1993 年，时任大众集团董事长的费尔南德·皮耶希不顾阻拦强制叫停了大众旗下斯柯达汽车品牌要建立高度自动化工厂的计划，也因此让后者的 14 亿马克（捷克币）贷款申请化为泡影。
作为一个传奇管理者，他当时给出的理由无法反驳：
「一座全自动化工厂花费太过巨大。一个高级车间每工时要消耗 70 马克，而如果能出现一个每工时只需 7 马克的地方，景象就会完全不同。
更明智的做法是，雇 10 个工人将工作完成的与全自动化工厂一样好，而不是只用一个工人来监控异常昂贵的机器人。
我们要尝试一下，将较低的人工成本优势转变为产品的价格优势；同时，也能把富余的成本空间放在提升质量层面，这样才能确保我们在市场上拥有健康强大的地位。」
后来事实证明皮耶希的处理方法是奏效的。但是，这个案例不是为了来证明「推动工厂的自动化乃至智能化转型」是一个费钱费时的错误理念，而是想告诉所有作为制造业升级浪潮主导者之一的技术工作者们，工厂主们想要的到底是什么。
盈利，资源利用率最大化，满足客户需求。这才是每一家工厂的终极目标。
尽管中国近年来一直在积极推动制造业的互联网化与智能化，但实际上各个工厂所处的阶段存在巨大差异，「进化能力」也参差不齐。
譬如有些工厂连工业 3.0（自动化）都没完全实现，硬件设备都不达标，就更不用提工业 4.0，所谓数据化和智能化纯粹是一纸空谈。
而即便很多大型企业已经建成了高度自动化的生产车间，然而在耗费大量硬件采购成本的基础上，软件层面却跟不上，根本做不到生产效率的最大化。
甚至于一个小型工厂即便已经实现了自动化改造，也并不是所有「高大上」的生产控制系统就适用于这家工厂。
「有工厂找我说『我们刚刚上了一个生产节拍控制系统』，我说什么企业？他说是小批量的，我说『既然是小批量哪里有节拍？』」
跑过数千家制造企业，深知中国工厂顽疾的北京大学工学院工业工程与管理系系主任侍乐媛坦言，应用高端技术一定要符合企业现状，不符合就是浪费资源。
「这也是为何有些大企业硬件很完备，各类生产系统也都引进了，要推行大规模定制化了，效率反而更低了。」
同理，所有脱离某个生产环境就谈「利用机器学习或大数据技术，就能使生产效率提升几个百分点」的言论都是无稽之谈。
对于这一点，跑过无数工厂，碰过的壁比做成的项目还要多的天泽智云也有发言权。
这家即便云集了许多系统工程专家的工业智能创业公司，一开始也没有想到工业生产环境的复杂性会对数据采集和算法模型的建立产生如此大的影响。
天泽智云技术研发副总裁金超
「我们的确会遇到一些硬件制约我们的情况，」天泽智云技术研发副总裁金超讲述了一个真实案例，
「还在美国辛辛那提大学智能维护系统 IMS 中心攻读博士期间，有次我们去一家 PCB 制造厂，他们有条化金线（化学镀金流程）被提出有改善空间，因为这个工艺流程涉及到『金层』的厚度，做厚了就浪费，薄了质量达不到，所以希望我们可以有一套算法管控镀金的『量』。」
但后来金超发现提供的原始方案根本做不了。
「因为在线实时检测各种离子的传感器现在还不成熟、甚至不存在。没办法感知，就很难利用数据驱动的技术改善工艺。」
而这就是典型的「硬件制约了软件」的工业场景。
换句话说，可以让机器学习或深度学习发挥作用的工业场景都是有条件的，甚至条件是较为苛刻的。
因此，面对那些想用人工智能尝试解决顽疾但又怕做了无用功的工厂老板们，天泽智云 CEO 孙昕用团队两年的落地经验总结出了一份能够用机器学习和大数据分析真正提升生产效率的「工厂群像」：
可复制的规模大，产线设备昂贵，产品质量要求高，能耗优化空间巨大。
「关键性设备与装备价值高；生产的产品昂贵，生产与运维过程耗能巨大；规模化可复制性强。
