2018云栖大会武汉峰会新制造专场，由阿里云研究中心高级战略专家王岳带来了以“AI时代的制造业数字化变革”为主题的演讲，谈及数字化比那个能对传统企业产生的影响，介绍了制造业数字化变革模型以及中国制造业的未来发展，最后介绍了阿里云工业大脑及相应的案例。
数十款阿里云产品限时折扣中，赶紧点击这里，领劵开始云上实践吧！
直播视频请点击
以下为精彩视频内容整理：
为什么阿里云谈制造？
去年双十一的交易额达到170个亿，支付峰值达到了25.6万笔/秒，交易峰值达到了32.5万笔/秒，比2016年提高了一倍，拦截了15.03亿次的网络攻击，95%的客服服务是由阿里小蜜机器人来实现的。这些数字背后涉及了很多的技术。我们发现，相当一部分的电商服务具有平移和复制的能力，比如可以通过算法提升芯片的良率，也可以用来养猪。但是像生产类技术却不能，比如生产汽车的公司就不能生产鞋。
比如Uptake是一家美国的一个大数据公司，Caterpillar是全球最大的工程机械公司，每天是由三百万的设备是在运转的。Uptake通过对Caterpillar公司的设备数据、环境数据和工人数据，再加上油耗分析模型、故障诊断模型、研发设计模型和成本核算模型，可以很好地为该公司的工程机械用户、工程承包商和操作工提供服务。目前现在Uptake的估值已经达到23亿美金，是一个不折不扣的独角兽公司。
哪些技术能对数字化变革能产生影响呢？
像TD基础设施，比如互联网，云计算，大数据，人工智能；还有像物理世界的物联网，VR/AR，机器人技术等；那么TD技术和物理世界的融合，未来会孵化出新的模式，比如工业互联网，共享经济等。从下图可以看出，工业化变革的每个阶段，都会适时的产生新的技术，而且新技术和现有的技术会产生化学的反应，重新加速制造业的变革。所以，未来区块链、无人驾驶这些技术落地的速度肯定会超过人们的想象。
数字焦虑加速数字化变革
为什么现在企业，都在谈数字化变革呢？其实是因为数字焦虑。过去工业时代，发展就像是植物一样，先生根，然后纵向的开枝散叶，是一种垂直的一种玩法。在数字时代，企业的发展更像是一个动物，需要跨界，需要找水源和新的食物。所以，在新时代转型成功的一些企业中，它们的数字模糊能力比较强，更容易成为行业新的领导者。这过程中也会看到有一些企业被淘汰掉。
数字变革并不能一蹴而就，需要跨过四个门槛：
第一个门槛是数据的流转。不同于数字原生、云原生等企业，这些公司的数据本身就是跑在云上面的。制造企业还有一个数据从线下到线上迁移的过程，这是转型的第一步。
第二个门槛是触达，直接触达客户。制造业一直讲全生命周期管理，更多是指把产品交付给客户后，生命周期基本上也就终结。
第三个门槛是知识的共享和传承。这是制造业发展的一个瓶颈。过去行业的知识都会沉淀到在软件和设备里面，然后再卖给用户，而用户很少能掌握这些知识。一位美国只在发动机的企业工作人员告诉我，这家企业一年的企业流失率在30%~40%，无法实现传承。所以企业应该把知识传承下去。所以我们现在强调要打造百万级工业的APP，一个核心的目的就是，希望能把知识沉淀在APP里面，加速知识的流转，
第四个门槛是敏捷。因为企业还是比较谨慎的，变革按流程线性发展。但是在数字时代，如果企业不能做到小步快跑、迭代试错的话，往往会错过商机。
制造业数字化变革模型
制造业数字化变革模型，分为五个维度：
第一个维度是数字加速器。数字技术很重要，它是扮演一个赋能的角色。
第二个维度就是生产运营变革。如何在工厂端从研发、供应链、生产等方面，加速企业的转型。
第三个维度是商业模式。企业要打算什么样的智能产品，打造什么样的智能服务，如何做精准营销。
第四个维度是平台的变革。未来的商业模式会是平台公司，包括内部供应链平台，生产平台，研发平台，也包括工业物联网平台，工业互联网平台等。
第五个维度是领导力的变革。我们看到我们所做的数字化转型成功的项目，基本上都是一把手项目，这需要CEO和管理层有一个拥抱数字的心态。
中国制造业需要什么样的未来工厂？
工厂的发展分为三个阶段：
第一个阶段是自动密集型工厂。在流水线能看到互联网技术，机器人技术，AGV小车等，其核心的目的是尽量减少人为的干预，通过生产的自动化，把人解放出来，让人去做一些更为复杂的工作。
第二个阶段是数据密集型工厂。这个阶段所有的业务、生产流程都要软件化，所有数据都要云化。核心是为了加速企业的决策。因为一个产品的80%都是在等待。因为信息的不对称，效率大打折扣。比如说汽车的生产过程只要一天，但是接到下单，到交付到用户手里，会需要一周的时间，这就是因为数据没有实时的流转。在这个阶段我们可以通过数据的流转，加快物流和资金流的流转。
