从工具革命到决策革命——通向智能制造的转型之路.pdf

随着物联网、5G、人工智能、云计算等技术的“核聚变”式爆发，各 主要工业国围绕智能制造所制定的“再工业化”战略也甚嚣尘上。我国在 2019 年的政府工作报告中首次提出了“智能 +”的概念，将智能制造确定 为了国家经济发展新动能的重要发展方向。本报告从智能制造崛起的背景出发，通过探讨消费互联网带动产业 智能化升级这一中国特色的智能化路径，归纳总结出了“数据 + 算力 + 算法”这一实现智能制造的核心技术体系，并深入阐述了该体系赋能重构 的制造业生产体系各个环节。在大量案头研究和访谈的基础上，报告通 过淘工厂、恒逸石化、中信云等企业的六个案例分析，首次提出了企业 实现智能制造的四条独特路径。报告还从社会和企业发展的角度审视了智能制造的意义。就社会而 言，“数据 + 算力 + 算法”引领的智能制造，带来了工具革命，也带来了 决策的革命。工具革命以自动化的方式让工作效率大幅提高，决策革命 则以智能化提高了决策科学性、精准化。就企业而言，只有尽早确定以 价值为导向的智能化升级战略，才能在工业 4.0 的浪潮中立于不败之地。前言目 录一、智能制造崛起 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01新消费时代的来临倒逼制造业变革. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .01智能技术群“核聚变”驱动制造业智能升级 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01智能制造的系统闭环 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06各国大力推动智能制造发展，抢占创新高地 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07二、智能制造重构生产体系. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09智能制造体系概述. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09需求发现：从间接到直接. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10研发环节：从串行到并行. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11采购环节：自动化、低库存化、社会化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12生产环节： “车间” 里的革命. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13营销和售后：无所不在的智能化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14三、数据 + 算力 + 算法赋能制造业 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15长尾重构：规模化供给解决定制化需求. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15敏捷响应：精准捕捉用户需求，快速推出新品 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17智能决策：工业大脑结合行业洞见，重构人机边界 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18高度协同：工业互联、云中台助力大型集团构建高度协同的智能制造生态体系 . . . . 21四、智能制造推动新经济. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24智能制造对经济和社会的推动意义 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24智能制造的中国路径. