一條難以逾越的鴻溝正橫跨在人工智能與工業(yè)制造之間。
我國是制造業(yè)第一大國，2018 年制造業(yè)增加值達 26.5 萬億元，占 GDP 總量的 29.4%，占比近三分之一。同時我國又是人工智能第二大國，擁有全球第二多的 AI 企業(yè)。然而一道「鴻溝」將它們分隔兩地。
2019 年，我國 AI 公司的數(shù)量已超過 2000?家，但真正專注工業(yè)領(lǐng)域的企業(yè)數(shù)量卻不足 5%。SAP 公司曾做過一項分析，中國過去三年最大的 300 項人工智能投資項目中，AI+制造業(yè)的投資不到 1%。AI 在工業(yè)領(lǐng)域投入嚴重不足。
如果 AI 不能夠深入占 GDP 1/3 的工業(yè)領(lǐng)域，不能夠賦能全國 345.1 萬戶工業(yè)企業(yè)，不能夠服務(wù)工業(yè)生產(chǎn)線上超 1 億工人，那么 AI 將很難擔(dān)當(dāng)「第四次工業(yè)革命」的重任。
2019 年也是 AI 探索規(guī)模落地的一年，在智能安防、智慧金融、智能家居、泛娛樂等領(lǐng)域已初具規(guī)模，反觀工業(yè)這一「冰山下的戰(zhàn)場」，不僅 AI 投入和資本投入嚴重不足，連 BAT 等互聯(lián)網(wǎng)巨頭都攻占不下?！阜e貧積弱」的工業(yè)智能背后，是什么阻擋了它落地的步伐，AI+工業(yè)的痛點又在哪里?
為此，機器之心深入工業(yè)智能落地的各個環(huán)節(jié)，從算法、數(shù)據(jù)、場景、平臺等維度，探究技術(shù)落地中的痛點問題，并向產(chǎn)業(yè)發(fā)出靈魂 10?問。
這一年，工業(yè)智能公司相繼完成標桿場景的探索，正迎來規(guī)?；涞氐那耙?。然而工業(yè)數(shù)據(jù)的匱乏，「一機一模型」的算法，都困擾著技術(shù)的成熟與產(chǎn)品化；商業(yè)領(lǐng)域占據(jù)半邊天的計算機視覺，在工業(yè)領(lǐng)域更像是「拿著錘子找釘子」，遠不能直擊工業(yè)業(yè)務(wù)核心；算法人對工藝認知的匱乏，往往導(dǎo)致寸步難行；更為重要的是，傳統(tǒng)工業(yè)企業(yè)對于這些「外來者」缺乏信任，認知觀念與管理方式都亟待變革。
如果把 AI 落地場景比作一座冰山，工業(yè)正是水平面之下隱秘的「寶藏」，它極具規(guī)模與潛力，同時又極具挑戰(zhàn)難以攻克。工業(yè)智能的落地，注定是一場艱苦的持久戰(zhàn)。
2012 年以來，隨著深度神經(jīng)網(wǎng)絡(luò)技術(shù)的突破，以計算機視覺為代表的 AI 走到時代前臺，催生了刷臉支付、智能安防、智慧城市等火熱市場，商湯、曠視、依圖、云從「AI 四小龍」廣受資本追逐。
然而，深度學(xué)習(xí)的「火種」卻無法穿透工業(yè)領(lǐng)域。一個好的算法模型，需要海量數(shù)據(jù)與算力的支撐，但工業(yè)場景數(shù)據(jù)嚴重匱乏，安裝 GPU 所帶來的算力成本也很難為傳統(tǒng)企業(yè)接受。
更關(guān)鍵一點是，深度學(xué)習(xí)的「黑盒」特性，與工業(yè)制造追求的精確、可靠與可解釋性存在天然矛盾，很難獲得工業(yè)企業(yè)的信任。相比較而言，決策樹、分類算法、回歸分析等經(jīng)典機器學(xué)習(xí)算法在工業(yè)領(lǐng)域應(yīng)用更廣。
早在上世紀九十年代，傳統(tǒng)機器視覺已開始落地工業(yè)領(lǐng)域，主要應(yīng)用在自動化檢測、過程控制等領(lǐng)域，半導(dǎo)體以及電子制造業(yè)占據(jù)近一半市場，并且主要集中在歐美國家。
深度學(xué)習(xí)驅(qū)動下的計算機視覺雖然在商業(yè)領(lǐng)域廣受歡迎，但在工業(yè)領(lǐng)域，其價值則需要打一個問號。
2017 年前后，隨著人工智能從技術(shù)研發(fā)走向商業(yè)落地，AI 也悄悄叩響工業(yè)制造的大門。最初把 AI 技術(shù)遷移到工業(yè)領(lǐng)域時，成熟的計算機視覺成為第一塊「敲門磚」，用 AI 代替工人做工業(yè)檢測，或者監(jiān)測工人的異常行為成為最先試水之地。
但在阿里云智能副總裁、數(shù)據(jù)智能總裁曾震宇看來，「把計算機視覺拿到工業(yè)領(lǐng)域，相當(dāng)于拿著錘子找釘子。」
不難理解，受限于機器視覺的精準性，它目前主要解決工業(yè)領(lǐng)域一些非核心環(huán)節(jié)、表層的問題，但很難對工業(yè)核心業(yè)務(wù)產(chǎn)生價值。
