我們總喊著追德國瑞士製造，不要妄想靠「智能化」反超

機器之心原創

作者：宇多田

在技術領域，「彎道超車」聽多了，愈加覺得刺耳。

晶元技術追趕美國，靠人工智慧來個彎道超車；工業製造追趕德國瑞士，靠互聯網和人工智慧來個彎道超車。

這就像武學小白想靠一本武功秘籍來個「一招制敵」，卻忽視了武林高手靠數十年積聚的深厚內力，我們也忽視了國外製造業過去長達數十年積累起來的歷史數據與寶貴的產品推演過程，以及系統化的業務邏輯與方法論。

很多時候，我們甚至已經能夠把許多方法論的精髓「倒背如流」：

譬如流程化（做流程軟體的知名企業 SAP 就是德國的），可度量化（生產線能夠被精確測量各種問題並進行及時糾正），自動化（儘可能將任務交給機器），現在又加了一個「智能化」。

但是卻很少有人明白，這並不等於「換一套的全新硬體設備與管理軟體」，不等於「收集全部數據」，不等於「不依靠人」。

當然，我們不能否認在一部分高精尖領域，中國製造的成績已經縮小甚至逆轉了與老牌工業強國的差距。

但我相信，沒有任何一個人敢理直氣壯地喊出——「我們的整體工業製造水平已經超過了德國瑞士以及日本」。

差距依然存在，而且不小。

到瑞士，曾有朋友推薦一定要帶回一把刮皮器。因為據說「它能夠秒殺你用過的一切削皮工具」，而事實證明，這個說法真的一點都不誇張。

這把價格不到 20 塊，看起來構造異常簡單的產品，讓我自然而然萌生過一個問題：

「中國怎麼造不出來？」

而這個朋友的解釋非常有意思：

「生產設備不一樣？生產成本高？或者在工藝上更勝一籌？無非是這些原因。」

事實上，這個一點都不專業的答案，已經部分講出了「德國或瑞士製造高品質論」的核心論點，當然，也符合大部分人的固有認知。

「很多人說要追德國瑞士日本，不僅僅是說追『生產效率要更高』，或者『稍微降低一點成本』。

我們要追的，是改進工藝，進而提高品質，這個我們應該能感同身受。

無論是對於普通消費品還是高精尖產品，這個核心一直都沒變過，當然，第二重要或者同樣重要的是『降成本增效率』，只有這樣你的綜合競爭力才會比較強。」

在中國工業製造研究與一線領域內摸爬滾打多年，數之聯 CEO 周濤教授用一個案例毫不留情指出了中國與德國瑞士在長生產線上的巨大差距：

「國內龍頭企業產線上某重要產品的不良率大約為 1%，而德國、韓國、瑞士類似產線上的產品不良率可以做到千分之二三。」

你可能會說 1000 張片子我們扔 10 張，跟他們 1000 張扔兩三張，差別不是很大。

但是，這不在於我們是不是比他們多浪費了七八張片子，而是我們整體的質量都會差很多。

這就像兩個班都是 50 個人，一個班數學考試有 8 個人不及格，另一個班是只有 1 個人，那我們基本可以確定，第二個班整體的成績都會更好。

因此，我們總是講工業大數據，講工業智能化有種種好處，但其實最核心的目標只有一個——

生產工藝的智慧化，而不僅僅是「外圍」的供應鏈管理智慧化與庫存智慧化。

而這也的確符合《中國製造 2025》的基本方針——「創新驅動、質量為先、綠色發展、結構優化、人才為本」。

「質量為先」，被放在了前面。

它是我們縮小國內外工業製造水平的最佳突破點。

拼硬體時代早已過去

工欲善其事，必先利其器。

這句話曾被國內工業界很好地貫徹過。不少業內人士認為，趕不上國外的工藝水平，很大程度上是簡陋的設備在掣肘。

因此，花大價錢購買大量國外進口設備，先用硬體把自己「武裝」起來，是工業界一個曾經很流行的思維模式。

這絕對不能說不對。畢竟在改革開放時期，硬體上存在巨大差距是個不爭的事實。

但是在當下，這已不是主要矛盾。

更何況，就像一個人想學唱戲就先搭個戲檯子，想拍出好照片就先搞一套單反相機一樣，過於依賴硬體而忽視技巧與方法，本身就是一個很危險的觀念。

很具諷刺意味的是，有中國工程師在知乎上的高贊回答指出了一個真相——

在走遍歐洲和中國各大企業的工廠後，他發現，中國同行業里龍頭企業里的大部分設備其實要比歐洲同類公司好很多。而造成差距的關鍵之一，仍然在於加工工藝。

