当互联网巨头遇上工业制造，优势放大还是缺点暴露？

这是一场将自己变成实质上公共事业企业的战争，制造业不过是一个分战场。互联网大厂「染指」制造的醉翁之意在于底座（IAAS以及工业PAAS）能力的输出，通过强有力SaaS软件直接服务最终用户并非常态打法。

这也造就了互联网大厂解决方案的开放与协作，与传统制造业巨头的互联网方案的封闭、「舍我其谁」的架势，形成鲜明对比。他们试图从基层核心技术和「用多少服务给多少钱」的商业模式，大大降低制造企业使用新技术的门槛。

不过，代表性企业在与制造业的结合过程中发展方向各有特点，结合的程度也有差别。

2020年见证了制造业的骤停，也见证了他的反弹迅速。德勤在一份最新制造业趋势展望中发现，制造业正加剧数字技术投资，以便更好地「罩住」不确定性。

作为市场规模增长最快的传统产业，制造业企业认为，工业AI平台能让他们以更低的成本应用AI，是AI在工业领域的落地和普及的必要条件。与互联网大厂合作填补能力空白，也成为主要选择之一。

与之相应，互联网大厂也不再满足于等待企业提出需求再设法支援，而是更加主动地推出解决方案。

去年年底，亚马逊史无前例地一口气推出五项直接用于工业领域的机器学习服务，坦言要降低缺人才、缺钱中小制造商采用新技术的门槛。

一

应用工具层：

有限的「短兵相接」

坦白说，绝大多数制造企业想要「拎包入住」的便利和实惠，并非互联网大厂强项。他们更像是提建筑材料和工具供应商，还需要招揽大量「泥瓦匠」（比如开发各种App应用第三方），造出满足不同需求的「精装房」。

不过，在少数典型应用场景「最后一公里」舞台，他们不惧通过强有力SaaS软件直接服务最终用户，与制造巨头和应用工具开发商「短兵相接」。

2017年贝恩咨询的一份图表显示，并不是所有工业互联网机会都是平等的。对工业客户最有吸引力的机会如黑点所示，主要包括质量控制、预测性维护、提升产率斜坡、资料优化、远程控制等。

首先，将自己在机器视觉上多年积累和优势延伸到制造，近乎必然，还少了消费场景下「隐私」、「歧视」的道德困境。

在车间层实现生产流程的优化和精益化，质量检测成为大厂必争之地。现代制造系统非常精细，故障率通常只有1%或更低。但即使很小缺陷也会让企业付出昂贵代价。但「人工+普通摄像头」的传统方案存在一系列问题，包括精度低、健康损害、管理成本高、方案扩展性差地等。

比如半导体、PCB行业，康耐视、基恩士大都采用传统的视觉算法分析方法，基于成熟的模板匹配、灰阶等算法，不仅会有漏项，也需要有许多工人复检。

巨头们携带自己磨炼许久的深度学习能力悉数入场，希望存量和增量市场用到自己的先进技术。

在中国工业质检市场，百度智能云占据最大份额，在3C行业的固定点位缺陷检测（比如宁德时代电池质检）、钢铁行业的中厚板检测、纺织行业的智能验布领域都提供了相应的解决方案。

阿里工业大脑「见远」已经应用在电池片瑕疵检测、蚕丝瑕疵、道路裂缝检测、垃圾分类、智能养殖等多个领域。

腾讯也携带在华星光电、空客积累的一些工业视觉智能能力，深入其他制造领域。

亚马逊去年年底送出的工业大礼包中，AmazonLookoutforVision让人印象深刻。

制造商无需任何机器学习经验，仅需将少量图像（少至三十张）发送给云端系统，就可以得到识别缺陷的模型，包括机器部件的裂纹，面板上的凹痕，不规则形状（比如披萨是否够圆）或不正确的产品颜色。

