质量数字化如何成为制造业数智化的破局点？ | Founder 100

数字化有效解决了

剩余产能的问题

Founder Park：信息化和数字化到底有什么区别？

张志琦：过去的信息化，当时信息技术处理的信息不多，更多是进行一定层次的数据的抽离和归集，比如 ERP 系统里存储的只有订单信息，或者是财务信息，很多时候把它从业务侧中抽取来做一定的数据的归集。但是数字化阶段有很大变化，机器在正常运转，无时无刻不产生更多的数据，已经不再是在业务管理系统中产生数据，而往往是车间层面、设备层面、传感器层面都有。近几年在大数据技术上有很大突破，核心在于数据的存储技术，存储成本越来越低，数据存储的成本和技术都有很大方面的提升。我们可以有机会真正意义上把这份数据加以使用。

另外，数字化的概念跟信息化完全不一样。以前信息化一般是以关系型数据库来做存储，但是数字化往往是以源数据的方式来存储，甚至很多图片、声音等非结构化的数据，这样才真正意义上通过数字还原一个真实的世界，而不是像以前通过信息化还原一个可能经过加工的部分环境。

与此同时，这几年人工智能技术突飞猛进，有了这么多数据，我们也开始训练更多的模型，在各类的运行过程、制程和生产环境中把这些模型落地，逐步形成很多工业的 AI。信息技术这几年突飞猛进的发展，并且随着能力、科技等方面的全面提升，才真正意义上从一个信息化的时代，走到数字化的时代，再从数字化的时代走到了数智化的时代。

Founder Park：企业数字化本身的推进其实特别需要企业负责人的支持，因为它本质上其实是一个特别系统化的工程。你们接触了很多制造业的负责人，可能有很多的厂二代。你会怎么去看这样的一个新人群，他们会带来什么样的变量？

张志琦：大型集团都有很严苛、很规范的决策流程，虽然有时候一些厂二代开始在公司中负责关键的岗位和角色，但是对于大型制造集团来说，决策流程还是比较稳定，做得好、能解决问题，才会买单和付费。

接触厂二代比较多的场合还在于一般制造企业和一些中小型企业，今天很多厂二代对于数字化方面的理解，以及对于数字化工具的应用和使用，已经完全超越他们父辈。不用每天盯着屏幕，只要看一看微信推来的异常信息，就可以更详尽地了解工厂现场的实际情况；也不用在办公室里刷抖音，完全可以在三亚沙滩上刷抖音，也可以对工厂了如指掌。他们对此的接受度很高，并且对于这部分企业来说，他们对于这类的诉求和需求是极其高涨的，只是苦于没有一个更加方便、更加易用的产品去解决这类问题。

Founder Park：今天制造侧其实面临了一个非常核心的问题，叫传统制造业的一个剩余产能之困。这样的困境到底是困在哪里？

张志琦：对于很多中国工厂来说，有很多供需侧方面的错配问题，前几年，尤其是海外订单，包括国内消费侧发展特别快的那几年，大家都不愁订单，考虑的是怎么多买点设备，但是全球经济形势变化很快，以前买的设备在今天对老板来说是很大的负担。所以能看到剩余产能比较多。今天我们接触的工厂很多，一些工厂的生产质量做的都不错，对于质量有很高的要求，设备能力也都不错，只要给他一些订单，一定能生产出很高性价的商品，因为对他来说往往很多时候愿意用成本价生产，只要把机器的折旧费用、人工费用付了，不挣钱都没关系。对他来说，本来是一个在成本侧的东西，今天有机会把它从成本侧，至少打掉一些成本，哪怕不挣钱，对工厂的运营成本来说会有很大的帮助。

Founder Park：是不是可以这么理解，其实对于中国的制造业，他们的实际的诉求中，降本增效只是其中的一部分，更多的需求应该是增量创新？因为如果一味降本增效，会走到价格竞争的死胡同，但是增量创新能够带来更多收入。

张志琦：是的。我们一方面是把那些优质的剩余产能有效地利用起来，但是怎么利用这份优质资产，核心还是通过数字化的能力，比如质检能力、现场管理能力，把这部分制造型企业通过数字的方式连上，连上之后就能知晓什么时候有剩余产能，剩余产能是不是高质量的，整个过程都可以有效被监管起来。