第三个阶段是智能密集型工厂。未来工厂的核心资产不会是设备，也不是数字技术，而是算法工程师，还有就是工艺师傅。他们能把数据抽象成知识，再把知识，沉淀到软件和设备中。
阿里云工业大脑
阿里云工业大脑，简单来讲就是包括四个拼图：超强的计算能力、云数据、算法和模型、工业知识。工业大脑是需要企业的工程师来进行赋能的。
下面分享几个成功案例：
- 天和光能是全球最大的光伏组件供应商，他们请阿里云的大数据团队去帮助他们实现对良率的提升。我们在他们产线的核心工序中，收集了一千个不同维度的参数，然后做关键参数的识别，就是去看哪些参数会对质量影响最大。通过机器学习搭建模型，去找30个关键参数之间的最优关系。最后得到一个药方——参数的组合。当企业用了这个药方之后，良率提升了7%。
- 中策橡胶，是中国最大的轮胎制造企业，每年生产5050万套轮胎。其轮胎的制作过程中需要使用不同产地的胶进行混炼，但是具体不同胶之间的比例，都是凭老师傅的经验。这样做并不能实现精确化。通过机器学习，我们使他们的A品率提升了5%。
- 盾安集团，是中国民营风力发电领军企业，其风机每故障一次都需要几十万。我们在风机上面布满了温度传感器，来实时采集数据，做温度曲线的模型。可以做到提前14天预测故障，使大修变为小修，使单次故障成本减少20-40万。
- 恒逸石化，全球领先的石油化工综合服务商。化工行业是高耗能行业，每年光烧煤就需要4亿吨。我们通过算法，动态的调整锅炉的参数，可以提升燃煤效率4%，为公司节省上千万成本。接下来，我们会改善他们整个工艺流程。
无论是流程行业还是离散行业，都离不开图像识别。如果去工厂就会发现，相当一部分人是在做质检。比如发动机厂的20个生产工序中都需要质检。一个纺织厂的3000人里面有20%是在做质检，所以每年光质检的费用就达到几千万，还有人会是走神的。如果通过图像识别技术，在秒级拍照，分析，预警，制定一套标准，能节省很大的成本。
工业大脑应用场景的三个寻找原则：
第一个是数据压强最强的地方。数据越多，可发挥的空间就越大。。
第二个是数据采集强的环节。建模的成功率就越高
第三个是价值密度，找到你们的痛点，能给企业带来价值。
基于这三个原则，企业可以做一下尝试。
工业大脑发展路径——单点、复制、扩展、优化
第一个阶段是头脑风暴。老工艺师傅，数据团队和专家，集思广益。
第二个阶段是做减法。看哪个环境，能产生最大价值，实现单点的突破。
第三个阶段是数据采集、数据清理、建模。当我们在单点取得效益之后，要在线上去做延展、复制。
第四个阶段是扩展这个产线，工业大脑全局的扩展。
第五个阶段是朝着平台化发展。
针对工厂智能化发展的三个阶段，我们可以从上到下倒逼进行。当企业看到数据能产生价值，能加速它们变革的决心，加速它们对智能化的投入。
通过做了那么多的工业化的项目总结出，工业大脑有四个超能力：
暴力破解。基于数据，再加上老工艺师傅，可以把数据变化为知识。
跨行业复用。比如说我们在光伏行业做的工业大脑，也可以应用在光伏行业的上游和下游，做到产业化，也可以复制到做橡胶行业和钢铁行业等。
微创技术。我们没有改动产线，只是改动数据，风险是可控的。
知识沉淀。积累的知识一定是封装在模块或APP里面的，可以赋能所有的中小企业。
场景的微粒化
我们看到行业的不同，或是细分行业的不同。相同细分行业，企业的不同，转型的优先级是不一样的。
图中深色是带来价值比较高的，浅色的是比较低的。做服装对的对C2M感兴趣；食品和制药行业对质量要求比较高；电商对仓储比较关注；交通和机械行业关注3D建模、虚拟仿真；机械行业还关注协同工艺链；钢铁，电力，石化等行业是流程化的，要花很多钱在设备上，对设备的预测性维护很关心；钢铁、石化等行业有很多的参数变化，希望利用算法来优化生产。可以看出不同行业的转型场景一定是不同的。建议想转型的企业要跟行业的专业人士聊聊，一起把把脉，设计一个有针对性的转型路径。
在转型过程中，需要思考我是谁，要有一个明确的变革目标。转型的战略一定要和企业核心的业务战略融合在一起。要打造自己的数字化转型的梦之队；打造适合自己的转型路径。随着转型的深入，传统的KPI已经失效，要打造针对数字化转型的KPI。最后给大家一个建议，要单点突破，从小做起，小步快跑，迅速迭代。