比如，一家大型手機制造商曾引入 AI 做工業(yè)質(zhì)檢，代替人工檢測手機背板的質(zhì)量問題，如果背板存在劃痕或者不平整即為不合格。盡管在一般情況下，訓(xùn)練的模型比人的判斷 更為穩(wěn)定，但一些特殊問題仍依賴人工經(jīng)驗。
更為重要的是，該手機制造商面臨的痛點問題是提升制造工藝和良品率，機器視覺這種「頭痛醫(yī)頭腳痛醫(yī)腳」的方式，并不能對這一痛點問題帶來改善。
再比如用無人機對風(fēng)電場風(fēng)機設(shè)備進行故障監(jiān)測，其做法是通過無人機遠程對設(shè)備拍照，然后通過圖像識別，判定設(shè)備是否正常運行。但這仍然是一種事后檢測，故障已經(jīng)發(fā)生 ，相應(yīng)的損失已不可挽回。
工業(yè)場景缺乏標簽數(shù)據(jù)與圖像識別的事后檢測，讓機器視覺的價值大打折扣。因此有觀點認為，雖然圖像識別在 AI 領(lǐng)域較為成熟，但目前在工業(yè)領(lǐng)域應(yīng)用價值有限。
曾震宇進一步談道，技術(shù)公司進入工業(yè)領(lǐng)域時，應(yīng)該把自己清空掉「歸零」，看看行業(yè)到底存在怎樣的問題，從業(yè)務(wù)場景出發(fā)選擇最適合的技術(shù)。
工業(yè)智能落地的過程中，一個令人頭痛的問題是「一機一模型」，工業(yè)算法難泛化。算法泛化至關(guān)重要，直接影響其能否稱之為一款產(chǎn)品，畢竟不能產(chǎn)品化，就意味著無法規(guī)模 化。
以機床刀具的預(yù)測性維護為例，機床被譽為「工業(yè)母機」，對我國制造業(yè)的意義不言而喻，刀具是機械加工的核心部件，用以切削工件，直接影響加工工件的質(zhì)量。在加工過程 中，刀具會伴隨使用逐漸磨損，并造成加工效率和質(zhì)量的下降，當(dāng)磨損到一定程度后就需要更換，否則將會導(dǎo)致崩刃、斷刀等生產(chǎn)事故，甚至損壞機床。
因此，對機床刀具進行健康管理與壽命預(yù)測便成為行業(yè)的一項重要探索。但其工況尤為復(fù)雜，比如刀具的材料、結(jié)構(gòu)、型號等不同，加工機床的性能，工件的材料、結(jié)構(gòu)以及場 地環(huán)境都不同，往往導(dǎo)致一個模型只適用于某種特定工況，放到其他工況下，模型效果就大打折扣。
這背后的核心原因是，工業(yè)的復(fù)雜度與工藝門檻非常高，而當(dāng)前可供建模的數(shù)據(jù)量普遍匱乏且質(zhì)量不高，缺乏工業(yè)知識與機理，僅靠數(shù)據(jù)驅(qū)動的模型很難具備較好的泛化能力。 天澤智云技術(shù)研發(fā)副總裁金超總結(jié)了其在機床預(yù)測性維護方面的探索，核心在于「行業(yè)機理模型與機器學(xué)習(xí)模型的融合」。
他強調(diào)工業(yè)領(lǐng)域機理的重要性，從建模角度而言，將行業(yè)專家的知識、機理模型融合進機器學(xué)習(xí)模型，往往可以數(shù)倍減少所需的訓(xùn)練數(shù)據(jù)，同時可使模型對不同環(huán)境、工況的適 應(yīng)性更強。從特征角度而言，提取具有一定機理屬性的特征，可以增強模型判斷的因果屬性，大幅減少所需的計算量。
「相比不加機理特征，加入機理特征通常對模型的準確率有提升，只不過不同場景提升的程度可能不同」，金超總結(jié)道。 包括天澤智云在內(nèi)的一些技術(shù)公司也在嘗試用遷移學(xué)習(xí)來提升模型的泛化能力，但當(dāng)下仍處于探索階段，真正走向落地仍需時日。 此外，模型泛化的能力本身也有限，此時還需通過一系列工程化的手段從產(chǎn)品維度進行補足。
如果說工業(yè)算法是工業(yè)智能的核心，那么數(shù)據(jù)就是工業(yè)智能的基礎(chǔ)。工業(yè)領(lǐng)域數(shù)據(jù)匱乏的現(xiàn)狀已成為制約技術(shù)落地的重要瓶頸，這里不僅有優(yōu)質(zhì)數(shù)據(jù)獲取的困難，還有傳統(tǒng)企業(yè) 愿意開放數(shù)據(jù)的權(quán)重。
工業(yè)領(lǐng)域又相對封閉，制造企業(yè)不愿把自身的數(shù)據(jù)開放出來進行研究，工業(yè)缺乏如同圖像領(lǐng)域的 ImageNet 般的黃金數(shù)據(jù)集。
工業(yè)數(shù)據(jù)匱乏可從兩種維度解釋，一方面相對互聯(lián)網(wǎng)場景下動輒 PB 級的大數(shù)據(jù)，工業(yè)領(lǐng)域搜集的數(shù)據(jù)量級相對較??；另一方面，面向工業(yè)特定建模任務(wù)，算法模型很難獲取足 夠的數(shù)據(jù)。?
