智能制造，于项目、于企业、于个人何去何从？

每个项目在建设初期我们都会去论证项目的必要性，而且项目的必要性是一个项目当中最难确定的，因为项目的开展有部分玄学在其中，像“薛定谔的猫”一样，谁都没有办法确定项目上线之后所带来的裨益。但是又必须在项目实施之前去论证他的必要性，所以在执行层面很可能会自己创造一些所谓的项目必要性，比如缩减工人的劳动时间、降低劳动强度，这种明显是站在执行人员的角度去思考了必要性，站在企业决策层的角度去看缩减工人劳动时间真的是这个项目建设的必要吗？很显然是不必要的，因为雇佣这个工人就是为了购买他的8小时，如果缩减到了7小时或者7.5小时，意义又何在呢？同样的问题，即使降低了工人的劳动强度，会因为强度降低而减少人员吗？或者会因为降低强度而降低个人薪资吗？所以在论证项目必要性的过程中很容易陷入到同理心思维，自己认为可以达到的目的就是项目的必要性。

之前网络上有一位科学家认为自己论证了几个月的项目，被一个处长就可以否了，给人第一印象就是科学家论证的很清楚，但是决策不了。但是站在另外一个角度我们去思考：科学的角度论证的非常明白，大概率是站在技术上去论证，但是是否需要去建设该项目肯定不止是技术维度，还有民生、社会、收益等多维角度。制造业数字化转型是一场持久战，需要全行业有长跑的耐心与长期投入的决心。制造业的业务属性决定了数字化转型或者智能工厂的建设是一场漫长的修行，因为制造业的数字化转型并不仅仅是PPT或者word上的风花雪月，更多的是项目过程中一两个流程、界面或者功能的各种沟通与讨论，或者是现场工控机如何排布时各个尺寸的锱铢必较，抑或是某功能上数据展示方式的斟酌。因为个人在项目中见过很多因为一个流程几十号人在会议桌前跳脚式的讨论，并且可能还定不下来，因为一个业务的执行会牵涉到方方面面，会牵一发而动全身，或者会更改业务人员的工作方式与职业方向。所以当在某会议上用数字化转型的PPT侃侃而谈的时候，真切的希望他们参与过制造业的某个信息化项目。如下图所示，在某个数字化转型的会议上，很显然下边的PPT肯定会出现，因为基本上包含了智能工厂涵盖的所有关键词：精细化、柔性生产、个性化定制、上下游协同等，让人热血沸腾，仿佛智能制造就在眼前，我们可以将这些词汇理解为智能制造项目的必要性，很显然如果这个必要性作为MES、ERP或者QMS、CRM的项目必要性的话，一定会被喷的体无完肤。

站在信息化发展的角度来看，项目的必要性同样也是一个变动的参数，从开始单点的成本、效率，到之后的用户满意度，再到最终寻找到业务增长的新引擎，跨越历史发展的周期。

2021年的一份调研报告中指出，在受访的2000家企业中，接近半数企业将探索新商业模式与创造新收入机会放在数字化转型目标的前两位。结果中不难看出，制造企业数字化转型的重心正逐渐由供给侧转向需求侧，从过去的红海搏杀转向新蓝海竞争。过去我们观察到，众多行业领军企业、骨干企业，无论是采取企业母体内部孵化的方式，还是独立于母体的外部创业，抛弃其他不谈，就单纯从信息化领域来看，三一重工孵化树根互联、格力孵化格创东智、美的孵化美云智数、徐工孵化徐云等都是非常普遍的尝试，但是新的商业模式的试错成本很高，比如前期看到的数字化转型、智能制造肯定是一个方向，而且有市场需求，但是带不动未来体量几十亿的公司，而且实施过程中成本很难控制，除非以做咨询+出售硬件为主，交付外包给个人团队，但这种并不是长久之计，窗户纸迟早会被戳破，所以数字化转型或者智能工厂的可落地的必要性集中在降本提效当中，虽然占比不大，但是脚踏实地。

