這是一場將自己變成實質上公共事業企業的戰爭，製造業不過是一個分戰場。網際網路大廠「染指」製造的醉翁之意在於底座（IAAS以及工業PAAS）能力的輸出，透過強有力SaaS軟體直接服務終端使用者並非常態打法。

這也造就了網際網路大廠解決方案的開放與協作，與傳統制造業巨頭的網際網路方案的封閉、「捨我其誰」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」的商業模式，大大降低製造企業使用新技術的門檻。

不過，代表性企業在與製造業的結合過程中發展方向各有特點，結合的程度也有差別。

撰文 | 吳昕

2020年見證了製造業的驟停，也見證了他的反彈迅速。德勤在一份最新制造業趨勢展望中發現，製造業正加劇數字技術投資，以便更好地「罩住」不確定性。

作為市場規模增長最快的傳統產業，製造業企業認為，工業AI平臺能讓他們以更低的成本應用AI，是AI在工業領域的落地和普及的必要條件。與網際網路大廠合作填補能力空白，也成為主要選擇之一。

與之相應，網際網路大廠也不再滿足於等待企業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於工業領域的機器學習服務，坦言要降低缺人才、缺錢中小製造商採用新技術的門檻。

一 應用工具層：有限的「短兵相接」

坦白說，絕大多數製造企業想要「拎包入住」的便利和實惠，並非網際網路大廠強項。他們更像是提建築材料和工具供應商，還需要招攬大量「泥瓦匠」（比如開發各種App應用第三方），造出滿足不同需求的「精裝房」。

不過，在少數典型應用場景「最後一公里」舞臺，他們不懼透過強有力SaaS軟體直接服務終端使用者，與製造巨頭和應用工具開發商「短兵相接」。

2017年貝恩諮詢的一份圖表顯示，並不是所有工業網際網路機會都是平等的。對工業客戶最有吸引力的機會如黑點所示，主要包括質量控制、預測性維護、提升產率斜坡、資料最佳化、遠端控制等。

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

在車間層實現生產流程的最佳化和精益化，質量檢測成為大廠必爭之地。現代製造系統非常精細，故障率通常只有 1% 或更低。但即使很小缺陷也會讓企業付出昂貴代價。但「人工+普通攝像頭」的傳統方案存在一系列問題，包括精度低、健康損害、管理成本高、方案擴充套件性差地等。

比如半導體、PCB 行業，康耐視、基恩士大都採用傳統的視覺演算法分析方法，基於成熟的模板匹配、灰階等演算法，不僅會有漏項，也需要有許多工人複檢。

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

在中國工業質檢市場，百度智慧雲佔據最大份額，在3C行業的固定點位缺陷檢測（比如寧德時代電池質檢）、鋼鐵行業的中厚板檢測、紡織行業的智慧驗布領域都提供了相應的解決方案。

阿里工業大腦「見遠」已經應用在電池片瑕疵檢測、蠶絲瑕疵、道路裂縫檢測、垃圾分類、智慧養殖等多個領域。

騰訊也攜帶在華星光電、空客積累的一些工業視覺智慧能力，深入其他製造領域。

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

製造商無需任何機器學習經驗，僅需將少量影象（少至三十張）傳送給雲端系統，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，不規則形狀（比如披薩是否夠圓）或不正確的產品顏色。

機器視覺的另一「扎堆」應用位於管理環節，比如涉及安全管理的工業巡檢。

電網巡檢，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。如果將硬體處理器部署在輸電杆塔或者無人機攝像頭裡，系統可以「就近」分析影象影片，識別典型隱患場景、本體缺陷併發出警報。雲端部署訓練和推理系統，負責持續最佳化演算法模型。

而諸如工業廠區（比如，精細化工園區）安全巡檢也需要藉助網際網路大廠對人、車、物、裝置的快速識別，實現安全管理效率。

除了機器視覺的技術優勢，在裝置運維後市場，網際網路大廠們也希望實現對生產裝置的預測性維護：

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生，導致嚴重商業後果。

GE、Caterpillar、小松、三一等製造巨頭的產品遍佈全球，做預測性維護可謂水到渠成，而網際網路大廠也不懼短兵相見。

比如，對比飛剪機組斬切精軋機組轉出的鋼帶噪聲脈衝與典型噪聲特徵集，完成一段時間生產資料統計後，百度智慧雲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監控服務：

