這是一場將自己變成實質(zhì)上公共事業(yè)企業(yè)的戰(zhàn)爭，制造業(yè)不過是一個分戰(zhàn)場。互聯(lián)網(wǎng)大廠「染指」制造的醉翁之意在于底座（IAAS以及工業(yè)PAAS）能力的輸出，通過強有力SaaS軟件直接服務最終用戶并非常態(tài)打法。

這也造就了互聯(lián)網(wǎng)大廠解決方案的開放與協(xié)作，與傳統(tǒng)制造業(yè)巨頭的互聯(lián)網(wǎng)方案的封閉、「舍我其誰」的架勢，形成鮮明對比。他們試圖從基層核心技術和「用多少服務給多少錢」的商業(yè)模式，大大降低制造企業(yè)使用新技術的門檻。

不過，代表性企業(yè)在與制造業(yè)的結合過程中發(fā)展方向各有特點，結合的程度也有差別。

2020年見證了制造業(yè)的驟停，也見證了他的反彈迅速。德勤在一份最新制造業(yè)趨勢展望中發(fā)現(xiàn)，制造業(yè)正加劇數(shù)字技術投資，以便更好地「罩住」不確定性。

作為市場規(guī)模增長最快的傳統(tǒng)產(chǎn)業(yè)，制造業(yè)企業(yè)認為，工業(yè)AI平臺能讓他們以更低的成本應用AI，是AI在工業(yè)領域的落地和普及的必要條件。與互聯(lián)網(wǎng)大廠合作填補能力空白，也成為主要選擇之一。

與之相應，互聯(lián)網(wǎng)大廠也不再滿足于等待企業(yè)提出需求再設法支援，而是更加主動地推出解決方案。

去年年底，亞馬遜史無前例地一口氣推出五項直接用于工業(yè)領域的機器學習服務，坦言要降低缺人才、缺錢中小制造商采用新技術的門檻。

一

應用工具層：

有限的「短兵相接」

坦白說，絕大多數(shù)制造企業(yè)想要「拎包入住」的便利和實惠，并非互聯(lián)網(wǎng)大廠強項。他們更像是提建筑材料和工具供應商，還需要招攬大量「泥瓦匠」（比如開發(fā)各種App應用第三方），造出滿足不同需求的「精裝房」。

不過， 在少數(shù)典型應用場景「最后一公里」舞臺，他們不懼通過強有力SaaS軟件直接服務最終用戶，與制造巨頭和應用工具開發(fā)商「短兵相接」。

2017年貝恩咨詢的一份圖表顯示，并不是所有工業(yè)互聯(lián)網(wǎng)機會都是平等的。對工業(yè)客戶最有吸引力的機會如黑點所示，主要包括質(zhì)量控制、預測性維護、提升產(chǎn)率斜坡、資料優(yōu)化、遠程控制等。

首先，將自己在機器視覺上多年積累和優(yōu)勢延伸到制造，近乎必然，還少了消費場景下「隱私」、「歧視」的道德困境。

在車間層實現(xiàn)生產(chǎn)流程的優(yōu)化和精益化，質(zhì)量檢測成為大廠必爭之地。現(xiàn)代制造系統(tǒng)非常精細，故障率通常只有 1% 或更低。但即使很小缺陷也會讓企業(yè)付出昂貴代價。但「人工+普通攝像頭」的傳統(tǒng)方案存在一系列問題，包括精度低、健康損害、管理成本高、方案擴展性差地等。

比如半導體、PCB 行業(yè)，康耐視、基恩士大都采用傳統(tǒng)的視覺算法分析方法，基于成熟的模板匹配、灰階等算法，不僅會有漏項，也需要有許多工人復檢。

巨頭們攜帶自己磨煉許久的深度學習能力悉數(shù)入場，希望存量和增量市場用到自己的先進技術。

在中國工業(yè)質(zhì)檢市場，百度智能云占據(jù)最大份額，在3C行業(yè)的固定點位缺陷檢測（比如寧德時代電池質(zhì)檢）、鋼鐵行業(yè)的中厚板檢測、紡織行業(yè)的智能驗布領域都提供了相應的解決方案。

