AI赋能3C制造的四大应用场景

作为一家风险投资机构，BV在不久前专门举办了一次工业智能大会来表达对工业领域AI创业机会的关注：BV自2017年创立以来，在全球范围内投资了100多家初创AI公司，创办的BV AI学院招收了200余名学员CEO，其中均有一半以上是与工业智能相关的。通过两年来的摸索，BV更加坚定的看好工业智能化的长期未来——不仅仅是工业物联网、工业机器人、工业大数据等服务于现有工业流程的技术改造，而是利用前沿AI技术的强大能力，实现原本不能实现的新工业制程、新工业业态，实现对原本未实现充分工业化行业的工业化改造，诞生一批新工业+强智能的新巨头。

以下是BV CEO 刘维在工业智能大会上的演讲实录：

今天的大会以“工业智能”为题，希望能跳出工业物联网等具体节点的技术创新，从更广阔的产业变革视角来探讨人工智能究竟为工业能带来什么。如果用一句话形容我们眼中的十年展望，我想是“敬畏之心与广阔天地”这样的冷暖交织。

为什么从敬畏之心说起？

今天的很多嘉宾都是我们的被投企业，可以看到他们用很豪华的团队，大量的精力，试图解决一个工业场景内的一个具体问题，因为这个场景的约束条件、客户条件的多样性、要去打通的接口和配置实在非常复杂。而他们的挑战是甲方的认可程度究竟如何，在一个甲方已经有成熟的业务流程，有一定的技术和管理基础，也有已有的乙方技术供应伙伴的行业内，其创新的解决方案是否能带来真正的效率提升，在与现有的流程比较中是否能占据全面的、突出的优势，使得甲方愿意快速的、不惜代价的替换。

历史上工业智能、工业自动化这个领域充满了先烈，像某著名制造企业和某著名的鞋品牌商在墨西哥建了一个很大的全自动化生产鞋的工厂，但经过几年的尝试，不久前还是关闭了。并不是说这个流程不值得用自动化和智能化改造，但是很多技术公司低估了技术的挑战，低估了多样性的柔性环境和条件对技术的挑战，低估了一些流程环节对100%可靠的要求，也低估了看似传统却也是经历了几十年迭代利用了各种IT技术的现有设备的性价比、效率、可靠性优势，低估了人作为一个生产工具在柔性化等方面的巨大优势 — 像粘鞋垫这样一个环节，如果将智能化的重心放在自动完成物理动作而不是放在更高水平的胶水配方等决策上，也许智能工厂在短期内还是竞争不过训练有素的工人加上一些自动化设备。不是智能化的终局不美好，而是利用一小步的技术创新加上一小步的流程优化，以打补丁的思路去在现有流水线上做改进，往往达不到预期也算不过账来。

也许智能制鞋的未来从根本上就是3D仿真和柔性化打印的系统变革，而不是用复杂的机器手来代替灵活的人手去涂胶水。

先烈背后其实是很多先贤。今天的论坛也让我们见证了很多工业巨头，那些“甲方”的强大之处，他们并不是很多创业者想象中的“传统”，无论是宝钢这些巨型企业，还是弘信电子这类中等规模的细分品类领跑者，按照我们今天所主张的一些工业智能的观点去衡量她们的现状的话会发现，其实他们已经很智能了，很接近于一体化的感知、决策、调度一体，这些产业领跑者做已经围绕着他的生产线做了极大量的优化，才形成了今天的产业地位 — 在这上面再给他们打补丁做微改进到底有多大的技术空间和市场空间，这是我总是在问今天找我们的创业企业的问题？这是我们需要对工业智能化拥有的敬畏之心，当在工业化很强势的领域，当在工业化的进程已经完成很好的领域，人工智能所带来的微改进并不一定能够给这个行业起到那么多颠覆的效用。

相反广阔天地在哪儿？

先看看为什么这些大企业拥有这样的系统，而很多中小企业不用，我的理解是这些大企业今天他非常高度自动化一体化的生产、决策、感知一体的系统，其实是通过很高的成本实现的对多变量的衡量和决策，我们的工业过程其实就是原料的A加上加工的B等于成品C的过程，从简单工序的单一产品，再到复杂工序的单一产品，再到原料和过程都有不确定性的动态复杂工序的单一产品，再到多元产品、柔性制造，我们有越多的变量的参数在其中，我们越需要有越来越多的感知、决策、运算的单元，还需要越来越多一层一层的层级组织去管理生产过程中不能舍弃掉的人的部分所带来的人的误差。随着状态空间复杂度的增加，工业用了几何级数的成本来感知和决策，但即使成本如此之高，这样的一体化大系统也是以牺牲柔性为代价，通过标准化来实现可行性 — 原料的整备和对齐，产品数量的限制，通过标准化的中间制成品来分解长加工链条，把员工约束到标准的要求上以使其输出可控，在这过程中牺牲了大量的效率。