以預(yù)測性維護應(yīng)用為例，數(shù)據(jù)是否足夠主要取決于兩個方面：數(shù)據(jù)量和數(shù)據(jù)的質(zhì)量。首先，與其說考慮數(shù)據(jù)的體量，不如說考慮工況的完整性，以及失效模式（標簽數(shù)據(jù)）的完 整性；第二是標簽數(shù)據(jù)的質(zhì)量，即經(jīng)過驗證的數(shù)據(jù)?，F(xiàn)實情況是，工業(yè)領(lǐng)域這兩方面的數(shù)據(jù)都很匱乏，尤其是驗證過的標簽數(shù)據(jù)。
以鐵路行業(yè)的高鐵軸承故障預(yù)警項目為例，軸承是關(guān)系到高鐵安全運行的一個關(guān)鍵部件，在對軸承進行故障建模時，其中最難的點在于變速（進站出站時）情況下，如何準確地 對軸承做故障診斷，尤其是在故障早期階段。
這意味著，首先必須有變速狀態(tài)下的失效數(shù)據(jù)，才能驗證技術(shù)是否可行。此時相比數(shù)據(jù)有多大體量，數(shù)據(jù)的完整性，能否覆蓋所有工況顯得更為關(guān)鍵。然而現(xiàn)實是設(shè)備的故障樣 本往往很少，因為一旦出現(xiàn)故障，企業(yè)一般不會允許其持續(xù)運轉(zhuǎn)。
即使有了工業(yè)數(shù)據(jù)的完整維度還不夠，數(shù)據(jù)標簽的質(zhì)量也尤為重要。針對設(shè)備預(yù)測性維護，工業(yè)企業(yè)的歷史故障維護記錄是一個重要的數(shù)據(jù)來源，其記錄的質(zhì)量直接影響標簽質(zhì) 量，但過去工業(yè)企業(yè)通常做的并不盡如人意。
原因在于，對大多數(shù)工業(yè)企業(yè)而言，設(shè)備的維護記錄都是靠人工手寫，記錄時間不準確；即使是用電子化系統(tǒng)來做，設(shè)備到底發(fā)生了什么問題往往記錄不準確；同時維護數(shù)據(jù)記 錄質(zhì)量的好壞也不直接與基層工人「保證設(shè)備運行好」的 KPI 掛鉤，在組織管理上，這類崗位沒有動力去關(guān)心或者重視數(shù)據(jù)記錄。
這樣的現(xiàn)象不僅存在于中國企業(yè)，國外企業(yè)也不例外。原因在于，過去故障記錄并不受重視，更多作為企業(yè)管理者管控問題的一環(huán)而存在，并不直接支持決策，但隨著數(shù)據(jù)智能 到來，工業(yè)企業(yè)的認知才逐漸發(fā)生變化。
此種情況下做出的數(shù)據(jù)模型效果堪憂。比如一家鐵路公司曾針對設(shè)備故障問題，嘗試用知識圖譜做推薦系統(tǒng)，把之前積累的眾多故障維護、維修記錄，包括行業(yè)老師傅的經(jīng)驗都 搜集起來，放在一起做自然語言處理（NLP），并用知識圖譜串聯(lián)起來，但最終模型推薦準確率僅有 50% 左右。它作為一個反例印證了工業(yè)數(shù)據(jù)質(zhì)量的重要性。
現(xiàn)實中，工業(yè)企業(yè)往往不愿意對標簽數(shù)據(jù)進行驗證，因為這會帶來額外的成本投入。以風(fēng)電場的風(fēng)機維護為例，即使做出設(shè)備的故障預(yù)測模型，比如檢測到變流器可能存在問題 ，往往需要工業(yè)企業(yè)配合驗證，甚至要停機去做風(fēng)機檢查，這對風(fēng)電場而言也是不小的成本。因此，工業(yè)領(lǐng)域的標簽數(shù)據(jù)極其寶貴。 面對匱乏的工業(yè)數(shù)據(jù)環(huán)境，金超談道，首先需要解決模型在小數(shù)據(jù)情況下的冷啟動問題；其次要更好的融合機理，以及采用開放式的方法，讓客戶參與工況篩選以輔助模型構(gòu)建 ，從而提升模型的可解釋性；最后還可使用工程化的思路對算法進行全生命周期管理，減少重復(fù)開發(fā)與調(diào)整成本。