另一方面，从消费者角度来说，也能真正意义上把这部分的订单导向到更好的制造型企业，去形成一个有效的匹配。在消费侧，订单量或者对于生产的诉求、需求，也是很明确的。过去经常为找一家靠谱的工厂头痛，但今天我们能把平台可以连接的，跟它所需要的生产能力匹配给它，同时平台的数字化能力又可以保证整个生产过程质量侧的问题。

接下来对于消费侧部分的订单诉求、需求，反而能做得更加简单和方便。举个简单的例子，对于像京造、京选这些京东的自有品牌，每年都要花大量时间去跑工厂，找到那些所谓具备高性价比的商品，再贴上京东自营品牌进行销售。今天我们给到像京东、京造、京选这部分的供应链，把平台中最优质的产能和最优质的商品提供给他，让他能更好地快速做这方面的选择。

Founder Park：智云天工之前一直主打的「超级虚拟工厂」概念，是基于什么样的洞察提出来的？

张志琦：在外企时接触到工业互联网的概念时还很早期，那时候更多叫工业化 4.0，是老牌制造国家德国提出的。德国认为今天已经到了数字化的时代，就应该把所有的数据团汇总起来，找到它们之间的关系，真正地对生产过程进行效率提升，包括对于生产的质量进行进一步提升。我们尝试把工业化 4.0 引入国内，但当时碰到了很大的挑战，如果要把所有数据都连上来，连接上有一定成本，连上来之后可能也不知道数据怎么去用，因为结果有很多不确定性。所以当时我们只在一些高端制造企业上真正做了一些落地，因为他们生产的产品价值比较高，对于整个生产过程的控制力相对较强。工业化 4.0 为什么在中国的土壤落不下来，一方面是没有很强的业务结果，另一方面的确是比较贵。

后来我去了百度，当时的想法是既然中国人最擅长把成本降下来，我们能不能用互联网的模式，让整个工业互联网产品的成本进一步下降。当时我们在百度做了一个中国最大的工业物联网平台——天工平台，团结了近 20 万做物联网开发的小伙伴，把很多核心的代码和各方面的能力进行全面开放，并且让这份 SDK 更好地被开发者使用，所以平台也快速成长起来。这解决了产品贵不贵的问题，但是我们也发现有很大的问题和挑战，它怎么产生业务价值，业务价值到底在哪？开发者是不是依靠我们的平台挣到钱了，至少百度没挣到钱。

当时还遇到一个问题，制造型企业最关心的是订单和商品，不管客户对于生产的产品有什么要求，无论是产品质量上的要求，还是工艺上的要求，都可以满足。这部分的内容应该如何跟工业互联网结合起来，是需要解决的问题。

所以当「超级虚拟工厂」落地的时候，我们做的项目还挺简单的，怎么能把消费侧的需求有效地转化为生产需求，再把生产需求派发到对于有生产能力的工厂，同时通过数字化的手段帮助工厂更好地完成产品的生产和落地，这才形成了超级虚拟体工厂的平台。

虽然可能没有一台自己的设备和机器，但是我们连接了千千万万的工厂，让他们的设备、机器为我们所用，能够更好地把消费者的生产需求落地和转化，同时通过这个模式，更快速地把更多工厂连接起来，在数字化、信息化等方面把这些工厂有效地管理起来。

Founder Park：拉通消费侧和供给侧，其实我们也能看到很多公司都在做，比如，以阿里和京东为典型的消费侧全数字化闭环的领军企业，他们想反过来去定义供给侧，但似乎很难深入下去；另外是 C2M 模式一度风行，我理解它也是尝试将消费侧和制造侧拉通，但目前看也不是多成功。在你看来，他们核心遭遇的问题是什么？你们自己解决问题的路径选择上有什么不同吗？

张志琦：消费侧这几年的数字化相信中国已经走到全世界最顶尖的地位，无论从商品浏览到购物、支付、到所有的物流等方面，包括后面的商品画像、用户画像，都已经做到全数字化。大量企业基于这部分的数字化能力、模式诞生，无论是阿里、京东、美团等，有大量消费侧的巨头企业，但反观供给侧或者生产侧，却没有真正诞生一家巨头。

