• 来源：DT实验室、产业智能官等

以前我们一直认为，消费互联网红利已失，未来十年的结构性大机会一定在产业互联网。然而产业互联网到底是什么？产业互联网落地之处在哪里？如同PaaS一样，一千个人心中有一千种产业互联网，这个领域很难去界定边界，因之提出工业智能，就是希望能缩小这个命题的范围，使之落地。

那么，什么是工业智能？

工业，我们习惯上把它分为流程工业和离散工业。最典型的离散工业包括汽车制造、电子电器、机械制造等等，其中可能涉及到车、磨、刨、铣等多种工艺以及产线上的多种机床、设备的协同；而最典型的流程工业则包括石油石化、电力能源、钢铁、水泥、医药等等大批量、稳定且连续的生产过程。个人看来，这里面最大的差异在生产的自动化程度、数据的可得性和工业的复杂度；而最大的共性在于，每一个场景都需求各异，进入任何一个细分领域都需要有足够深厚的行业knowhow和上下游资源整合能力，具有相当的进入门槛。

智能，可以理解为数据化以及建立于此之上的AI。去年以来，AI运动如火如荼，相信如果不是币圈链圈的造富神话，这波AI潮会继续热下去。过去我们所讲的AI四要素：算力、算法、数据、场景，如今前两个需求已经逐步被满足，并且跑出一些头部的企业，我们也有理由相信，未来这两个领域一定会形成典型的寡头垄断格局。所以，接下来的机会在哪里？看起来还是要回归场景，回归数据（GANs等并不完全解决实际问题）。以产线自动化为始，多源异构的工业数据被采集，流转，分析并帮助形成决策和控制，端到端的解决方案就形成了当前行业player的典型画像。

• 蓝海

一个显而易见的现象是，工业尤其是制造业的GDP总量远高于零售、金融、建筑等行业；而一个不那么显而易见的现象是，工业领域的每天产生的有效数据量其实不逊于BATJ等互联网公司，一个大规模的工厂每天产生的数据量甚至能达到几十亿到上百亿条。

•  壁垒

虽然工业场景每天产生高频、海量的数据，但是大量的原始数据本身并没有直接意义，且有可能产生大规模时延和占据大量带宽，这也是ABB、Intel等巨头提出的边缘计算要解决的问题；但是，我们不仅需要在某些场景做实时的监控和分析，也需要把更多数据采集到云端做更多维和更长期的经济效益及价值分析，这是云计算的价值。而云计算+边缘计算，这是比传统消费互联网更细的颗粒度和更复杂的架构，这也意味着更高的壁垒。

• 拐点

投互联网的兄弟们有一条很喜欢的逻辑叫做“Copy to China”，“Copy to 工业”是同样的道理。大规模的数据应用和平台架构在金融、电信等行业经历了充分的验证和演进，加上中国制造2025在政策一侧的催化作用，构成了拐点成立的先决条件。

对于众多参与工业智能创业的同学来讲，这是一门交叉学科。终端用户的需求真真切切，却鲜有人能够满足。究其原因，现阶段的用户需要的不是单个产品，而是端到端的整体解决方案。反推过来看，一个合格的工业智能公司，也应该具备整体解决方案的构造能力。

• 用户需求

首先，用户需求永远是第一位，不满足需求的技术都是伪命题。举个例子，我们去年投资了一家容器云公司（现在看来，容器这一赛道的竞争不可谓不激烈），我们投的这家在激烈竞争中有幸拿到了电网的大单，为什么？因为用户并不care什么是docker，用户需要的是一整套高可靠的应用托管云平台，从IaaS，包括Openstack，包括VMware，到基于docker的PaaS，甚至于微服务解构，你都需要做，企业用户的需求不是容器，而是应用云化，技术永远不是制高点，满足需求的技术才是。