因为这种传统自动化思维的工业大系统的局限，使得我们在今天有大量领域尚未实现工业化。中国是个绝对的工业强国，工业进程我们走到了世界前列，但是仍然有很多领域没有实现真正的工业化，像农业、畜牧业这些领域基本完全没有实现工业化，因为其A+B=C的过程中因为A的种子等要素的本体差异、B的过程中土地、环境等要素的固有差异，加上B中人的输入占比很高，整个系统的离散度很高，把整个过程都感知起来、决策起来的代价非常大，即使决策了，也没有好的办法去基于统一决策去引导作业和补偿，整个领域就没有工业化的可行性，也就形成了今天这样非常分散，谁掌握一些土地等要素谁就能做一些，却无法实现谁的效率模型高出一个数量级，哪怕高价买来要素也可以打败对手的集中度。同时，一些我们觉得好像已经很工业化的领域，其实大部分的价值和链条也都没有工业化，以建筑业为例，虽然经历过一百年两百年的工业革命，在工业革命之前建筑业完全没有工业化就是手工业，大家都是就地砍一些木头盖房子，在过去一两百年内依次发明了砖、混凝土、预制构件，开始把高档建筑的玻璃幕墙，把桥梁大的结构通过工业化手段生产，但是在普通的建筑领域，前端的设计链条依靠未工业化组织的人工，后端的施工、安装、现场实施环节也依靠未工业化组织的人工，这个环节本身的浪费很大、效率优势不突出、环节之间没有基于一套设计-建造-施工一体的系统来做调度也造成了更大的系统浪费。即使当我们今天看服装、消费品等领域，已经成为非常大的制造业品类，但制造成本的环节只在其增加值中占了很小的比例，其流通、到达消费者环节的巨大成本和浪费，并没有通过工业化来提高效率。而餐饮等占据社会消费总额极大的行业，其价值链条里工业化的部分更是非常少，有极大的工业化带来效率提升的空间。

所以我个人观点，当我们看2030或者更远的创业机会时，与其说我们的眼睛只是盯着最现代化、代表着现在最高工业化水准的企业帮他做改进，可能不如看看这些没有被工业化的领域、没有被工业化的阶段，怎么给他们解决从0到1的问题，并且从这当中打造出新的工业巨头 — 不管是我们扮演着锐意进取的新巨头的供应商，还是干脆自己下场成为这样细分领域的新工业巨头。

所谓的敬畏之心，也是我们不能将人工智能变成一个大筐，什么都装进去，什么都沾上智能就可以颠覆原有格局 — 相反，却又忽视了智能技术所带来的真正的最深刻的变革驱动力。当我们以2030的视角做工业智能创业的时候，最核心的是我们要真正抓住AI智能所能带来的核心能力，这个核心能力是什么，我自己理解真正带来的，是能实现一种高效的人机混合复杂系统，它能支持大得多的参数空间，能支持大得多的模糊信息，在这里面能做好柔性化的理解，多模态的语意的理解，多模态的复杂的决策并且不断迭代和进化，从而能以合理的性价比去解决大量没有工业化领域的工业化，继而带来有集中度的新商业模式。

新一代的人工智能技术从四个方面为这个工业复杂系统赋能：

第一、高维度的感知

虽然我们今天谈感知已经谈的非常多了，但面向2030年来看时还远不够多，未来十年仍然是感知技术极快发展的十年。就像今天视觉技术小小的一步已经带来这么多应用一样，因为AI天然就非常适用于感知，特别是把大量物理层创新走了半步、能拿到一些信号、但还没办法非常简单的规则化形成输出，也没办法转换为人可以观测的视图的很多感知技术，结合AI的模糊分析能力、通过对这种模糊信息的试图的理解，通过与其他的数据轴的联合作用，通过多轮次多模态的反复感知和理解，去试图将这些信息转变为对复杂系统决策有意义的信息。大量的新传感器会被引入系统，大量传统上很贵的传感器可以用更低成本的物理器件加上算法补偿来降低成本，这也就意味着大大降低了我们感知任何一个物理世界物体的成本，这种成本的降低对于提高工业智能系统乃至最终工业生产系统的效率是至关重要的。我们在今天肯定无法想象我们一个个去检测一个加工过程中成百上千个部件的成千上万的状态，我们今天也无法想象在这个屋子里跑着几十台机器人，每个机器人都有全局感知的能力，但是未来的新传感器、异构融合传感器、空间统一感知和语义化理解的中心传感器会使这一切变成现实。在未来的十多年内我们会依次见证我们今天越来越熟悉的物理世界感知变得更加高速，更加高级的语义化，更多人眼不可见的信息例如高速高频的信息、穿透的信息变得可以理解，乃至于各种低功耗-分布式-自组织的本体嵌入式传感器会掺杂到一些工件之中，带来真正的全生命周期的感知能力。

第二、高动态的计算

时至今日我们的工业人工智能还面临很大的阻碍，是因为今天的计算还远远不成熟，速度跟不上快速的无论是流水线还是快速的工业机器人所需要的速度，而且这种计算不是简单的识别理解层面的计算，未来的高动态计算肯定是面向全局的，面向全域数据的，不光是在这个工厂内，上到供应链的最终用户下到全域高动态计算，未来农业化自动化最重要的驱动力不是简单给苹果浇好水，而是给整个果园内的苹果冒泡排序看哪一个苹果该成熟了，这个事对于计算机人工智能来讲是很简单的事，但是远远打破了原来的组织方式，而是变成从根本来讲就用更高级别的个性化来包含了标准化，不是个性化的差异，而是个性化的主动的偏差选择，所以这种高动态的计算能力，不是简单的当前算法的边缘计算化，而是整个架构的重构，包括传感器层面的任务传感器实现微秒级别的计算，端上的多数据流融合计算，再到高性能的云端协同图计算，这些会大大改变所有的工业大脑的决策的系统。