智能制造未来的三个方向：

1）AI单点或者自动化业务优势将成为重点突破的对象
工业AI由试验、试点逐步扩展到车间/工厂级的部署。企业借此实现由现阶段局部决策优化升级到全局决策最优。之前生产过程中大部分依赖人工智能作为决策，比如大量的质量把控都需要人工参与，未来在人工成本急剧增加、工人对于重复性劳动抵触加大的背景下，工业AI会被大量提及，比如离散装备行业质量检测工具会有人工检测到数显量具，再带通过蓝牙自动传输数据，释放人工工时；物料运输会由叉车、手工推车被AGV替代；之前依赖手工搬运机加件会全部替代成机械手臂；比如除非要求特别精密的焊接、喷涂车间，现在基本上已经全部由人工替代。流程行业本来追求的就是极致的效率，所以工业AI单点替代更是不遑多让，比如之前需要手工控制的阀门全部利用集控程序自动控制，之前的开机自检将会由程序自动进行检查；生产过程中的质量监控会被感知设备一一代替，同时之前依赖人眼睛观察、监测的质量问题则会被视觉AI质检代替。而且单点的业务优化的趋势是持续的，但是会越来越艰难，因为单点业务优化肯定优先从容易替代且成本低廉的业务场景入手，比如前些年AGV还是奢侈品，现在已经飞入寻常百姓家。所以典型的AI场景肯定是从骨干制造业开始被突破，然后逐渐普及化。

2）数据收拢的平台化诉求增加

随着现场自动化的场景或者AI机器视觉的场景会增多，加上生产设备也会加入大量的传感设备，造成生产现场的数据会指数级增加，比如离散装备行业质量检验本来是手工检测，但是由于现在安装传感器的成本大面积下滑，本来质量数据分析是不需要考虑环境因素的，但现在许多大型装备行业质量分析会将温度作为一项参考项，所以未来比如传感器、控制器件、振动抑或是电流等方面的数据会越来越多，所以集成的数据量、数据频次都会增加，需要将分散的数据聚集在一起，然后再统一分散到各个业务场景当中去应用。而且未来的数据贯通或者互相联动的诉求一定会增加，IT与OT质检的联合驱动会成为生产当中的主流，比如当生产设备被预测将会出问题，该信息会被及时传达到APS系统，由APS及时更换设备或者修改排产日期。当AI质检发现流量不稳定，需要及时给控制系统传达信息，执行降低设备转速或者皮带转速的操作。所以随着数据量增加、数据集成与交互频次增加，敏捷性的数据平台会在生产领域被推崇，但是如何在数据收拢的同时保障数据的实时性将成为挑战。

3）应用数理急剧增加且迭代速度加快

移动互联网以及各类学习资料对客户进行反复再教育，客户对于应用的诉求会越来越多，与APP或者小程序类似，大致的社交、支付、出行、导航等几个大类之外，还会衍生会许多新的需求，比如微信主打熟人社交、陌陌主打陌生人社交，但是这样就已经将社交需求挖掘完毕了吗，很显然没有，只是需求还没有被发现或者被聚拢起来。移动互联网被称为工厂管理的技术前瞻，所以未来工厂的应用一定会越来越丰富，而且越来越多垂直的应用会被做出来，所以希望将每个应用都了解透彻、了解全面，还不如将精力花在对于业务的了解、需求的了解之上，因为只有了解业务与需求才能够创造一些应用供用户选择。当应用越来越多的时候，同时对于开发平台是有一定诉求的。所以未来工厂应用类的项目，会越来越多让人没有见过名字的应用，与移动APP一样，大类就是几个，但是也有许多除了固定人员，其他业务人员一辈子也可能不会用的应用。

除了管理的诉求之外，以人为本也会成为未来工厂的主旋律，降低对于个人的要求，傻瓜式操作会越来越普遍，比如之前自动挡，现在手动挡，未来的自动驾驶，都是降低对个人的要求，傻瓜式操作；装备行业之前质检员、工人必须要会画图纸、看图纸，但是现在许多企业都在做MBD进行三维标准，工艺、生产都用三维模型，降低了工人查看图纸的体验，甚至NC程序可以通过三维模型自动生成。除了降低个人要求之外，对于不适合人类的重复性劳动，比如巡检设备、抄表等重复性劳动也会被重点突破，但这个并不是企业做这些项目的必要性，真正的必要性是在恶劣的环境下需要付出更多的薪资，或者招聘难度太大。

行业纵深与业务理解会成为护城河

提出了工厂未来发展的三个趋势，即单点场景优化会越来越多、数据收拢平台需求加剧、应用多样化全覆盖，三者任何一个能够非常全面的阐述其出现的背景、痛点与未来都是非常艰难的事情，之前信息化项目售前基本上是科普，告诉客户什么是MES、ERP，什么是工业4.0，但是现在学习的渠道甚多，所以单纯的讲系统的功能已经无法令客户很心甘情愿的叫你一声老师，尤其是MES这些非常吃行业的系统，在售前阶段不仅要告诉用户什么叫MES，还得告诉客户隔壁老王是怎么做的，为什么这么做，两者之间的区别是什么，真正做到咨询顾问的角色，对于客户的问题知其然知其所以然，然后给出行业通用方案。

