采用边缘机以提高系统实时性，确保试验稳定性及人员安全。
3 预测模型设计
3.1 诊断模型设计
诊断模型设计过程中，需基于数据服务器内的关键状态数据构建数据集，通过小波变化将采集的多维时域参数转换为多通道图像，进而通过图像处理技术以及深度学习技术实现设备故障自动检测与故障类型识别。通过建立深层模型，无需再对试验数据进行过多的信号特征提取，可以自适应地提取数据中的深层故障特征，实现智能自动化健康状况诊断[9]。诊断模型的设计过程可以分为以下4个步骤。
（1）数据采集。选取工况正常的设备和已知故障类型的设备，分别进行数据采集，采样频率设置为f。
（2）基于小波变换的时序信号到图像的转换。X={x1,x2,…,xN}为步骤（1）采集的数据，其中，xi为一段时序数据，表示在T时间内采集的第i种类型的运行参数，xi=pagenumber_ebook=63,pagenumber_book=59表示i类型运行参数在t时刻的数值。将每个类型的参数进行小波变换可得：
pagenumber_ebook=63,pagenumber_book=59
式中：参数的时间跨度为由0到T，a为频率，τ为时刻，f(t)为t时刻所采集的参数数值，ψ(a*(t-τ))为小波在平移τ个单位并缩放a倍后的函数值，WTi(a,τ)为第i种类型的运行参数在时刻τ、频率为a时所转换成图像的像素值。确定a的取值范围为[0,A]，τ的取值范围为[0,T]，最终得到a行T列的图像[10]：
pagenumber_ebook=63,pagenumber_book=59
式中：Ii为第i种类型的运行参数转换后得到的图像，最终将所有类型参数得到的图像合并成a行T列n通道的图像。
（3）基于深度卷积神经网络的多通道图像特征提取。通过步骤（2）将电机运行期间采集的多维度原始电信号X转换成了多通道图像I，通过卷积神经网络，从多通道图像I中提取特征。首先设置参数如下：H为图片高度，W为图片宽度，N为图片通道数，卷积核数量与通道数相同，L为卷积层数量，F为卷积核大小，K为特征深度。
在卷积过程中，卷积核中心位置遍历图像中的每个像素点，对应元素相乘后求和作为新提取特征的数值，遍历所有像素点后得到与输入图像相同大小的特征矩阵。之后经过最大池化操作（即相邻4个方形区域对应元素合并，以其中最大元素为新的特征值）将输入图像缩减为原来的一半。K同样为L维的向量，表示每层卷积得到新特征的深度。以最后一个卷积层的输出结果为步骤3的输出，结果记为O，是H'×W'×KN的矩阵,其中H'、W'和KN分别为卷积层最后一层输出的高度、宽度和深度[11]。
（4）全连接神经网络与故障判定。将步骤（3）得到的结果O中的所有元素拆分合并为一维向量，以此作为全连接神经网络的输入。该网络包含多个隐藏层，以其最后一层的输出结果O'是一个长度为M的向量，M为设备状态的数量。关于设备状态的描述中，1表示正常，2至M表示对应的故障类型。最终通过Softmax函数，将O'进行归一化处理，以O'中最大的元素所在位置作为设备状态的最终预测值[12]。故障状态主要包括电机故障、电机前后端轴承故障、传动轴不对中、传动轴松动以及负载不平衡。故障类型可以根据训练集中的故障样本种类具体定义。同时可根据故障类别和故障最大元素对故障类别和严重程度进行分类（表1），以便运维人员根据重要程度实施维修和保养工作。
表1 故障检测分级报警
pagenumber_ebook=64,pagenumber_book=60
3.2 寿命模型设计
试验设备工况数据生命周期较长，完整生命周期的数据采集以及样本的标注是一项十分繁琐和耗时的工作，需耗费大量存储资源。本研究利用多元高斯分布和长短时记忆神经网络实现了基于半监督的剩余寿命智能预测方法，此方法适用于新能源高速电机和底盘测功机等各类测试设备。寿命模型设计可分为以下5个步骤。
（1）数据采集。其数据集同样来源于数据服务器，采样频率设置为f（可调），对于寿命预测模型。鉴于寿命预测模型关注长期趋势预测，采样频率可适当降低以满足需求。
（2）采用多元高斯分布计算方法提取不同生命周期相似度特征。首先，根据已知生命周期的设备采集样本数据，计算每组生命周期样本的均值μk和协方差矩阵ζk，计算方法如下：
pagenumber_ebook=64,pagenumber_book=60
式中：μk为声明周期样本均值，ζk为协方差矩阵，mk为k阶段样本总数量pagenumber_ebook=64,pagenumber_book=60为F×T维的二维矩阵，是k阶段的第i个样本在连续T个时间点采集的F个特征数据。
根据均值和协方差矩阵，可计算新未知生命周期样本x与每个已知生命周期设备运行状况的相似度，其计算公式可表示为：
pagenumber_ebook=64,pagenumber_book=60
式中：pk(x)为样本x与k阶段设备运行特征相似度，n表示输入向量x的维度，即数据的特征数量。
最后得到未知样本x与每个阶段相似度向量：
pagenumber_ebook=64,pagenumber_book=60