先在工業鑽孔機裝置上安裝感測器，收集鑽頭壓力、馬達和主軸轉速資料，再發送到雲端儲存、分析和展示，基於機器學習演算法進行預測性分析。

從所涉製造企業型別來看，網際網路大廠流程製造落地案例似乎更多一些。比如鋼鐵、水泥、菸草、食品、化妝品、藥品、積體電路等。

流程製造企業生產過程多數是自動化的。生產線上的裝置維護特別重要，每臺裝置都是關鍵裝置，不能發生故障，一臺裝置的故障會導致整個工藝流程的終止。

由於自動化程度比較高（比如裝置控制級大量採用DCS、PLC，各種智慧儀表），利用新技術的現實基礎也比較好，單點上的突破就能幫助企業看到提升，比較容易ROI。

對比之下，離散製造業企業一般人員密集，自動化水平相對較低，資料採集也以手工上報為主。

不過，在傳統制造業看來，網際網路大廠仍然沒有深入到生產核心環節和裝置，比如高爐、轉爐鍊鋼，瓶頸主要是對工業和工藝瞭解有限，也不敢輕易嘗試。

二 工業 PaaS：「兵家必爭」

透過強有力SaaS軟體直接服務終端使用者，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是傳統制作企業數十年的摸索積累與千萬次驗證，反覆建模，留下的理論與經驗結晶，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。」任正非在最近一次華為企業業務及雲業務彙報會上發言時談道。

這也是為什麼每家網際網路大廠都有自己的生態計劃，比如騰訊「千帆計劃」、百度「AI Star 計劃」、阿里開發者成長計劃等。

事實上，位於應用工具集合層之下、IaaS 之上的工業 PaaS 才是網際網路大廠的演化舞臺。

「 AWS 顯然是一種 PaaS，或者至少具有 PaaS 服務。」幾年前， Werner Vogels 在接受外媒採訪時曾說道。

「將平臺能力（IaaS PaaS）注入製造業的大方向，一直沒變過。」2019年，阿里雲資料智慧產品事業部總裁曾震宇在採訪中告訴我們。

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雲平臺來高舉高打才是解題關鍵。

回顧歷史，網際網路大廠雲平臺要早於製造業平臺，他們自己也誕生在雲裡。

谷歌和百度，其計算量、儲存、網路、SLA、延時、大資料等，無法在端上完成，核心業務搜尋就是雲計算早期的最重要應用。

亞馬遜、阿里、京東也遵循類似邏輯。「我們希望建立一個面向服務的架構，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後，我們馬上又發現，這個架構適用於世界上所有的企業，所有企業都可以使用它。」貝索斯2018年在華盛頓經濟俱樂部和2019年在里根國防論壇上的採訪時曾談到過這些。

因此，當他們將製造業作為平臺業務拓展的重點領域時，也會為網際網路 + 製造部署提供連線、計算、儲存等底層技術支撐（比如支撐幾十萬臺裝置高頻感測器資料的壓縮、儲存），成為「平臺的平臺」，使上層平臺專注於與工業生產直接相關的服務，從而實現專業分工，發揮疊加效應。

這與傳統制造業巨頭的網際網路方案的封閉、「捨我其誰」的架勢，形成鮮明對比。網際網路大廠更強調開放與傳統制造企業合作，幫助後者更好地適應網際網路、使用網際網路。

與其他對手相比，阿里雲平臺能力主要集中在底層，比如資料計算儲存、分析。Azure、 AWS 也是如此。圖表來自頭豹研究院。

工業PaaS是實現工業智慧關鍵，需要解決一些關鍵基礎問題。

比如，實時性、軟硬體與模型適應性問題，需要透過晶片、架構與編譯器的發展來解決；至於模型可靠性、深度學習可解釋性、資料與場景適應性則，則依靠演算法層面的研究解決。

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

例如，油田服務公司貝克休斯（Baker Hughes）基於 TF，利用深度學習演算法進行震動預測、裝置預測性維護、供應鏈最佳化和生 產效率最佳化。

阿里工業大腦全面支援 TensorFlow、Caffe 等架構，已廣泛參與到新能源、 化工、重工業等不同製造領域。中國航天科工集團的工業網際網路平臺基於 Tensorflow 進行軸承預測。

推理框架方面，端側推理框架無法滿足工業終端計算需求，需定製化開發。不過，隨著工業終端智慧化功能與計算需求的不斷提升，端側推理框架需求較為緊迫。

谷歌、騰訊、百度和華為等已經開發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慧能力，未來具備向工業領域滲透可能性。

谷歌 TensorFlow Lite 深度學習框架現階段首先支援安卓和 IOS，同時在工業領域應用普及度也較高。百度 Paddle-mobile 深度學習框架支援包括 ARM、NPU、GPU 等多種硬 件平臺，且重視在工業領域的延伸 / 合作，更可能在工業領域發力。