回到前文高鐵軸承的預(yù)測性維護案例中，單純從數(shù)據(jù)驅(qū)動的角度看，冷啟動軸承故障預(yù)警模型，不僅需要不同轉(zhuǎn)速下健康狀態(tài)的數(shù)據(jù)，還需要不同失效模式的充足故障樣本來建 立分類模型，但采集不同轉(zhuǎn)速下不同故障數(shù)據(jù)往往高成本高耗時。 從傳統(tǒng)旋轉(zhuǎn)機械故障診斷的角度看，軸承診斷的關(guān)鍵在于找到「共振頻率」，它受軸承轉(zhuǎn)速、故障嚴重程度等因素影響。振動分析師一般會通過觀察頻譜上的「頻率簇」來找「 共振頻率」，針對此頻帶濾波解調(diào)，再通過軸承規(guī)格計算失效模式故障特征頻率，這樣通常只要少于 1 分鐘的數(shù)據(jù)就能夠進行診斷。結(jié)合數(shù)據(jù)驅(qū)動與機理融合，讓模型按照機 理分析的思路發(fā)揮作用，這樣即便只有健康狀態(tài)的數(shù)據(jù)，也能夠冷啟動故障預(yù)警模型。
在工業(yè)數(shù)據(jù)匱乏的另一面，是行業(yè)對工業(yè)大數(shù)據(jù)的迷信。把工廠數(shù)據(jù)全都搜集起來，匯聚到一個平臺，然后通過數(shù)據(jù)挖掘做分析，是非常典型的互聯(lián)網(wǎng)企業(yè)或者 AI 公司的思路 ，但這種方式在工業(yè)領(lǐng)域未必能產(chǎn)生重大價值。
國內(nèi)一家大型面板廠曾想做線軌的健康狀態(tài)監(jiān)測，并在此前搜集了幾年的工廠數(shù)據(jù)，盡管數(shù)據(jù)體量非常大，但最終發(fā)現(xiàn)這些數(shù)據(jù)對于實際問題并沒有價值。
原因在于，與線軌衰退相關(guān)的特征主要為振動、聲音、溫度、電流、轉(zhuǎn)速等信號，如果工廠采集的數(shù)據(jù)采樣率不能反映故障特征，就是無效數(shù)據(jù)。 「我們一直說工業(yè)大數(shù)據(jù)，其實重點不在大，而在工業(yè)」，金超說。
「在工業(yè)場景中，我們最終關(guān)心的并不是數(shù)據(jù)的多與少，或者打破數(shù)據(jù)孤島，這些都是手段。最重要的是我們能不能夠看到客戶要實現(xiàn)的價值點，痛點到底在哪里?！?另一方面，隨著「數(shù)據(jù)即資產(chǎn)」的觀念深入人心，再加上工業(yè)企業(yè)長期積累的工藝數(shù)據(jù)是其「命脈」，導(dǎo)致工業(yè)企業(yè)較為封閉，不愿把自身數(shù)據(jù)開放出來，這一定程度也制約了 工業(yè)領(lǐng)域先進模型的研發(fā)。
正如圖像領(lǐng)域的 ImageNet，為計算機視覺的繁榮提供了一塊「溫床」，工業(yè)領(lǐng)域缺少的正是這樣的「黃金數(shù)據(jù)集」。
目前，工業(yè)智能主要落地在工業(yè)質(zhì)檢/分揀、設(shè)備健康管理（預(yù)測性維護）、生產(chǎn)過程優(yōu)化等場景，受限于技術(shù)能力、市場規(guī)模與領(lǐng)域門檻，又以前兩者為重。
制造業(yè)又可以分為離散制造和流程制造，相比而言，工業(yè)智能在離散制造業(yè)落地較多，流程制造業(yè)相對較少。
這源于離散制造業(yè)相對容易切入，一旦形成解決方案，往往可以規(guī)模復(fù)制。以裝備制造為例，比如數(shù)控機床，設(shè)備單價高壽命長，一旦損壞不僅影響產(chǎn)能，還會帶來更大損失， 對其進行預(yù)測性維護成為必要；并且機床這一市場規(guī)模又較為龐大，僅我國每年就超 2000 億元。
而流程制造業(yè)生產(chǎn)過程復(fù)雜，工藝門檻更高，典型的代表是鋼鐵行業(yè)，這對于 AI 公司或互聯(lián)網(wǎng)公司都是難以跨越的門檻，目前解決的多是生產(chǎn)過程中的單點性問題。
技術(shù)提供商主要通過工程總承包商、行業(yè)集成商、工業(yè)互聯(lián)網(wǎng)平臺合作等方式，切入工業(yè)場景。團隊是否有懂工藝的專家、場景是否可以用數(shù)據(jù)智能方法解決、市場規(guī)模以及項 目預(yù)算等因素，都決定它們是否切入某一場景。
目前，無論 AI 公司還是互聯(lián)網(wǎng)公司相繼完成標桿項目的探索，如何進一步邁過工藝的門檻做深行業(yè)，如何產(chǎn)品化、規(guī)?；涞?，都是更為嚴峻的挑戰(zhàn)。