• 行业经验

对于传统制造业的大B客户来讲，自身业务场景复杂，没有经验的供应商如果贸然进入很容易陷入其中难以自拔。这个时候，就需要团队本身有很深厚的行业经验，在必要的时候从顶层设计上对用户的需求加以引导。以我们投资的上海数策为例，其合伙人团队有极其丰富的汽车行业经验，能深刻理解主机厂从生产制造到供应链再到营销端每一环节的业务逻辑，从源头出发采集数据、定义模型、解决业务问题，陆陆续续斩获了上汽通用、一汽奥迪、北汽福田等一批优质的标杆客户。我们近期投资的另外一家MarTech企业同样符合这一特点，创始人是前易传媒产品VP，拥有15年的资深产品、技术和咨询经验，很多时候考虑得‘’比客户还要深刻，从产品层面就引导用户使用习惯，帮助用户优化策略，他们也因此获得客户信任，公司业绩爆发性非常强。

• 数据整合和产品架构

一套好的解决方案从一个完美的架构开始。对于工业场景而言，从内、外部多源数据的整合开始，到云+端的平台架构，知识库的建立，合适模型的选择，再到反向决策和控制，只有完整打通，才能形成闭环。我们近期投资了一家企业，服务于能源行业的大B客户，其业务形态很符合这个逻辑。他们从边缘侧帮助客户加装传感器补充IoT数据，之后做静态、动态的主数据集成，在此之上建立的数据平台，有较好的一致性和完整性，配以合适的模型和业务逻辑，能很好的实现监控预警、故障诊断和预测性分析等功能，创造显著的经济效益。他们也因此而获得了大量头部客户的订单，成长非常迅速。

篇幅所限，难述万一。整体来说，工业智能呈现一横（见整体架构）+N纵（多个细分行业）的格局，里面涉及方方面面极其复杂，计划之后有时间做更深入的大样本调查，写下更多思考，投下更多优质标的。

对于工业领域的大B客户来讲，现阶段需要的不是单个产品，而是端到端的整体解决方案。这虽说是现状，其实也是工业创业者的终极目标。然而整体解决方案说起来容易，实践起来并不简单，这里面路径选择很重要。

关于发展路径，业内有一个相当主流且部分正确的说法，认为自动化-（数据化）-信息化-智能化是工业用户进阶的合理顺序，并且前一阶段是后一阶段开始的必要条件。因此国内工业智能的创业者也好、投资人也好，在很长一段时间内只关注自动化领域的机会，甚至将工业智能等同为“机器人”或者“工业自动化”，这一点值得商榷。从用户现场的大量实践来看，这四（三）个阶段存在着显著的先后顺序，但同时交叉渗透，迭代进行。

具体来看，离散制造行业大部分客户自动化程度不够，所以优先完成产线自动化，因此我们看到类似新松、沈自所、北自所等厂商在近些年经历了非常大的发展，业绩成长迅猛。因为他们赶上了工业用户产线自动化迭代的全过程，核心逻辑就是成本优化+机器换人，类似富士康这样的工厂每年雇佣几十万工人，这些工人参与的物料搬运、加工组装、成品检测等各个环节都蕴含着大量的自动化机会。这是目前最典型的一种模式，在制造业各类场景中都有发生且正在进行，我们姑且称之为「以产线自动化为核心的系统集成」。

更进一步的，在一些头部客户的工厂中，比如苹果（/富士康）、上汽通用、比亚迪、TCL、海尔等等，他们的产线自动化进展较快，开始可以逐步实现厂级的物联网。因此涌现出类似明匠智能这样的厂商，以工业以太网和板卡实现设备互联，打通设备级数据，经过MES反馈到平台层，在不更换原有工控设备的基础上实现初步物联，用户接受度很高，业绩每年翻几番增长，趋势非常明显。这一类模式，我们可以称之为「以M2M设备物联为核心的系统集成」。

更进一步的需求，来自于离散制造业的超大型头部客户和流程制造行业的绝大多数客户，由于产线自动化程度本身较高，我们观察到这类客户对于信息化的接受程度本身也较高。从我们的投资实践来看，有一类厂商可以直接从顶层设计切入，在平台层以工业大数据平台或者场景化的AI模型服务用户，实时的解决业务问题。反过来在数据采集层，在一些数据不完善的局部加装传感器，加装智能化的检测设备，甚至于做小段的产线集成等等。这一类模式，用户接受度往往更高，这意味着项目的溢价往往也更高，我们可以称之为「以数据应用为核心的系统集成」。