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25企业如何推动智能制造转型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2601第一章：智能制造崛起 新消费时代的来临倒逼制造业变革智能技术群“核聚变”驱动制造业智能升级国际市场调研公司欧睿国际发布的2019 年全球十大消费趋势中将个性和定 制总结为未来消费发展的重要关键词，而这两大趋势在中国消费市场的发展中更是 被演绎的淋漓尽致。过去十年间，中国已经成长为了名副其实的消费型社会。一方面，城镇化进程 的加速和居民可支配收入的提高催生出我国巨大的消费市场。另一方面，消费已经 成为驱动中国经济发展的首要动能，2018 年对经济增长的贡献率达到 76.2%，成为 经济增长的“压舱石”。近年来，移动互联网在全社会迅速渗透和普及，数字化技术被广泛应用于消费 产业链的各个环节，推动了新消费时代的到来。这一时代的主要特征是在数字化支 撑下的个性化升级， 这一时期的特征是 ： 以消费者为核心， 以满足消费者需求为目的， 通过消费者需求逆向推动商品生产和服务提供。在此背景下，消费结构、消费需求、 消费渠道和消费理念都发生了深刻变化： 在消费结构上，升级趋势明显，侧重于发展和享受型消费，用户的个人体验 变得更为重要； 在消费需求上，个性化、品质化的用户需求尤为突出； 在消费渠道上，注重线上线下联动的经营模式； 在消费理念上，向绿色健康、便捷高效等方向转变。消费的升级带来了消费的分级，催生出不同的消费阶层和群体。例如，一二线 城市消费继续看好高品质、重体验，而之前被主流平台边缘化的小城镇青年消费需 求逐渐走上舞台，所形成的长尾效应开始受到关注。新消费时代下个性化定制的消费观已经越来越普遍，消费品产业链条中生产者 和消费者间的关系正在被重塑，对供给端的生产效率、产品质量、敏捷反应等提出 了更高的要求，制造产业的智能升级迫在眉睫。过去十多年来物联网、5G、人工智能、数字孪生等科技的爆发性发展带来了算 力和算法的巨大进步，传统制造业的数字化发展又带来了海量的数据。三者的日益 融合逐渐形成了以“数据 + 算力 + 算法”为核心的智能制造技术体系。 数据是基础，也是智能经济的核心生产资料，在产业链各环节产生的大量数 据是驱动智能制造提高精准度的核心；02数据（Big Data）工业数据的收集和分析早在传统工业信息化时期就一直在进行，有大量的数据 来自于研发端、生产制造过程、服务环节。而工业从数据到大数据，最大的区别是 实现数据的两化融合，将工业化数据与自动化域数据的叠加。在工业互联网时代， 还需要纳入更多来自产业链上下游以及跨界的数据。实现工业大数据的主要核心技 术包括物联网 (IoT)、MEMS 传感器和大数据技术等，其中尤以物联网和 MEMS 传 感器为代表：物联网（IoT）物联网是指通过嵌入电子传感器，执行器或其他数字设备的方式将所有物品通 过网络链接起来，通过万物互联来收集和交换数据，从而实现智能化识别、定位、 跟踪、监控和管理。物联网的几大关键技术包括传感器技术、RFID 标签和嵌入式 系统技术。 这些技术可以实现透明化生产、 数字化车间、 智能化工厂， 减少人工干预， 提高工厂设施整体协作效率、提高产品质量一致性。MEMS 传感器MEMS全称为Micro Electro Mechanical System， 即微机电系统， 是集微传感器、 微执行器、 微机械结构、 微电源微能源、 信号处理和控制电路、 高性能电子集成器件、 接口、通信等于一体的微型器件或系统，是一个独立的智能系统，可大批量生产， 其系统尺寸在几毫米乃至更小，其内部结构一般在微米甚至纳米量级。图 1：以“数据 + 算力 + 算法”为核心的智能经济科技体系资料来源：阿里研究院，毕马威 有了海量数据，就需要强有力的算力进行处理，而以云计算、边缘计算为代 表的计算技术，为高效、准确地分析大量数据提供了有力支撑； 但是，仅有了数据和算力依然不够，没有先进的算法也很难发挥出数据真正 的价值。以人工智能、机理模型等为代表的算法技术帮助智能制造发现规律并提供 智能决策支持； 与此同时，以 5G、TSN 为代表的现代通讯网络凭借其高速度、广覆盖、低 时延等特点起到了关键的连接作用。它将三大要素紧密地连接起来，让它们协同作 业，发挥出巨大的价值。5G 、NB-IoT、 TSN、以太等数据IoT、MEMS传感器、 机器数据，数据技术算算法云计算、边缘计算、泛 在计算等，核芯片机理模型、流程模型、 智能、数字孪等03在市场应用方面，通信、工业和汽车是 MEMS 传感器的三大主要应用场景。 