第三、高敏捷机器

这些机器的概念不同于今天的工业机器人或者对机器人的简单智能化，而是重新设计的一批具有感知-决策-做功能力的，并能在全局感知和全局决策能力的赋能下进一步提升效率的高敏捷机器。我们已经在见证第一批灵活的轮式底盘进入工厂，但这些SLAM驱动的机器还相对昂贵、没有对周边环境的真实理解能力、无法利用工厂内大量的其他数据进行快速的自主决策，未来的轮式底盘，检测和加工补偿一体化的机器等新的敏捷机器平台会逐渐成熟，enable更多的高效率应用。

第四、高赋能员工

我们今天的某某智能似乎走到了某一个极端，都是在谈代替，我觉得在大量的未来场景中，人不是被简单代替的，而是人机混合的重新分工，重新发挥人的优势，人的手可以很容易地抓取从几十克到几公斤之间的大小不等的东西，今天没有任何一个机器手可以很稳定做到这点，人的手可以弯折很好的角度做很复杂的动作、人的创意能力、在现场安装环境这样的能力，其实都是非常珍贵和值得被利用的，如果我们的目标永远是打造纯机器化的生产线，那这些能力并没有得到很好的利用。但人需要被赋能，以便弥补人在感知全局这个宏观层面和精准完成这个微观层面的不足，赋能的一部分是物理能，我们谈机器人和各种辅助机器对人的增强，但是未来更大的一部分是信息能，决策能，是怎么把原来散落在这个组织中的各个层级中要通过培训才能传递的知识实时地传递给员工，怎么把在这个组织中原来在1号、2号、3号工位必须要停工大家讨论才能得到的信息，通过很复杂的管理系统才能被一个个班组长感知的信息被每一个员工感知。在今天的柔性化流水线上，我们还只能做到用柔性化的工单上告诉员工你下一步该做什么样的操作，但在更长远的未来，我们不仅可以通过增强现实技术把需要员工作业的要求实时投射和引导到作业目标上，也就进一步提高了员工去响应柔性化的能力、减少了误差和培训的需要、把更多的参数状态用智能复杂系统消化了—呈现出简单的东西给人，发挥人的作业特长。未来更重要的是，既然可以实时引导、实时观测、实时补偿，就可以不简单的把人训练成标准的样子，而是尊重每个人的偏差，利用差异化的引导来让每个人都在舒适区间，甚至利用每个人的特长去完成不同的任务 — 以建筑工程领域为例，有的人更擅长去焊这个高度的焊缝，怎么通过员工的调动，通过工序的拆解，通过人尽其用的引导，使每个人都能最大化发挥自己的优势，所有的这些也是AI技术真正从统一感知、统一决策、统一赋能的角度能做的。所以我们对AR，是通过各种信息化的作业的引导包括从顶层设计的角度，使我的生产流程的含量中有更好的人机交互人机引导的设备，把人的力量更好地发挥出来，其实最终的这个组织这个系统就是一整套的统一的感知，统一的决策和调度，再通过这个统一的决策和调度调度机器、人这样的复合体，在这个过程中就能大大提高整个工业生产的效率。

四种“新机遇”

第一、“新的制程”

我们常说集装箱的例子，我们这代人都习惯了集装箱，但是集装箱不是第一天就有的，在有集装箱之前其实这个行业的制程有专门的人擅长从船上卸货到码头上，有人再从码头上卸货装到车上，因为新的机械的发展，有了更强的能力吊装这样的集装箱，有了一定的信息化的能力管理不可见的大箱子里的货物的清单到底是什么样，随着这些能力人们重新发明了容器，颠覆了原有的制程，通过发明新的制程从零开始打造了一个新的行业，不是简单赋能运有的行业，而是把原有的行业击跨了，推动了整个大的产业的发展。利用AI的新能力，我相信会带来大量新的制程的颠覆式创新的机会。很多制程甚至已经在部分高价值工业领域应用了，只是需要被迁移到新的领域 — 面向全仿真和全流程规划的全参数设计、构件分解和生产、有序安装，在今天盖一个8万人的体育场时已经是这么做的，只是这些东西限于成本和更复杂的场景的技术挑战还远未普及。

第二、“新的业态”

这些新的制程我想会为工业带来新的业态，所有的这些柔性化生产，以需定产所带来的新的业态在这个过程中会带来很多变革，这种变革对于一个工业企业来讲，是应该等着他的零售端品牌端的变革带来对工业的新需求吗，我觉得不仅是，这里一个很大的机会是反过来利用我的工业能力定义一种新品类，定义一种新的业务形态，走出去端到端塑造一种新的业务的可能性。

第三、“新的品类”

农业的例子已经反复在说了，不仅可以把今天已有的农业产品纳入到工业大生产的制程中来，使它变得更加可靠地产出，更高效，更大的机会是实现从0到1的变化，打造一些新的品类，带来很多按照今天的人的种植没有办法去承受的，无论是照料的参数的复杂度无法复制、还是成本或质量控制完全无法承受的优质品类，但是智能工业生产，使得它变成一个能够高效率低成本完成的一个标准品甚至是个性品，打造一个新的品类，去快速占领市场。之前有嘉宾提到褚时建，其实烟的制造也是从手工业变成工业的过程，烟叶的种植筛选，卷烟过滤嘴的机器出现之前，各种散烟的质量差别不大，这就不是一个有集中度的商品市场，但是当我们打造一个高质量的品类时，就快速的从其他人手中抢来了市场，形成了新的品类。