「我們不能忘記，工具是為人所用的。中國大部分公司的加工工藝，幾十年不變，缺乏改進的動力。

實際上，單有設備是遠遠不夠的，我所見到的歐洲不少工廠，設備是很舊的，精度達到就行，何必追求最新。

中國有幾個大型工廠，把各個設備，人，部件的成本算清楚並做了優化配置的？」

此外，如果實現工業智能化，還仍然秉著「要換新機器」的想法，那麼「降本增效」這個在民營工廠老闆眼中與「提升質量」同等份量的目標，就是「無稽之談」。

實際上，當前的工業智能化升級方式有兩種路徑，一種為「介入式」，一種為「非介入式」。

前者需要對生產線進行重構，意味著你要扔掉舊設備換上價格翻倍的新設備，而這必然會增加成本。

「有些企業廠房裡的可能是用了十幾年的老舊設備，已經嚴重影響到產品品質，譬如頑固性不良有 20% 是設備導致的。

那麼為了在未來能夠更好提升品質，你可能要換幾百萬的新設備，這顯然會提升成本。」周濤教授認為，這種方法對於民營企業來說可能較難接受。

而後者則建立在原有生產線空間的基礎上，不動任何硬體，給產線安裝必要的數據監測感測器，通過調節設備輸出的參數來改進不良率。

通俗點說，就是治療近視不必非要換眼球，直接配副眼鏡也可實現同樣的效果。

「這種非介入式的方法，可直接利用廠商已有數控機床提供的介面與日誌信息，同時根據需要在一些特殊的環節和設備位置加裝感測器。

因此，並非如外界想像的要大規模改造設備，改造介面，還要跟設備廠商溝通協調。我們做的相當於不動你任何東西，不會帶來新增成本。」

在數之聯通過「非介入式」方法進行產線升級的案例中，最典型的就是為材料加工進行「提前拋料」。

如果製作完成一塊液晶屏需要 20 個加工環節，那麼在加工到第 12 個環節時，通過對一些特定參數的實時監測與分析，系統就已經能夠判斷出這塊屏幾乎不可能成為一個合格的產品。

「例如，某個環節電流功率特別高，或者中間有幾次異常，這些中間環節的數據可能就告訴你產品已經不太對勁兒了。

那麼這個時候我們就建議拋棄半成品。你不要再往後面加工了，這個半成品已經有 97% 的可能性是一個殘次品，再加工你就浪費錢了。」周濤解釋。

因此，改良工藝，提升品質，在非介入式方法切實可行的前提下，都會伴隨著效率的提升與成本的降低。

不得不提，我們在學習德國瑞士製造的過程中，都清楚「不要相信人」是一條提升品質的重要方法論：

在生產環節動用一切可能手段把人的天然影響降到最小。

因此，我們也可以換個角度來解釋非介入式的製造工藝改良方法——

在成本合理的範圍內，能讓機器做的，就堅決不讓人做。

根本原因，是要儘可能減小最終影響產品品質的人為誤差。

以「目檢」為例，無論是對於低端消費品，還是精密儀器生產線，這道工序都是一個愈加重要但卻始終容易被忽視的質量檢測步驟。

一條連續生產線上，有時檢驗的人員要佔到整個生產人員數量的 20%-30%。每個人每天要看幾千張片子，有的甚至上萬張。

這種高強度的工作量不單單是讓人感到痛苦，從產品質量角度來說，人工操作漏掉質量信息是完全不可避免的。

通常來說，高質量的目檢操作，有「兩個 90%」的說法。

「第一個 90% 是指，十個報錯裡面，有九次都是對的。你千萬不要報一百次錯，二三十次都不對。這樣就是浪費時間，因為你報錯就要重新再檢。

第二個 90% 指的是十個缺陷，有九個都能被你抓住，只有一個漏掉。」

周濤教授將兩個 90% 分別對應了目檢的兩個指標——「精確度」與「召回率」。

然而，就這兩個指標，如果僅由人來做檢測，很難達到。

目前，人工檢測通常最大的問題並不是較高的漏檢率，而是在於「不穩定」。

實際上，無論我們給目檢作業員設計一套嘗試嚴厲的獎懲制度，漏檢率也還是會出現「身不由己」的波動。

但「一絲不苟地按照標準來執行」，無疑是機器最為擅長的。

通過攝像頭與其他輔助光學感測器採集缺陷數據，周濤與其帶領的工業團隊通過機器學習的方法自動判斷成品是否有缺陷，並在可能的幾百種缺陷中確認是什麼類型的缺陷，以及缺陷的位置和大小。