在智慧汽车趋势的驱动下，MEMS 传感器在汽车领域的应用增长尤为快速。由于其 具有可靠性高、 高精度和成本低等特点， 被广泛运用于包括车辆的防抱死系统(ABS)、 电子车身稳定程序 (ESP)、电控悬挂 (ECS)、电动手刹 (EPB)、斜坡起动辅助 (HAS)、 胎压监控 (EPMS)、引擎防抖、车辆倾角计量和车内心跳监测等方方面面。算力 (Computing Power)算力的发展主要朝着两个方向延伸：一是资源的集中化、一是资源的边缘化。 前者主要是以云计算为代表的集中式计算模式，通过 IT 基础设施的云化给产业界 带来了深刻的变革，减少了企业投资建设、运营维护的成本。后者主要以边缘计算 为代表，与物联网的发展紧密相连。物联网技术的发展催生了大量智能终端，物理 位置上处于网络的边缘侧，而且种类多样。由于云计算模型不能完全满足所有应用 场景，有一定的局限性，海量物联网终端设备趋于自治，若干处理任务可以就地解 决，节省了大量的计算、传输、存储成本，使得计算更加高效。云计算 （Cloud Computing）如果说物联网是人的神经中枢，那么云计算就相当于人的大脑。云计算自动 化集中式管理使大量企业无需负担日益高昂的数据中心管理成本。“云”的通用性使 资源的利用率较之传统系统大幅提升。根据美国国家标准与技术研究院（National Institute of Standards and Technology, NIST）的建议1，理想的“云”应该具有五个特征：按需自助服务（on-demand self-service），无处不在的网络访问（broad network access），资源共享池（resource pooling），快速而灵活（rapid elasticity） 和计量付费服务（measured service）2。1 P.Mell, T.Grance,The NIST definition of cloud computing(draft), NIST Spec.Publ.800(2011)7.2 NIST 对于云计算计量付费服务的定义为：云系统利用计量功能（通常是通过付费使用的业务模式）来自动调控和优化资源利用，根据不同的服务类型按照合适的度量指标进行计量（如，存储、处理、带宽和活跃用户账户）。监控、控制和报告资源使用情况，提升服务提供者和服务消费者的透明度。图 2：制造系统的复杂性驱动技术架构的迁移资料来源：阿里研究院，毕马威04云计算的部署模型分为四种 ，分别是公共云，私有云，社区云和混合云 ，并 以三种服务模型呈现，即“软件即服务（SAAS）”，“平台即服务 (PAAS)”和“基础设 施即服务 (IAAS)”。过去几十年来，制造系统的复杂性呈几何倍数增长，传统的 IT 平台解决方案已经无法满足该系统所需要的信息响应能力，制造业的技术架构向云 架构的解决方案迁移是发展的必然。边缘计算 (Edge Computing)2018 年发布的边缘计算与云计算协同白皮书将边缘计算定义为“在靠近物 或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平 台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、 应用智能、安全与隐私保护等方面的需求。它可以作为链接物理和数字世界的桥梁， 赋能智能资产、智能网关、智能系统和智能服务。” 3边缘计算的构成包括两大部分：一是资源的边缘化， 具体包括计算、 存储、 缓存、 带宽、服务等资源的边缘化分布，把原本集中式的资源纵深延展，靠近需求侧，提 供高可靠、高效率、低时延的用户体验；二是资源的全局化，即边缘作为一个资源 池，而不是中心提供所有的资源，边缘计算融合集中式的计算模型（例如：云计算、 超算），通过中心和边缘之间的协同，达到优势互补、协调统一的目的。因此，边缘计算与云计算之间不是替代关系，而是互补协同关系。两者需要通 过紧密协同才能更好的满足各种需求场景的匹配，从而放大边缘计算和云计算的应 用价值。算法 (Algorithm)算法是一个有限长度的具体计算步骤，以清晰定义指令来使输入资料经过连续 的计算过程后产生一个输出结果。算法在智能制造的各个环节都有着广泛的应用， 是制造业实现智能化升级的精髓所在。例如在智能制造中机器视觉主要解决需要人 眼进行工件的定位、测量、监测等重复性劳动。其作用原理是利用相机、摄像机等 传感器，配合机器视觉算法赋予智能设备人眼的功能，从而进行物体的识别、检测、 测量等功能。