机器之心原创

作者：宇多田

在技术领域，「弯道超车」听多了，愈加觉得刺耳。

芯片技术追赶美国，靠人工智能来个弯道超车；工业制造追赶德国瑞士，靠互联网和人工智能来个弯道超车。

这就像武学小白想靠一本武功秘籍来个「一招制敌」，却忽视了武林高手靠数十年积聚的深厚内力，我们也忽视了国外制造业过去长达数十年积累起来的历史数据与宝贵的产品推演过程，以及系统化的业务逻辑与方法论。

很多时候，我们甚至已经能够把许多方法论的精髓「倒背如流」：

譬如流程化（做流程软件的知名企业 SAP 就是德国的），可度量化（生产线能够被精确测量各种问题并进行及时纠正），自动化（尽可能将任务交给机器），现在又加了一个「智能化」。

但是却很少有人明白，这并不等于「换一套的全新硬件设备与管理软件」，不等于「收集全部数据」，不等于「不依靠人」。

当然，我们不能否认在一部分高精尖领域，中国制造的成绩已经缩小甚至逆转了与老牌工业强国的差距。

但我相信，没有任何一个人敢理直气壮地喊出——「我们的整体工业制造水平已经超过了德国瑞士以及日本」。

差距依然存在，而且不小。

到瑞士，曾有朋友推荐一定要带回一把刮皮器。因为据说「它能够秒杀你用过的一切削皮工具」，而事实证明，这个说法真的一点都不夸张。

削皮如泥，绝对是给母亲制造惊喜的神器

这把价格不到 20 块，看起来构造异常简单的产品，让我自然而然萌生过一个问题：

「中国怎么造不出来？」

而这个朋友的解释非常有意思：

「生产设备不一样？生产成本高？或者在工艺上更胜一筹？无非是这些原因。」

事实上，这个一点都不专业的答案，已经部分讲出了「德国或瑞士制造高品质论」的核心论点，当然，也符合大部分人的固有认知。

「很多人说要追德国瑞士日本，不仅仅是说追『生产效率要更高』，或者『稍微降低一点成本』。

我们要追的，是改进工艺，进而提高品质，这个我们应该能感同身受。

无论是对于普通消费品还是高精尖产品，这个核心一直都没变过，当然，第二重要或者同样重要的是『降成本增效率』，只有这样你的综合竞争力才会比较强。」

在中国工业制造研究与一线领域内摸爬滚打多年，数之联 CEO 周涛教授用一个案例毫不留情指出了中国与德国瑞士在长生产线上的巨大差距：

「国内龙头企业产线上某重要产品的不良率大约为 1%，而德国、韩国、瑞士类似产线上的产品不良率可以做到千分之二三。」

你可能会说 1000 张片子我们扔 10 张，跟他们 1000 张扔两三张，差别不是很大。

但是，这不在于我们是不是比他们多浪费了七八张片子，而是我们整体的质量都会差很多。

这就像两个班都是 50 个人，一个班数学考试有 8 个人不及格，另一个班是只有 1 个人，那我们基本可以确定，第二个班整体的成绩都会更好。

因此，我们总是讲工业大数据，讲工业智能化有种种好处，但其实最核心的目标只有一个——

生产工艺的智慧化，而不仅仅是「外围」的供应链管理智慧化与库存智慧化。

而这也的确符合《中国制造 2025》的基本方针——「创新驱动、质量为先、绿色发展、结构优化、人才为本」。

「质量为先」，被放在了前面。

它是我们缩小国内外工业制造水平的最佳突破点。

拼硬件时代早已过去

工欲善其事，必先利其器。

这句话曾被国内工业界很好地贯彻过。不少业内人士认为，赶不上国外的工艺水平，很大程度上是简陋的设备在掣肘。

因此，花大价钱购买大量国外进口设备，先用硬件把自己「武装」起来，是工业界一个曾经很流行的思维模式。

这绝对不能说不对。毕竟在改革开放时期，硬件上存在巨大差距是个不争的事实。

但是在当下，这已不是主要矛盾。

更何况，就像一个人想学唱戏就先搭个戏台子，想拍出好照片就先搞一套单反相机一样，过于依赖硬件而忽视技巧与方法，本身就是一个很危险的观念。

很具讽刺意味的是，有中国工程师在知乎上的高赞回答指出了一个真相——

在走遍欧洲和中国各大企业的工厂后，他发现，中国同行业里龙头企业里的大部分设备其实要比欧洲同类公司好很多。而造成差距的关键之一，仍然在于加工工艺。