網際網路大廠在製造業「存在感」主要在於底層，圖表來自頭豹研究院。

至於編譯器，亞馬遜、谷 歌、華為、阿里等已經基於各自優勢與競爭考慮打造。

值得注意的是，為了降低製造企業、機器學習開發者使用新技術的門檻，網際網路大廠們想法設法降低演算法實施過程中開發、環境、運維對工程師的依賴。

比如，百度的工業視覺智慧平臺、EasyDL平臺，都將資料、模型、部署等多流程打通；

亞馬遜 SageMaker 也可以有效貼近工業的實際需求，讓開發者快速、輕鬆整合到自己的系統中，讓製造業客戶輕鬆獲得AI能力，比如質檢。Amazon SageMaker Edge Manager 還可以幫助開發人員最佳化、保護、監控和維護部署在邊緣裝置叢集上的機器學習模型

騰訊雲千帆計劃的技術中臺產品「鵲橋iPaaS」，用來提高整合速度，讓以往需要數十天的整合工作可在幾天內完成。

不過，在降低製造企業使用新技術經濟門檻上，網際網路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，大大降低製造業企業使用網際網路服務的門檻，讓企業更專注構建於自己獨特的能力。

「你只需要買這個服務。第一年覺得用的好，第二年再繼續，如果覺得用的不好，第二年可以不再付費。」在過去的採訪中，阿里雲IOT智慧製造總監鄭旭曾告訴我們，「我們可以將ROI控制的很低，企業的轉型成本和風險都很低。」

亞馬遜乾脆將AWS的成功歸功於「透過重塑企業購買算力的方式，AWS 成為了一家規模非常大的企業」、「重新書寫經濟模式」。

三 基因各異，也各具特色

雖然說，底層輸入能力上，網際網路大廠沒有本質區別，不同基因又決定網際網路大廠在與製造業的結合過程中各有特點。

C2M 模式核心是大規模個性化定製，也是工業網際網路主要應用模式。從C端起變革，正是坐擁流量入口網際網路大廠（阿里、京東、拼多多）拿手好戲，拿流量換取製造業的機會。

電商「搶」工廠，往後做供應鏈、ERP、柔性生產，一方面得益於十幾年來製造商柔效能力提升，另一方面也在於摸清從零售到生產的每個環節。

藉助條碼、RFID、攝像頭等裝置對工廠進行輕量化的物聯網式改造，將工廠的產能資料與網店打通，藉助深度學習等演算法模型對消費者評價等資料進行學習，實現按需生產。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，騰訊沒有控制生產環節的條件，也因此更具開放性。依靠合作伙伴來做，針對中國製造企業千人千面的解決方案。

社交起家的騰訊，其企業級業務最大的吸引力，來自其消費級業務積累的強大使用者優勢。手握這些連線能力，騰訊善於從銷售和服務再往前端去切。而使用者選騰訊看的還是使用者流量和營銷能力。

至於微軟，本身是做生產力工具，憑藉自己在系統軟體方面的優勢與傳統的工業自動化企業結盟，直接進入了車間地面的核心製造環節中。

Azure 雲平臺和 Windows 10 物聯網版，更是在跨硬體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 系列企業級辦公軟體與遠端的雲端儲存、雲計算結合在一起， 創造出獨特的企業級應用生態。

在製造業的場景中， 企業可以將自己的生產機器的軟體控制系統直接建立在 Azure 和 Windows 10 物聯網版之上，實現以 Windows 為軟體控制基礎的智慧化生產。

比如，給一家工程機械和刀具系統廠商做預測性維護，微軟的方案基於 Azure 物聯網套件 (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、日程排期等多種資訊。

方案還整合了微軟 Dynamics 365 ，實現刀具、機器與流程的完美結合，幫助人們根據客觀整合的生產資料規劃資源，明確機器或工具的投資回報率，做出更好的決策。

相比之下，亞馬遜似乎更安於自己的一畝三分地，做雲服務供應商，幫助企業提供一攬子的網際網路解決方案。不過，其創新的核心關鍵詞離不開零售經驗的「easy and cheap。」無論是在資料庫、分析和容器開發上不慌不忙得迭代，還是悄然擴圈更多製造業開發者甚至終端使用者，提供靈活、便宜的服務。

前哈佛商業評論主編 Nicholas Carr 早在十幾年前預測過，隨著資訊科技已經開始將自己從潛在的戰略資源變成和水電一樣的商品，它們正在變成所有企業都必須支出的成本，也因此不再具有真正的戰略價值。

既然「親力親為」 只是給企業徒增大量無意義的重複性工作，包括微軟、谷歌、亞馬遜、BAT在內的許多主要的企業 IT 供應商將逐漸進入一場爭奪「網路服務」主導供應商的地位，以便將自己變成實質上的公共事業企業。

目前，雲服務仍處於發展早期，Gartner釋出的IT關鍵指標資料《2020：Industry Measures》顯示，在全球IT總支出中，雲上支出僅佔4%。

這是一場爭奪規模的戰爭，製造業不過是規模化的一個分戰場。而伴隨著 IT 向商品（比如上雲）的持續轉型。贏者將會過得很好，輸家則會出局。