算法是人工智能和数字孪生这两项智能制造主要技术的核心。人工智能 （Artificial Intelligence）人工智能技术问世已经有 60 多年，近年来在移动互联网、大数据、超级计算 和脑科学等新理论新技术的驱动下迎来了新一轮发展热潮。新一代人工智能的核心 是机器学习，就是用大量的数据来对机器进行“训练”，通过各种算法让机器从数据 中学习如何寻找规律并完成任务。目前在全球制造业产业链的各个环节几乎都可以 找到人工智能技术的应用。例如在制造业最核心的生产制造环节，人工智能技术被3 边缘计算与云计算协同白皮书（2018 年），边缘计算产业联盟（ECC）与工业互联网产业联盟（AII）联合发布，2018 年 11 月。05运用于机器视觉检测系统，可以逐一检测生产线上的产品，从视觉上判别产品材质 的各类缺陷，从而快速侦测出不合格品并指导生产线进行分拣，在降低人工成本的 同时提升出厂产品的合格率。在供应链环节，机器学习模型可以整合不同路线货运 定价的历史数据，又将天气、交通以及社会经济挑战等实时参数加入其中，为每一 次货运交易估算出公平的交易价格，在确保运输任务规划合理的前提下实现了企业 利润的最大化。人工智能技术对生产制造领域的赋能离不开产业专家的行业洞见， 只有将两者进行战略性的结合才能加深人工智能对产业链的各个环节的渗透，从而 提高行业生产效率和产品的质量。 数字孪生 （Digital Twin）数字孪生是指以数字化方式拷贝一个物理对象， 模拟对象在现实环境中的行为， 对产品、制造过程乃至整个工厂进行虚拟仿真，从而提高制造企业产品研发、制造 的生产效率。与传统的产品设计不同，数字孪生技术在虚拟的三维空间里打造产品， 可以轻松地修改部件和产品的每一处尺寸和装配关系，使得产品几何结构的验证工 作、装配可行性的验证工作、流程的可实行性大为简化，可以大幅度减少迭代过程 中的物理样机的制造次数、时间和成本。据 Gartner 预测4，到 2021 年，全球 50的大型工业企业将使用数字孪生技术，效率提高达 10。尤其是制造业和工程行业 的公司，如果想要在竞争中保持领先地位，就需要考虑将实施数字孪生技术纳入公 司的智能发展战略中。通信技术的网络集成智能制造中海量传感器和人工智能平台的信息交互，和人机界面的高效交互， 对通信网络有多样化的需求以及极为苛刻的性能要求，并且需要引入高可靠的无线 通信技术。以 5G 为代表的新一代通信技术是连接数据、算力和算法的桥梁，也是 发动智能制造引擎的“钥匙”。5G灵活、可移动、低时延和高可靠的通信是实现智能制造的最基本要求，而新一 代信息通讯 5G 技术的迅猛发展正好切合了这一需求。与 4G 相比，5G 技术覆盖下 的无线网络具有极低时延、可靠性高且海量连接等特点，峰值速率提高了 30 倍， 用户平均体验数据率提高了10 倍， 频谱效率提高3 倍， 能支持500 公里时速的高铁， 接口延时减少了 90%。5 5G 技术所定义的三大场景6包括增强移动宽带（eMBB），4 “Prepare for the Impact of Digital Twins”, Gartner, September 2017, https:/www.gartner.com/smarterwithgartner/prepare-for-the-impact-of-digital-twins/5 解构与重组：开启智能经济，阿里研究院数字经济系列报告之四，2019 年 1 月。6 “A path to 5G: as much evolution to revolution”, The 3rd Generation Partnership Project (3GPP), May 2016, http:/www.3gpp.org/news-events/3gpp-news/1774-5g_wiseharbour06海量机器类通信（mMTC）和超可靠时延（URLLC）, 可以将分布广泛、零散的人、 设备和机器全部连接起来，构建统一的互联网络，并广泛地运用到例如机器人同步 和工业传感器等智能制造中的核心场景和技术中。以机器人同步为例，只有 5G 才 能提供足够的带宽和超高的可靠性，将智能装配流程中所使用的协作机器人、AR 智能眼镜和辅助系统相连接，使安装在上面的传感器在工作人员接近或准备停止机 器人时、减慢机器人时及时发出警报，防止其对工作人员造成安全威胁 7。但是，5G 技术尚未全面成熟，其在智能制造领域的应用目前仅停留在规划和 构想阶段，大规模落地仍需时日。