「巧婦難為無米之炊」，對于烹飪來說，食材與配方缺一不可。對于 AI 公司或互聯(lián)網(wǎng)公司來說，僅有「食材」（數(shù)據(jù)和算法）還不夠，工藝這道「配方」同樣重要，并成為落 地工業(yè)領(lǐng)域一道天然門檻。
盡管阿里云、百度云擁有優(yōu)質(zhì)的架構(gòu)、中臺與算法，但在工業(yè)領(lǐng)域落地時，往往要借助行業(yè)集成商，才能提供全流程解決方案，核心就在于對工藝理解的匱乏。
以鋼鐵行業(yè)為例，其生產(chǎn)流程包括采礦、選礦、燒結(jié)?、焦化到煉鐵、煉鋼、熱軋、冷軋等，不僅工藝體系復(fù)雜，生產(chǎn)環(huán)節(jié)惡劣，并且需要多專業(yè)多協(xié)同，基本會涉及 30 多個 工程專業(yè)，涵蓋 80% 以上的專業(yè)學(xué)科，綜合性非常強。
阿里云較早在鋼鐵行業(yè)探索「工業(yè)大腦」的落地，目前已取得一些成績，比如煉鋼環(huán)節(jié)用數(shù)據(jù)驅(qū)動脫硫，熱軋環(huán)節(jié)通過數(shù)據(jù)控制加熱爐內(nèi)的溫度等。但從其切入點來看，還只是 鋼鐵生產(chǎn)中的幾個單點，尚未形成覆蓋全流程的解決方案，并且煉鋼工藝最核心的高爐環(huán)節(jié)也并未進入。
阿里云智能副總裁、數(shù)據(jù)智能總裁曾震宇解釋，未深入核心環(huán)節(jié)的最大因素是生產(chǎn)安全，因為核心環(huán)節(jié)一旦出現(xiàn)生產(chǎn)安全故障，影響非常大。
在一位工業(yè)企業(yè)人士看來，這一現(xiàn)象并非個例，主要原因是互聯(lián)網(wǎng)企業(yè)對工藝認知不足，受限于投入產(chǎn)出比往往不愿投入過多資源。
不僅流程制造如此，離散制造也不例外。其市場的分散性決定，很難形成一套完整解決方案；并且工況的復(fù)雜性，又限制了模型的泛化能力。向行業(yè)有經(jīng)驗的老師傅請教，增強 對工藝的理解，將機理特征融合進模型，是目前較為有效的方法。
盡管我國是制造業(yè)大國，但約 92%?是小微企業(yè)，人數(shù)不足 300 人，年收入小于2000?萬，并且信息化大于工業(yè)化，工業(yè)基礎(chǔ)薄弱。這一工業(yè)背景也對企業(yè)的定位帶來挑戰(zhàn)。
首先，是做頭部企業(yè)還是腰部企業(yè)，做離散行業(yè)還是流程行業(yè)做頭部企業(yè)可能意味著陷入項目制，做腰部或底部企業(yè)可能利潤有限。
其次，是做項目制還是產(chǎn)品化一方面離散制造業(yè)標準化產(chǎn)品較多，但更加比拼成本、良率、交期，而流程制造業(yè)工藝復(fù)雜度高，并受工業(yè)企業(yè)需求主導(dǎo)，多以項目制為主，難以 產(chǎn)品化。
在天澤智云高級副總裁謝炯看來，To B 行業(yè)有它的商業(yè)規(guī)則和理念，不可能出現(xiàn)爆款產(chǎn)品，首先要對行業(yè)有敬畏心。「必須要踏踏實實把項目做好，才能有磨練出產(chǎn)品的可能 性?！挂燥L(fēng)電行業(yè)為例，它們通過將近三年智能風(fēng)場項目，打磨出既能服務(wù)于存量市場，又能服務(wù)于增量市場的「葉片衛(wèi)士」產(chǎn)品。
在市場策略上，它們形成相對成熟的「2+2+0.5」戰(zhàn)略打法，頭部、腰部企業(yè)兩手抓，但手段不同。其中，第一個「2」指風(fēng)電和機加工兩個領(lǐng)域，已打通產(chǎn)業(yè)鏈上下游，研發(fā)出 直擊痛點的產(chǎn)品；第二個「2」是已形成解決方案但仍在探索產(chǎn)品化的行業(yè)，主要以較大的項目來推動，待成熟后再以產(chǎn)品化的方式推進；最后一個「0.5」則是對未來 3~5 年 具有潛力的行業(yè)持續(xù)做技術(shù)儲備。
此外，是做前臺還是做幕后英雄做集成商意味著較高的領(lǐng)域門檻和技術(shù)門檻，做技術(shù)提供商又往往投入多利潤微薄。寶鋼工程總經(jīng)理助理徐凱指出，企業(yè)在提供解決方案的過程 中要聚焦，要區(qū)分「工業(yè)和商業(yè)」領(lǐng)域，要有自身明確的定位，不能只想做大集成，這樣反而失去了自身的特色。