机器视觉的另一「扎堆」应用位于管理环节，比如涉及安全管理的工业巡检。

电网巡检，一名普通线路工人工作30年巡线所走过山路可绕赤道1周。如果将硬件处理器部署在输电杆塔或者无人机摄像头里，系统可以「就近」分析图像视频，识别典型隐患场景、本体缺陷并发出警报。云端部署训练和推理系统，负责持续优化算法模型。

而诸如工业厂区（比如，精细化工园区）安全巡检也需要借助互联网大厂对人、车、物、设备的快速识别，实现安全管理效率。

除了机器视觉的技术优势，在设备运维后市场，互联网大厂们也希望实现对生产设备的预测性维护：

任何沙粒都可能导致计划外的停机，墨菲定律告诉我们，它们很可能在最糟糕的配置和最糟糕的时间发生，导致严重商业后果。

GE、Caterpillar、小松、三一等制造巨头的产品遍布全球，做预测性维护可谓水到渠成，而互联网大厂也不惧短兵相见。

比如，对比飞剪机组斩切精轧机组转出的钢带噪声脉冲与典型噪声特征集，完成一段时间生产数据统计后，百度智能云可以预测切割机器是否存在异常，进而降低机器故障率和停机时间。

亚马逊最新推出AmazonMonitron也是一种简单且成本效益高的状态监控服务：

先在工业钻孔机设备上安装传感器，收集钻头压力、马达和主轴转速数据，再发送到云端存储、分析和展示，基于机器学习算法进行预测性分析。

从所涉制造企业类型来看，互联网大厂流程制造落地案例似乎更多一些。比如钢铁、水泥、烟草、食品、化妆品、药品、集成电路等。

流程制造企业生产过程多数是自动化的。生产线上的设备维护特别重要，每台设备都是关键设备，不能发生故障，一台设备的故障会导致整个工艺流程的终止。

由于自动化程度比较高（比如设备控制级大量采用DCS、PLC，各种智能仪表），利用新技术的现实基础也比较好，单点上的突破就能帮助企业看到提升，比较容易ROI。

对比之下，离散制造业企业一般人员密集，自动化水平相对较低，数据采集也以手工上报为主。

不过，在传统制造业看来，互联网大厂仍然没有深入到生产核心环节和设备，比如高炉、转炉炼钢，瓶颈主要是对工业和工艺了解有限，也不敢轻易尝试。

二

工业PaaS：「兵家必争」

通过强有力SaaS软件直接服务最终用户，这样的覆盖面始终是有限的。大厂们对此也有清醒认知：

「Know-How是传统制作企业数十年的摸索积累与千万次验证，反复建模，留下的理论与经验结晶，这是大厂们最不熟悉的；

能做的主要是算力这一部分。因此，我们只能做一个支撑平台——「黑土地」，支撑上面生长的个性化的应用。」任正非在最近一次华为企业业务及云业务汇报会上发言时谈道。

这也是为什么每家互联网大厂都有自己的生态计划，比如腾讯「千帆计划」、百度「AIStar计划」、阿里开发者成长计划等。

事实上，位于应用工具集合层之下、IaaS之上的工业PaaS才是互联网大厂的演化舞台。

「AWS显然是一种PaaS，或者至少具有PaaS服务。」几年前，WernerVogels在接受外媒采访时曾说道。

「将平台能力（IaaSPaaS）注入制造业的大方向，一直没变过。」2019年，阿里云数据智能产品事业部总裁曾震宇在采访中告诉我们。

腾讯认为，自己不一定要抢小公司的市场，如何利用大公司独有的云平台来高举高打才是解题关键。

回顾历史，互联网大厂云平台要早于制造业平台，他们自己也诞生在云里。

谷歌和百度，其计算量、存储、网络、SLA、延时、大数据等，无法在端上完成，核心业务搜索就是云计算早期的最重要应用。

亚马逊、阿里、京东也遵循类似逻辑。「我们希望建立一个面向服务的架构，在这个架构中，所有的服务都可以在这个强化的API中使用，它们拥有足够的算力，让所有人都可以使用。