阿里工業(yè)大腦「見遠」已經(jīng)應用在電池片瑕疵檢測、蠶絲瑕疵、道路裂縫檢測、垃圾分類、智能養(yǎng)殖等多個領域。

騰訊也攜帶在華星光電、空客積累的一些工業(yè)視覺智能能力，深入其他制造領域。

亞馬遜去年年底送出的工業(yè)大禮包中，Amazon Lookout for Vision 讓人印象深刻。

制造商無需任何機器學習經(jīng)驗，僅需將少量圖像（少至三十張）發(fā)送給云端系統(tǒng)，就可以得到識別缺陷的模型，包括機器部件的裂紋，面板上的凹痕，不規(guī)則形狀（比如披薩是否夠圓）或不正確的產(chǎn)品顏色。

機器視覺的另一「扎堆」應用位于管理環(huán)節(jié)，比如涉及安全管理的工業(yè)巡檢。

電網(wǎng)巡檢，一名普通線路工人工作30年巡線所走過山路可繞赤道1周。如果將硬件處理器部署在輸電桿塔或者無人機攝像頭里，系統(tǒng)可以「就近」分析圖像視頻，識別典型隱患場景、本體缺陷并發(fā)出警報。云端部署訓練和推理系統(tǒng)，負責持續(xù)優(yōu)化算法模型。

而諸如工業(yè)廠區(qū)（比如，精細化工園區(qū)）安全巡檢也需要借助互聯(lián)網(wǎng)大廠對人、車、物、設備的快速識別，實現(xiàn)安全管理效率。

除了機器視覺的技術優(yōu)勢，在設備運維后市場，互聯(lián)網(wǎng)大廠們也希望實現(xiàn)對生產(chǎn)設備的預測性維護：

任何沙粒都可能導致計劃外的停機，墨菲定律告訴我們，它們很可能在最糟糕的配置和最糟糕的時間發(fā)生，導致嚴重商業(yè)后果。

GE、Caterpillar、小松、三一等制造巨頭的產(chǎn)品遍布全球，做預測性維護可謂水到渠成，而互聯(lián)網(wǎng)大廠也不懼短兵相見。

比如，對比飛剪機組斬切精軋機組轉(zhuǎn)出的鋼帶噪聲脈沖與典型噪聲特征集，完成一段時間生產(chǎn)數(shù)據(jù)統(tǒng)計后，百度智能云可以預測切割機器是否存在異常，進而降低機器故障率和停機時間。

亞馬遜最新推出 Amazon Monitron也是一種簡單且成本效益高的狀態(tài)監(jiān)控服務：

先在工業(yè)鉆孔機設備上安裝傳感器，收集鉆頭壓力、馬達和主軸轉(zhuǎn)速數(shù)據(jù)，再發(fā)送到云端存儲、分析和展示，基于機器學習算法進行預測性分析。

從所涉制造企業(yè)類型來看，互聯(lián)網(wǎng)大廠流程制造落地案例似乎更多一些。比如鋼鐵、水泥、煙草、食品、化妝品、藥品、集成電路等。

流程制造企業(yè)生產(chǎn)過程多數(shù)是自動化的。生產(chǎn)線上的設備維護特別重要，每臺設備都是關鍵設備，不能發(fā)生故障，一臺設備的故障會導致整個工藝流程的終止。

由于自動化程度比較高（比如設備控制級大量采用DCS、PLC，各種智能儀表），利用新技術的現(xiàn)實基礎也比較好，單點上的突破就能幫助企業(yè)看到提升，比較容易ROI。

對比之下，離散制造業(yè)企業(yè)一般人員密集，自動化水平相對較低，數(shù)據(jù)采集也以手工上報為主。

不過，在傳統(tǒng)制造業(yè)看來，互聯(lián)網(wǎng)大廠仍然沒有深入到生產(chǎn)核心環(huán)節(jié)和設備，比如高爐、轉(zhuǎn)爐煉鋼，瓶頸主要是對工業(yè)和工藝了解有限，也不敢輕易嘗試。