假设pn(x)为p(x)中最大的元素，Ln-1、Ln、Ln+1分别是n-1、n、n+1连续3个阶段设备的剩余寿命。若pn+1(x)>pn-1(x)，则未知样本剩余寿命标签的计算公式可表达为：
pagenumber_ebook=64,pagenumber_book=60
若pn+1(x)<pn-1(x)，则未知样本剩余寿命标签的计算公式可表达为：
pagenumber_ebook=64,pagenumber_book=60
（3）特征工程与数据集构建。首先将采集的连续时间内试验设备运行数据按时间片进行划分，设置时间片长度为T（可调节）。对每种数据类型的每个时间片内的数据进行特征提取，提取内容主要包括最大值、最小值、均值、方差、置信区间、差分特征以及通过傅里叶变换得到的频域特征向量[13]。
以步骤（2）中得到的剩余寿命值作为数据集标签，以目标时间片前l个时间片的特征向量作为输入构建数据集，其中80%为训练集，其余20%为测试集。
（4）剩余寿命预测的深度学习神经网络模型构建。剩余寿命预测模型包括循环神经网络模块、全连接神经网络模块以及参数优化模块，如图4所示。
pagenumber_ebook=64,pagenumber_book=60
图4 剩余寿命预测模型
在循环神经网络模块中，以每个A为一个记忆单元，共有l个记忆单元。Ft-1表示预测目标时间片t的前第l个时间片的特征向量，ht-1到ht-l表示每个记忆单元的中间输出，将最后一个记忆单元的中间输出，即ht-1，作为循环神经网络模块的输出[14]。
在全连接模块中，全连接模块中，xt为时间步t的输入特征向量，pK(x)t为第K个阶段的每个设备运行数据计算相似度，全连接层（Fully Connected Layer，FC）用于将循环层的输出。根据步骤（2），将预测目标时间片t的样本数据与已知的K个阶段的每个设备运行数据计算相似度，得到相似度向量：
pagenumber_ebook=65,pagenumber_book=61
将其作为FC1全连接神经网络的输入，将FC1的输出与循环神经网络模块的输出ht-1合并，作为FC2的输入，最终将FC2的输出为Y't。
最后，在参数优化模块中，Y't为剩余寿命的预测值，Y QUOTEt为剩余寿命的真实值，Loss为损失函数，用于计算预测误差。根据损失函数（如平均绝对值误差、均方误差或均方根误差），计算真实值标签Y QUOTEt与预测值Y't之间的误差，通过梯度下降与反向传播更新参数[15]，如图5所示。
pagenumber_ebook=65,pagenumber_book=61
图5 模型参数优化
（5）测试集验证与实际应用。完成步骤（4）后，通过步骤（2）构建的测试集进行验证，直至测试集的损失函数值低于阈值ε，并保存训练完成的模型。在实际应用过程中，输入数据格式需与训练集和验证集格式一致，得到的预测结果则作为最终设备剩余寿命的预测值。
4 预测性维护系统应用效果
为验证系统有效性，选取同品牌、同型号、同年份的底盘测功机作为验证样本，并对已知特定故障的底盘测工机进行预测诊断（如电机前盖轴承故障、电机后盖轴承故障、轴承外圈故障、轴承滚珠故障以及轴系不平衡）。诊断结果百分比统计结果显示，I期模型诊断准确率达78%以上。如图6所示，对于寿命预测系统，由于缺少最终装备状态数据，以关键轴承件作为预测目标。基于国际故障预测与健康管理协会的PRONOSTIA标准数据，模型测试准确率达到了85%以上。随着后续训练数据进一步完善，准确率及覆盖面将进一步提升。
pagenumber_ebook=65,pagenumber_book=61
图6 寿命预测结果
5 结束语
本方案针对具体研发场景进行开发，融合了小波变换、卷积神经网络、多元高斯分布以及长短时记忆神经网络等关键技术，结合深度学习算法，实现目标结果的预测性呈现。显著降低了对海量标签数据的过度依赖，为工况多变的汽车研发设备预测维护提供了可靠解决方案。该预测性诊断系统可结合用户具体要求开发上位显示界面，实现设备状态总览、详细状态和参数信息浏览、快速点检等功能。此外，该系统可以支持设备专家通过数据趋势进行人工智能诊断，提前预防故障或者进一步优化预测模型。系统可根据需求规划报警页面，展示报警级别和故障信息，实现分级报警和具体故障定位，为运维人员提供清晰的信息支持，大幅度提升运维效率。在寿命预测方面，可实现单台设备的剩余寿命检测，为设备大修、保养、投资提供有力的决策依据，为汽车研发设备中测功机类的设备预测性维护提供了数智化的解决方案。
然而，本方案试验数据的多样性还有待提高，需进一步扩大数据集的采集范围，同时模型的泛化能力也需进一步提升，以适应更多应用场景。未来研究将进一步提升数据全面性，对采集到的数据进行深入分析，提取更有价值的信息。针对不同设备类型，对模型进行优化与调整，提高预测精度。
参考文献
[1] 张国萍. 基于大数据的机械设备预测性维护系统研究[J].中国机械, 2023 (36): 61-64+69.
