BAT新零售的背後，工廠還缺個“超級大腦”

“細致的定製化才能‘炸’出更多的經濟需求，比如新零售等商業模式。但這背後需要一個極具彈性和智能的供應鏈做支撐。” Synergies項目總監藍子翔對富比士中國表示，而這也讓他們看到，未來在製造業領域，人工智能技術極具市場價值。

人工智能技術在未來智能製造領域中用處頗多。圖片來源：視覺中國

在近日的一場由TechSugar旗下科技交流平台SugarTalk聯手慕尼黑上海電子展舉辦的國際智能製造生態鏈峰會上，Synergies詳細分享了如何用AI技術實現工業決策自動化的邏輯和路徑，以及傳統製造產業如何擁抱智能製造。

“基本上，我們想做的是為工業製造領域打造一個類似於Siri的智能助手，讓工廠產線、物料倉儲到客戶訂單管理、生產運營等後端供應鏈各個環節的信息數據充分互聯互通。” 藍子翔說，這是製造業實現智能升級的關鍵一步。

商業創新離不開製造升級

消費者行為的顯著變化，正在撬動商業和企業運營模式的深刻變革。比如，消費者對於產品以及商業服務模式日趨個性化的需求，反饋到供應鏈端，就需要生產製造企業具備少量多樣化的定製生產能力。

“大規模大機器的工業時代生產模式漸漸已難以快速適應多變的市場需求，這也是為什麽這幾年來傳統製造業者開始考慮導入智能化系統。”藍子翔指出。

以電子產品為例，隨著現在電子產品更新換代加速，同時市場對於產品個性定製需求越來越強，對於相關的上遊電子元器件、材料生產商提出了挑戰。藍子翔舉例，他們曾合作過的一家專門生產電子產品線材的製造商，近年來就面臨少量多樣化生產的挑戰——不同電子產品需要不同種類的線材，也就意味著需要備不同的原材料，控制庫存就成為這家企業最大的難題。

“要知道，庫存問題是所有製造企業的頭等大事。”藍子翔介紹，但那家大型的線材製造商直到兩年前都還在利用最“原始”的方式確認原材料庫存情況——每周各個生產部門的負責人開會匯總所有生產和物料信息。“這樣的方式，不僅對於信息的了解是滯後的，往往也難以真正準確，更談不上了解生產線上的實時動態。”藍子翔說，隨著市場對於產品周期要求越來越短，也倒逼其必須轉型智能製造。

這也就不難理解，自去年下半年“互聯網進入下半場”的論調在產業界蔓延以來，阿里、騰訊、京東等互聯網、電商平台紛紛開始探索向供應鏈端深入的原因。因為唯有更進一步與供應鏈生產製造企業深度融合，才能滿足未來多變的市場需求。

比如，京東就希望從電商平台起步進一步深入到後端供應鏈，通過線上消費者購物和線下數字門市收集到的大數據還能為消費者做出更多服務，例如家電產品定製。去年9月京東根據消費者家電網購大數據，聯手國內外知名家電廠商共同推出了因需定製、滿足消費者個性化需求的“京品家電”。根據京東官方數據，至去年12.12當天京品家電的銷售額已經佔到京東家電整體銷售額的近10%，顯示出消費者對個性化、品質化的專供優選家電商品日益增長的旺盛需求。

阿里也在做類似的布局，其今年以來推出了商業作業系統，隨後又宣布啟動升級消費者服務和提升企業服務能力的計劃，該計劃將分別專注於消費者市場和企業服務市場。這意味著淘寶天貓上近7億月活用戶由此獲得更無縫的體驗，數百萬生態企業也有機會借由阿里巴巴經濟體集結的力量，獲得更廣闊的數字化轉型和升級空間。阿里想要將消費端和企業端乃至整個供應鏈端“縫合”起來。

京東希望從電商平台起步衍生至後端供應鏈，圖為旗下的倉庫巡查機器人。圖片來源：視覺中國

邁向“智造”之路

提升作業價值、降低庫存風險、縮短產品上市周期、少量多樣的個性化產品、高彈性低附加價值的操作將是未來製造產業的發展趨勢。這也讓傳統工廠的諸多管理運營上的痛點進一步顯露。