一個工廠想要實現(xiàn)智能化，往往需要將工業(yè)設(shè)備、傳感器與生產(chǎn)管理數(shù)據(jù)連接起來，通過數(shù)據(jù)治理將數(shù)據(jù)匯聚到數(shù)據(jù)中臺，結(jié)合工業(yè) PaaS 平臺和數(shù)據(jù)中臺，開發(fā)者開發(fā)出相應(yīng) 的智能化模型。這些正是依托工業(yè)互聯(lián)網(wǎng)平臺來實現(xiàn)的。
自 2016 年以來，在國家政策支持與高額補貼刺激下，工業(yè)互聯(lián)網(wǎng)平臺進入發(fā)展快車道，尤其是近兩年更呈現(xiàn)井噴之態(tài)，形成五大勢力競合之態(tài)。
第一類是國內(nèi)制造企業(yè)依托自身工業(yè)設(shè)備優(yōu)勢，孵化的工業(yè)互聯(lián)網(wǎng)平臺，代表企業(yè)有航天科工、三一重工、海爾、美的、富士康等；第二類是華為、徐工信息、寶信等，從傳統(tǒng) 系統(tǒng)解決方案商轉(zhuǎn)向平臺解決方案商；第三類是東方國信、用友、金蝶等工業(yè)軟件企業(yè)；第四類是阿里、百度等互聯(lián)網(wǎng)企業(yè)向工業(yè)領(lǐng)域擴展；第五類是優(yōu)也、寄云等創(chuàng)業(yè)公司搭 建的平臺。
數(shù)據(jù)顯示，截至 2018 年 3 月，國內(nèi)工業(yè)互聯(lián)網(wǎng)平臺類產(chǎn)品數(shù)量已達 269 個，其中由制造企業(yè)構(gòu)建的平臺占比高達 46%。目前這一平臺數(shù)量已經(jīng)突破上千家。
盡管工業(yè)互聯(lián)網(wǎng)平臺前景廣闊，2018 年全球市場規(guī)模已達 32.7 億美元，預(yù)計到 2023 年市場規(guī)模增長到 138.2 億美元，但存在平臺間各自為政、多而不強、盈利困難等問題 。
對于一個新產(chǎn)業(yè)初期，千家涌入看似規(guī)模龐大，但寶鋼工程總經(jīng)理助理徐凱稱，「這一數(shù)字其實不多，工業(yè)領(lǐng)域核心在于對工藝的理解，誰能把鋼鐵流程行業(yè)和汽車離散行業(yè)的 共性放在一起，形成一家通用的平臺解決方案往往不能，這就決定了工業(yè)領(lǐng)域因為『場景依賴』程度過高，很難形成規(guī)模效應(yīng)?！?/p>
我國工業(yè)整體分為 39 個大類，191 個中類及 525 個小類，工業(yè)知識龐大復(fù)雜，且市場分散，以 2018 年約 30 萬億元的工業(yè)增加值來看，提升效率，進行成本優(yōu)化，孕育千 家平臺并非難事。
盡管市場潛力足夠大，但當(dāng)下各類互聯(lián)網(wǎng)平臺幾乎不盈利。在行業(yè)早期，企業(yè)都在講自身的工業(yè)平臺故事，客戶遠沒有到愿意買單的階段。 一位創(chuàng)業(yè)公司負責(zé)人稱，「我們簽下的很多項目，都需要向客戶承諾技術(shù)方案實施后的業(yè)務(wù)回報數(shù)字，有經(jīng)驗和模型基礎(chǔ)的領(lǐng)域可以這么簽，但不熟悉的領(lǐng)域，我們只能繼續(xù)談 繼續(xù)打磨方案?！?/p>
不僅創(chuàng)業(yè)公司如此，那些聲稱連接了大體量設(shè)備的平臺，大部分都是靠自身集團企業(yè)支撐，真正的客戶少之又少。
這固然與行業(yè)所處的早期階段有關(guān)，但在工業(yè)互聯(lián)網(wǎng)平臺難盈利背后，更大的問題是平臺的開放度、數(shù)據(jù)安全、成本與技術(shù)體驗，能否真正產(chǎn)生業(yè)務(wù)價值，為行業(yè)帶來 ROI（投 資回報率）的提升。
在阿里云智能副總裁、數(shù)據(jù)智能總裁曾震宇看來，一個真正的工業(yè)互聯(lián)網(wǎng)平臺，首先要能把工業(yè)的各種數(shù)據(jù)真正連通起來，從感知到數(shù)據(jù)的匯聚打通，意味著擁有了一個工業(yè)數(shù) 字化世界；第二要能夠在平臺之上做各種各樣的智能優(yōu)化，并且不僅只做單點優(yōu)化，而是做從采購、設(shè)計、生產(chǎn)到供應(yīng)鏈、物流等全局優(yōu)化，才能真正發(fā)揮工業(yè)互聯(lián)網(wǎng)的價值。