消费侧数字化当时最难的是支付，所以支付宝、微信支付应运而生，同时解决了很多信任侧方面的问题。在消费侧，那个时候最大的问题是怎么收款，有了支付宝后，解决了很多信任侧的问题，货收到了，确认了，款项有第三方的监管。这样一路走过来，慢慢把很多的数字化的断点打通了。

但是工业侧（供给侧）断点更多，因为工业有很长的历史，特别像离散制造业，整个加工的工艺和流程是特别长的。从一个产品的诞生来看，最早从产品定义开始，从用户的需求获取到产品定义，再做外观设计、结构设计、打样，开始做首版，首版之后开模，开模之后再小批量，小批量之后再大批量，大批量之后还要再做二次、三次的修改，生产过程极其复杂，并且每个过程中用到的工艺和流程都会不一样，有很多这方面的断点。

很多信息化企业做很多产品试图打通断点，比如 AutoCAD 这样的产品，这些创新都是在打通一段数字化。但是还有另一个断点，对于产品质量侧数据的缺失，往往也是数字化中很关键的一个断点。生产过程很多设备已经是数控机床，可以通过传感器把数据传回来，但这部分都是加工的机器运转数据的，数据加工完毕之后，对产品到底意味着什么，最终产品质量上到底有什么结果？这个情况以前我们往往不知道，核心点在于以前质量检测是靠人做的，没有办法通过所谓数字化的能力把质检正常做完，所以造成了一个很大的数字化断点的缺失。

比如生产数据上突然间有一个突变，对于加工的这部分产品，在最后的产品质量上可能产生什么样的波动变化？以前靠人去做，没办法真正看到全面的结果。只是看到有设备上的波动，最后通过一些抽检去看结果，可能本质上已经产生质量问题了，但是抽检的几个小样本没看到这些问题。但今天来说如果我们有一套全数字化的能力，能够把真正意义上质量上的数据进行有效的数字化，可能会打通整个消费侧和供给侧的完整闭环。在供给侧设备上，生产过程已经全部可以进行数字化了，最后的一公里可能就是质量上的数字化，而质量上的数字化在打通之后，整套制造环节都会有机会变成数字化环节。

像一些互联网大厂，或者从消费侧开始做的企业，往往对这段的理解相对较弱。因为从传统采销的视角分析来看，可能更多时候下一张生产订单，接下来的核心过程中就不管了。但是本质上如果不知道过程中发生了什么，到最后对于消费侧的业务结果是不可控的、不稳定的。如果质量上能够变成一个全数字化的方案，把依靠人去判断的事情通过设备、自动化的模式判断起来，才能真正跟消费侧进行有效打通，消费侧的需求才能无缝传递到生产侧，生产中间的过程数字化以及结果的数字化完成之后，再传递到消费侧，这样能更快速形成闭环。消费侧跟供给侧完全连接在一起，这会是智能制造巨大的飞跃。

Founder Park：智云天工本身是做供需匹配、产能优化的方案，但是上面的全流程闭环，其实是借由你们和微亿智造的合并，由微亿智造提供 AI 质检的能力，很好奇，你们是什么时候觉得，AI 质检的数据很重要，需要把 AI 质检融入到整个供需匹配的流程中的？

张志琦：智云天工需要找到优质的产能，但是好的设备如果没有好的人去操作，没有好的现场管理，不代表生产出来的产品质量就是好的。以前智云天工采用的方案更多是在现场布各类摄像头，对现场进行有机的管理，一般工厂管的是人机料法环*。以前智云天工只能依靠这类技术手段去完成，但是我们面对的很多都是偏中小型企业，这方面的能力相对弱一些。都是靠人、靠班组长、厂长，或者老板下车间去解决这类问题。那个时候通过这种方式接了很多工厂进来，再去沉淀和挑选出优质产能，然后再跟消费者进行对接。

人机料法环：全面质量管理理论中的五个影响产品质量的主要因素的简称。人，指制造产品的人员；机，制造产品所用的设备；料，指制造产品所使用的原材料；法，指制造产品所使用的方法；环，指产品制造过程中所处的环境。