二

工業(yè) PaaS：「兵家必爭」

通過強有力SaaS軟件直接服務最終用戶，這樣的覆蓋面始終是有限的。大廠們對此也有清醒認知：

「Know-How是傳統(tǒng)制作企業(yè)數(shù)十年的摸索積累與千萬次驗證，反復建模，留下的理論與經(jīng)驗結晶，這是大廠們最不熟悉的；

能做的主要是算力這一部分。因此，我們只能做一個支撐平臺——「黑土地」，支撐上面生長的個性化的應用?！谷握窃谧罱淮稳A為企業(yè)業(yè)務及云業(yè)務匯報會上發(fā)言時談道。

這也是為什么每家互聯(lián)網(wǎng)大廠都有自己的生態(tài)計劃，比如騰訊「千帆計劃」、百度「AI Star 計劃」、阿里開發(fā)者成長計劃等。

事實上， 位于應用工具集合層之下、IaaS 之上的工業(yè) PaaS 才是互聯(lián)網(wǎng)大廠的演化舞臺。

「 AWS 顯然是一種 PaaS，或者至少具有 PaaS 服務?！箮啄昵埃?Werner Vogels 在接受外媒采訪時曾說道。

「將平臺能力（IaaS PaaS）注入制造業(yè)的大方向，一直沒變過?！?019年，阿里云數(shù)據(jù)智能產(chǎn)品事業(yè)部總裁曾震宇在采訪中告訴我們。

騰訊認為，自己不一定要搶小公司的市場，如何利用大公司獨有的云平臺來高舉高打才是解題關鍵。

回顧歷史，互聯(lián)網(wǎng)大廠云平臺要早于制造業(yè)平臺，他們自己也誕生在云里。

谷歌和百度，其計算量、存儲、網(wǎng)絡、SLA、延時、大數(shù)據(jù)等，無法在端上完成，核心業(yè)務搜索就是云計算早期的最重要應用。

亞馬遜、阿里、京東也遵循類似邏輯?！肝覀兿Ｍ⒁粋€面向服務的架構，在這個架構中，所有的服務都可以在這個強化的API中使用，它們擁有足夠的算力，讓所有人都可以使用。

在為自己策劃了這個計劃之后，我們馬上又發(fā)現(xiàn)，這個架構適用于世界上所有的企業(yè)，所有企業(yè)都可以使用它。」貝索斯2018年在華盛頓經(jīng)濟俱樂部和2019年在里根國防論壇上的采訪時曾談到過這些。

因此，當他們將制造業(yè)作為平臺業(yè)務拓展的重點領域時，也會為互聯(lián)網(wǎng) + 制造部署提供連接、計算、存儲等底層技術支撐（比如支撐幾十萬臺設備高頻傳感器數(shù)據(jù)的壓縮、存儲）， 成為「平臺的平臺」，使上層平臺專注于與工業(yè)生產(chǎn)直接相關的服務，從而實現(xiàn)專業(yè)分工，發(fā)揮疊加效應。

這與傳統(tǒng)制造業(yè)巨頭的互聯(lián)網(wǎng)方案的封閉、「舍我其誰」的架勢，形成鮮明對比?；ヂ?lián)網(wǎng)大廠更強調(diào)開放與傳統(tǒng)制造企業(yè)合作，幫助后者更好地適應互聯(lián)網(wǎng)、使用互聯(lián)網(wǎng)。

與其他對手相比，阿里云平臺能力主要集中在底層，比如數(shù)據(jù)計算存儲、分析。Azure、 AWS 也是如此。圖表來自頭豹研究院。

工業(yè)PaaS是實現(xiàn)工業(yè)智能關鍵，需要解決一些關鍵基礎問題。

比如，實時性、軟硬件與模型適應性問題，需要通過芯片、架構與編譯器的發(fā)展來解決；至于模型可靠性、深度學習可解釋性、數(shù)據(jù)與場景適應性則，則依靠算法層面的研究解決。

以第一個基礎性挑戰(zhàn)為例。訓練框架上，Tensorflow、Caffe 等框架已能滿足工業(yè)訓練應用需求。

例如，油田服務公司貝克休斯（Baker Hughes）基于 TF，利用深度學習算法進行震動預測、設備預測性維護、供應鏈優(yōu)化和生 產(chǎn)效率優(yōu)化。

阿里工業(yè)大腦全面支持 TensorFlow、Caffe 等架構，已廣泛參與到新能源、 化工、重工業(yè)等不同制造領域。中國航天科工集團的工業(yè)互聯(lián)網(wǎng)平臺基于 Tensorflow 進行軸承預測。

