對傳統(tǒng)制造業(yè)來說，最美好的場景莫過于“千人一面”，產(chǎn)品的同質(zhì)化意味著生產(chǎn)的規(guī)?；?，工廠可以借此有效降低成本、提升效率。然而，在消費側(cè)，如果一個人和另一個人買的產(chǎn)品之間沒有什么太大的差別，那又何來的品牌忠誠度呢？

隨著90后、00后逐漸成為新的消費主力軍，市場需求相比于過去發(fā)生了天翻地覆的變化。除了實用性，世代青年還要追求彰顯個性的獨特配置。在這種情況下，工廠必須重構自己的柔性，實現(xiàn)生產(chǎn)的小批量、定制化。

如今，工業(yè)4.0、工業(yè)互聯(lián)網(wǎng)、智能制造的概念鋪天蓋地，但從本質(zhì)上來看，制造企業(yè)的目標就是利用物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)等技術賦能傳統(tǒng)制造業(yè)，把傳統(tǒng)制造從以規(guī)模、成本、效益為第一要務，變成以定制化的體驗、創(chuàng)新性的交付為競爭核心。

那么，究竟該如何實現(xiàn)這一跨越式的轉(zhuǎn)變？在由AWS于廣州主辦的“重構高頻·AWS轉(zhuǎn)型與創(chuàng)新峰會”上，聯(lián)想集團首席科學家、副總裁于辰濤發(fā)表了題為《邊云融合和工業(yè)智能推動制造業(yè)全域效能提升》的主旨演講，闡述了自己對制造業(yè)數(shù)字化轉(zhuǎn)型的獨到見解，并分享了AWS助力聯(lián)想全球化部署以及助力聯(lián)想客戶實現(xiàn)數(shù)字化轉(zhuǎn)型的實例。

攔在數(shù)字化轉(zhuǎn)型之路上的“四座大山”

“工廠當前面臨的最大挑戰(zhàn)并不是無法實現(xiàn)柔性生產(chǎn)，而是如何在保證跟原來規(guī)模化生產(chǎn)成本差不多的前提下去生產(chǎn)定制化的產(chǎn)品?！痹谘葜v一開始，于辰濤便一針見血地指出了問題所在。

過去，工廠升級改造的過程經(jīng)常會談到機器換人等話題，但那只是初級的自動化階段；現(xiàn)在企業(yè)的目標則是要實現(xiàn)制造過程的數(shù)字化以及由此帶來的信息流的自動化，這需要從“人-機-料-法-環(huán)-測”幾個環(huán)節(jié)全面地進行改造。然而，轉(zhuǎn)型升級的過程中卻橫亙著四座不得不翻越的“大山”：

第一大挑戰(zhàn)是工廠里的人工過程過多，導致工單流轉(zhuǎn)的方式難于滿足數(shù)字化。雖然現(xiàn)在很多工廠已經(jīng)部署了MES系統(tǒng)用于管理生產(chǎn)工單的執(zhí)行，然而訂單、物料、生產(chǎn)、交付各環(huán)節(jié)中人機交互復雜，多數(shù)以手工表單電子化進行操作，導致交付周期長、出錯率高。電子報單需要手工來填寫嗎？如果利用物聯(lián)網(wǎng)的手段，從物料的入庫，到生產(chǎn)制造過程中不同工位之間數(shù)據(jù)的流轉(zhuǎn)，再到產(chǎn)品的交付，都應該可以以數(shù)字化的手段完成。

第二大挑戰(zhàn)在于企業(yè)難以實時處理產(chǎn)線設備及終端的數(shù)據(jù)，實現(xiàn)生產(chǎn)過程的實時響應。工廠信息流自動化的實現(xiàn)需要依賴于設備數(shù)據(jù)的采集和獲取，但這個過程卻絕非易事。單以傳輸過程來看，IT領域僅需一種傳輸控制協(xié)議TCP/IP，但是工業(yè)領域的控制協(xié)議卻超過2000種，有些專有工業(yè)協(xié)議的數(shù)據(jù)獲取甚至需額外付費，或依賴日志數(shù)據(jù)讀取，更別說生產(chǎn)協(xié)作還需要對接MES、ERP、PLM、WMS等系統(tǒng)的數(shù)據(jù)。

第三大挑戰(zhàn)在于企業(yè)的信息化基礎差，業(yè)務數(shù)據(jù)既不全面，也不準確，計劃準確性低。我們不如以排產(chǎn)過程為例，中國目前有90%的離散制造工廠沒有APS（高級計劃排產(chǎn)）系統(tǒng)，排產(chǎn)只能靠廠長每天帶領工人開生產(chǎn)決策會，這就導致排產(chǎn)的準確度不高。但是，即使給這些工廠上了APS，排產(chǎn)也依然不準確，因為工廠只管控自己的生產(chǎn)，卻沒有整合供應商上下游（包括天氣、地震、物流等）的數(shù)據(jù)。試想一下，如果物料的物流出現(xiàn)了異常，勢必會耽誤生產(chǎn)的進程。

第四大挑戰(zhàn)是難于用人工智能技術發(fā)現(xiàn)數(shù)據(jù)的潛在價值，實現(xiàn)決策過程的智能化。很多人說人工智能會顛覆制造業(yè)，但事實真的如此嗎？一方面，很多重要的工業(yè)決策依賴于實時的邊緣計算，根本來不及將數(shù)據(jù)上傳到云端經(jīng)過分析再返回；另一方面，深度學習具有不可解釋性，但是工業(yè)智能的東西卻要求是可解釋的，這就要求方案商必須深刻掌握工業(yè)機理。

“所以我們認為數(shù)字化轉(zhuǎn)型一定要遵從雙環(huán)驅(qū)動，即結(jié)合IT域和OT域組建統(tǒng)一的數(shù)據(jù)平臺，然后通過統(tǒng)一的模型來賦能企業(yè)的數(shù)字化轉(zhuǎn)型。這種統(tǒng)一的模型不單單是AI，而是AI+工業(yè)機理模型。”于辰濤進一步總結(jié)道。