但是我们觉得不够，很多中小企业生产工厂的产品是灵活多样的，属于小批量多产品，那个时候我们在信息技术上不足以完成质量检测的能力。微亿智造常年深耕于智能制造领域，并且以工业质检为核心来切入，一开始服务的都是一些大型的制造企业，比亚迪、华为、富士康等，有很多在工业质检方面的技术和能力的沉淀。我们当时把诉求给到微亿智造，除了对于工厂现场的管理，能不能更加直接一些，看到产品的质量问题，从而把生产过程和质量有效地固定下来，把产能打上一个更加优质的标签，这才是我们真正想要看到的。

结合这样一个思路，两家开始做很深入的战略合作，我们期望能够做出一套产品，真正意义上帮助中小型企业满足产品多样性，每个产品的量很少，生产周期也不长。能不能依靠一套自动化设备把现场的「人」替换掉，同时把生产和质量的标签有效接上去。有了这样一个想法，开始进行战略合作，努力往这个方向突破。去年年底我们两边顺利做出了第一款产品——工小匠，把原来在高端质检，单一产品大批量模式的技术沉淀，从原来的大型企业客户群体转化到针对中小企业小批量产品，产品种类又特别多的场景。

合并后推出的新产品工小匠 | 来源：智云天工

Founder Park：质检对于生产制造来说究竟是多重要的一个环节？为什么它可以成为一个企业数字化转型的撬动点，甚至被定义为最后一公里？

张志琦：这几年一直在谈智能制造，以前很多自动化设备，要靠技工去操作，今天一台 CNC 的精密机床，可以很快速地把原来金属加工的工艺替换掉。但是质检环节以前一直没有办法把人替换掉，核心原因在于磕伤、碰伤、划伤出现的地方有很大的随机性，出现的规律也不一样，都是划伤，但是长相和模式都不一样。以前依靠自动化的能力很难做这方面的业务，最关键在于自动化的设备没有办法对于整个环节进行有机的判断。

人工质检现场 | 来源：智云天工

以前自动化设备只能做简单的 A 到 B 的动作，或者按照标准的工序进行加工切割，没有办法加上人的判断。但今天质检环节就可以利用到人工智能，把人为的判断通过 AI 算法快速进行有机分类。把人类的经验学习起来，通过模型训练，让划痕可能出现的地方和不一样的划痕能够被识别，真正意义上用这些设备替换掉人，这是我们做的第一步。

非标 AI 外观质检设备 | 来源：智云天工

同一批次的产品，如果把所有前序的加工工序数据都收集起来，以及跟最后的结果数据进行匹配，就可以很快速地知道加工工艺的参数是不是影响了最终的质量结果。比如有一个金属加工件，在固定的位置上经常有一个凹坑，并且在同一批次里凹坑出现的几率很高，这个时候我们就可以倒过去看，可能是模具受损造成批次产品都有凹坑，再快速对模具进行调整，而不是等 1 批、2 批、3 批、4 批生产出来都有问题，发现问题之后再去调整。通过最后的质量检测全数字化之后，对于整个加工工艺、生产制程上的优化，能真正意义上帮助企业在最短的时间内把生产成本降下来。同时可以把这些残次品留在工厂，确保不让残次品流到市场上。靠我们的质检能力，可以做到在成本最优的情况下，提高良品率。

此外还可以快速分析产生残次品的原因，这样一来，可以把良品率做到极致，这是在最后一段最关键的一个点。把质量这件事情做好，把所有环节都打通，所有生产的前序工序、中间的数据采集就真正有价值、有用武之地了。因为我们有结果数据、过程数据，可以做成因分析，真正意义上提高工艺、提高生产效率、提升生产的良品率。所以我们会把质检称为整个数字化领域、制造领域中的最后一段也是最重要的一点。　

Founder Park：IDC预计，到 2025 年中国工业AI质检整体市场将达到 9.58 亿美元（约合人民币 62 亿元），感觉你们聚焦的并不是一个多大的市场，你自己是怎么看的？

张志琦：最关键的问题不是市场不够大，而是市场的门槛太高，市场空间相对较窄。

这一整套技术，本质上真正意向使用的可能只在一些高端制造中间，并且只在这些所谓单一品种大批量生产上被使用。对于大型制造集团来说，他们有足够的时间、足够的成本、足够的投入，能陪着大家一起把这类项目做下来。虽然质检这么重要，但是在人工智能落地的时候，很多模型一开始是不行的，AlphaGo 也不是第一天就能赢人类棋手的，要靠大量的数据去训练，才能真正意义上比人类做得更好。但是前期导入过程要花很长时间、很多精力。