推理框架方面，端側(cè)推理框架無法滿足工業(yè)終端計算需求，需定制化開發(fā)。不過，隨著工業(yè)終端智能化功能與計算需求的不斷提升，端側(cè)推理框架需求較為緊迫。

谷歌、騰訊、百度和華為等已經(jīng)開發(fā)出主要面向手機端的推理框架，極大地提升了移動終端的計算智能能力，未來具備向工業(yè)領域滲透可能性。

谷歌 TensorFlow Lite 深度學習框架現(xiàn)階段首先支持安卓和 IOS，同時在工業(yè)領域應用普及度也較高。百度 Paddle-mobile 深度學習框架支持包括 ARM、NPU、GPU 等多種硬 件平臺，且重視在工業(yè)領域的延伸 / 合作，更可能在工業(yè)領域發(fā)力。

互聯(lián)網(wǎng)大廠在制造業(yè)「存在感」主要在于底層，圖表來自頭豹研究院。

至于編譯器，亞馬遜、谷 歌、華為、阿里等已經(jīng)基于各自優(yōu)勢與競爭考慮打造。

值得注意的是，為了降低制造企業(yè)、機器學習開發(fā)者使用新技術的門檻， 互聯(lián)網(wǎng)大廠們想法設法降低算法實施過程中開發(fā)、環(huán)境、運維對工程師的依賴。

比如，百度的工業(yè)視覺智能平臺、EasyDL平臺，都將數(shù)據(jù)、模型、部署等多流程打通；

亞馬遜 SageMaker 也可以有效貼近工業(yè)的實際需求，讓開發(fā)者快速、輕松集成到自己的系統(tǒng)中，讓制造業(yè)客戶輕松獲得AI能力，比如質(zhì)檢。Amazon SageMaker Edge Manager 還可以幫助開發(fā)人員優(yōu)化、保護、監(jiān)控和維護部署在邊緣設備集群上的機器學習模型

騰訊云千帆計劃的技術中臺產(chǎn)品「鵲橋iPaaS」，用來提高集成速度，讓以往需要數(shù)十天的集成工作可在幾天內(nèi)完成。

不過， 在降低制造企業(yè)使用新技術經(jīng)濟門檻上，互聯(lián)網(wǎng)大廠服務更具革命性。

無需提前付費、「用多少服務給多少錢」，這些都非常關鍵，從根本上改變 IT 行業(yè)，大大降低制造業(yè)企業(yè)使用互聯(lián)網(wǎng)服務的門檻，讓企業(yè)更專注構建于自己獨特的能力。

「你只需要買這個服務。第一年覺得用的好，第二年再繼續(xù)，如果覺得用的不好，第二年可以不再付費?！乖谶^去的采訪中，阿里云IOT智能制造總監(jiān)鄭旭曾告訴我們，「我們可以將ROI控制的很低，企業(yè)的轉(zhuǎn)型成本和風險都很低?！?/p>

亞馬遜干脆將AWS的成功歸功于「通過重塑企業(yè)購買算力的方式，AWS 成為了一家規(guī)模非常大的企業(yè)」、「重新書寫經(jīng)濟模式」。

三

基因各異，也各具特色

雖然說，底層輸入能力上，互聯(lián)網(wǎng)大廠沒有本質(zhì)區(qū)別，不同基因又決定互聯(lián)網(wǎng)大廠在與制造業(yè)的結合過程中各有特點。

C2M 模式核心是大規(guī)模個性化定制，也是工業(yè)互聯(lián)網(wǎng)主要應用模式。從C端起變革，正是坐擁流量入口互聯(lián)網(wǎng)大廠（阿里、京東、拼多多）拿手好戲，拿流量換取制造業(yè)的機會。

電商「搶」工廠，往后做供應鏈、ERP、柔性生產(chǎn)，一方面得益于十幾年來制造商柔性能力提升，另一方面也在于摸清從零售到生產(chǎn)的每個環(huán)節(jié)。