图 3：通信技术发展历程 资料来源：阿里研究院，毕马威7 5G 时代十大应用场景白皮书，华为集团，2019 年 2 月。由核心技术集群使能的“数据 + 算法 + 算力”模式使得制造领域中的数字世界、 物理世界以及人三者间产生了融合，其中数字世界是指工业软件和管理软件、工业 设计、互联网和移动互联网等；物理世界是指能源、工作环境、工厂以及机器设备、 原料与产品等。在传统制造业中，人类直接面对物理世界。现代数字科技的发展形成了数字世 界，形成了与人类和物理世界互相对应的第三极。在这个新的系统中，不仅是人和 物理世界互动，数字世界也同时和人以及物理世界相互影响、相互作用。智能制造的系统闭环07图 4： 人、物理世界、数字世界构成了智能经济的闭环资料来源：阿里研究院，毕马威智能制造的概念脱胎于德国提出的“工业 4.0”战略。“工业 4.0”一词首次出现于 2012 年 3 月发布的德国 2020 高技术战略行动计划，并于 2013 年在汉诺威工业 博览会上提出了“ 工业 4.0 ”战略。之所以被称为工业 4.0，主要相对于前三次工业革 命而言：工业 1.0 指的是 18 世纪开始的第一次工业革命，实现了由蒸汽动力驱动的 机械生产代替手工劳动 ; 第二次工业革命始于 20 世纪初，依靠由电赋能的生产线实 现批量生产 ; 工业 3.0 指的是 20 世纪 70 年代后，依靠电子系统和信息技术实现生 产自动化。与工业 3.0 相比，“工业 4.0”的主要特征是大规模定制。由于产品的大批 量生产已经不能满足客户个性化定制的需求，要想使单件小批量生产能够达到大批 量生产同样的效率和成本，需要构建可以生产高精密、高质量、个性化智能产品的 智能工厂。在这一全新的模式中，行业的界限将被打破，产业链的分工将被重组。德国工业 4.0 概念中智能制造核心内容可以总结为：建设一个网络（信息物理 系统），研究两大主题（智能工厂、智能生产），实现三大集成（纵向集成、横向 集成、端到端集成），推进三大转变（生产由集中向分散转变、产品由趋同向个性 转变、用户由部分参与向全程参与转变）。与德国“工业 4.0”侧重工业制造不同，美国提出的“工业互联网”将重点放在了工 业服务上。工业互联网的主要含义是将现实世界中的机器、设备和网络在更深层各国大力推动智能制造发展，抢占创新高地来自物理世界的模型、知识通过代码、软件等被数字化，成为数字世界的基础。 同时，来自人的信息、决策等（如在网络上浏览的信息、购物历史、偏好等等）也 被转化为数据，丰富了数字世界的内涵。在此基础上，数字世界通过算法、算力的 支持，反作用到人和物理世界：为人提供更智能的决策支持，使人的生活更加方便、 更加高效，同时数字世界甚至将直接作用于物理世界，极大地改变现有的生产、生 活模式，例如无人驾驶就将是这一趋势的生动代表。08图 5：四次工业革命的进程资料来源：阿里云研究中心，毕马威次与信息世界的大数据和分析连接在一起，带动工业革命和网络革命的转变。其 核心是利用信息技术来重塑工业格局，激活传统制造业。在此基础上，美国清洁 能源智能制造创新研究院 (Clean Energy Smart Manufacturing Innovation Institute, CESMII) 将智能制造总结为先进传感、仪器、监测、控制和过程优化的技术和实践 的组合，将信息和通信技术与制造环境融合在一起，实现工厂和企业中能量、生产 率、成本的实时管理。在中国工业和信息化部公布的 2015 年智能制造试点示范专项行动8中，中国将 智能制造定义为基于新一代信息技术，贯穿设计、生产、管理、服务等制造活动各 个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制 造过程、系统与模式。其具有以智能工厂为载体，以关键制造环节智能化为核心， 以端到端数据流为基础、以网络互联为支撑等特征。智能制造可以帮助缩短产品研 制周期、降低资源能源消耗、降低运营成本、提高生产效率、提升产品质量。2019 年的政府工作报告中首次提出了“智能 +”的概念，将“打造工业互联网，拓展智能 +， 为制造业转型升级赋能” 确定为了国家以创新培育经济发展新动能的重要发展方向。尽管各国对智能制造的表述各不相同，但核心均为构建人、物理世界和数字世 界间的闭环系统。通过三者间的融合，从而实现对现有的制造业的提升，包括缩短 开发周期、降低成本、提升效率等；推动发展出包括柔性制造、绿色制造等在内的 全新制造模式 ； 加快产业智能化发展， 加速市场普及应用， 从而形成新的经济增长点。