Go 领军人物谢孟军：智能制造渴望银弹，首先要摒弃偏见
积梦智能创始人 & TGO 鲲鹏会上海分会会长谢孟军
2019 年 1 月 13 日，TGO 鲲鹏会厦门分会正式成立，数百名技术人赶赴现场为庆祝 TGO 鲲鹏会厦门分会的诞生。其中，安世泰联合创始合伙人 / 领投肯科技联合创始人兼 CTO & TGO 鲲鹏会台北分会会长王志清、网宿科技运营中心副总经理兼高级研发总监 & TGO 鲲鹏会会员林更新、微医集团海西医药交易中心技术总监 & TGO 鲲鹏会会员赵定益、爱范儿 CTO & TGO 鲲鹏会广州分会学习委员何世友、坚果资本合伙人邵元胜、积梦智能创始人 & TGO 鲲鹏会上海分会会长谢孟军等重量级嘉宾应邀出席，与参会者一起探讨「基于工业大数据下的工厂系统实践」「小程序生态解读——全面进入 LESS 时代」「跨境出海领域创业的机遇和挑战」等话题。
本篇文章根据谢孟军在活动现场分享的「基于工业大数据下的工厂系统实践」整理，有部分不改变原意的删减。
谢孟军现场演讲照片
今天，我带来的分享是基于工业大数据下的工厂大脑系统实践。
首先，我给大家介绍一下自己。我叫谢孟军，我之前是技术出身，我曾写了一本书，名叫《GO Web 编程》，我现在是 GO 中国技术的领军人物；还是一名云计算专家，目前是阿里云 MVP、华为云计算技术顾问，也是 TGO 鲲鹏会上海分会会长。TGO 鲲鹏会是目前互联网里最高端的技术领导组织，我们可以通过 TGO 鲲鹏会联系到互联网里的所有人。
在加入 TGO 鲲鹏会后，我有幸认识了王坚博士，和他一起为杭州城市大脑做努力。之前的杭州城市大脑主要是负责交通大脑，我们目前将交通、公安、发改委、旅游等各个系统作为综合型板块，希望能做出一个真正的城市大脑。
现在我主要做的是工业大数据，因此，下面我将从工业制造的现状、困境、大脑架构、大数据应用案例分享等方面给大家做分享。
首先谈到的是工业大数据的现状，当下每个互联网企业都有一个大数据部门，但工业大数据和传统互联网的大数据非常不一样。因为传统意义上的互联网大数据有庞大的样本数，用户在使用产品的过程中产生了非常庞大的数据量，我们在做大数据的过程中就能预测用户的消费行为。工业中只有很多的样本数据，没有实际操作数据，导致出现如果我们要做飞机里弧线的钢铁时，很可能没有一台设备存在需要的数据弧度钢铁，那么我们只能依赖于人工的方式制作。另外，很多制造业虽有大数据，但是仍只是一个空壳，很多制造业企业给了 IT 部门足够的预算，但业务部门觉得你们收集了这么多的数据，却不能给业务部门服务，也不知道该如何治理。
总结以上所述的种种情况都在表明工业大数据出现了以下 3 个行业现状：
1、缺少数据。
2、有大数据，但只是空壳。
3、有数据湖，但缺乏数据治理。
其次和大家谈谈目前行业内对于工业大数据的误区，如下：
第一，渴望银弹。我们在与行业里的人交谈时会发现，大家都十分渴望银弹。实际上制造业是非常复杂的行业，里面会被影响的东西太多了。
第二，缺乏认同。在传统制造业里，他们认为，花了二三十年才累积下来的很多经验，你们现在一帮互联网的人说拿到数据就能帮忙提升，这怎么可能？
第三，注重形式。国家一直在提智能制造，尤其是当马云振臂一呼说新制造业出现时，所有的制造业老板心里都十分恐慌，生怕过个三四年就把自己淘汰了。导致他们纷纷开始建立大数据部门，收集数据，但是却没有数据应用的产品。
以上就是我们目前工业大数据所遇到的问题。
目前我们所遇到的一些大企业里，他们主要面临的是以下 3 大困境：
第一，信息孤岛。在互联网行业大家都听说过，实际在制造业里信息孤岛的现象会更加严重，因为这是一个企业在发展过程中所遇到的共性问题。
第二，重复建设。所有企业都会经历从小到大的发展过程，随着企业越来越大，部门和部门之间会牵扯到很多重复建设的问题。举个例子，当时我们在做质量大数据分析时，发现某一个设备同时有 3 个部门都在进行管理，因此出现了很多重复性建设的东西。对于 IT 来说，这就造成了他们需要维护很多套系统，但实际上它们的基本功能是相似的。
第三，响应迟钝。当马云提出新制造后，由于制造业响应太迟钝了，导致原来传统的 ERP、MES 可能没办法适应新产品，很多工艺没办法及时进行调整。
因此我们如今急需解决三个问题：
1、如何打通不同系统间实现业务交互带来的协作和集成成本。
2、如何减少重复功能建设和维护带来的成本浪费。