第四、“新的国家”

这一代无论是甲方还是乙方，工业智能很大的野心应该是走向全球市场海外市场，当我们认为工业智能的核心是打造一个人机协同混合的复杂系统时，那默认的假设就是这个系统的效率和模型是具有可复制性的，不同地方的人虽然人有差异，不同地方虽然输入的参数甚至市场输入需求的参数有差异，但是整个系统是有能力补偿这样的差异，就我们说的机器对人的赋能，它在赋能人，但是同时也在更好实时监督约束引导人，未来的工业肯定是一边实时引导着你该做什么作业，一边实时发现你的作业有所偏差，这个作业能接受是由下一个环节弥补提醒你注意还是不能接受，这套系统无论是用于哪一种生产，都具有更强的全球可复制性，两步并一步解决了现在这些国家工业化进程中对人的培训不足的问题，通过人机混合的系统，能更快地使它达到效率的优势点，所以新的国家在这里面也会带来大量的机会。

在这四个新的机会中，我们相信会诞生大量的大乙方或者新甲方的机遇，这也是我们作为一个VC最希望能去支持创业团队做的 — 打造一些能带来系统性效率变革的新的业务系统，把这个新的业务系统用于在传统的甲方内支持他创造一种新业务模式或者创造一个新的业务线，做出一家有强大议价能力的成套技术供应商；甚至在一些更弱势的品类，例如农业，如果你弄出一套很好的自动种植系统，是不太容易卖给任何一个现有的甲方的，现有的甲方可能都没有这样的水平，现有的甲方作为农业生产者生产出这样的东西都不够，在这样的领域有更大的机会，再向前一步利用新的智能工业能力去做甲方 — 特别是在海外市场，今天做的拥有智能技术的创业者可以做新甲方，利用最好的卷烟机做新的香烟水平，利用现场设计和施工能力做高质量的有很强交付能力和很低成本的建筑公司，所有这种新甲方的颠覆式创新机遇是属于大量创业者的，也能让我们可以避开产业巨头所拥有的资源和要素优势，变成他们的合作者，和他们共同去开拓新的市场。

最后，让我们用刚刚结束的中央深改委《关于促进人工智能和实体经济深度融合的指导意见》的一句话作为总结，这个重要意见提出，要构建一个数据驱动、人机协同、跨界融合、共创分享的智能经济形态。如果我们把工业智能缩小到给工业企业提供供应、配件和新的机器能力，那这个事儿可能就想小了，反而不容易创造价值，如果我们的目标是创造一种新的智能经济形态，我想在这个过程中，无论是其他的技术公司、资本还是这些产业公司，都更容易找到共识点，共同从技术中要效率，用效率去推动产业变革，实现大的产业变革。BV期待在这个过程中成为优秀创业者的共同创始人，一起去探讨如何调动更多的技术和产业资源，实现这样的变革创新。

展望AI黄金十年：塑造新效率模型，造就新产业巨头

刘维 BV百度风投

近日，爱分析在京举办2019爱分析·中国科技创新大会。BV百度风投CEO刘维受邀发表了以“人工智能十年投资展望”为主题的演讲。

现将刘维的主题演讲实录分享如下：

今天不是一个很好的时点谈十年展望，我们曾经不断谈AI的十年、二十年，说AI技术有大量的发展，因为有大量发展，所以AI未来无所不能，这是一种很乐观的情绪，过去几年资本市场也的确洋溢着乐观情绪。

今天的时点很不好，悲观的情绪远远胜于乐观的情绪，也是因为这种心情，我自作主张加了一个副标题——关塞极天唯鸟道，江湖满地一渔翁，这句诗是很悲伤的心情，没什么路走。但我从这句诗中也读出另一层意思，正如未来的十年，悲观中还是孕育着机会，关塞极天唯鸟道，还是有一条道的，这条道就是人工智能— 渡过这一轮寒冬周期最大的希望。

今年所有人都感受到了经济寒冬，寒冬是什么寒冬？我自己理解就是效益模型的寒冬。我们在过去几十年内不断享受非常充沛的，挖掘一下就有，或者少付一点环保成本就能得到的要素，所有这样非常充沛的要素已经不富裕了。我们的要素逐渐走向边界，不仅不能再充沛的增加，而且随着人力成本环保成本等的上升，渐渐到了一个要素越来越昂贵的时期。但人类的需求、人的欲望没有对应的下降，我们的要求越来越高，我们愿意为同等的产品和服务付出的钱反而在减少。这两个之间的背离导致整个经济体出现越来越多无效的效率模型。

在这个阶段，我们有很多充满想象力的效率模型无法落地——很多新模型VC愿意砸钱，通过几年的投入形成一个闭环，达到一些成本的摊薄，实现一个新效率模型，但很多本身效率就是存在障碍的模型，再烧钱也跑不通。我们也希望满街都是非常好的共享自行车，招手即来，但是当他们运维成本远远大于预期的时候，这样的效率模型不赚钱。

在这个阶段，我们也有很多在小范围运营效率还可以的模型，扩不起来——高质量的咖啡师和医生，教师和技工，都是付出几倍代价也找不到两倍供应量的状态，让高质量的产品服务总是小而美，良币驱逐不了劣币，反而被高速扩张的劣币驱逐。

