本文來自微信公眾號： 機器之造（ID： gh_6a96777d896a）
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)領域投入嚴重不足。
如果 AI 不能夠深入占 GDP 1/3 的工業(yè)領域，不能夠賦能全國 345.1 萬戶工業(yè)企業(yè)，不能夠服務工業(yè)生產線上超 1 億工人，那么 AI 將很難擔當“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?！胺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，探究技術落地中的痛點問題，并向產業(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)?；涞氐那耙埂Ｈ欢I(yè)數(shù)據(jù)的匱乏，“一機一模型”的算法，都困擾著技術的成熟與產品化；商業(yè)領域占據(jù)半邊天的計算機視覺，在工業(yè)領域更像是“拿著錘子找釘子”，遠不能直擊工業(yè)業(yè)務核心；算法人對工藝認知的匱乏，往往導致寸步難行；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)。
工業(yè)：深度時代的“局外人”
2012 年以來，隨著深度神經網(wǎng)絡技術的突破，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，深度學習的“火種”卻無法穿透工業(yè)領域。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。
更關鍵一點是，深度學習的“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、回歸分析等經典機器學習算法在工業(yè)領域應用更廣。
1、計算機視覺在工業(yè)領域是“拿著錘子找釘子”
早在上世紀九十年代，傳統(tǒng)機器視覺已開始落地工業(yè)領域，主要應用在自動化檢測、過程控制等領域，半導體以及電子制造業(yè)占據(jù)近一半市場，并且主要集中在歐美國家。
深度學習驅動下的計算機視覺雖然在商業(yè)領域廣受歡迎，但在工業(yè)領域，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 技術遷移到工業(yè)領域時，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)領域，相當于拿著錘子找釘子。”
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)務產生價值。
比如，一家大型手機制造商曾引入 AI 做工業(yè)質檢，代替人工檢測手機背板的質量問題，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電場風機設備進行故障監(jiān)測，其做法是通過無人機遠程對設備拍照，然后通過圖像識別，判定設備是否正常運行。但這仍然是一種事后檢測，故障已經發(fā)生，相應的損失已不可挽回。
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 領域較為成熟，但目前在工業(yè)領域應用價值有限。
曾震宇進一步談道，技術公司進入工業(yè)領域時，應該把自己清空掉“歸零”，看看行業(yè)到底存在怎樣的問題，從業(yè)務場景出發(fā)選擇最適合的技術。
2、一機一模型，工業(yè)算法泛化之痛
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。算法泛化至關重要，直接影響其能否稱之為一款產品，畢竟不能產品化，就意味著無法規(guī)?；?/p>
以機床刀具的預測性維護為例，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量的下降，當磨損到一定程度后就需要更換，否則將會導致崩刃、斷刀等生產事故，甚至損壞機床。
注：機床刀具加工
因此，對機床刀具進行健康管理與壽命預測便成為行業(yè)的一項重要探索。但其工況尤為復雜，比如刀具的材料、結構、型號等不同，加工機床的性能，工件的材料、結構以及場地環(huán)境都不同，往往導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)的復雜度與工藝門檻非常高，而當前可供建模的數(shù)據(jù)量普遍匱乏且質量不高，缺乏工業(yè)知識與機理，僅靠數(shù)據(jù)驅動的模型很難具備較好的泛化能力。
天澤智云技術研發(fā)副總裁金超總結了其在機床預測性維護方面的探索，核心在于“行業(yè)機理模型與機器學習模型的融合”。
他強調工業(yè)領域機理的重要性，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習模型，往往可以數(shù)倍減少所需的訓練數(shù)據(jù)，同時可使模型對不同環(huán)境、工況的適應性更強。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”，金超總結道。
包括天澤智云在內的一些技術公司也在嘗試用遷移學習來提升模型的泛化能力，但當下仍處于探索階段，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品維度進行補足。
工業(yè)領域呼喚“黃金數(shù)據(jù)集”
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。工業(yè)領域數(shù)據(jù)匱乏的現(xiàn)狀已成為制約技術落地的重要瓶頸，這里不僅有優(yōu)質數(shù)據(jù)獲取的困難，還有傳統(tǒng)企業(yè)愿意開放數(shù)據(jù)的權重。
工業(yè)領域又相對封閉，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)缺乏如同圖像領域的 ImageNet 般的黃金數(shù)據(jù)集。
3、工業(yè)數(shù)據(jù)匱乏
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)領域搜集的數(shù)據(jù)量級相對較小；另一方面，面向工業(yè)特定建模任務，算法模型很難獲取足夠的數(shù)據(jù)。
以預測性維護應用為例，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)的質量，即經過驗證的數(shù)據(jù)?，F(xiàn)實情況是，工業(yè)領域這兩方面的數(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)的高鐵軸承故障預警項目為例，軸承是關系到高鐵安全運行的一個關鍵部件，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鍵。然而現(xiàn)實是設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。