8 “工业和信息化部启动 2015 年智能制造试点示范专项行动“， http:/www.miit.gov.cn/n1146285/n1146352/n3054355/n3057585/n3057597/c3590704/content.html09第二章：智能制造重构生产体系工业革命以来，工业生产一直不变的追求都是：制造的高效率、高质量、低成 本、高满意度。但随着温饱需求解决之后，个性化消费需求的不断上升，传统的“大 流水 + 大品牌 + 大分销”的体系，已经越来越难以维系。从上世纪 90 年代开始，很 多先行者如 DELL、ZARA 等，都开始借助 IT 技术，不断探索大规模定制的路径， 并取得了相当可观的成效。数字经济时代、智能时代的到来，为这一难题提供了新的可能性。也即在高度 数字化的环境下，基于大量的数据，基于算法演进和云计算等所提供的算力，努力 探索让正确的数据、在正确的时间、以正确的方式传递给正确的人和机器，从而以 数据的自动流动，化解生产制造企业所面临的市场的高度不确定性。时至今日，21 世纪已走过近 20 年。在此期间，云计算、物联网、移动互联网、 人工智能、大数据等新技术、新基础设施，已经开始广泛地“安装”到了个人、企业 等的运行之中，这一技术群落所拥有的“社会 - 经济”潜力，在制造业里也开始逐步 显现出来。基于深度调研和系统研究，我们认为，智能制造的初步体系，在 2020 年前后将逐渐显现出它的“大模样”，主要特征可以概括为：数据驱动、软件定义、 平台支撑、服务增值、智能主导。智能制造体系概述图 6：智能制造体系的浮现资料来源：阿里研究院，毕马威智能主导服务增值平台支撑软件定义数据驱动从产者到产消者谁来产（who）从集中化到分散化在哪产（where）从功能产品到智能互 联产品产什么（what）从“试错法”到“模拟择优” 从实体制造到实体虚拟融合如何产（how）从能量转换具到智 能具用何具（which）定制化产、C2B络化制造、分享制 造IOE、汽车、智 能产品虚拟仿真、数字孪3D打印、数控机床、 智能机器等装备制造体 系的重 构与再 造具体到微观企业实践中，从产业链的视角来看，传统制造业向智能制造业的转 型升级，已经在很多行业、企业开始迸发和成长。在智能制造业的体系下，虽然五个环节设置仍与传统体系趋同，但其中的每个 环节都显现出了与传统制造体系的差异，主要表现为：智能技术和大数据驱动；消10工业大生产提供了源源不绝的丰富商品，到上世纪 70 年代，发达国家几乎所 有的行业都出现了供过于求的局面，卖方市场逐渐转为买方市场，个性化消费的浪 潮也开始出现。这种个性化消费的浪潮，近年来在基本解决了温饱问题的中国也已 经开始出现。但如何以一家企业有限的产能，去满足海量消费者快速多变的个性化需求，对 传统企业来说是一个巨大的挑战。比如，传统企业对消费者的洞察，往往来自市场 调查在很多情况下，这一方式持续时间长且样本量有限；或是来自门店或经销 商的层层上报这同样是一种洞察消费者的间接方式。互联网、大数据和智能化， 则为消费者参与到制造业的各个环节，提供了越来越多的可能性。在互联网上，在智能化时代，随着“数据 + 算法 = 服务”这一逻辑的持续演绎， 越来越多的个性化需求，正在被进一步地识别、激发出来。越来越多的消费者，都 已经开始主动地参与到研发设计环节如服装的在线定制，新闻的阅读定制等。个性化消费需求的涌现在服装行业表现的尤为明显。以这一行业为例，我们可 以发现，消费者的个性化，充分体现在了从研发设计到生产制造的各个环节。其实需求发现：从间接到直接图 7：传统制造业和智能制造业的对比资料来源：阿里研究院，毕马威传统制造业消费者洞察采购产会员管理ACF产品研发BD 营销E智能化的制造业实时反馈 消费者洞察自动化 采购柔性化 产盘活消费者资产ACE数据驱动 产品研发BD全域精准 营销E费者的全流程参与；供应链体系向协同网的转变等。以下我们从不同环节来观察一 下仍在进行中的转型升级之路。F11现方式包括：模块化定制（如衬衫）、由消费者为款式打分并决定是否生产等。从 定制化的程度来看，则包括：号型定制、款式设计定制、面料定制等。从生产本身 来看，AI 对服装消费数据的挖掘，智能化设备在车间的应用，生产数据的上云， 生产数据与零售数据的对接，都是该行业内已经在进行的商业实践。从信息化、数字化到智能化，企业的研发流程，正在由“串行模式”向“并行模式” 加速演化，从而大大缩短了研发周期。