在这个阶段，更严重的是今天看起来习以为常的效率模型撑不住——人力成本的上升，包括其它要素成本的上升，如果你的业态不能把效率模型拉到一个更高的程度，把一些成本降下来一些收益提上去，只是维持在原有的水平，那在经济的寒冬，走向明天就会有非常尖锐的问题。工业，农业，服务业中很多的业态，都在被更高效的模型争夺走了人力要素。

悲观如此，但我们对AI又为什么充满希望，因为AI的春天一定会开满大量新的效率模型之花，AI就是为了效率模型所打造，所设计的。而且更激进看，AI和人类历史上所有的工具和技术都不一样，原来的技术都是为了更好优化一个人和人的组织，在人的模型上打补丁，而今天的AI，利用AI对物理世界的感知能力、决策能力，可以达到千人千面乃至千人万面的个性化能力，可以串联起所有的感知设备、决策设备、输出设备，再和人形成一个很好的人机混合体，并且这个混合体能在历史的周期内，不是随着规模的扩大而边界效率递减遇到瓶颈，而是相反，随着规模扩大越具有可复制性，所有时间的积累让我们的决策变得更加准确，所有通过空间的扩张、数量的扩张能使得成本逐渐降低，并且能得益于整个技术进步。底层技术进步给我们带来越来越便宜的芯片，越来越便宜的传感器，越来越便宜的机器人。

今天的AI还在蹒跚学步。虽然在过去十年诞生了一批独角兽公司，应该说他们都是初步证明了AI在一个非常微观的层面，比如人脸识别替代警察卡口这样一个微观的层面证明了AI能做一些人类做得了或做不了的事。包括自动驾驶，某种意义上今天也只是证明一辆传统的车背着很多昂贵的传感器，在不考虑效费比的情况下技术上可行，但未来几年真正将迎接的是随着效率模型的不断改善，这些行业真正将被AI驱动的新效率模型所代替。

我自己理解，未来十年中，我们渐渐会看到四波效率模型提升的机会，将很多行业重新带入良性的增长循环。

第一波，节点效率的提升。

所谓节点效率的提升，第一步当然是简单的代替人，这也是今天看到最直接，包括我们投资行业有很多朋友分析哪个行业的人力成本高，哪个行业对高质量人才的培养跟不上，我们去替代一部分人力成本，这个是非常必要的，这是其中小小的第一步。

但AI更会创造新的节点— 取消原有的节点，增加新的，带来新的成本结构和新的质量水平。现在的行业节点是因为人的能力边界设立的，人类无法在广场上追踪千百个过客所以我们需要设置很多通道和卡口来做检查，人类无法随时切换加工的工法所以我们设置了流水线来做分工。但AI节点会突破这些边界，利用更多来自于新的边缘采集的数据，利用高级的语义理解能力，利用各种被知识化的非结构数据和结构化数据，AI节点理解复杂的环境，做出识别和判断驱动智能机器去完成任务，或者通过三维重建和呈现，例如利用未来的AR投影到我们的真实世界里，引导人去配合完成任务，形成全新的人和虚拟的联合的互动。

我们未来的工厂流水线，大家可能会看到有很多的工人既不是说被机器人完全替代，也不是说只是按照一个IT系统形成的工单去操作的员工，而是在AI的时代，可能是人和一个机器手协同，在加工的地方用三维重建的AR全息投影，投到这个部件上，每一个部件过来，人不再需要去判断属于哪个部位、属于哪个订单，实现完全的柔性化。再下一步，每一个工人擅长加工的东西不一样，每一个工人的身高体重也不一样，如何真的挖掘他们的擅长？我们投的一些项目在美国已经开始在做建筑行业的应用，每一个工人的情况不一样，我们结合以往工作所带来的绩效评估，结合对他们身体条件的分析，非常个性化地引导工人应该怎么做好这个节点，把原本需要专业技工完成的工作让AI赋能的普工可以高质量完成，进而改变了整个环节的工序设计。所有这一切会给我们带来更加充沛的节点供应和更加高质量的完成，这种质量绝不只是今天把这个工作简单完成，而是在人机的混合下，无论这个机器用于引导，还是用于监理，还是用于加强，还是用于机器人的物理做工，总之能把节点的质量达到一个标准化的程度，达到今天人类最佳实践的标准化，节点效率会大大提升。

第二波，系统效率的提升。

当节点逐渐被AI渗透之后，整个业务系统可以被AI的感知和决策能力所覆盖，带来系统效率的提高。我们今天都在享受着互联网带来的每一个行为节点都被数字化之后，所带来的精准推荐系统效率，避免了流量的浪费。但在真实物理世界里我们的系统效率实在太低了。在农业种植过程中，腐烂的没有及时去摘的损失占百分之三十；我们多打农药，不知道每一个苹果的状况怎么样，只能所有苹果打类似的药或多打百分之二十，浪费掉的农药或者农药给社会造成的损失非常巨大。我们的医疗，所有人都在按照同样的标准检测、同样的标准服药，没有考虑每个人的不同。我们的工业，在每个环节都有一定的误差容忍，到下个环节又是按标准的工艺去加工，不考虑对上一个环节误差的补偿。这些有决策的难度，也有很大的个性化作业对人的巨大挑战的难度，标准化都很难，何谈个性化。