即使有了工業(yè)數(shù)據(jù)的完整維度還不夠，數(shù)據(jù)標簽的質量也尤為重要。針對設備預測性維護，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，其記錄的質量直接影響標簽質量，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)記錄質量的好壞也不直接與基層工人“保證設備運行好”的 KPI 掛鉤，在組織管理上，這類崗位沒有動力去關心或者重視數(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。以風電場的風機維護為例，即使做出設備的故障預測模型，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，甚至要停機去做風機檢查，這對風電場而言也是不小的成本。因此，工業(yè)領域的標簽數(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，減少重復開發(fā)與調整成本。
回到前文高鐵軸承的預測性維護案例中，單純從數(shù)據(jù)驅動的角度看，冷啟動軸承故障預警模型，不僅需要不同轉速下健康狀態(tài)的數(shù)據(jù)，還需要不同失效模式的充足故障樣本來創(chuàng)建分類模型，但采集不同轉速下不同故障數(shù)據(jù)往往高成本高耗時。
從傳統(tǒng)旋轉機械故障診斷的角度看，軸承診斷的關鍵在于找到“共振頻率”，它受軸承轉速、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，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。結合數(shù)據(jù)驅動與機理融合，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警模型。
4、迷信工業(yè)大數(shù)據(jù)
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)領域未必能產生重大價值。
國內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，與線軌衰退相關的特征主要為振動、聲音、溫度、電流、轉速等信號，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?！?/p>
另一方面，隨著“數(shù)據(jù)即資產”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)領域先進模型的研發(fā)。
正如圖像領域的 ImageNet，為計算機視覺的繁榮提供了一塊“溫床”，工業(yè)領域缺少的正是這樣的“黃金數(shù)據(jù)集”。
場景落地之困
目前，工業(yè)智能主要落地在工業(yè)質檢/分揀、設備健康管理（預測性維護）、生產過程優(yōu)化等場景，受限于技術能力、市場規(guī)模與領域門檻，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)模復制。以裝備制造為例，比如數(shù)控機床，設備單價高壽命長，一旦損壞不僅影響產能，還會帶來更大損失，對其進行預測性維護成為必要；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)生產過程復雜，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過程中的單點性問題。
技術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)，如何產品化、規(guī)模化落地，都是更為嚴峻的挑戰(zhàn)。
5、工藝門檻成行業(yè)深入之痛
“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)領域一道天然門檻。
盡管阿里云、百度云擁有優(yōu)質的架構、中臺與算法，但在工業(yè)領域落地時，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，其生產流程包括采礦、選礦、燒結 、焦化到煉鐵、煉鋼、熱軋、冷軋等，不僅工藝體系復雜，生產環(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)驅動脫硫，熱軋環(huán)節(jié)通過數(shù)據(jù)控制加熱爐內的溫度等。但從其切入點來看，還只是鋼鐵生產中的幾個單點，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)的最大因素是生產安全，因為核心環(huán)節(jié)一旦出現(xiàn)生產安全故障，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；并且工況的復雜性，又限制了模型的泛化能力。向行業(yè)有經驗的老師傅請教，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。
6、定位之痛：項目制還是產品化
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，是做項目制還是產品化？一方面離散制造業(yè)標準化產品較多，但更加比拼成本、良率、交期，而流程制造業(yè)工藝復雜度高，并受工業(yè)企業(yè)需求主導，多以項目制為主，難以產品化。
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)爆款產品，首先要對行業(yè)有敬畏心?！氨仨氁ぬ崒嵃秧椖孔龊?，才能有磨練出產品的可能性?！币燥L電行業(yè)為例，它們通過將近三年智能風場項目，打磨出既能服務于存量市場，又能服務于增量市場的“葉片衛(wèi)士”產品。
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”指風電和機加工兩個領域，已打通產業(yè)鏈上下游，研發(fā)出直擊痛點的產品；第二個“2”是已形成解決方案但仍在探索產品化的行業(yè)，主要以較大的項目來推動，待成熟后再以產品化的方式推進；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域門檻和技術門檻，做技術提供商又往往投入多利潤微薄。寶鋼工程總經理助理徐凱指出，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。
千家平臺盈利難