所以，我们可以看到三条发展路径，面对不同的客户，不同的场景，不同的发展阶段，有不同的路径选择：

其一：「以产线自动化为核心的系统集成」。

其二：「以M2M设备物联为核心的系统集成」。

其三：「以数据应用为核心的系统集成」。

当然，殊途同归，最终都是给用户提供整体解决方案，以满足用户需求为核心。

说核心设备，其实有失偏颇，由于VC从某种程度上来讲是一个极其关注微观的职业，所以很多时候样本量并不足够。因为笔者观察周期较短，标的不足，所以本篇主要集中在一个方向：即工业自动化的眼睛——机器视觉，这是短期内看到的做工业自动化的一个核心抓手，希望能以点带面，抛砖引玉，欢迎留言，欢迎讨论~~（当然，减速机、伺服控制、激光、各类传感器等等都存在大量机会，能力所限暂不讨论）

说到机器视觉，我们可以先来看一则新闻：

日前，蓝思科技已经启动春招，招聘人数预计达到15000人。每个工人平均一天要检测2600块左右的玻璃，大约15秒钟完成一块的检测。人工用肉眼来发现不良仍然是对玻璃检验和处理的最佳方法，公司大约有30%-40%的员工是从事检验工作。

这则新闻，讲的是苹果供应商蓝思科技雇佣大量人力从事玻璃缺陷检测的事情。很显然，这件事很符合“机器换人”的思路。事实上，由于可观的经济效益，目前还真有一堆供应商围绕着蓝思做测试，希望能将其在线视觉检测设备铺进手机产线。其实，机器视觉的应用不仅仅是检测，还包括：测量、定位、引导等多个方面。无论是从设备还是数据层面来看，这里面都蕴含着大量的机会：一方面，视觉模块是设备智能化的核心部件，处在产业链顶端，毛利极高；另一方面，视觉设备所采集的产品属性、故障数据等，又是制造全流程数据采集中的核心节点，是应用层模型的核心参数。

具体来看，由于测量技术本身较为成熟（国外海克斯康等巨头格局基本确定，甚至延伸出更专业的计量领域），缺陷检测和定位引导是目前看起来最有机会的两大方向。

首先，缺陷检测市场需求上升最快（理论上可达几十上百亿）。由于种类繁多，场景复杂，缺陷检测问题是最适合用场景数据标注+深度学习的方法来解决的，这样做出来的产品既有场景壁垒，又有数据壁垒，很容易切入用户产线，且有极高的毛利，从我们的投资实践来看，近一年来，这一趋势在汽车制造、3C制造、新能源甚至化纤棉纺等行业已逐步确立，正在放量中。

其次，机器视觉配合机械臂做定位引导也是一大方向。我们知道，工业智能的终极目标是要实现大规模的个性化定制，其基础是柔性制造，目前看起来，无论是在物料传送、物流分拣，还是机械装配等领域，3维空间定位+无序执行是实现柔性制造的核心步骤，用户需求很强烈，也涌现出一批优秀企业。

当然了，还是那句话，单纯的产品或技术是不够的，用户需要的是整体解决方案。仅仅有视觉算法是不够的，以视觉检测设备为例，算法只是1/3，只有做好合适的传感器（/光源），辅助以合适的伺服控制等机构设计，才能做出一台达标的设备。这中间的GAP需要团队不仅有强大的算法能力，还要懂光学，懂设备，懂场景，方方面面兼顾，才能做出好的产品，用户才会买单。

目前看起来，在我们提到的「以产线自动化为核心的系统集成」这一路径中，机器视觉肯定属于核心方向之一，A股上市公司中，类似武汉精测这样的（做OLED中Module段检测）公司市值最高做到100多亿，我认为完全没有体现出这一方向的价值，作为工业智能的核心维度之一，这一领域未来一定会诞生百亿美金的巨头。反过来讲，这其实也给了我们一级市场创业者和投资人更多的机会，来创造更多伟大的企业，干巴爹！

前文中我们曾提到，大规模的数据应用和平台架构在政府、金融、电信等行业已经经历了充分的验证，所以在工业智能领域大致会有类似的演进路线，但具体到细节里又处处不同，值得细细品味。因此，本回我们主要关注工业大数据的方方面面，同样的，欢迎留言，欢迎转发，欢迎讨论~~

• 首先，数据在哪里？

1. 一类是管理数据：结构化的SQL数据为主，如产品属性、工艺、生产、采购、订单、服务等数据，这类数据一般来自企业的ERP、SCM、PLM甚至MES等系统，数据量本身不大，却具有很大的挖掘价值；