這意味著工業(yè)互聯(lián)網(wǎng)平臺要有統(tǒng)一的數(shù)據(jù)標準、體系化的開發(fā)工具以及豐富的工業(yè)模型，但同時具備這些能力的平臺少之又少。除了工業(yè)基礎(chǔ)外，這也是我國無法誕生西門子、 GE 之類巨頭平臺的原因。
反觀我國工業(yè)互聯(lián)網(wǎng)平臺之間，行業(yè)各自為政，互不相連，也沒有真正做到開放。比如目前業(yè)內(nèi)沒有統(tǒng)一的數(shù)據(jù)標準，工業(yè)協(xié)議數(shù)量可達幾百種，主流協(xié)議也有 40?余種，但我 國 80% 的平臺不足 20 種。數(shù)字化模型也與國外工業(yè)互聯(lián)網(wǎng)平臺的上百種有較大差距。
具體來看，我國各類工業(yè)互聯(lián)網(wǎng)平臺劣勢均較為明顯，缺乏真正大而強的平臺。 以制造企業(yè)孵化出的平臺為例，比如三一重工、海爾、美的、富士康等，其擁有工業(yè)設(shè)備與連接優(yōu)勢，但缺乏智能技術(shù)，平臺往往局限自身所在行業(yè)。行業(yè)系統(tǒng)提供商所搭建的 平臺，也往往復(fù)制性與泛化能力不強。
再如阿里、百度等互聯(lián)網(wǎng)公司，其工業(yè)平臺在技術(shù)、架構(gòu)與中臺上都具有優(yōu)勢，但核心在于缺乏對工業(yè)與工藝的理解，缺乏持續(xù)投入，難以將行業(yè)打穿。 誰真正能夠把工業(yè)互聯(lián)網(wǎng)平臺做成標桿，產(chǎn)生被行業(yè)認可的業(yè)務(wù)價值與品牌，這將是一個漫長的考驗。「否則所謂的數(shù)據(jù)孤島，不過是原來的 5 平方米，變成現(xiàn)在的 500 平方 米。」
技術(shù)變革的背后往往需要資本方、工業(yè)企業(yè)、科技企業(yè)等共同配合，轉(zhuǎn)變既有觀念，改變經(jīng)營理念，既適應(yīng)工業(yè)的既有規(guī)則，又能夠推動技術(shù)的落地。
以追逐高收益的資本為例，制造業(yè)的利潤空間往往在 5%?左右，并且資產(chǎn)重、回報慢，這導(dǎo)致資本不愿流入工業(yè)領(lǐng)域。而改變這一現(xiàn)狀，除了國家政策的導(dǎo)向外，資本方轉(zhuǎn)變理 念、管理收益預(yù)期顯得尤為重要。這只是工業(yè)智能化變革中的一個縮影。
對于傳統(tǒng)工業(yè)企業(yè)而言，提升產(chǎn)品質(zhì)量、降本增效，他們慣用的思路是采購新設(shè)備、投資新工藝，「先進設(shè)備等于先進技術(shù)」一定程度代表他們的固有觀念，認同工業(yè)智能、數(shù) 據(jù)驅(qū)動能夠帶來 ROI，本身就是一個巨大挑戰(zhàn)。
天澤智云技術(shù)研發(fā)副總裁金超談道，工業(yè)企業(yè)固有的觀念是國內(nèi)智能軟件難做的原因之一，客戶會覺得購買工業(yè)智能產(chǎn)品跟采購設(shè)備一樣，可以對照「操作說明書」開箱即用， 實現(xiàn)某一類功能。
但對于數(shù)據(jù)驅(qū)動的模型，一開始模型的部署效果可能只有六七十分，需要數(shù)據(jù)不斷迭代優(yōu)化，才能達到相對精準的效果。這意味著工業(yè)企業(yè)需要改變對軟件的看法，并在模型初 期給予足夠的包容度。
這一認同缺失背后，除了工業(yè)企業(yè)的固有觀念與對數(shù)據(jù)、算法的能力邊界認知不清晰外，技術(shù)成熟度不足，比如「一機一模型」的現(xiàn)狀，技術(shù)只能在邊緣場景中試探難以進入工 業(yè)核心環(huán)節(jié)等，都決定了工業(yè)企業(yè)難以真正信任科技公司，以至于要簽訂業(yè)務(wù)回報承諾。