「我们不能忘记，工具是为人所用的。中国大部分公司的加工工艺，几十年不变，缺乏改进的动力。

实际上，单有设备是远远不够的，我所见到的欧洲不少工厂，设备是很旧的，精度达到就行，何必追求最新。

中国有几个大型工厂，把各个设备，人，部件的成本算清楚并做了优化配置的？」

此外，如果实现工业智能化，还仍然秉着「要换新机器」的想法，那么「降本增效」这个在民营工厂老板眼中与「提升质量」同等份量的目标，就是「无稽之谈」。

实际上，当前的工业智能化升级方式有两种路径，一种为「介入式」，一种为「非介入式」。

前者需要对生产线进行重构，意味着你要扔掉旧设备换上价格翻倍的新设备，而这必然会增加成本。

「有些企业厂房里的可能是用了十几年的老旧设备，已经严重影响到产品品质，譬如顽固性不良有 20% 是设备导致的。

那么为了在未来能够更好提升品质，你可能要换几百万的新设备，这显然会提升成本。」周涛教授认为，这种方法对于民营企业来说可能较难接受。

而后者则建立在原有生产线空间的基础上，不动任何硬件，给产线安装必要的数据监测传感器，通过调节设备输出的参数来改进不良率。

通俗点说，就是治疗近视不必非要换眼球，直接配副眼镜也可实现同样的效果。

「这种非介入式的方法，可直接利用厂商已有数控机床提供的接口与日志信息，同时根据需要在一些特殊的环节和设备位置加装传感器。

因此，并非如外界想象的要大规模改造设备，改造接口，还要跟设备厂商沟通协调。我们做的相当于不动你任何东西，不会带来新增成本。」

在数之联通过「非介入式」方法进行产线升级的案例中，最典型的就是为材料加工进行「提前抛料」。

如果制作完成一块液晶屏需要 20 个加工环节，那么在加工到第 12 个环节时，通过对一些特定参数的实时监测与分析，系统就已经能够判断出这块屏几乎不可能成为一个合格的产品。

「例如，某个环节电流功率特别高，或者中间有几次异常，这些中间环节的数据可能就告诉你产品已经不太对劲儿了。

那么这个时候我们就建议抛弃半成品。你不要再往后面加工了，这个半成品已经有 97% 的可能性是一个残次品，再加工你就浪费钱了。」周涛解释。

因此，改良工艺，提升品质，在非介入式方法切实可行的前提下，都会伴随着效率的提升与成本的降低。

数之联 CEO 兼电子科大教授周涛

不得不提，我们在学习德国瑞士制造的过程中，都清楚「不要相信人」是一条提升品质的重要方法论：

在生产环节动用一切可能手段把人的天然影响降到最小。

因此，我们也可以换个角度来解释非介入式的制造工艺改良方法——

在成本合理的范围内，能让机器做的，就坚决不让人做。

根本原因，是要尽可能减小最终影响产品品质的人为误差。

以「目检」为例，无论是对于低端消费品，还是精密仪器生产线，这道工序都是一个愈加重要但却始终容易被忽视的质量检测步骤。

一条连续生产线上，有时检验的人员要占到整个生产人员数量的 20%-30%。每个人每天要看几千张片子，有的甚至上万张。

这种高强度的工作量不单单是让人感到痛苦，从产品质量角度来说，人工操作漏掉质量信息是完全不可避免的。

通常来说，高质量的目检操作，有「两个 90%」的说法。

「第一个 90% 是指，十个报错里面，有九次都是对的。你千万不要报一百次错，二三十次都不对。这样就是浪费时间，因为你报错就要重新再检。

第二个 90% 指的是十个缺陷，有九个都能被你抓住，只有一个漏掉。」

周涛教授将两个 90% 分别对应了目检的两个指标——「精确度」与「召回率」。

然而，就这两个指标，如果仅由人来做检测，很难达到。

目前，人工检测通常最大的问题并不是较高的漏检率，而是在于「不稳定」。

实际上，无论我们给目检作业员设计一套尝试严厉的奖惩制度，漏检率也还是会出现「身不由己」的波动。

但「一丝不苟地按照标准来执行」，无疑是机器最为擅长的。

通过摄像头与其他辅助光学传感器采集缺陷数据，周涛与其带领的工业团队通过机器学习的方法自动判断成品是否有缺陷，并在可能的几百种缺陷中确认是什么类型的缺陷，以及缺陷的位置和大小。