   
   

   
   

2. 另一类则是机器运行和IoT的数据：以非结构化、流式数据居多，如设备工况（压力、温度、振动、应力等）、音视频、日志文本等数据，这类数据一般采集自设备PLC、SCADA以及部分外装传感器（装什么？怎么装？），数据量很大，采集频率高（一般在ms级），需要结合边缘计算在本地做一些预处理；

   
   

总的来讲，由于场景的割裂和分散，工业数据本身具有量大、多源、异构、实时性要求高等特点，而且随着未来280亿设备逐步接入，这些特性将会进一步加强，这是做工业大数据服务的核心难点之一，和互联网大数据不仅量级不同，结构不同，应用也完全不同。举个简单的例子，互联网场景中我们常用的是推荐算法，相关性分析等等，但是到了工业场景，很多机器数据需要做频谱分析、归因分析，这是完全不同的两个方向。

• 其次，基于这些工业数据，平台层应该提供哪些服务？

  
  

1. 完整的协议解析：数据采集首先要完成工业协议的打通，这部分工作不算太难，但需要花费人力和时间，是真正的苦活、累活，往往是不想做但又不能不做，当然，反过来讲，各种协议的打通和支持本身也是服务客户的壁垒之一。以应用层协议为例，EtherNet/IP和PROFINET的市场占有率最大，其中PROFINET主要市场在欧洲，EtherNet/IP主要在美国。其次是EtherCAT、Modbus-TCP和EtherNetPOWERLINK这些。

   
   

2. 标准化的数据整合：采集上来的数据要做统一的主数据管理，第一步是建立标准。一般来讲，我们先要用ISO或其他业内标准，制定统一的编码、结构、流转方式和属性，确保数据的一致性，这一点非常重要。其次，要在项目实施的历程中，逐步积累行业知识库、合适的算法组件以及相关机理模型，这一点也很重要，这是从数据标准进化到业务标准化的关键一步，是为实现真正的产品层面的微服务化打下基础。

   
   

3. 强大的PaaS支持：工业数据本身的特殊性导致平台必须要有强大的中层支撑能力。我们以时序数据库为例，最近，阿里云发布了商用版本的高性能时间序列数据库 (High-Performance Time Series Database) 。所谓时序数据，是带有时间戳的一系列数值，时序数据是工业数据，尤其是设备工况和传感器数据的典型品种。这类数据频率高、量大，用传统关系型数据库处理，需要每次把所有值拉出来计算，吞吐量极大，性能很差。所以，一个高压缩、高性能的时序数据库，就是平台层必备的能力之一。

• 最后，我们应该做哪些应用？

1. 设备级：质量控制。为了避免产线宕机，工厂的传统做法是对设备或核心零部件做定期的更换或检修，这种做法往往不能解决问题，而且会造成浪费。在工业智能时代，如果我们能够采集到合适的实时数据，结合该设备所适用的机理模型，就有可能用机器学习的方法挖掘出产品质量与关键数据之间的关联或因果关系，也就有可能实现实时在线的质量控制和故障预警，如果数据频率能对工艺流程形成完美包络，我们还有可能实现最大限度的效率提升。

   
   

   
   

2. 厂级：计划排产。工业智能的最终目的是要实现大规模的个性化定制，即C2M。从工厂计划排产的角度来看，这其实是一个数学问题。这一问题的目标是实现当时当地的产能最优，约束条件来自企业的产线设备、人员、产品属性、供应链数据等等，通过历史数据的学习和训练，不难形成一个较好的预测模型。这一模型能根据产线和工厂的实时数据动态分析，动态调整，以帮助企业实现准确把控，最大化经济效益。

在可以预见的未来，随着数据的完整性和可靠性越来越高，场景越来越丰富，数据应用层面会诞生相当多的优先企业，他们帮助工业用户降低成本，提高效率，能解决实实在在的业务问题。目前来看，无论是阿里云所谓的ET工业大脑、三一的根云，海尔的COSMOPlat，甚至富士康的BEACON，等在往这一方向努力，数据能驱动的，绝不只是信息的加速流通，未来一定是业务全流程的重构，让我们拭目以待。