一個工廠想要實現(xiàn)智能化，往往需要將工業(yè)設備、傳感器與生產管理數(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，結合工業(yè) PaaS 平臺和數(shù)據(jù)中臺，開發(fā)者開發(fā)出相應的智能化模型。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)。
第一類是國內制造企業(yè)依托自身工業(yè)設備優(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)領域擴展；第五類是優(yōu)也、寄云等創(chuàng)業(yè)公司搭建的平臺。
注：我國主要工業(yè)互聯(lián)網(wǎng)平臺能力圖譜，數(shù)據(jù)來自國家工業(yè)信息安全發(fā)展研究中心
數(shù)據(jù)顯示，截至 2018 年 3 月，國內工業(yè)互聯(lián)網(wǎng)平臺類產品數(shù)量已達 269 個，其中由制造企業(yè)構建的平臺占比高達 46%。目前這一平臺數(shù)量已經突破上千家。
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。
7、千家難盈利
對于一個新產業(yè)初期，千家涌入看似規(guī)模龐大，但寶鋼工程總經理助理徐凱稱，“這一數(shù)字其實不多，工業(yè)領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)領域因為“場景依賴”程度過高，很難形成規(guī)模效應?！?/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)公司負責人稱，“我們簽下的很多項目，都需要向客戶承諾技術方案實施后的業(yè)務回報數(shù)字，有經驗和模型基礎的領域可以這么簽，但不熟悉的領域，我們只能繼續(xù)談繼續(xù)打磨方案。”
不僅創(chuàng)業(yè)公司如此，那些聲稱連接了大體量設備的平臺，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，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、成本與技術體驗，能否真正產生業(yè)務價值，為行業(yè)帶來 ROI（投資回報率）的提升。
8、缺乏比肩工業(yè)巨頭的平臺
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、設計、生產到供應鏈、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)設備與連接優(yōu)勢，但缺乏智能技術，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、架構與中臺上都具有優(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，產生被行業(yè)認可的業(yè)務價值與品牌，這將是一個漫長的考驗?！胺駝t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。”
技術變革背后的管理瓶頸
技術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，轉變既有觀念，改變經營理念，既適應工業(yè)的既有規(guī)則，又能夠推動技術的落地。
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，并且資產重、回報慢，這導致資本不愿流入工業(yè)領域。而改變這一現(xiàn)狀，除了國家政策的導向外，資本方轉變理念、管理收益預期顯得尤為重要。這只是工業(yè)智能化變革中的一個縮影。
9、認知觀念轉變不易
對于傳統(tǒng)工業(yè)企業(yè)而言，提升產品質量、降本增效，他們慣用的思路是采購新設備、投資新工藝，“先進設備等于先進技術”一定程度代表他們的固有觀念，認同工業(yè)智能、數(shù)據(jù)驅動能夠帶來 ROI，本身就是一個巨大挑戰(zhàn)。
天澤智云技術研發(fā)副總裁金超談道，工業(yè)企業(yè)固有的觀念是國內智能軟件難做的原因之一，客戶會覺得購買工業(yè)智能產品跟采購設備一樣，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，技術成熟度不足，比如“一機一模型”的現(xiàn)狀，技術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)務回報承諾。
10、經營理念亟待變革
對于 AI 公司或互聯(lián)網(wǎng)企業(yè)而言，切入工業(yè)領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)領域做什么，能否持續(xù)投入。
對此寶鋼工程總經理助理徐凱建議，AI 公司或互聯(lián)網(wǎng)公司進軍工業(yè)領域，一定要有耐心，工業(yè) AI 與商業(yè) AI 不同，工業(yè)場景的復雜性決定技術落地的不易，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，改變經營管理理念同樣重要。
一家民營鋼廠通過技術服務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。由于高爐產氣波動不可預知，且每個用戶各自的用氣節(jié)拍不協(xié)調，導致管網(wǎng)產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集成組織的配合。另一方面，技術服務商也應不斷降低系統(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)務閉環(huán)。
結語
行文至此，不禁要問工業(yè)領域最適合 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，并且設備運作方式、領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、設計、制造端改善；而發(fā)生頻率低、結果影響小的問題，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)智能技術尚未成熟，這又近一步造成技術服務商與傳統(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)務價值，才能構建信任的橋梁，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下，更多資本、技術力量、制造企業(yè)正在涌入，驅動工業(yè)互聯(lián)網(wǎng)蓬勃發(fā)展，一場變革正在上演。
本文來自微信公眾號： 機器之造（ID： gh_6a96777d896a）