「機器視覺檢測會根據你的演算法模型來執行任務，根據我們目前的一些項目反饋，正常場景下基本上機器都能做到兩個 95%。」

聽起來不過是提升了幾個百分點。

但就是這幾個百分點，對企業整條生產線的良品率，終端消費者的用戶體驗，甚至整個企業的品牌影響力，都有著不可忽視的作用力。

「1 萬張片子，如果生產中的不良率大約是 1%，缺陷檢測的召回率大約是 90%, 就意味著大約有 10 張有缺陷的片子有可能流入市場，從而危害到消費者。

這些有缺陷的部件不能說完全不能用，但可能正常的壽命是 10 年，而你的每半年就要出些毛病。」

而「機器目檢」另一個對於改良製造工藝的價值，在於其獨有的「反向推理」能力。

「當機器發現了這些缺陷的類型位置大小之後，能夠去反向尋找這些頑固性不良缺陷，並獲知它到底跟哪些設備以及哪些參數有關。

這樣我們也可以自動去調節相應的參數，繼而避免設備一而再再而三出現同一種缺陷。」

實際上，周濤教授並沒有過分渲染人工目檢師的可替代性，因為機器的檢測邊界，受限於加工工藝的特殊性。以液晶片為例，不是每一種產品缺陷都與光學有關。

「有的生產線我們可以覆蓋 95% 以上的檢驗工作，意味著每 20 個目檢員可以只留下 1 人；

有的時候我們只能覆蓋 50% 的檢驗工作，意味著還有一半的人會留下。

當然，目檢師是不可能被完全替代，因為缺陷也是會『推陳出新』的，如果出現極個別從未發生過的缺陷，仍然要依靠人類的智慧來辨別。」

不過，對於工廠來說，保證質量的關鍵在於「可控性」。

比起漏掉一些依靠人類智慧可發覺的特殊缺陷，他們顯然更不能忍受一些經常發生但不被產業鏈下游接受的缺陷被錯過。

後者，才會影響品質的均值。

成也數據，敗也數據

數據對於工業智慧化的重要性已無需贅述。

無論是自動化、流程化還是智能化，都建立在機器被數據所驅動的基礎上。

數據，是提升製造工藝的「基礎之基礎」。

但「數據量大卻質差」以及「無實際用處」，卻是當下工業界對大數據應用越來越多的負面反饋。

實際上，周濤教授在一線的大量調研中發現，「質量差」與「無用論」其實應該有多種理解方式。

第一層意思，指的是「零碎，信息孤立且容易缺失」。

「很多工廠其實規模也不小，在數據方面的投入也不小，但他們的生產線設備參數有些採集了，有些卻沒採集，而採集的數據中又有很多沒用的信息，互相之間也沒有建立起聯繫。

譬如一條生產線的振動數據，感測器老舊，或者數據之間容易產生干擾，都會嚴重影響數據的完整性與質量。」

他認為，這種情況普遍存在於中低端工廠，只有少數高端企業，才很真正實現了所謂的數字工廠。

「比如說像富士康，京東方，天馬，商飛，上汽等大型企業，他們的產線，尤其是最新建的一些工廠，整個管理以及加工流程都打通了，而且產生的多維數據（像聲音、噪音、溫度、濕度、扭矩力以及壓力等等）都有分類記錄並且保存完好，質量很高。」

第二層含義，可以指應用場景的缺失。

換句話說，很多數據存在那裡，但卻始終找不到自己的用武之地。

「在採集數據的過程中，雖然大家覺得這些數據是重要的資產，但是都沒想明白能用在什麼地方。

所以很多工廠最終採集上來的數據只是儲被存起來或者用來做一些簡單分析，並沒有產生真實應用。

因此，你不能斬釘截鐵地說某些數據沒有價值，因為這完全是由應用場景來反向決定的。」

以目前大數據分析在工業場景中應用最火熱的項目——「刀具質量管理」為例，對於生產線上直徑在一毫米以上的大刀，要想實時監測刀的磨損情況，及時發現斷刀崩刃等問題，其實僅需採集「電流」這一項數據，就足以判斷。