[2] 程伦新, 王学良, 王劭博. 电机预测性维护系统应用研究[J]. 机电信息, 2024 (14): 20-25.
[3] 李敏. 基于优化并行二维卷积神经网络的滚动轴承智能故障诊断方法研究[D]. 西安: 长安大学, 2023.
[4] 刘益豪, 石宇强. 基于注意力机制的CNN-BiLSTM复杂设备剩余寿命预测[J]. 机械设计, 2024(S1): 58-63.
[5] 黄庆归. 基于小波包和LSTM神经网络技术的机器人预测性维护策略研究[J]. 设备管理与维修, 2024 (1): 67-71.
[6] 陈劲. 工业4.0智能传感器网络在生产监测与预测中的应用[J]. 信息系统工程, 2024 (10): 36-39.
[7] 孙若依, 黄明, 孙顺苗, 等. 基于数字孪生的自动化单元预测性维护参考框架[J]. 机床与液压, 2024(18): 110-115.
[8] 何全添. 汽车底盘测功机检测设备的结构原理[J]. 内燃机与配件, 2020 (2): 129-130.
[9] 黄扣. 基于深度学习的旋转类机械预测性维护方法研究[D]. 镇江: 江苏科技大学, 2021.
[10] HILMI A Z ,KHAIRUNNISA H ,ABDUL K A W.Integrated Failure Analysis Using Machine Learning Predictive System for Smart Management of Medical Equipment Maintenance[J]. Engineering Applications of Artificial Intelligence, 2023(125): 112551.
[11] 樊超, 王帆. 可解释的小波卷积神经网络机械故障诊断方法[J/OL]. 振动工程学报,（2024-11-4）[2025-04-17].
[12] 石碧波. 基于改进长短记忆网络的智慧工厂中设备故障预测[J]. 工业控制计算机, 2024(8): 105-106+109.
[13] YANG L ,WEIGANG W ,YIHAO B, et al. Self-Supervised Feature Extraction via Time-Frequency Contrast for Intelligent Fault Diagnosis of Rotating Machinery[J].Measurement, 2023(210): 112551.
[14] LIU X, CHENG W, XING J, et al. Predictive Maintenance System for High-End Equipment in Nuclear Power Plant Under Limited Degradation Knowledge[J]. Advanced Engineering Informatics, 2024(61): 102506.
[15] 唐侯清. 基于卷积神经网络的电机轴承故障诊断研究[D].南宁: 广西大学, 2023.
Design of Predictive Maintenance System for Automotive Dynamometer Equipment
Liu Chunlai, Yang Chunhui, Liu Hongwei, Lin Changhong, Cui Mingyu, Wang Hongchao, Liu Meng
（Global R&D Center, China FAW Corporation Limited, Changchun 130013）
【Abstract】 The newenergy vehicle industry is faced with comprehensive upgrading and rapid competition, but the product development cycle is continuously shortened, and synchronization brings more severe test on efficiency and cost of R&D equipment. In order to further improve the equipment R&D efficiency and quickly meet the new energy high-end product development needs. A kind of predictive maintenance system for R&D equipment is researched and designed in depth. Fault diagnosis and life prediction algorithm model are developed through key technologies such as Internet of Things, wavelet transform, deep learning, multiple Gaussian distribution and long and short time memory neural network, so as to realize the prediction of key faults and remaining life of equipment. The results show that the system can significantly reduce the downtime and maintenance time, and achieve more efficient use of R&D and maintenance resources.
Key words: Predictive maintenance, Data acquisition, Network architecture, Fault diagnosis,Residual life prediction
【欢迎引用】 刘春来, 杨春辉, 刘洪伟, 等. 汽车测功机类设备预测性维护系统设计[J]. 汽车文摘，2025(6): 57-62.