针对这几个类型客户在制造过程与装备运维中的痛点如果解决了，例如涉及到安全运行、能耗优化、工艺优化良品率提升、维护优化，就可能给他们带来上千万上亿的利益。所以从项目角度来说这类用户就愿意付钱，做成产品也易于推广。」
而天泽智云目前完成和进行的项目名单里，机加工、钢铁、风力发电、轨道交通，皆符合以上条件。
另外，不同行业业务形态的差异也决定了他们需要改造的生产环节可能并不相同。
假如主要问题并不是出在工艺环节，而在于它的排放和安全环节，那么只改造工艺流程就对提升效率没什么明显作用。
「就像木桶效应一样，我们一定要找到这家工厂某个最痛的点，并且有行业共性的点，然后再集中解决问题。只有我们具备解决方案的泛化能力，才能让行业受益。」
工厂到底在做什么无用功？
对于所有工厂来说，终极梦想当然是实现「三个零」——零宕机、零缺陷、零浪费。
而这三个目标分别对应着的「效率、质量、成本」决定了一家企业的生存能力。
金超认为，在这三点上目前做的最好的制造类行业之一，莫过于「半导体制造」。
「为什么半导体制造能够做得相对更好？就是因为在其生产过程中能够收集到大量关键有效的数据。
呼应这一点，首先就要有能够采集关键变量的传感器，要能够把实际有效量测数据收上来，才有机会分析哪些流程改进质量才能更好，生产效率才能更高。」
事实上，目前国内的大型国有工厂其实无论是自动化设备还是管理系统都配备地十分齐全，甚至有工厂上几百套系统都不成问题，但产生数据的利用率却一直不尽如人意。
因此，在基本条件都具备（譬如传感器泛在）的工厂里，采集数据的方法，数据的质量、多样性以及规模直接决定了机器学习或者深度学习究竟有多大的发挥余地。
而这几点恰恰也是工厂智能化改造中普遍遇到的难题——
传统收集数据的方法耗时耗力；收集上来的数据大多没什么用。
天泽智云团队到一个半导体面板厂调研，发现他们收集数据的方法竟然是靠人力，软件所收集的数据通常是孤岛式的存在。
「这个例子是真实的。工厂有个人每天 4 点上班，4 点到 8 点其他什么事都不干，就是把各个系统的数据收集整理到一个 Excel 里面，然后跟昨天 24 小时数据做对比，最后人工出一份报表，递交到总经理办公室。」
除了相当耗费时间和人力，这也是个可能适用于老师傅，但绝对不会让当下年轻人买账的工作岗位。
换句话说，假如这份工作今后没人做，那么我们如何获取这份工作本应输出的洞察来支持决策？
「一方面这种事情很难传承，另一方面人为介入也有很多犯错机会。因此，尽管一直在谈数字化，但工业本身血液里面的观念就不是数据驱动的。
所以这时候引入一些数据驱动的技术就是为了改善原来工业不善用的方法，去尝试能不能用一些算法来优化流程、提升效率、或降低成本。」金超认为。
天泽智云首席数据科学家晋文静
实际上，在无形中浪费工厂设备及人力资源的不仅仅是数据收集方式的老化，走访数个自动化工厂的过程中，天泽智云团队也发现了他们的另一个「无用功」。
「有一个客户采了 1 年半的数据，问这些数据应该怎么处理，」天泽智云首席数据科学家晋文静并没有立刻翻看这些数据，而是问了一个问题——你想解决什么问题。
在得到答案后，她看了数据第一行就下了一个结论：
全是垃圾数据，白采了，365 天每分每秒。
「工业里面有个误区，觉得数据越多越好，这其实是非常错误的」晋文静认为，这其实相当于在大量消耗工厂的资源。
就像城市监控里面这么多视频，其实大家存那么多视频有什么用？我们视频当中出现犯罪分子特征值，他的脸部特征出现了，你要的就是那段信息，他可能会触发一些事件来获取前后段原始数据。