「這個數據的採集方案其實很簡單，就是通過一個霍爾電流感測器，卡在主軸的電線上，通過霍爾效應測量電流，精度很高。

但刀具的操作過程有沒有其他數據產生？有很多。

包括震動、聲音、壓力等等，但在這個特定場景中用處沒有那麼大。

所以說，如果你知道這個應用場景，知道需要解決什麼樣的問題，那麼你再反過來，就能比較清楚的梳理哪些數據是有價值的。」

但讀到這裡，你以為刀具是一個可以利用簡單數據就能進行質量監控和管理的項目，那麼你可能對這些工程師的工作難度有太大的誤解。

刀具生產其實有一個核心問題，就是非標化十分嚴重。

雖然從表面上看都是處理一塊鋼片或鐵片的問題，但實際上常見的刀就有幾千上萬種，不同的刀在不同的生產加工環境中，所用的數據模型是完全不一樣的，因此依賴的數據也就不一樣。

對於比較簡單的問題（譬如剛才講的大刀），在標準化的數控基礎上，用電流數據就可以操作。

但是解決很多刀具的特定問題還需用到扭距力、震動等多維度數據，有時候還要在刀座上加高速攝像頭。

因此從數據採集再到形成演算法模型，難度都很大。

針對如何建立起更為符合特定場景的數據模型，周濤教授用金融領域的一個經典概念對建立數據模型的難度做了更為深入的類比：

「我們都知道股災的發生，或者說黑色星期五的到來並不是一蹴而就的。很多時候通過股價的波動建立模型就可以進行風險預測。

目前，在預測和分析股票市場的收益研究上，已經設立了圍繞均值（一節距）與方差（二階矩）來反映投資風險的經典分析框架。

但基於低節距的分析模型很難完整描繪市場風險水平，因此，上世紀 70 年代以後將高階矩序列信息融入分析模型成為了一種趨勢。」

而這套理論也同樣可以應用在工業建模中。

「高階矩比低節距對股價的波動更為敏感，就像你從一個一維的序列面上很難預測刀具的一些重大問題，因為這些問題不會表現在均值上。

因此我們需要建立一個多維的高階模型，讓其對刀具生產過程發生變化的敏感度達到最高，才能更高效地找出各種異常。」

總的來說，擺在你面前的數據，就像擺在你面前五花八門的食材，雞鴨魚肉一應俱全。

如果讓一個大廚看到，可能會做出一道很好的菜；但對於普通人來說，腦子可能會變成一片漿糊，不知道怎麼去用這些好東西。

最後，我們只能把鍋甩給數據。

「實際上在當下的整個大數據應用領域，數據這項資產主要表現為『成本』。

很多工廠花一百塊買了各種軟硬體採集了數據，產生的價值卻不到 50 塊錢。而且這不限於工業製造什麼教育醫療金融，絕大部分數據都是你花了錢，但是沒有產生價值。

而如何讓這些資產在未來產生該有的價值，就得靠技術公司去解決了。」

人類不可缺少

「節省人力成本」，是一個大眾與部分專家眼中工業智能化趨勢帶來的切實好處之一。

但實際上，這個說法與現實有一定出入。

一方面，國內的精密儀器製造行業，非常缺乏有經驗的老師傅以及專業技師。與此同時，高新技術產業的很多工序也屬於勞動密集型產業，也面臨「招工難」的窘境。

另一方面，很多大型製造企業都肩負著「保障就業」的重任，做出「用機器替換人力」的每一步決定都需要經過深思熟慮。

當然，作為機器的支持方與驅動者，周濤教授從自己的角度闡釋了人力對工業智能化改造的不可或缺性：

「沒有工廠師傅的幫忙，機器和大數據也不可能在生產線上正常工作，因為機器『不懂』，而我們作為外行，也不懂。」

歸根結底，知識經驗的積累對於可靠的生產和工程質量至關重要。

無論是人還是機器，對工業場景認識的深度，都決定著對數據理解的深度。

「我們的工業團隊直接招管了一批一線工人，老師傅跟我們的關係特別好，因為我們要依賴他們做很多數據整理方面的事情。」

長期跟工人打交道的周濤教授非常佩服產線工人在製造工藝層面的知識儲備，他舉了一個例子：

假設一個廠間有上百台設備，需要目檢的片量大約有 500 萬張，如果缺陷率為 1%，那麼存在缺陷的成品就有 5 萬張。

而這些缺陷分為好多種類，有一些類別的數量特別少，可能就只有十幾張，也就是說 500 萬張里這種缺陷就出現了幾十次。

