技术壁垒逐渐降低，对工厂自身的考验已经开始。

几十年来，制造业一直在热切期待着全自动工厂的到来。高科技机器人、智能机器和传感器组成的网络将无缝协调生产，解决普遍存在的劳动力短缺问题，同时大幅降低运营成本。理论上来说，这些工厂只需极少的人工干预，就能在完全黑暗的环境中运行，因此也被称为“熄灯工厂”。

迄今为止，为数不多的几家创建此类工厂的知名企业，如阿迪达斯在美国和德国的“速度工厂”、史丹利-布莱克和戴克在得克萨斯州的“工匠工具工厂”（craftsman tool factory），以及埃隆·马斯克所说的“过度自动化……是一个错误”，都对其广泛的可行性表示怀疑。因此，一些行业专家建议完全放弃熄灯工厂模式。

我们认为这样是不对的。2018年以来，美国（-0.4%）和德国（1%）等成熟经济体的制造业每小时工作产出增长几近停滞，这凸显了自动化对生产率提升的必要性。

好消息是，对制造商来说，根据我们的研究和实地经验，转变即将到来。早期的阻碍将在未来几年迅速减小，机器人的能力、灵活性和成本效益都在不断提高，嵌入式代理将生成式AI带入了工厂环境，制造商必须为不可避免的颠覆做好准备，否则就有落后的可能。

改造现有工厂

全球范围内已经出现了一些创新案例，证明了熄灯工厂的长期可行性。我们一家总部位于欧洲的汽车供应商客户做出了一个大胆决定，将其现有的棕地（brownfield）改造为全自动运营，由人工进行规划、监督和维护。

该公司的目标是实现成本竞争力，使其在高成本国家运营具有经济可行性，同时继续在两天内为客户提供服务。公司将直接劳动力减少了100%，有效解决了困扰行业的人才短缺问题，工厂的息税折旧摊销前利润（EBITDA）提高了8%。目前，这一举措正在全球多个高成本工厂推广。

为了推动这一转型，我们的客户在积极应对熄灯制造商面临的最常见的财务和技术挑战，这些挑战也存在于所有类别的工厂运营中：

可预测的流程：大多数工厂流程都涉及重复任务，因此用机器人执行这些任务在技术上是可行且有利可图的。例如，自动导引车可以沿着预定路径在车间内轻松导航。然而，安装和维护这些机器人需要高技能劳动力，限制了降低整体劳动力成本的潜力。

不可预测的流程：即使在严格控制的环境中，一些工厂流程本质上仍然是非结构化的。预先编程的机器人往往无法适应这些复杂的意外情况。例如，自动质量控制有时无法识别首次出现的缺陷。这种对意外情况的不适应性，令制造商无法完全信任自动化。

不可自动化的流程：由于当前技术的局限性，某些复杂的流程无法实现自动化，例如机器人在“组装”过程中就会遇到困难。“组装”是指将各种小部件拾取并组织在一起的过程，这些小部件要么过于相似，机器人很难识别，要么过于不同，机器人无法正确抓取，因此这些任务仍需人工完成。

为了应对这些固有挑战，我们的客户选择对流程、产品和布局进行“自动化再设计”，增加了彻底改造工厂运营的步骤，以提高自动化的可行性，同时消除了以人为导向的低效流程。例如，我们的客户不再需要牺牲宝贵的地面空间来存储人工看得见摸得着的库存，而是建造了二层垂直存储区，方便机器人的进入和浏览。利用腾出的空间，他们安装了更多机器，将产量提高了30%以上。通过从根本上重建流程，他们发现了一些创新的适应性措施，其中包括：

最大限度地降低成本。改造的重点在于精简机器人的数量。例如，我们的客户一开始就面临一个关键决策：是否要投资50万美元，将塑料成型零件运送到装配站。由于每种尺寸的零件都需要一个专门的机器人，这样做的费用很高。为了避免这笔开支，我们帮助他们重新设计了流程，增加了一条传送带，将输出尺寸相似的塑料零件集中在了一起。这一新步骤将所需机器人的数量减少了一半，大大改善了熄灯工厂的业务情况。

学习预测未来情景。我们的目标是训练AI系统在生产开始前，而不是生产过程中为不确定性做好准备。例如，我们的客户安装了一个自动视觉检测器，用于拍摄图像并检测划痕等质量问题。对于一些罕见缺陷，系统需要花费数年时间才能学会在没有人工支持的情况下将其检测出来。为了解决这个问题，我们生成了大量有潜在缺陷的人工或“合成”图像，模拟各种光照条件以匹配摄像头可能捕捉到的图像。这一额外步骤使我们能够从第一天起就部署训练有素的视觉检测人员，在系统还不稳定时也无需监督。

调整流程，避免部分任务。通过调整流程，可以避开尚未实现自动化的任务。对于我们的客户来说，没有一个机器人能够独立有效完成装配任务。为了逐步取消这项任务，我们与供应商合作建立了一个贴有QR标签的包装箱仓储系统。每个箱子都装有单一零件，使机器人能够自主识别QR码，并按照装配所需的准确顺序取出箱子。

虽然我们客户的熄灯工厂展示了这种方法的巨大潜力，但直到今天，这种转变对于制造商来说依然困难重重。许多人认为技术障碍让人望而却步，尽管有望获得显著的长期收益，但他们往往对必要投资犹豫不决，担心会影响整个工厂的运营。此外，渐进式的技术进步很难让人们从整体上认识自动化。不过，这种思维模式即将发生巨大变化，使熄灯工厂的概念平民化，方便更多制造商接受。