在为自己策划了这个计划之后，我们马上又发现，这个架构适用于世界上所有的企业，所有企业都可以使用它。」贝索斯2018年在华盛顿经济俱乐部和2019年在里根国防论坛上的采访时曾谈到过这些。

因此，当他们将制造业作为平台业务拓展的重点领域时，也会为互联网+制造部署提供连接、计算、存储等底层技术支撑（比如支撑几十万台设备高频传感器数据的压缩、存储），成为「平台的平台」，使上层平台专注于与工业生产直接相关的服务，从而实现专业分工，发挥叠加效应。

这与传统制造业巨头的互联网方案的封闭、「舍我其谁」的架势，形成鲜明对比。互联网大厂更强调开放与传统制造企业合作，帮助后者更好地适应互联网、使用互联网。

与其他对手相比，阿里云平台能力主要集中在底层，比如数据计算存储、分析。Azure、AWS也是如此。图表来自头豹研究院。

工业PaaS是实现工业智能关键，需要解决一些关键基础问题。

比如，实时性、软硬件与模型适应性问题，需要通过芯片、架构与编译器的发展来解决；至于模型可靠性、深度学习可解释性、数据与场景适应性则，则依靠算法层面的研究解决。

以第一个基础性挑战为例。训练框架上，Tensorflow、Caffe等框架已能满足工业训练应用需求。

例如，油田服务公司贝克休斯（BakerHughes）基于TF，利用深度学习算法进行震动预测、设备预测性维护、供应链优化和生产效率优化。

阿里工业大脑全面支持TensorFlow、Caffe等架构，已广泛参与到新能源、化工、重工业等不同制造领域。中国航天科工集团的工业互联网平台基于Tensorflow进行轴承预测。

推理框架方面，端侧推理框架无法满足工业终端计算需求，需定制化开发。不过，随着工业终端智能化功能与计算需求的不断提升，端侧推理框架需求较为紧迫。

谷歌、腾讯、百度和华为等已经开发出主要面向手机端的推理框架，极大地提升了移动终端的计算智能能力，未来具备向工业领域渗透可能性。

谷歌TensorFlowLite深度学习框架现阶段首先支持安卓和IOS，同时在工业领域应用普及度也较高。百度Paddle-mobile深度学习框架支持包括ARM、NPU、GPU等多种硬件平台，且重视在工业领域的延伸/合作，更可能在工业领域发力。

互联网大厂在制造业「存在感」主要在于底层，图表来自头豹研究院。

至于编译器，亚马逊、谷歌、华为、阿里等已经基于各自优势与竞争考虑打造。

值得注意的是，为了降低制造企业、机器学习开发者使用新技术的门槛，互联网大厂们想法设法降低算法实施过程中开发、环境、运维对工程师的依赖。

比如，百度的工业视觉智能平台、EasyDL平台，都将数据、模型、部署等多流程打通；

亚马逊SageMaker也可以有效贴近工业的实际需求，让开发者快速、轻松集成到自己的系统中，让制造业客户轻松获得AI能力，比如质检。AmazonSageMakerEdgeManager还可以帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型

腾讯云千帆计划的技术中台产品「鹊桥iPaaS」，用来提高集成速度，让以往需要数十天的集成工作可在几天内完成。

不过，在降低制造企业使用新技术经济门槛上，互联网大厂服务更具革命性。

无需提前付费、「用多少服务给多少钱」，这些都非常关键，从根本上改变IT行业，大大降低制造业企业使用互联网服务的门槛，让企业更专注构建于自己独特的能力。

「你只需要买这个服务。第一年觉得用的好，第二年再继续，如果觉得用的不好，第二年可以不再付费。」在过去的采访中，阿里云IOT智能制造总监郑旭曾告诉我们，「我们可以将ROI控制的很低，企业的转型成本和风险都很低。」