去年遇到一个项目就是行业纵深打败了全面，用户属于半导体行业，希望上线MES系统，我们提供了AI质检+MES系统，但是没有半导体行业经验，竞争对手做了好几个半导体行业的案例，经过反复斟酌、对比，用户最终还是选择了另外一家，典型的是行业咨询大于技术壁垒，因为现在信息化管理系统几乎已经没有了技术壁垒，甚至平台壁垒，见过许多MES、QMS根本没有平台，就是采用网上的开源框架，这种项目做的多了，会造成部分同事认为所有的系统都可以不买平台，自己开发就可以了。工业时代，制造企业追求的是生产规模，业务发展是线性的、确定的、可预测的。因此IT建设注重的是稳定与效率，让业务跑在流程上，流程稳在系统上。承载着业务流程、管理最佳实践的一系列信息系统，通过一个个信息化项目，以完整的瀑布式的方式实施上线。就如同规模化生产追求的是稳定的生产节拍，这个时期的IT建设，也有着稳定的节拍和路径。但进入到数字化阶段，商业环境充满不确定性与偶然性。这就需要IT更加敏捷、有弹性、可延展，才能与业务变化同频。例如健康码仅用几天时间便完成了开发、测试与上线。如果没有之前的案例支撑，没有顾问对于这个行业的理解，十几天内交付一个系统的雏形，按照蔡少芬的说法就是“臣妾做不到呀”。

不止是对于行业的理解、案例，而且不同行业的业务侧重以及数字化成熟度不同，企业在路径选择上会存在明显差异。例如以钢铁、化工为代表的资产导向型企业，更多精力会投入到工厂/园区的数字化建设上，以追求更大程度的降本增效:以品牌作为价值导向、直面消费者的生产企业，例如家电、快消企业，更加侧重由C到B的端到端价值链打通，提升供应链的响应速度。这种现象造成了我们是做离散装备行业MES的，对于化工行业的MES了解基本是零。这种局面就会造成下图的数字化转型架构，架构越往下稳定性越高，行业属性越少，比如数据中台、业务中台，比如网络、服务器、云计算等；但是一旦到了业务层面，各个行业的成熟度、业务痛点、管理模式相差甚大，基本上没有哪个团队可以覆盖，所以这类建设本身就需要小团队的支撑，这类不属于大厂的业务范畴。如果大厂只是想卖咨询或者硬件，很可能会在几年内在这个领域逐渐消失，一定需要聚集一大堆行业ISV才可以，而且需要为行业ISV殿后，否则肯定是一地鸡毛。

于企业、于个人

1）谈到于企业，其实有两方面的含义，一个需求单位即甲方，如果有数字化转型需求，应该重点紧密对接行业ISV，如果某一个ISV覆盖不了所有的范围，找一个大厂做底盘用于监理也可以，这个时候切莫陷入品牌效应，将所有的项目归集到某大厂，然后由大厂去切分蛋糕，由于大厂吸收了很大一部分利润，造成行业ISV很难交付。如果某大厂一定要收取高额的咨询费，然后再着手实施项目，这种大厂建议立即拉入黑名单，可以接受请咨询与监理的角色，重咨询只会让用于交付的项目资金进一步萎缩然而还没有特别大的作用。
2）于企业，即我们所说的大厂，如果是复合型项目，可以作为监理方收取一定范围的管理费用，同时将自身的硬件、平台、算法以及案例中包含的，或者希望未来拓展的案例包含在其中，但是类似于MES、QMS或者ERP等一定需要找到合适的ISV，因为一旦决定自己开发，不仅效果欠佳、周期变长、成本增加，最终客户满意度也比较差。所以重点进入综合性项目或者已经有案例应用的项目，比如AI质检等，如果只是单纯的传统信息化项目，大厂建议直接转包即可，因为并不属于大厂的业务范畴。3）于个人，如果一个人毕业之后就在大厂做制造业的信息化相关内容，则会浮于表面，因为基本上都是大数据、AI或者物联网，基本上无法深入到企业的深层业务流程当中，所以如果希望从事于该行业，建议还是应该起初深扎于中小企业业务当中，比如ERP、MES等业务系统，然后再到大厂进行数据平台、AI应用场景等方面，则会更加得心应手，因为已经介入业务非常深刻，讲出来的大数据应用、AI应用场景则会更加夺人心魄。