一方面我们要陪着客户一起慢慢地把新产品全面跑通，另一方面企业也要付出很高的成本把这件事情做完，所以在这方面落地挺难的。只有那些花得起钱的企业才能享受到这些技术。另一方面对于我们自身也是一样的问题，在服务这些大型企业的时候，我们的成本也不低，从前期陪产到产品逐步开始量产，我们也得一路陪着客户走过来。当产品发生了一些变化，都得从头再来，因为模型发生变化了，要重新采数据、重新训练。

一方面今天整个中国的制造行业，一般的工厂都会配备 20%-30% 的人员去做跟质量或者跟效率相关的工作。结合这些数据，整个中国有接近 200 万人在做跟质量和效率相关的工作，产生的价值接近 1400 亿，一个是 1400 亿，一个是 60 多亿，这里边有一个巨大的鸿沟，很关键的点在于质检数字化的项目落地太困难，所以才造成了中间这么大的差异，一般企业用不起质检数字化。这也是我们为什么盯在智能制造。本身在数字化质检这侧，我们希望能够把人工智能做得更加普惠，瞄准了 1400 亿的这些企业，去帮助他们解决这类的问题。

Founder Park：对于这些质检数字化落地难的企业，你们的方案是如何帮助他们的？

张志琦：很多时候对质量上有高的要求，可能也会意味着对于成本侧的要求也会特别的高。比如我们有一个生产汽车内饰件的厂商协华汽配，生产的产品特别多，但是它对质量要求又很高，每一件商品都要靠人力去检测，成本很高但是没办法。这个问题，自动化厂商帮不了他，一台自动化的设备只能检测一种类型的零件，如果零件发生了变化，设备就没有办法检测，需要重新来做另外一台设备。AI 厂商也不愿意合作，模型有爬坡期的，大型制造集团要花 3- 6 个月的时间去完成整个模型的训练，才能真正在量产的时候赶得上节奏和进度。对于像协华汽配这类的企业，某个零部件可能只生产一个月，模型还没训练完，它已经不生产了。

但是我们的技术方案是可以帮助到他们的。以前在服务大型企业中间的一些技术能力，打包起来、沉淀起来，再服务到这些中小型企业里，能够让协华汽配这些企业在一台设备上自主去训练模型，同时依靠我们累积的更多缺陷样本数据，完成这样一个在线化的、快速的模型的训练和投产。同时我们还设计了一个很灵活的人机交互界面，让现场人员不需要有任何的开发，不需要任何的模型研发人员到现场做翻译，就可以自主快速地把整个模型都训练完毕，并且在不同的零部件检测过程中，也可以通过一键切换就可以快速去把这件事情做完。

这样一种模式和机制，可以把协华汽配这类的中小型企业的问题有效解决，从而真正意义上去解决高质量的需求，但同时又把成本能够降下来。

Founder Park：制造业数字化转型的终点到底是什么？如果有画面的话，在你看来会有哪些关键词？

张志琦：如果真的转型，最终的目标一定是以高质量为前提，通过数字化的手段和方式降本增效，满足消费侧最根本的诉求和需求。这是智能制造最根本的转型，并且我觉得转型不完全是在中国，甚至全球的制造业都应该往这个方向转型。

今天只要我们能够把智能制造真正意义上走到以高质量为前提，真正依靠数字化能力把整个生产成本进行有效降低，并且更多依靠数字化的方式解决这些问题。这样一来中国智造一定能变成全球的名片，甚至中国智造可以发生在全球任何地方，并且形成一个中国智造的整套理论体系。这可能是我们希望看到的最终极的画面。我们已经不再是从海外学习所谓的最佳行业经验实践，而是有机会参与把中国智造变成中国的一张名片，把中国智造变成中国的一个有效模式，向全球、全世界去传递，把我们的这部分价值、文化观，真正帮助全球制造业来进行转型和提升，这才是我们希望看到的最美丽的画面。