亚马逊干脆将AWS的成功归功于「通过重塑企业购买算力的方式，AWS成为了一家规模非常大的企业」、「重新书写经济模式」。

三

基因各异，也各具特色

虽然说，底层输入能力上，互联网大厂没有本质区别，不同基因又决定互联网大厂在与制造业的结合过程中各有特点。

C2M模式核心是大规模个性化定制，也是工业互联网主要应用模式。从C端起变革，正是坐拥流量入口互联网大厂（阿里、京东、拼多多）拿手好戏，拿流量换取制造业的机会。

电商「抢」工厂，往后做供应链、ERP、柔性生产，一方面得益于十几年来制造商柔性能力提升，另一方面也在于摸清从零售到生产的每个环节。

借助条码、RFID、摄像头等设备对工厂进行轻量化的物联网式改造，将工厂的产能数据与网店打通，借助深度学习等算法模型对消费者评价等数据进行学习，实现按需生产。工厂不仅清楚差异化需求，也让定价、备货等更加精准。

相比电商起家的巨头，腾讯没有控制生产环节的条件，也因此更具开放性。依靠合作伙伴来做，针对中国制造企业千人千面的解决方案。

社交起家的腾讯，其企业级业务最大的吸引力，来自其消费级业务积累的强大用户优势。手握这些连接能力，腾讯善于从销售和服务再往前端去切。而用户选腾讯看的还是用户流量和营销能力。

比如，借由两端——微信和企业微信，腾讯为制造业用户构建连接用户、管控经销商的能力。

至于微软，本身是做生产力工具，凭借自己在系统软件方面的优势与传统的工业自动化企业结盟，直接进入了车间地面的核心制造环节中。

Azure云平台和Windows10物联网版，更是在跨硬件通用性上下足了功夫，其口号是「MicrosoftEverywhere」。在此基础上，微软将自己的Office系列企业级办公软件与远端的云存储、云计算结合在一起，创造出独特的企业级应用生态。

在制造业的场景中，企业可以将自己的生产机器的软件控制系统直接建立在Azure和Windows10物联网版之上，实现以Windows为软件控制基础的智能化生产。

比如，给一家工程机械和刀具系统厂商做预测性维护，微软的方案基于Azure物联网套件（AzureIoTSuite）和CortanaIntelligence套件，集成了人员、机器、工具、材料、订单、仓储处理、日程排期等多种信息。

方案还整合了微软Dynamics365，实现刀具、机器与流程的完美结合，帮助人们根据客观整合的生产数据规划资源，明确机器或工具的投资回报率，做出更好的决策。

相比之下，亚马逊似乎更安于自己的一亩三分地，做云服务供应商，帮助企业提供一揽子的互联网解决方案。不过，其创新的核心关键词离不开零售经验的「easyandcheap。」无论是在数据库、分析和容器开发上不慌不忙得迭代，还是悄然扩圈更多制造业开发者甚至终端用户，提供灵活、便宜的服务。

前哈佛商业评论主编NicholasCarr早在十几年前预测过，随着信息技术已经开始将自己从潜在的战略资源变成和水电一样的商品，它们正在变成所有企业都必须支出的成本，也因此不再具有真正的战略价值。

既然「亲力亲为」只是给企业徒增大量无意义的重复性工作，包括微软、谷歌、亚马逊、BAT在内的许多主要的企业IT供应商将逐渐进入一场争夺「网络服务」主导供应商的地位，以便将自己变成实质上的公共事业企业。

目前，云服务仍处于发展早期，Gartner发布的IT关键指标数据《2020：IndustryMeasures》显示，在全球IT总支出中，云上支出仅占4%。

这是一场争夺规模的战争，制造业不过是规模化的一个分战场。而伴随着IT向商品（比如上云）的持续转型。赢者将会过得很好，输家则会出局。

责任编辑：PSY