【Cite this paper】 LIU C L, YANG C H, LIU H W, et al. Design of Predictive Maintenance System for Automotive Dynamometer Equipment[J]. Automotive Digest (Chinese), 2025(6): 57-62.
中图分类号：U468
文献标志码：A
DOI: 10.19822/j.cnki.1671-6329.20240197
专题：麦肯锡最新调研：未来三年，AI将在将在哪些领域爆发？
近日，Forbes上的一篇文章概括了麦肯锡关于人工智能的一篇调研报告，主要揭示了AI的行业现状，以及未来的发展趋势。
上个月，麦肯锡全球研究院（MGI）发布了名为《人工智能，下一个数字前沿》的研讨报告，同时也发表《人工智能如何能给公司提供真正的价值》一文，来对他们的研讨报告进行总结。他们采访了超过3000名高管，针对AI技术的应用，公司未来的部署，AI对市场、政府和行业的影响来进行提问。
该报告的关键信息有如下几点：
百度、谷歌等科技巨头2016年在AI上的总投入是200亿-300亿美元，这些资金中90%用于研发和部署，10%用于收购。从2013年起，对AI的投资增长率就是其他行业3倍。麦肯锡发现，在接触到AI技术的公司中，有20%是早期使用者（early adopter），主要集中在高科技/电信、汽车/装配和金融服务业。下图是麦肯锡分析出来的趋势。
AI投资的竞争正演变成巨头科技公司对专利和知识产权(IP)的争夺。麦肯锡发现，在AI投资市场，风险资本(VC)、私募基金(PE)和其他外部资金的比例仅为一小部分(9%)。在所有不同投资领域公开的数据中，企业并购在2013年至2016年间增长最快(85%的增长率)。该报告列举了许多企业内部投资的例子，比如亚马逊在机器人技术和语音识别方面的投资，Salesforce在虚拟代理和机器学习方面的投资。宝马、特斯拉和丰田等汽车制造商在无人驾驶领域对机器人技术和机器学习的投资。此外，丰田计划投资10亿美元，建立一个针对机器人技术和无人驾驶的研究机构。
麦肯锡估算，2016年对AI的外部投资金额在80亿美元-120亿美元之间，这其中机器学习吸引了将近60%的投资金额。机器人技术和语音识别是比较热门的两个投资领域。投资者最喜欢投机器学习技术的初创公司，因为基于软件的这种初创公司增大规模、扩展新的应用速度很快。基于软件的机器学习公司也比资金更加集中的基于机械的机器人公司更受欢迎。 包括前面的这些因素在内，企业并购正在猛增，从2013年到2016年，年复合增长率（CAGR）达到将近80%。下面的图表说明了外部投资金额按技术类型分布的情况。
高科技、电信和金融服务业最早使用机器学习和人工智能技术。众所周知，这些行业愿意投资于新技术，获得竞争和内部流程方面的优势。许多初创公司也开始使用AI集中注意力应对业界数字化的挑战。 下表是一个热图，显示了AI技术在不同行业的相对使用水平，另外还从资产、用途和劳力三个方面做了细分。表中的MGI数字化指数是欧洲和美国的GDP加权平均，在报告的附录B里对这个参数有详细的说明。
麦肯锡预计，未来3年，高科技、通信和金融服务将成为主要采用AI技术的行业。这三个行业之间专利和知识产权(IP)的竞争正在加剧。现有的设备、产品和服务，以及领军科技公司的发展蓝图，将会逐渐揭示他们的研发实验室如今的创新性活动水平如何。例如，在金融服务业，应用AI优化的欺诈识别系统能提高准确率和速度，预计在2020年市场将达30亿美元。下面的图表揭示了现在的AI+领军行业，以及最打算在未来三年内对AI大力投资的行业。
采用人工智能技术后，医疗保健、金融服务和专业服务业的利润出现了前所未有的增长。麦肯锡发现，那些让AI参与高级管理从而获益的公司已经投资于基础设施，以支持其随后扩大规模。这些公司有清晰的商业目标，想要实现3-15%的利润率增长。在接受采访的3000多名高管中，多数人预计下一年的利润率将上升5个百分点。
麦肯锡的研究表示，亚马逊以7.75亿美元收购Kiva已经让他们获益匪浅。以前通过人力从下单到出货的时间从60分钟到75分钟不等，Kiva 的机器人系统能让机器人自动分拣货物，能将时间减少到15分钟，同时运货能力增加50%。运营成本估计下降了20%，投资回报率接近40%。
通过利用算法来为全球1亿用户提供个性化推荐服务，Netflix也获得了很好的结果。他们发现，一般说来，用户在搜索电影超过90秒之后就会离开网站。通过改善搜索结果，能避免用户取消订阅服务，这将避免他们每年减少10亿美元的收入。
来源：AI科技评论
本文编辑：Jacy
2017/7/23