传感器和数据的成本在节点效率提升的过程中被承担，跨节点的数据却在更长的未来发挥着价值— 通过跨节点的误差补偿、资源调度、根据出口需求的全程精准化，来做到全局的效率提升。进而，利用AI对跨节点多元数据的发现能力，发现新的规律，找到提高系统效率的最佳决策，从标准化再反过来走向更高程度的个性化。

系统效率的提升，更大的意义在于可以规模化，可以适应扩张中的区域差异、要素差异，实现品质维持的规模化。太多的业态死于扩张中的要素不可复制，死于任何的需求或者供应差异就打破了原来的固定模型— 无论是餐厅还是农业还是高品质工厂。而AI时代的系统模型本身就是基于要素差异进行整体补偿和配置的模型，不断在复制的差异化过程中学习和提升，不断通过新的数据来更好的提高判断准确性。放眼未来，这种差异会越来越大。

第三个阶段，产业效率提升。

AI的更大想象力在于通过打造新的效率模型，改变行业的集中度、打造新的业态，真正去提升产业效率，重塑产业格局。

没有人规定AI时代的创业只能做乙方，很多人可以做甲方，我们在美国投资的农业智能化领域发展比较快的一家公司，他在过去三年内已经开始这样做，这个行业格局分散，一个一个去给中型客户做销售是比较辛苦的，但正是这样的行业，为什么不能应用AI能力去打造一个新的集中度呢？既然能打造最优秀的效率模型，既然这种效率模型远远超过了今天的甲方，为什么不能自己拉上最优秀的甲方变成新效率模型的运用者？这个时代甲乙方的关系会变得微妙。这家公司过去一年从给不同农场卖解决方案，变成自己创立了品牌，代表着一个打农药很少、交期很准、质量很高的农产品提供商，售价可以做的很高，损耗可以降的很低，他自己变成一个农业品牌，传统的甲方反而变成了他的加盟商，变成给他提供劳动力，提供土地要素的乙方，甲乙方颠倒的过程中，大家共同在向市场要最大的空间，向消费者要最大的购买力，同时把行业集中度大大提升。所以第三个阶段，AI非常大的机会在很多看上去传统、看上去细分的行业有新的集中度，甚至有新业态的打造。

我们继续讲农业的例子，我们设想一个未来的场景，其实在养殖领域已经出现了这样的例子，今天有很多很好品种的农作物，如果有机会试吃一下，真的觉得这个东西非常好，而且营养价值也非常高。只是效率模型现在非常不高效，因为这样的品种需要非常精细的照料，需要很长周期的劳动力投入或者其他要素的投入，这样的培养要花很长时间。但这就是AI的优势，我们建立一个非常精准的作业的模型，并且是个性化，能匹配到不同地方的土地、人员、口味等等要素环境，所以很多新业态在这个过程中能够得以打造，这个过程中AI公司的边界就不只是技术公司了，而是这些行业的缔造者。

第四个阶段，进一步的AI效率提升。

绕回来说技术，某种意义上讲，这几年积累下来的一些AI技术足以在很多传统行业掀起很大的风暴，但未来十年AI自身又将有极大的发展。AI赋能传统行业过程中减少了很多要素成本，但增加了AI的成本— 语义理解，传感器，机器人，很多能力今天还很昂贵，未来十年，AI自身的效率会有实质的进一步提高。

我放了两张图，右边是一个微小传感器，这个传感器放在一个美元硬币上，大概只有几百分之一的大小，是个全栈的传感器，具有感知、计算、传输、环境能量采集的能力，可以在五到十年持续工作。以一个那么小的体积，可以被放到眼底做青光眼的眼压监测，可以被放入工业领域的大量设备中，这些都是让AI边界扩张的利器。今天一个带电源的智能音箱的对话能力，十年后在一个微型无源模组里就有，voice-first能力将天生属于每一个设备。

左边是一个光学计算的芯片，我们今天仍然有极大的AI处理成本，哪怕做简单的图像识别还不要谈更高阶的语义分析、从几千路的摄像头里分析数据、高实时超高清数据中的分析— 这样的计算成本仍然是不可思议的一个数字，大大限制了今天AI落地的领域在一些高价值任务上。但未来的光学计算芯片，将带来几十个数量级的效率提升，让AI能力在同等约束条件下大大的跃升。

这样的例子还有很多，我们所投资的一批前沿技术公司，会在未来5-10年内逐渐成熟，拓展AI的能力边界，让人体内的数据采集和决策，让工厂内的人机协同智能机器人，让三维重建和虚拟化等技术成为现实。AI效率的提升还包括技术进一步成熟之后的平台化API化。比如说视觉，今天任何一个行业的公司，如果想很好利用视觉技术，还不得不自己花一些时间做开发，或者推动这些技术公司去做很多定制的事情，从最简单的图片训练，到为了获取物理世界的实时视频流所做的从传感器到算法的开发。未来十年会迎来这样一个时代，视觉传感器对空间的视觉识别和理解能力将平台化，成为一个随手可得的API，一个模组能对屋子里95%以上的空间有覆盖，对空间里95%以上的行为进行语义化，无处不在，随手可得。和互联网的发展一样，当AI已经不称之为一个话题的时候，效率提升达到极致，我们行业的应用空间又会大很多很多。