對于 AI 公司或互聯(lián)網(wǎng)企業(yè)而言，切入工業(yè)領(lǐng)域首先意味著理性看待與制定合適的 ROI。制造業(yè)的利潤空間往往在 3%~5%，而對于互聯(lián)網(wǎng)企業(yè)來說，低于 20%?的利潤基本可以 判定為失敗項目。這之間巨大的利潤率鴻溝直接決定著科技公司進入工業(yè)領(lǐng)域做什么，能否持續(xù)投入。
對此寶鋼工程總經(jīng)理助理徐凱建議，AI 公司或互聯(lián)網(wǎng)公司進軍工業(yè)領(lǐng)域，一定要有耐心，工業(yè) AI 與商業(yè) AI 不同，工業(yè)場景的復(fù)雜性決定技術(shù)落地的不易，需要科技企業(yè)耐 心持續(xù)投入，要加深對工業(yè)工藝的理解，要看重穩(wěn)定持續(xù)的回報，而不是短期、高回報。 對于傳統(tǒng)工業(yè)企業(yè)而言，改變經(jīng)營管理理念同樣重要。
一家民營鋼廠通過技術(shù)服務(wù)商做了一套煤氣管網(wǎng)平衡的智能化系統(tǒng)，以此優(yōu)化能源使用效率。
其背景是，高爐煉鐵環(huán)節(jié)會產(chǎn)生大量的高爐煤氣，它可以做為燃料供下游的軋鋼、電廠、鍋爐等單位使用。由于高爐產(chǎn)氣波動不可預(yù)知，且每個用戶各自的用氣節(jié)拍不協(xié)調(diào)，導(dǎo) 致管網(wǎng)產(chǎn)氣和用氣一直處于不平衡狀態(tài)。如果某一單位送氣過多，又會造成煤氣放散率（流失）過高，浪費能源污染環(huán)境。通過該系統(tǒng)（就像導(dǎo)航系統(tǒng)一樣），可以智能分配每 個單位的煤氣使用量，將管網(wǎng)平衡穩(wěn)定率從 77% 提升到 95% 以上，并把放射率降到零，大幅提升燃料使用率。
但這套系統(tǒng)卻很難在鋼廠推廣下去，原因在于該智能化系統(tǒng)和之前的系統(tǒng)處于平行狀態(tài)，鋼廠沒有通過管理機制自上而下的推廣，也沒有將智能化系統(tǒng)的使用與員工 KPI 掛鉤 。此外，這一智能化系統(tǒng)也沒有和控制系統(tǒng)打通，只是將輸出結(jié)果推薦給鋼廠，仍需工人操作。 可見，即使有一套高效的智能化系統(tǒng)，但其落地仍需要工廠整合組織的配合。另一方面，技術(shù)服務(wù)商也應(yīng)不斷降低系統(tǒng)的上線門檻，并將智能系統(tǒng)與控制系統(tǒng)打通，形成業(yè)務(wù)閉 環(huán)。
行文至此，不禁要問工業(yè)領(lǐng)域最適合 AI 落地的場景是什么?
綜合行業(yè)各種觀點來看，從技術(shù)維度說，強數(shù)據(jù)、強機理是 AI 的絕佳試煉之地，即擁有較好的數(shù)據(jù)基礎(chǔ)，并且設(shè)備運作方式、領(lǐng)域知識沉淀豐富的場景，反之則未必適合落地 。
從場景維度來看，發(fā)生頻率高、結(jié)果影響嚴重的問題未必適合AI來解決，更適合行業(yè)從工藝、設(shè)計、制造端改善；而發(fā)生頻率低、結(jié)果影響小的問題，通過傳統(tǒng)的巡檢方式就能 解決；至于發(fā)生頻率高、結(jié)果影響不大的問題，也能夠通過精益管理去解決；而發(fā)生頻率低、結(jié)果影響重大的問題是行業(yè)尚未很好解決的，也是AI最有可能展現(xiàn)價值的場景。
面向復(fù)雜的工業(yè)場景，數(shù)據(jù)問題、模型泛化問題、行業(yè)工藝門檻等，使工業(yè)智能技術(shù)尚未成熟，這又近一步造成技術(shù)服務(wù)商與傳統(tǒng)工業(yè)企業(yè)間的信任問題。
面對傳統(tǒng)工業(yè)企業(yè)認同缺失的現(xiàn)狀，技術(shù)提供商必須以場景為王，將工業(yè)與智能深度融合，帶來實際的業(yè)務(wù)價值，才能構(gòu)建信任的橋梁，改變難以盈利的現(xiàn)狀。
但另一方面，作為一個新生事物，工業(yè)智能不可避免面臨種種挑戰(zhàn)。如今在國家對智能制造政策的引導(dǎo)下，更多資本、技術(shù)力量、制造企業(yè)正在涌入，驅(qū)動工業(yè)互聯(lián)網(wǎng)蓬勃發(fā)展 ，一場變革正在上演。