3、如何解决业务得不到沉淀和持续发展的问题，实现快速响应。
我们都知道传统制造业中目前最大的两个企业是德国 SAP 和西门子，目前他们正在做数据化转型平台，那么谁能做出数字化转型平台呢？要做自我革命非常困难，所以给了很多初创公司一个机会去做这样的事情。
原来我在 Apple 工作时，他们内部搭建了一套工业制造数字化平台的雏形，我从中看到了机会，于是我在 2017 年 10 月的时候，辞掉了 Apple 的工作出来自己创业。
那我们的系统设计理念是什么呢？
1、数据中台：建设统一大数据中心，打破信息孤岛
我们在设计时考虑了几个问题，目前很多大企业该上的系统都上了，为什么制造企业还是不能快速响应？还是不能很有效的效率协同，为什么分析问题时都不能快速实现呢？
因为我们缺乏一个数据平台，所以我们刚开始计划要把数据相关的东西汇聚到数据平台，如产品设计数据、产品测量数据、设备信息、供应商数据等。或许要将原来的软件打破重做是很困难的，但只要在发展的过程中将所有数据汇聚到一起，让它们产生新的价值，实现快速响应，那么就能达到目的，成为真正能够服务业务的产品。
2、业务中台：业务沉淀和持续发展，响应快速
西门子去年提出了数字双胞胎，指的是工厂、数字一体化，对于我们来说就是一个业务中台，这有助于将业务快速沉淀下来。
3、微服务：按需开发，快速部署，快速迭代
我们希望将微服务带入工业大数据里，我们都知道 SAP、西门子是套装软件，它的好处是大而全的全家桶，但它很容易严重影响企业快速响应的过程。之前我们接触过一家公司，它的 MES 就引入了第三方。大家都知道工厂只要正常运行起来后，有一些工厂基本是 7 24 小时运作的。如果这时我们想要开发一个新的功能，基于这个模块去开发，都不敢重启升级，因为很可能导致在 1 小时内损失几百万。这不像互联网行业，可以在凌晨 3 点升级，工厂很多都是 7 24 小时工作的，导致了制造业快速响应变得很慢，这也是很多传统制造业出现的问题。因此，我们采用了微服务的方式，按需开发，快速部署，在原来的基础上快速迭代，能够开发很多 APP 的平台。
数据汇聚完之后，主要就是可视化分析，其中稍微有些技术含量的是贝叶斯网络分析。
我们知道制造过程中，不管是多么先进的制造企业都会产生制造问题，生产过程中必然会出现质量问题，那么在产生问题时，我们该如何寻找问题来源呢？寻找问题出现的地方，是我们最重要的事情，而贝叶斯网络分析就是帮助你分析产生问题的来源。
举个例子，车灯安装一般会遇到三个问题，车灯、车身、安装工艺。那么我们可以通过建立贝叶斯网络树，分析它们的历史数据后发现，安装工艺产生的问题占 53.75%，车灯产生的问题是 22.9%，车身产生的问题是 22%。基于概率和最顶上的数据可以建立起这套贝叶斯网络模型，但这个网络模型有什么用呢？
我们可以利用这个网络模型再出现问题时查找原因。当生产线报故障时，我们可以立刻拿到数据，通过分析当时系统中测试的数据值、工装状态等进行划分，在范围内分析出是哪方面造成的原因概率比较大，便可以快速知道究竟是哪里产生了问题。之后，随着数据越来越多，越来越成熟，判断出来的准确率也会越来越高。我们将老师傅的知识数字化，将感觉的东西数字化，最终变成模型化。
其次，我们会将制造业相关性进行分析，这是目前比较重要的部分。比如，大灯安装时可能会影响到雨刮器，如果我们能有数据支撑，我们可以分析出大灯进去后会影响到雨刮器的原因。
平时我有很多时间在外面讲课，讲课过程中会碰到很多中小企业的人，在和他们聊天的过程中，我发现中小企业有一个很明显的问题是，信息化没有完成。他们也想和大型企业一样发展，因此先后上了 MES、ERP 等系统，你会发现他们被软件厂商绑架了。
目前，积梦联合阿里云 ET 大脑，做出了积梦数字工厂大脑。为了解决中小企业在生产制造过程中所产生的问题，目前我们已经针对相关问题建立了一套数字工厂模型，所有工厂从接订单到工程设计、库存采购、生产计划、质量控制、盘点出货等流程都做出了相对应的一整套产品。
当前，我们已经与很多浙江的加工厂合作，帮他们解决订单交期、动态生产计划、质量追溯、采购周期、快速响应售后客诉等问题。
最后，根据我的实战经验给大家总结了 4 点未来大家在做工业大数据时可以借鉴的经验：
第一，大数据需要专门的团队，不能依赖套装软件工厂。
第二，大企业起步虽晚，但可以借鉴互联网企业的经验。目前大数据在互联网企业里，大多数公司都运用得风生水起，做得非常好，但是在制造企业里，我们仍需要怀着一颗敬畏的心去做工业大数据，因为我们有很多东西需要学习。