这四个阶段其实是相互轮流发生的，不是一个静态的过程。未来十年，我相信是AI的黄金十年，过去AI还是小圈子内的技术展示和能力试点，距离深入的行业变革还远。未来十年，却一定会深入各产业的核心业务系统，造就一批领先的产业公司。

同样未来十年也不是一帆风顺的，创业者必须要认识到舞台的主角变了，AI创业者和技术公司仍然是舞台上重要的主角，但不是一个单人的，不再是互联网去改造各个传统行业那种1+n的格局，不是改造，而是造就，是与产业公司携手去造就新效率模型的1+1。

未来的黄金十年属于领先的产业公司。什么是领先的产业公司，他们对行业有非常深的洞察，他们自身就是当前行业最佳实践效率模型的打造者，并且他们对使用技术充分改变这个行业有最深的理解和认识，只是受限于技术的渐进式发展，有很多想做的事做不到。有前瞻性的产业公司想打造新模型，有前瞻性的技术公司想去服务新模型的打造，只是快速发展的AI时代让信息不对称，大家彼此无法携手。

玄羽科技李鸿峰：AI赋能3C制造的四大应用场景

AI小助手 BV百度风投

BV百度风投A轮项目“玄羽科技”是一家工业制程智能化开发公司，致力于以工业4.0为蓝图，以工业大数据及机器学习的技术为基础，结合工业自动化技术，为制造业提供软硬结合的智能工厂解决方案。

近日，在“2019未来论坛·南京峰会”上玄羽科技董事长李鸿峰发表《AI 赋能3C制造》的主题演讲，他表示：3C行业制造目前面临增长放缓、人力成本持续增加、毛利率越来越低的三大困境，产业面临这些困境，需要考虑升级转型，通过技术创新和成本优化。

玄羽科技董事长李鸿峰

以下为演讲实录：

大家好，我是玄羽科技的李鸿峰，我今天分享的是AI赋能3C制造，侧重于介绍细分领域的几个AI应用，刚才我与几个嘉宾一起交流一致认为在今天的创投圈，有几个概念被炒得非常火热，工业互联网、工业物联网、智能制造都非常热，历史经验告诉我们，行业越是狂热，我们作为当事人就越要冷静分析。智能制造是方向是未来，但是，在行业刚刚起步的今天，我们究竟该如何去做？玄羽选择聚焦，工业很大，我们聚焦在3C制造，3C依然然很大，我们还要继续聚焦。

01 3C制造在今天面临着三大困境

首先我们看一下我们为什么选择3C行业，3C行业的现状是怎么样的。3C制造在今天，已经面临着三大困境，

第一大困境就是增长放缓，例如最明显的就是手机，以前是在持续高速增长，而现在出现了负增长，这是第一困境。

第二困境，中国的人口红利已经不在了，人力成本一直在增加，中国过去十年间，人力成本增长了3倍，尤其在3C制造这个人力密集的制造业，更加地显著。

第三个困境，整个3C制造毛利率越来越低。

当一个产业面临这些困境的时候，就必须要考虑升级转型，一定是通过技术创新和成本优化。这就催生了他们对智能化制造的需求。

02 3C制造特点

第一个特点就是高度离散。第二个是迭代非常快。这样的行业特点，既有它好的一面，也有它坏的一面。好的一面是：通过科技手段能带来的效率提升的价值空间特别大。不好的是：因为变化太快了，太离散了，做起来非常难。玄羽科技最开始选择的路径，是以头部企业为主，它的特点就是基础比较好，理念比较强，可以带动整个产业的动作。所以最早我们选择了3C制造，作为智能制造的一个切入点。

智能制造的理解往往有一个误区，就是自动化。自动化在智能制造的进程中，的的确确起了非常重要的作用。但有一点必须清楚，自动化真的不等于智能化。自动化的手段只能替代人的手和脚，不能替代人的大脑。如果向往智能制造，就要想一想怎么能替代人的大脑。今天我们可以通过数据+算法的方式，切入到智能制造，用AI的替代甚至超越人脑，能给工业带来巨大的价值。

先介绍智能制造的一些基本逻辑，我们把工厂里各种设备和系统的数据尽量全地收集上来形成数据中台，在中台之上做数据分析和一些人工智能的探测。有一些做工业大数据的公司，基本上做采集、分析、展示、报警，这个都是单向的分析，在工业领域这个单向分析是不足够的。既然已经通过数据分析得出了一个结论，那我们为什么不对这个结论做相应的动作呢？我们在智能工厂设计的时候，有三个因素是必须考量的，大局观、判断力、闭环控制。当我们把这么多设备收集上去之后，我们相当于在整体上形成了一个大数据的外脑，可以通过多维度的、宏观的角度去判断整场的状况，而不是某一台机器做得非常智能，是整体大局观的智能。

第二个要素是判断力，通过数据的手段，给一个判断和分析。第三个要素是闭环控制，基于这个分析，要进行反向的闭环控制，没有反向的闭环控制，意义会大大折扣。有了这样的大局观、判断力和闭环的执行力，就成为了智能工厂和柔性制造的基础。智能工厂就是有智有能，智是“判断力”、能是“使能”这就是我们的智能工厂的一个基本逻辑。