對於上百台設備上萬個參數而言，這幾十個缺陷的數據樣本太少了。

而這個時候，充分了解生產工藝的工人，就派上了大用場——

因為只有他們才知道什麼類型的缺陷只可能在哪些加工工藝中產生，這就大幅度地降低了搜索的空間。

「某個缺陷如果都是與『刻蝕』有關，那麼可能只有三台設備與『刻蝕』這項功能有關，那麼其他幾十台設備我們就可以不用去處理了，因為跟這個功能毛關係都沒有。」

對於大數據工程師，他們拿到的最終數據相當於若干張脫離場景的 Excel 表格，這是一份在家裡也能做的活計。

因此，與長期駐紮在車間，能夠全身心去感受生產流程的工人相比，兩者對生產的理解差距就完全應了「隔行如隔山」這句話。

「我們給一家集成電路龍頭企業做目檢，缺陷都是英文名稱，譬如有個缺陷名叫做 ZT17，那我們真的是什麼都不知道。

所以就得麻煩師傅告訴我們這是什麼缺陷，最可能來自什麼加工工藝，絕對不可能帶來它的設備和流程什麼。

還有一種比較棘手的情況，就是我們從圖像數據來看覺得缺陷是一樣的，為什麼還要區分。

譬如 FYK03 與 ZT17 這兩種缺陷，看起來都是片子上燒出了一個小孔？

但是工人師傅告訴我，位置不一樣，恰恰讓兩種缺陷造成的影響有了天壤之別。

就像我們在耳朵上穿個孔，這簡直再正常不過，對我們身體也沒什麼影響。

但是如果在眼睛視網膜黃斑打個孔呢？這是主管視力最主要的區域，哪么 0.1 毫米的孔都可能讓你瞎掉。

所以局部看起來一模一樣的缺陷，ZT17 也許還可以搶救，FYK03 就必須放棄治療了。」

這個聽起來非常有趣的互動細節，似乎證明了先進技術理念與工人傳統經驗之間，並非如我們想像中那麼難以磨合。

根據周濤教授的觀察，工人師傅對新技術的接受度其實就取決於兩點——

對提升產值有多大作用，對良率有沒有明顯改善。

「跟生產現場打交道的人都很實際，他們知道這對自己的工作成果是有幫助的，不會對他們本身的工作造成威脅。因此我們現在基本能跟工人打成一片。」

在半導體集成電路與面板的產線上呆久了，周濤形容團隊工程師們如今一出去談合作都自帶工人 style：

不僅能夠輕鬆判斷產線與產線之間的區別與共同點，還能以此來判斷哪些已有的模型可以重複使用，哪些需要具體問題具體分析。

「某種意義上講，工人現在跟我們打交道比較開心，因為他們覺得我們是同類人，會驚訝我們這些做 AI 的人好像也很清楚產線。

同理心對於做深做大這一行其實是很重要的。」

在任何產業，無論機器發揮著如何重要的作用，最終所有命題都會落回人的身上：

有足夠的人才，才能有足夠的發展。

優秀技工與高端技術人員的嚴重缺乏，會讓數據失去失去用武之地，也會讓機器失去可以更好進行學習和模仿的能力，自然而然也就放慢了對環境的適應性。

以上都做得磕磕絆絆，可想而知無論跟哪個國家「比工藝與品質」，我們仍然只能比誰的口號喊得更響。

「現在人工智慧技術用起來了，工業智能化改造喊多了，可能會給大眾造成一些錯覺，大大小小的工廠只要被大數據和智能化『包裝』起來了，就能快速向前奔跑，完成一次華麗轉身。

但是我們不妨從想要的結果往前推，你就會發現，人真的很重要。因為人也決定著我們的教育理念、經濟政策、輿論以及資本導向。

說到底機器也不過是一套方法論的組成部分，但需要吃透這套方法的，是人。

本次會議的聯合主辦方上海市市北高新技術服務業園區是上海市唯一的大數據產業基地，已經集聚了全上海 30% 的大數據企業，正全力打造上海大數據和人工智慧產業的「內核腹地」，朝著「中國大數據產業之都、中國創新型產業社區」目標邁進。

市北·GMIS 2019全球數據智能峰會於7月19日-20日在上海市靜安區舉行。本次峰會以「數據智能」為主題，聚焦最前沿研究方向，同時更加關注數據智能經濟及其產業生態的發展情況，為技術從研究走向落地提供借鑒。

本次峰會設置主旨演講、主題演講、AI畫展、「AI00」數據智能榜單發布、閉門晚宴等環節，已確認出席嘉賓如下：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！