「机器视觉检测会根据你的算法模型来执行任务，根据我们目前的一些项目反馈，正常场景下基本上机器都能做到两个 95%。」

听起来不过是提升了几个百分点。

但就是这几个百分点，对企业整条生产线的良品率，终端消费者的用户体验，甚至整个企业的品牌影响力，都有着不可忽视的作用力。

「1 万张片子，如果生产中的不良率大约是 1%，缺陷检测的召回率大约是 90%, 就意味着大约有 10 张有缺陷的片子有可能流入市场，从而危害到消费者。

这些有缺陷的部件不能说完全不能用，但可能正常的寿命是 10 年，而你的每半年就要出些毛病。」

而「机器目检」另一个对于改良制造工艺的价值，在于其独有的「反向推理」能力。

「当机器发现了这些缺陷的类型位置大小之后，能够去反向寻找这些顽固性不良缺陷，并获知它到底跟哪些设备以及哪些参数有关。

这样我们也可以自动去调节相应的参数，继而避免设备一而再再而三出现同一种缺陷。」

实际上，周涛教授并没有过分渲染人工目检师的可替代性，因为机器的检测边界，受限于加工工艺的特殊性。以液晶片为例，不是每一种产品缺陷都与光学有关。

「有的生产线我们可以覆盖 95% 以上的检验工作，意味着每 20 个目检员可以只留下 1 人；

有的时候我们只能覆盖 50% 的检验工作，意味着还有一半的人会留下。

当然，目检师是不可能被完全替代，因为缺陷也是会『推陈出新』的，如果出现极个别从未发生过的缺陷，仍然要依靠人类的智慧来辨别。」

不过，对于工厂来说，保证质量的关键在于「可控性」。

比起漏掉一些依靠人类智慧可发觉的特殊缺陷，他们显然更不能忍受一些经常发生但不被产业链下游接受的缺陷被错过。

后者，才会影响品质的均值。

成也数据，败也数据

数据对于工业智慧化的重要性已无需赘述。

无论是自动化、流程化还是智能化，都建立在机器被数据所驱动的基础上。

数据，是提升制造工艺的「基础之基础」。

但「数据量大却质差」以及「无实际用处」，却是当下工业界对大数据应用越来越多的负面反馈。

实际上，周涛教授在一线的大量调研中发现，「质量差」与「无用论」其实应该有多种理解方式。

第一层意思，指的是「零碎，信息孤立且容易缺失」。

「很多工厂其实规模也不小，在数据方面的投入也不小，但他们的生产线设备参数有些采集了，有些却没采集，而采集的数据中又有很多没用的信息，互相之间也没有建立起联系。

譬如一条生产线的振动数据，传感器老旧，或者数据之间容易产生干扰，都会严重影响数据的完整性与质量。」

他认为，这种情况普遍存在于中低端工厂，只有少数高端企业，才很真正实现了所谓的数字工厂。

「比如说像富士康，京东方，天马，商飞，上汽等大型企业，他们的产线，尤其是最新建的一些工厂，整个管理以及加工流程都打通了，而且产生的多维数据（像声音、噪音、温度、湿度、扭矩力以及压力等等）都有分类记录并且保存完好，质量很高。」

第二层含义，可以指应用场景的缺失。

换句话说，很多数据存在那里，但却始终找不到自己的用武之地。

「在采集数据的过程中，虽然大家觉得这些数据是重要的资产，但是都没想明白能用在什么地方。

所以很多工厂最终采集上来的数据只是储被存起来或者用来做一些简单分析，并没有产生真实应用。

因此，你不能斩钉截铁地说某些数据没有价值，因为这完全是由应用场景来反向决定的。」

以目前大数据分析在工业场景中应用最火热的项目——「刀具质量管理」为例，对于生产线上直径在一毫米以上的大刀，要想实时监测刀的磨损情况，及时发现断刀崩刃等问题，其实仅需采集「电流」这一项数据，就足以判断。