03 四大AI应用

接下来跟大家分享四个AI的应用，这是在细分领域四个比较有意思的场景。

第一个场景就是CNC刀具的智能分析，CNC就是数控机床，最主要的耗材就是加工的刀具，刀具是一个高速旋转的部件。CNC加工一直都有一个痛点，就是高速旋转的刀在加工过程中会不可避免地会断掉，因而机台对断刀是不可判断的，断刀会让加工工件成为次品，这是物料的损失，另一个损失，是刀的损失，在CNC加工过程中是自动换刀的，当前序工刀断掉之后，后续工刀并不知道前面是断的，依然按照原来的加工位置切换过来，会造成接二连三地断掉，不仅是次品，还必须相应地换刀和修理机台。因为断刀这个痛点催生了对刀仪。对刀仪会损失非常多的加工时间，而加工时间就是产能。在3C制造领域，因为是大规模生产的，产能损失是工业企业最不愿意看到的。而且硬件的对刀仪在机台里面面对的环境非常恶劣，所以它的品质和测量精度下降得特别快要高频次地维护它。每一个机台都要配这个对刀仪，每天都要去维护它，中国有CNC保有量大概有几百万台，如果每一个机器都配对刀仪的话，代价是非常巨大的。客户给我们提出的要求是，如何不增加硬件成本，如何不占用加工时间，把断刀找出来，这就是数据+算法的方式。我们把机台里面对应的数据全样采集出来，对每一把刀的整个加工状态，在线的、实时的都有一个精准的把控，能立刻发现断刀行为，当我发现断刀之后，一定要有闭环反向控制，立即控制机台抬刀停机，避免后续损失的发生。由于我们对刀具做了精准的监控，同时衍生出对机台寿命的准确把握，所以我们会带来刀具的节省，人员的节省，设备寿命的提升，效益大大增加了。

接着分享第二个AI应用，阳极氧化的应用，手机外壳从CNC加工出来之后，是一个白料，是不可以直接进组装段，必须要进行表面的处理和染色，这个就是阳极氧化的工艺，是一个化学工艺。在中间大家看到的就是一条阳极线，下面一格一格的就是池子，上面挂的叫做天车。一个金属要经过染色的过程，根据它的品质要求，会经历不同的池子，一个池子一个池子沉浸反应，我们当初做的一个手机外壳品质要求非常高，要经过上百个池子，这个工艺非常复杂。为了人的安全，整个阳极行业都要求用天车，带来了另外的风险，因为这个天车会撞人，每年都会有伤人的事故。我在阳极厂走一圈嗓子受不了，里面都是是强酸雾，工人必须戴口罩。所以阳极厂是最需要做无人工厂的。今天的嘉宾我们也在交流一个事，IT和OT的融合，这是非常典型的案例。引入人工智能算法的话，会大大提升效率和准确率。将天车实现真正意义上的智能驾驶。

那么为什么阳极厂最需要做无人化，到现在都没办法无人化呢，因为整个化学工艺是非常不可控的，必须有一个老师傅站在池子旁边根据经验不断地观察、不断地进行手工调整，整个过程不得不依赖老师傅在现场的控制，老师傅好不容易培养出了经验，就跑了。因为工作环境太恶劣了。阳极厂的品质一直都是提升不起来的。我们曾经做了一个阳极厂，每天因为良品率做不上去，每天损失是几百万。现在我把天车实现了智能自动化，把每一个涉及到老师傅的环节，都通过数据算法的方式，去替代它。这样就可以真正意义上做到阳极的无人化了。

分享的第三个AI应用就是智能主轴，主轴是机器加工设备非常重要的部件。主轴每年维修和替换是CNC领域非常重要的成本。我们把跟主轴相关的数据，以高频的方式采集过来之后，我们对主轴的运作就了如指掌。带来了两个方面的改善，第一个改善，CNC每天在加工的时候，它的工人在现场必须要做一个事，就是要测一下这个主轴的对中度和偏摆，如果有偏摆的话一定会出现次品，但因为都是手工的，效率非常低，每天要检测3-4次，有的员工偷懒了，检测评估就会更低，这样就会增加产品的次品率。第二就是，这个轴是非常贵的东西，一旦坏了，损失非常大。如果在精准的判断监控之后，我们对这个主轴提供一个预测性的维护和健康管理。我们对于整个主轴加工过程的状态了如指掌，有些时候是可以救回来的，要看发生故障的原理。可以把寿命提升的。涉及到主轴的检测和生命周期的管理。这是任何一个有主轴设备的工厂特别在意的一个部件。

第四个跟大家分享的AI应用就是智能玻璃加工，我们为什么做玻璃加工这个领域。大家知道，以前的机器的外壳都是塑料的，后来因为苹果手机的引领，把外壳做成了金属的，促使了3C金属加工爆炸式的增长。接下来5G时代会到来，5G信号对金属是非常敏感。这就要求整个手机的外壳不会都是金属的外壳，苹果很明确将来有玻璃外壳的方向，很多做制造企业都在做预研和转型，下一步玻璃加工的制造会大幅增长。良品率很难保证。玻璃切片之后要磨的，这个过程就是用的CNC，我可以把这个过程理解为CNC加工的特殊刀具，它是一个磨棒，玻璃非常脆，加工过程会出现崩边崩角崩空等不良。有了人工智能算法之后，可以大大提升玻璃加工的效率和良品率。

工厂要做的事情，不管是宏观也好，还是微观也好，一定要做到增效、降本、提质、减员等等，这是不灭的话题。
       责任编辑:pj