借助條碼、RFID、攝像頭等設備對工廠進行輕量化的物聯(lián)網(wǎng)式改造，將工廠的產(chǎn)能數(shù)據(jù)與網(wǎng)店打通，借助深度學習等算法模型對消費者評價等數(shù)據(jù)進行學習，實現(xiàn)按需生產(chǎn)。工廠不僅清楚差異化需求，也讓定價、備貨等更加精準。

相比電商起家的巨頭，騰訊沒有控制生產(chǎn)環(huán)節(jié)的條件，也因此更具開放性。依靠合作伙伴來做，針對中國制造企業(yè)千人千面的解決方案。

社交起家的騰訊，其企業(yè)級業(yè)務最大的吸引力，來自其消費級業(yè)務積累的強大用戶優(yōu)勢。 手握這些連接能力，騰訊善于從銷售和服務再往前端去切。而用戶選騰訊看的還是用戶流量和 營銷能力。

比如，借由兩端——微信和企業(yè)微信，騰訊為制造業(yè)用戶構建連接用戶、管控經(jīng)銷商的能力。

至于 微軟，本身是做生產(chǎn)力工具，憑借自己在系統(tǒng)軟件方面的優(yōu)勢與傳統(tǒng)的工業(yè)自動化企業(yè)結盟，直接進入了車間地面的核心制造環(huán)節(jié)中。

Azure 云平臺和 Windows 10 物聯(lián)網(wǎng)版，更是在跨硬件通用性上下足了功夫，其口號是「Microsoft Everywhere」。在此基礎上，微軟將自己的 Office 系列企業(yè)級辦公軟件與遠端的云存儲、云計算結合在一起， 創(chuàng)造出獨特的企業(yè)級應用生態(tài)。

在制造業(yè)的場景中， 企業(yè)可以將自己的生產(chǎn)機器的軟件控制系統(tǒng)直接建立在 Azure 和 Windows 10 物聯(lián)網(wǎng)版之上，實現(xiàn)以 Windows 為軟件控制基礎的智能化生產(chǎn)。

比如，給一家工程機械和刀具系統(tǒng)廠商做預測性維護，微軟的方案基于 Azure 物聯(lián)網(wǎng)套件 （Azure IoT Suite） 和 Cortana Intelligence 套件，集成了人員、機器、工具、材料、訂單、倉儲處理、日程排期等多種信息。

方案還整合了微軟 Dynamics 365 ，實現(xiàn)刀具、機器與流程的完美結合，幫助人們根據(jù)客觀整合的生產(chǎn)數(shù)據(jù)規(guī)劃資源，明確機器或工具的投資回報率，做出更好的決策。

相比之下，亞馬遜似乎更安于自己的一畝三分地，做云服務供應商，幫助企業(yè)提供一攬子的互聯(lián)網(wǎng)解決方案。不過，其創(chuàng)新的核心關鍵詞離不開零售經(jīng)驗的「easy and cheap。」無論是在數(shù)據(jù)庫、分析和容器開發(fā)上不慌不忙得迭代，還是悄然擴圈更多制造業(yè)開發(fā)者甚至終端用戶，提供靈活、便宜的服務。

前哈佛商業(yè)評論主編 Nicholas Carr 早在十幾年前預測過， 隨著信息技術已經(jīng)開始將自己從潛在的戰(zhàn)略資源變成和水電一樣的商品，它們正在變成所有企業(yè)都必須支出的成本，也因此不再具有真正的戰(zhàn)略價值。

既然「親力親為」 只是給企業(yè)徒增大量無意義的重復性工作，包括微軟、谷歌、亞馬遜、BAT在內(nèi)的許多主要的企業(yè) IT 供應商將逐漸進入一場爭奪「網(wǎng)絡服務」主導供應商的地位，以便 將自己變成實質(zhì)上的公共事業(yè)企業(yè)。

目前，云服務仍處于發(fā)展早期，Gartner發(fā)布的IT關鍵指標數(shù)據(jù)《2020：Industry Measures》顯示，在全球IT總支出中，云上支出僅占4%。

這是一場爭奪規(guī)模的戰(zhàn)爭，制造業(yè)不過是規(guī)?；囊粋€分戰(zhàn)場。而伴隨著 IT 向商品（比如上云）的持續(xù)轉(zhuǎn)型。贏者將會過得很好，輸家則會出局。

責任編輯：PSY