工业革命以来，企业产品的研发模式，基本上是一种串行工程，也即企业把产 品开发过程，拆分成需求分析、结构设计、工艺设计等诸多环节。按照一个一个环 节顺序进行的逻辑，研发活动在不同部门、不同人员、不同项目以及设备资源等之 间顺序推进。这一研发流程，突出问题是效率低、成本高、周期长。但集成电路产业的发展，却提供了另外一种可能性。尽管该领域产品的复杂度 越来越高，但研发周期、投入等却一直几乎保持了一个固定值。美国国防高级研究 计划局 AVM 指出，从 1960 年至今航空航天系研发成本投入复合增长率为 8-12%； 汽车系研发成本投入增长率 4%; 集成电路芯片的研发成本复合增长率则几乎为 0。 这是因为， 集成电路产品对环境和精度的要求非常高， 这使得它的设计、 测试等工艺， 一直都在数字空间完成，正是这一点，大大提高了研发的效率。1988 年美国国家防 御分析研究所提出并行工程的概念，其含义正是：随着计算机辅助设计（Computer Aided Design, CAD）、计算机辅助工程（Computer Aided Engineering, CAM）、计 算机辅助工艺过程设计 (Computer Aided Process Planning, CAPP) 等研发工具的大 量使用，高度集成的数字化模型以及研发工艺仿真体系终于能够实现，传统上相互 独立、顺序进行的研发工作在时空上也终于实现了交叉、重组和优化，一些原本下 游的开发工作，也提前到了上游进行，跨区域、跨企业、跨行业的研发设计资源被 有效整合，研发流程也在整体上实现了从串行向并行的演进。如，洛克希德·马丁公司在联合攻击战斗机（JSF）项目研制中，基于网络化协 同研发平台，最终实现了 30 个国家、50 家公司设计人员的协同设计，正是这种并 行协同，使得研制周期缩短了 50%，研发成本降低了 50%。在我国的中航工业，也 构建了跨地域、跨企业的数字化并行协同研制平台。通过设计与制造的关联设计和 并行协同，冲破了专业、部门和厂所之间的壁垒，从而使得产品设计、工艺和工装 设计实现了并行开展，提前解决各类协调问题，大量减少了返工。在中航工业沈阳 所，通过基于数字化并行工程的飞机研制管理模式的创新，发展建立起了产品成熟 度分级控制机制，也实现了数字样机对传统实物样机的替代。到了今天，随着数据采集技术和设备的进一步普及，以及基于互联网、云计算 的高效协同平台，并行逻辑将在更多的领域得以实现。研发环节：从串行到并行12过去的 IT 时代，在信息技术的支撑下，伴随现代零售业和物流业的发展，发 达国家的大中型企业普遍建立起了自己的现代供应链体系。典型如沃尔玛与宝洁， 这两家企业建立起信息系统的连接之后，营运状况都得到了很大改观。沃尔玛一旦 发现宝洁某一产品存量不足，就会自动通知宝洁供货。甚至于每当顾客购买宝洁产 品，沃尔玛的系统就会将信息传到宝洁，而宝洁也就可以按照这些信息来安排生产。 从生产线到货架，一切都如流水般通畅无碍。但这种高效协同，有着其自身的鲜明特点。从主体来看，它是大企业主导的供 应链，中小企业只能被动加入。从成本来看，它也是大企业才能用得起、用得上、 用得好的信息系统。从运行过程来看，它也是相对刚性的、固化的供应链，而不是 柔性化的，能够灵活满足消费者个性化需求的协同网。智能商业下的采购环节，将呈现以下几个特征：第一，低库存乃至零库存。传统模式下，由于信息在供应链上各主体之间传递 速度慢， 信息共享不及时， 使得供应链的牛鞭效应难以避免， 来自零售端的无序信号， 在供应链各个环节之间进一步地层层扭曲，最终使得成品库存难以避免，大量积压。 而随着AI对客户需求挖掘的日益精确化， 企业可以更精准地预测和把握某个时间、 某个空间上的消费需求，从而更有计划地安排采购和生产，这将使得各个企业的成 品库存水平进一步下降。第二，社会化协同。传统的供应链体系，是一个相对封闭、固化、稳定、范围 狭小的体系。而在大数据和智能化的环境下，数据将驱动更多的企业，由原有相对 稳定的供应链体系，走向一种更大范围、更灵活、更多向、更社会化的协同体系。第三，智能化、自动化。随着 AI 应用的不断深化，未来的采购领域，将可能 呈现出这样一种场景：一些相对日常化和高频化的采购，将会被 AI 系统大规模地采购环节：自动化、低库存化、社会化图 8：研发生产流程再造：从串行到并行资料来源：阿里研究院，毕马威，GE需求 分析研发 设计原材料 采购产 制造艺 设计销售 服务传统流程 组织形式串有限互动低效率艺研发采购