第三，小企业可以使用大数据云服务。可能很多小企业没有能力去养一个 IT 团队，那么我们可以利用成熟的云服务快速使用起来。
第四，摒弃偏见，加强交流。
今天的分享到这里，谢谢大家！
谢孟军：第一种情况的比例占 70-80%，后两种情况大约占 20-30%，真正做得好的基本上没有。
谢孟军：用工业话语来说，指的是供应链上下游打通。生产制造过程中主要有三大块，第一块是原材料来源地，第二块是生产过程，第三块是销售过程。假设供应链所生产的产品与销售部分，以及生产制造公司像插座一样连接起来，那么我们就可以更直接的触碰到质量控制的部分。
过去中国制造给人最大的感受是，便宜但是质量不太好。大家可以了解一下历史，德国当年在生产时也有过同样的情况，刚开始时，德国大部分企业也是直接 copy from England。但之后德国发展了质量革命，你可以发现在德国有很多隐性冠军，指的是德国做得特别好的品牌，也是在那个阶段发展起来了 SAP、西门子等品牌，你可以发现它们现在发展都非常好。
那么现在，大家可以持续关注数字化平台的机会。
谢孟军：这个得分行业，制造行业和互联网不一样的地方是，互联网“一招鲜吃遍天”，制造业是不同的东西应对不同的东西。
正如，汽车行业的东西无法复制到手机行业一样，因为它们的生产制造工艺不一样，想要做到反馈直接影响决策很难的。但是大的模型不会变，如底层系统、数据搜集、数据工厂，只上它们上面应用的东西会变。就像贝叶斯模型，不同行业有不同模型塑造形状，但是它们的方法论是不会变的。
谢孟军：其实人工智能在工业制造还有一个比较成熟的应用叫缺陷检测，通过图像识别的方式进行缺陷检测。很多时候我们都需要人工检测，这个技术让我们能够通过摄像头来做智能检测。另外一种是成本优化，这个应该叫综合数据预测运营应用。在数据汇聚后才能做综合预测，虽然我们现在还有开始做，但前段时间我们与安道拓（汽车座椅制造商）沟通如何利用大数据帮助他们计算成本、搭配零配件、选择供应商等。
谢孟军：首先是聚焦的行业，我认为在制造业里，品类十分丰富，那么我们只有聚焦于几个行业才能做得更加深入。目前的话，我们主要聚焦于汽车、汽车零配件、电子电器等。近期在与阿里的合作过程中，接触到了纺织服装行业。
其次是竞争对手，你刚才提到的 ABB、西门子都是传统企业，我们与 SAP 有合作关系，也知道他们想努力往这个方向走，但所有企业在发展壮大后，想要转身是非常困难的。现在很多软件仍然卖得非常好，西门子会自我革命吗？其实很难。同时他们也没有这套软件，我们做制造业的都知道，一旦一个软件进去后要再更换一套的可能性很小，我们是创业企业，传统软件是老旧的，至于是否能够革命成功，一切都是未知的。我们拼的就是时间优势和产品优势，我们领先半年的时间就足够了。互联网的人计划做制造业软件，但其实他们很难做起来，因为制造业并没有想象中那么简单。制造业是很复杂的东西，进来之后你会发现，其中的坑很大，某些生产工艺就能让你学个两三年。互联网团队以纯技术的方式进入会吃很大的亏，但是如果有更多的互联网人进来其实是一件好事，能将这个市场教化得更好一些。
最后是关于技术团队的问题，目前我们有一个基础团队负责平台，有几个团队负责落地实施，包括现场实施和远程实施，现场实施可能会有 2-3 个人，一般都会去到现场与他们做沟通，这个部分会花费较多的人力。现在团队里有一个好处，我们有很多制造业出来的人，他们基本上都是去了解业务的，再将业务转化给产品经理，或者直接与大数据负责人沟通，将数据模型制作出来。
谢孟军：你所提到的三个云我都接触过，每个云的战略方向不太一样。
阿里云做工业的方向主要是走淘宝的，我们相当于是卖家，很多制造业企业是买家，他们提供了技术平台，让很多面向中小企业有了非常大的入口，很多销售电商都在里面。
亚马逊云主要是做私有云，公有云市场是有限的。
华为原来地面部队特别强，很多产业园、政府都希望与他们合作，但是华为云的制造到底能否输出给其他人呢？这是一个很大的疑问，华为高端机做得不错，但中低端机也是非常烂的。它的经验能否复制到其他地方呢？我觉得未必。
所谓云计算厂商还是会聚焦于 iaas PaaS 这个部分，如果到 SaaS 这一层，大家都是差不多没有。
谢孟军：目前最大的瓶颈是产品经理，产品经理既要懂技术又要懂制造，并且还需要了解很多业务的东西。