工厂实现智能化或将碰到的五个问题

工业4.0、智能制造、机械手臂、各式传感器……近年来，当人们在谈论到生产制造智能化时，经常会提到以上这些概念。有些人甚至还会直接讨论到全自动化工厂、“关灯工厂”等这样的终极目标——例如Tesla的制造工厂。但制造业不是互联网，没有太多的捷径或者商业模式可以使得“破坏式”的创新在短期内产生。Elon Musk也认为在过去的工厂里，“Humans are Underrated”，人类的价值被严重低估了。他烧了巨额的金钱来追逐终极形态的全自动化工厂，但特斯拉的工厂里目前仍有3万多员工。很显然，烧钱这样的游戏模式并不适用于所有人。随着近几年科技的发展，“协作”才是制造业实现智能化真正的下一个发展阶段。

工厂在实现自动化或智能化的进程里，有几个简单直观的衡量指标。在目前阶段，工厂在生产制造端引入新技术时可能会碰到以下问题：

第一，生产线产品的利润是否足够支撑新科技的导入。这其实是个“鸡和蛋”的问题：当产品利润不佳时，只有提高标准品的产量才有能力覆盖科技的导入成本；而当产品只获得极小量的订单时，又会出现“智能不足的自动化导入”——即生产弹性不足的问题，最终还是看不到收回投入成本的时间表。所以一般情况下，除非工厂拥有充足的资金(如特斯拉)，或者拥有足够量的订单，才有机会实现智能化升级。这也就不难理解，当生产线还在做利润低至10%的平板电脑时，为什么很难导入新的智能化方案来改进效率。

第二，是否有适合自身业务的完整端到端解决方案。生产过程是具备流动性的，同时这个过程需要整合前期的供料、设计，以及后期的物流等环节。新科技的直接深度导入，可能会导致任何单一环节的停滞，或者即便单一效率出现增长，却无法解决最终产出的问题。比如，某些工厂对电性测试环节进行升级，但却迟迟卡在用人工进行产品表面的品质检测的(视检)阶段。对十几年前大量的工厂痛苦地导入ERP的历史有所了解的人，应该能很容易体会到新科技的直接导入，可能会产生严重的后果——工厂的ERP平均导入成本在50万美元左右，但最大的问题在于新流程与人工进行磨合与训练的时间过长，导致效率低下。

第三，是否能够让系统、机器与人快速磨合适应。工厂由人、系统、机器三者共同组成，有一定的管理流程包袱，且三者之间环环相扣。工厂的项目经理们经常会抱怨，大量的时间成本会消耗在处理系统与人之间的协调问题上。

第四，是否有健全的数字化基础设施。许多机器、流程、环境数据、采购检测等都缺乏完整的数据整合，或者干脆还是在用纸来记录。但这方面的主要问题不在于工厂不愿智能化，而是单次升级的成本对他们来说过于巨大。

因此，所谓的“协作”，指对生产制造环境进行最小限度的改造，充分将现场的作业人员与既有的环境流程进行整合。例如，海能达的智能制造试点，采用了11台6轴机械手臂与工人协作的方式进行生产，与传统的手工产线相比，人员投入减少52%，产出率提升38%，产品质量提升10%。人与机器协作产线的建设，极大地提升了制造商的灵活性，从而使得应对客户多品种、小批量生产需求的能力也随之提升。这种模式把标准化的操作交给机器，把灵活化的操作留给人工，机器与人的协作实现了更灵活、更高效、成本更低的产线升级。再比如，机械手臂大厂(如ABB、KUKA、FANUC、Universal等)，都把协作机械手臂视为旗下的明星产品，但相关的专利会在近两年左右的时间内到期，这样会给更多的白牌手臂更多的机会，也会让这个市场迅速普及化。根据日本机器人工业会(JARA)统计，2025年全球协作型机器人市场规模将增长至340亿人民币，相比2017年的29亿人民币增长11倍。

但其实“协作”并不仅限于机械臂的应用，我们看到海外围绕此领域优秀的创业公司涵盖机器视觉的应用、传感器的布建、无人运输车，以及机器数据化等，这些也都是实现“协作”的切入点——轻度介入既有的流程与环境，优先实现小部分或单一功能的智能化。日前，专注于海外早期科技项目投资的联想之星 Comet Labs 筛选了一批位于美国的在该领域的头部创业公司，带领他们深入中国制造业探讨技术引入可能性。这其中，Arch Systems 通过读取各式机器的底层数字信号来连接不同厂商、不同年代、功能各异的生产机器，为人与机器的协作打下坚实基础;Canvas 将自动驾驶的技术运用在混杂不规律、非结构化的工厂环境中，完成基本的运输服务;Ready Robotics 充分运用自身强大的软件开发实力，在不同厂商型号的机械手臂之间完成开发管理的整合，简化了导入学习与提升制造细节修改的弹性;Augury 在机器外部声音与震动方面有深入的机器学习成果，特别是在应用马达的工厂中管理设备的运作;PsiKick 则致力于研发无源的传感器芯片，解决传感器布建痛点，达成基础智能化环境的普及。

这些海外企业与中国实体制造业的面对面沟通，反复验证了上述论点，无论是中国的工厂还是美国的工厂，导入智能化的过程都不可一蹴而就，需要一步步从各个环节中去改善——先选择轻度地介入既有的生产流程，在等待实际验证之后，再迅速进行大规模的导入。首先，IIoT及工业4.0的市场巨大，根据IDC对2016年物联网领域的投资支出统计，支出金额排前三的行业分别是制造业(1780亿美元)、交通运输业(780亿美元)和公用事业(69亿美元)。其次，IIoT和工业4.0具备长周期的特性，一旦验证ROI，就会收获长期合作的客户伙伴。现在所有制造业企业都面临着人力成本大幅上涨的压力，都在期待AI智能化能够为其分忧，他们也都在进行不同程度的技术验证与测试——这进一步证明，IIoT及工业4.0的市场潜力无穷。