AI正在拉低准入门槛

我们正在进入一个转型期，对各种规模制造商的准入门槛正在降低。熄灯自动化依赖能够感知、规划和执行任务的机器人，其水平几乎与人类相同。就在几年前，这些机器人还只支持工厂中预先设置好的单维互动，这严重限制了它们的能力。

情况发生了变化，因为具身智能体（Embodied agents，指可以在虚拟环境中处理数据和做出决策，而且能够在现实世界中通过物理身体进行感知、学习和行动的智能系统。——编者注）将生成式AI的能力带入了机器人的物理世界。现在，机器人可以通过文字、音频、传感器和信号等多模态感官感知车间的变化。因此，AI可以生成简单的计划，并根据对世界的理解进行迭代。机器人还可以实时将计划转化为具体行动并加以执行。这些发展都非常前沿，但许多已经进入了制造商的研发渠道，并开始得到应用。

指令简单。编程和集成占机器人应用成本的50%至70%。通过为非技术人员提供指导机器人的自然语言界面，生成式AI界面有望大幅降低这一成本。这一转变将是巨大的：工厂不再需要每8个机器人就配备一名专业工人，而只需要每25个机器人配备一名非专业工人。行业应用已经出现，例如，Sereact公司已经推出了语音或文字指令界面PickGPT，可以通过“我需要打包订单”等简单指令与机器人进行互动。

任务多样性。训练机器人完成单一任务的传统方法正在过时。DeepMind和30多个研究实验室证明，在电缆布线、物体操作和拾放等不同任务中，通用机器人人工智能（generalist robotic AI）的表现比专业机器人高出50%以上。这种多功能减少了部署大量机器人的需要，最大限度缩短了停机时间，提高了整体效率。

目前，宝马、梅赛德斯、本田、现代和特斯拉等汽车制造商都在通过通用人形机器人探索多功能任务。例如，宝马正在车身车间、钣金车间和仓库试用由OpenAI支持的Figure AI项目。然而，在没有任何人机交互的熄灯环境中，人形机器人的外观既昂贵又没必要，因此该技术正在保持同样多功能的同时，转向更经济的设计，例如Mimic正在制造没有腿的人形手。

适应能力提升。机器人可以动态识别并适应不断变化的工业环境。例如，Covariant公司的机器人基础模型可自行设计策略，以应对具有挑战性的拾放任务，如摇晃箱子以更轻松地抓取其中物品，从而使机器人能够在第一天就处理客户仓库中超过10万个从未见过的SKU。Covariant的模型能够很好地适应环境，因为它是从数百万个真实机器人拾取物品的多模态数据集中学习的。预先训练好的模型可以缩短设置时间，通过即时适应提高效率，并在整体上建立我们对熄灯设置的信任，为制造商提供公平的竞争环境。

像人一样灵巧。随着机器人在一系列任务中模仿人类行为的能力不断提高，可自动化任务的范围也在迅速扩大。丰田综合研究所（Toyota Research Institute，TRI）正在开发一种“机器人幼儿园”（kindergarten for robots），在这种幼儿园里，远程操作员可以手动控制机器人完成200多种常见的人类技能，如使用工具和倒入液体，而AI生成模型则会在后台学习这些行为。根据谷歌的展示，机器人甚至可以通过在视频上绘制人类运动轨迹来进行学习。就在去年，针对长期存在的装配难题的自动化解决方案终于实现了工业化。戴姆勒卡车公司（Daimler Truck）现已与Sereact公司合作，部署了一套人工智能解决方案，能够根据对象动态识别和调整抓取策略。

开始你的“熄灯”转型

制造商首先应该专注于了解和解决当前痛点，这样可以快速取得成功，为未来的旅程提供资金支持。此外，制造商还应对整个转型过程进行严格审查。

重新思考投资标准。虽然单个自动化使用案例的投资回收期至关重要，但是将其与熄灯自动化的更广泛优势结合考虑，就可以更清晰地了解真正的价值投资主张。例如，在成本效益分析中，我们客户的财务团队就考虑到了这样一个事实，即如果实现熄灯自动化，总产出将增加30%。

重新思考实施策略。实施熄灯工厂需要协调运营、产品设计、工程和采购等部门。这些多学科团队必须密切合作，为新部署的机器人建立快速改进周期，并不断改进解决方案。

重新思考决策制定。机器人会产生源源不断可被采集和分析的数据，为工厂运营提供前所未有的透明度，这样我们就能做出更明智的决策，对影响车间的所有因素进行全面的根本原因分析，从而取代直觉和可能出错的人工输入。

在可预见的未来，技术将不再是熄灯转型的瓶颈。是否追求这一目标，主要取决于工厂的经济考量，而不是技术障碍。拥抱自动化并在全面改革运营战略方面表现出灵活性的制造商，将在这一浪潮中处于有利地位。

丹尼尔·库珀（Daniel Kuepper）、列昂尼德·茹科夫（Leonid Zhukov）、娜姆拉塔·拉加歌帕（Namrata Rajagopal）和雅尼克·巴斯波（Yannick Bastubbe）| 文

丹尼尔·库珀是BCG的董事总经理兼高级合伙人，常驻德国科隆，是BCG布鲁斯·亨德森智库(Bruce Henderson Institute)会员。列昂尼德·茹科夫是BCG的数据科学副总裁，常驻纽约，是BCG布鲁斯·亨德森智库技术与业务实验室主任，BCG人工智能研究所主任。娜姆拉塔·拉加歌帕是BCG顾问，常驻孟买，也是BCG布鲁斯·亨德森智库大使。雅尼克·巴斯波是BCG董事，常驻柏林。

文章来自于“哈佛商业评论”，作者“HBR-China”。