2同行回答
我分别讲一下这两种制造。
一、离散型智能制造
1.车间/工厂的总体设计、工艺流程及布局均已建立数字化模型，并进行模拟仿真，实现规划、生产、运营全流程数字化管理。
2.应用数字化三维设计与工艺技术进行产品、工艺设计与仿真，并通过物理检测与试验进行验证与优化。建立产品数据管理系统（pdm），实现产品设计、工艺数据的集成管理。
3.制造装备数控化率超过70%，并实现高档数控机床与工业机器人、智能传感与控制装备、智能检测与装配装备、智能物流与仓储装备等关键技术装备之间的信息互联互通与集成。
4.建立生产过程数据采集和分析系统，实现生产进度、现场操作、质量检验、设备状态、物料传送等生产现场数据自动上传，并实现可视化管理。
5.建立车间制造执行系统（mes），实现计划、调度、质量、设备、生产、能效等管理功能。建立企业资源计划系统（erp），实现供应链、物流、成本等企业经营管理功能。
6.建立工厂内部通信网络架构，实现设计、工艺、制造、检验、物流等制造过程各环节之间，以及制造过程与制造执行系统（mes）和企业资源计划系统（erp）的信息互联互通。
7.建有工业信息安全管理制度和技术防护体系，具备网络防护、应急响应等信息安全保障能力。建有功能安全保护系统，采用全生命周期方法有效避免系统失效。
通过持续改进，实现企业设计、工艺、制造、管理、物流等环节的产品全生命周期闭环动态优化，推进企业数字化设计、装备智能化升级、工艺流程优化、精益生产、可视化管理、质量控制与追溯、智能物流等方面的快速提升。
二、流程型智能制造
1.工厂总体设计、工艺流程及布局均已建立数字化模型，并进行模拟仿真，实现生产流程数据可视化和生产工艺优化。
2.实现对物流、能流、物性、资产的全流程监控，建立数据采集和监控系统，生产工艺数据自动数采率达到90%以上。实现原料、关键工艺和成品检测数据的采集和集成利用，建立实时的质量预警。
3.采用先进控制系统，工厂自控投用率达到90%以上，关键生产环节实现基于模型的先进控制和在线优化。
4.建立生产执行系统（mes），生产计划、调度均建立模型，实现生产模型化分析决策、过程量化管理、成本和质量动态跟踪以及从原材料到产成品的一体化协同优化。建立企业资源计划系统（erp），实现企业经营、管理和决策的智能优化。
5.对于存在较高安全与环境风险的项目，实现有毒有害物质排放和危险源的自动检测与监控、安全生产的全方位监控，建立在线应急指挥联动系统。
6.建立工厂通信网络架构，实现工艺、生产、检验、物流等制造过程各环节之间，以及制造过程与数据采集和监控系统、生产执行系统（mes）、企业资源计划系统（erp）之间的信息互联互通。
7.建有工业信息安全管理制度和技术防护体系，具备网络防护、应急响应等信息安全保障能力。建有功能安全保护系统，采用全生命周期方法有效避免系统失效。
通过持续改进，实现生产过程动态优化，制造和管理信息的全程可视化，企业在资源配置、工艺优化、过程控制、产业链管理、节能减排及安全生产等方面的智能化水平显著提升。
其实智能质检不需理会采用哪种生产制造，如果是基于云边协同的方案，只要满足数据能够上来，模型能够下发就可以。
如果是传统的终端方案，即希望对端侧智能设备、工控机等设备做进一步产品优化，降低端侧成本，减少部署的困难时，可在设备中集成 5G 模组，以灵活的适配各类应用场景;并可在端侧集成智能加速模块或其他专用芯片以提升推理能力及实现如压缩等 特定功能，如集成华为 MH5000 5G 模组、Atlas200 AI 加速模块或海思 IPC 芯片等。
收起制造业当前最关注的是降本增效和自动化。结合在多家工厂不同类型产线上的AI质检方面的实践，我们总结出来三个观点跟大家分享。
第一点是对性能的要求
想要实现减员增效，产品的性能一定是第一位的。拥有最硬核的性能指标，是边缘计算、人工智能等技术在产业中落地的最关键的要求。
以人工智能在工业质检中的应用为例，行业主要考察质检方案的准确率、过检率、漏检率、整体方案的人工替代率等方面的指标，这些指标不过硬，是无法达到减员增效的目的的。另外，整体方案的系统执行效率，是否可以帮助有效提升产线的产能，也是从系统化工程化的角度需要考察的最重要的产品指标之一。不能说我的AI算法的指标全球第一，但因为某些环节的执行瓶颈，导致无法有效的提升产线的产能。以上的这些我们都把它归为对产品性能指标的要求。
第二点是对快速交付的要求
为什么谈快速交付，今天想用边缘计算和人工智能技术帮助制造业做智能化的升级，必须面对柔性生产的问题。随着技术的发展，精密制造和传统制造都在打造自己的柔性生产线，柔性生产的好处我们就不谈了，主要看一下它对人工智能的要求：柔性产线上，产品换型导致检测对象发生变化，如何快速适配新的检测对象，在几天甚至一天内完成新品质检方案的上线，这是我们的质检方案目前面临的最高的快速交付要求。客户的一个生产周期可能就几周，甚至几天，如果我的新方案上线要花一两个月，等我上线了，客户的产线早就切换到别的产品了，这肯定是不行的。快速交付，其实是对系统能力和工程能力的挑战，从数据采集与处理、算法模型的兼容性、系统模块化、平台化的架构，现场实施人员操作的简单性和易用性等方面，都有很高的要求。
第三点是对持续交付的要求。
这里的持续交付，包括性能指标的持续提高，伴随产线调整的系统改造，伴随管理升级的技术方案升级，以及系统运行过程中从生产和运维角度发现的细节需求的实现，支撑我们的方案不断优化，不断提升客户价值，持续满足客户需求的保障。从技术的纬度，会涉及到
- 数据快速采集，清洗，标注，快速训练
- 模块化的训练与推理流程的架构设计
- 相对更通用的算法模型
- devops和容器化技术的应用