但剩下的把那些数据拿过来干什么用？就是浪费存储，说白了就是浪费计算资源。」
富士康工厂的转型逻辑
与富士康合作的机加工刀具寿命预测项目是天泽智云算法团队帮助解决以上两个难题的典型案例。
在确定「不可能持续采集有效数据」的基础上，算法工程师们选择先确认铣削产线上存在的问题究竟是什么，再根据问题分析需要建立什么样的模型，然后再倒推其究竟需要怎样的数据。
在机加工过程中，刀具的质量和磨损是影响产品的良率和生产效率的一个重要因素，而且刀具成本占总成本的 70% 以上，降低刀具成本将至关重要。
刀具在铣削过程中，因受各种外界原因的干扰，譬如切削速度、进给率、工件材质，都会对刀具造成不同程度的磨损。
换句话说，刀具的寿命最直接的标准可以由磨损度来衡量，然而，在加工过程中不可能靠人工用比测仪做到实时在线检查，无论从效率还是质量角度来看，人力操作完全是不可靠的；
但是，如果要靠机器、靠算法做到实时监测，你就必须要确认哪些生产节点可以产生最相关的数据，要不然也是无用功。
天泽智云算法团队在机加工产线上泡了若干天后，发现刀子与工件撞击会产生磨损的同时，其表征为刀具的振动，虽然振动量很微弱，但这个细节非常关键。
「经过我们的测算后，发现这个振动是最敏感的，因此我们就在刀子最靠近其加工的部位装上了振动传感器。」晋文静指出。
解决了「如何采」，而下一步就是「何时采」的问题，这个问题的答案恰恰可以帮助工厂节省大量数据采集时间与数据储存空间。
「我知道要采振动，那我应该按需采，可能只在某些加工的时候去采集，并不需要每天无时无刻都采。一是那个时候可能根本不在加工，第二是有些根本不需要。譬如我拿一把新刀在高速加工跟一把旧刀在低速加工去比对，前者振动大难道是这把刀具磨损程度更严重吗？
我们从不连续采数据，但要采最有效的数据。也就是说，可能只需要采一秒就够了，例如每一加工周期只需要采集一秒的高频数据，这样的话数据量也很小。」
晋文静总结的这些「临床经验」，也从另一方面证明了做边缘计算的合理性——
通过建立算法模型倒推所需数据，就相当于将这些原始数据做预处理或做了特征提取，最终拿到的就是最有效的信息，只把这些数据上传到云上进行处理。
「富士康一个工厂一般有 500-700 不等的机床，这些数据全上云，一点用都没有，那些振动信号谁都看不懂。所以把反映刀具磨损最有用的信息放到云上去处理，而它根本不需要在乎哪里来的。这才是一个工厂最快实现智能化的逻辑。」
结尾
数据现有质量低下，行业天然缺乏标签，再加上人工智能的局限性，让技术公司历来在工业江湖站稳脚跟的难度不小。
要让固执精明的工厂老板们点头，只有展现让算法能「立即上膛发枪」的实操能力，而做到这一点，只靠一群算法工程师或数据科学家很容易偏离工业轨道。
因此这也是金超所呼吁的，「要落地，只有软件工程、硬件团队，以及行业专家一齐上阵。」
但如何挖掘这样一群多样化人才，又如何让这一群在各自领域内有丰厚经验的精英进行更好地协同作战，也是像天泽智云这样的工业智能公司不得不面对的考验。
「在富士康无忧刀具这个项目中我们发现，整个建模过程会用到各个领域知识的人才帮助我们完成建模。
比如说我们采集振动信号，对于这些旋转机械的振动信号我们如何做提取，还有基于机器学习的建模方面，这些都要依靠工业领域的专业人才做一些指导。」晋文静表示。
或许正如同济大学工业4.0学习工厂实验室主任陈明教授所说，智能制造作为新兴交叉学科，既牵扯到传统的机电控制软件，又牵扯到新技术，所以这块其实需要具有创新能力的综合性人才，必须跟工业界紧密结合。
「挑战还很大，培养工业智能专属人才任重而道远。」