很多看不見的東西往往是生產成本和效率控制的盲點。

比如生產線中設備機台的運作狀況是否良好?有無出現個別機台空閑?是否有異常故障發生?生產排序是否合理科學?產線平衡度如何?各個節點的物料準備以及物料進出倉庫的情況，甚至於每個工位上工人的生產效率、工作狀態等等……這些四散在工廠各處的數據，在傳統的工廠管理中都仰賴人工記錄和傳遞，很容易發生錯誤且記錄不即時的情況，在生產管理上也難以實時了解設備、產線狀況，數據往往難以整合利用，甚至被遺漏忽略。事實上，在一個典型的傳統製造業中，60%的生產活動都是浪費的。

“未來我們希望完全自動化一個工廠或公司做決策和運營的部分。” Synergies創始人張宗堯這樣表達AI能夠帶給工業製造的智能力量。

Synergies，這家2016 年成立於美國波士頓的人工智能創業公司，致力於開發人工智能(AI)商業決策平台，前沿AI技術落地至供應鏈、製造業，實現企業決策自動化。它開發了全球第一個中文化自動決策系統SyGP，能回答商業相關的上萬個自然語言提問，並給企業提供執行建議。去年，Synergies還因該系統與李開複、吳恩達團隊共同被列為富士康工業互聯網指定人工智能合作夥伴。

值得一提的是，智能力量在製造邁向智造中極為重要，而人工智能的價值並不只局限在以工業機器人取代人工，更重要的是通過智能算法找出產能瓶頸，給出以數據為基礎的精準建議，全面提升工廠產能，同時解放更多人類腦力，實現再一次的“工業革命”。

藍子翔解釋，過去的“商業智能(Business Intelligence)”僅僅能做到顯示和呈現結果。一個分析師在整合企業數據後，一般只能通過可視化的形式展示數據。企業的下一步該怎麽走，還是需要高管團隊憑借經驗來進行分析和做出決策。他們想要做的，是給工業製造一個真正的“AI智能助手”，不僅能展示過去的數據呈現出的結果，還能夠通過機器學習做出預測，並指出商業決策的最佳路徑。通過洞察數據、預測行為與流程自動化，協助企業解決日常運營、產銷供應鏈、產品生產製造流程等問題，並通過數據賦能，實現智能化管理。

位於天津開發區的豐田海外首家TNGA“新工廠” 。圖片來源：視覺中國

不過這一切的前提是要讓機器具備智能及互聯互通能力。但老舊設備機台如何升級具備智能，又是擺在傳統工廠面前的大難題，而且設備投入成本巨大，一般製造行業往往難以承受。而對智能製造的落地來說，更為關鍵的是數據問題。華為2012 實驗室中央硬體工程院工藝技術首席專家、先進組裝實驗室主任曹曦對此指出，目前智能製造所需要的基礎技術已經具備了——包括數字化的設計，自動化的設備、信息的采集、傳感器技術等，智能計算方麵包括人工智能技術、軟體+硬體以及海量信息的存儲、高速的通信等。

“但是為什麽現在大量的工廠在這個情況下還沒有解決智能工廠的演進問題，或者從投資的角度講沒有解決投資的信心問題?”曹曦認為，除了前期需要大量的設備等投入外，主要還是產業鏈的共建生態沒有打造好。

比如數據的收集層面，曹曦指出，所有數據都是從設備上收集來的，但包括兩個層面——顯性的數據及非顯性的數據。其中，顯性數據中一些關鍵的敏感數據如何在供應商和客戶之間共享，目前還在行業的探討過程當中，還沒有商業化的解決方案。

而非顯性的數據的分享模式更為重要。曹曦指出，包括每個公司的訣竅，規格設定、經驗、實驗數據的處理等非顯性數據往往是公司不願意對外說的，“但是把這些行業經驗知識在一定的程度上推廣，至少要推廣到下遊的供應鏈，才有助於智能製造的推進。”

據市場研究機構MarketsandMarkets去年10月份的研究報告透露，“通過技術實現智能製造市場(狀態監測、人工智能、IIoT、數字雙工、工業3D列印)，信息技術(WMS、MES、PAM、HMI)，行業和地區預測，全球智能製造市場在2018年將達到1707.8億美元，到2023年這一數據預計將增至2991.9億美元，期間複合年增長率為11.9%。目前來看，智能製造的方向已經非常清晰，最底層技術的狀態和特性也都具備，但從製造邁向“智造”的過程中，還有很多問題待解。

- END -