「这个数据的采集方案其实很简单，就是通过一个霍尔电流传感器，卡在主轴的电线上，通过霍尔效应测量电流，精度很高。

但刀具的操作过程有没有其他数据产生？有很多。

包括震动、声音、压力等等，但在这个特定场景中用处没有那么大。

所以说，如果你知道这个应用场景，知道需要解决什么样的问题，那么你再反过来，就能比较清楚的梳理哪些数据是有价值的。」

但读到这里，你以为刀具是一个可以利用简单数据就能进行质量监控和管理的项目，那么你可能对这些工程师的工作难度有太大的误解。

刀具生产其实有一个核心问题，就是非标化十分严重。

虽然从表面上看都是处理一块钢片或铁片的问题，但实际上常见的刀就有几千上万种，不同的刀在不同的生产加工环境中，所用的数据模型是完全不一样的，因此依赖的数据也就不一样。

对于比较简单的问题（譬如刚才讲的大刀），在标准化的数控基础上，用电流数据就可以操作。

但是解决很多刀具的特定问题还需用到扭距力、震动等多维度数据，有时候还要在刀座上加高速摄像头。

因此从数据采集再到形成算法模型，难度都很大。

针对如何建立起更为符合特定场景的数据模型，周涛教授用金融领域的一个经典概念对建立数据模型的难度做了更为深入的类比：

「我们都知道股灾的发生，或者说黑色星期五的到来并不是一蹴而就的。很多时候通过股价的波动建立模型就可以进行风险预测。

目前，在预测和分析股票市场的收益研究上，已经设立了围绕均值（一节距）与方差（二阶矩）来反映投资风险的经典分析框架。

但基于低节距的分析模型很难完整描绘市场风险水平，因此，上世纪 70 年代以后将高阶矩序列信息融入分析模型成为了一种趋势。」

而这套理论也同样可以应用在工业建模中。

「高阶矩比低节距对股价的波动更为敏感，就像你从一个一维的序列面上很难预测刀具的一些重大问题，因为这些问题不会表现在均值上。

因此我们需要建立一个多维的高阶模型，让其对刀具生产过程发生变化的敏感度达到最高，才能更高效地找出各种异常。」

总的来说，摆在你面前的数据，就像摆在你面前五花八门的食材，鸡鸭鱼肉一应俱全。

如果让一个大厨看到，可能会做出一道很好的菜；但对于普通人来说，脑子可能会变成一片浆糊，不知道怎么去用这些好东西。

最后，我们只能把锅甩给数据。

「实际上在当下的整个大数据应用领域，数据这项资产主要表现为『成本』。

很多工厂花一百块买了各种软硬件采集了数据，产生的价值却不到 50 块钱。而且这不限于工业制造什么教育医疗金融，绝大部分数据都是你花了钱，但是没有产生价值。

而如何让这些资产在未来产生该有的价值，就得靠技术公司去解决了。」

人类不可缺少

「节省人力成本」，是一个大众与部分专家眼中工业智能化趋势带来的切实好处之一。

但实际上，这个说法与现实有一定出入。

一方面，国内的精密仪器制造行业，非常缺乏有经验的老师傅以及专业技师。与此同时，高新技术产业的很多工序也属于劳动密集型产业，也面临「招工难」的窘境。

另一方面，很多大型制造企业都肩负着「保障就业」的重任，做出「用机器替换人力」的每一步决定都需要经过深思熟虑。

当然，作为机器的支持方与驱动者，周涛教授从自己的角度阐释了人力对工业智能化改造的不可或缺性：

「没有工厂师傅的帮忙，机器和大数据也不可能在生产线上正常工作，因为机器『不懂』，而我们作为外行，也不懂。」

归根结底，知识经验的积累对于可靠的生产和工程质量至关重要。

无论是人还是机器，对工业场景认识的深度，都决定着对数据理解的深度。

「我们的工业团队直接招管了一批一线工人，老师傅跟我们的关系特别好，因为我们要依赖他们做很多数据整理方面的事情。」

长期跟工人打交道的周涛教授非常佩服产线工人在制造工艺层面的知识储备，他举了一个例子：

假设一个厂间有上百台设备，需要目检的片量大约有 500 万张，如果缺陷率为 1%，那么存在缺陷的成品就有 5 万张。

而这些缺陷分为好多种类，有一些类别的数量特别少，可能就只有十几张，也就是说 500 万张里这种缺陷就出现了几十次。

对于上百台设备上万个参数而言，这几十个缺陷的数据样本太少了。

而这个时候，充分了解生产工艺的工人，就派上了大用场——

因为只有他们才知道什么类型的缺陷只可能在哪些加工工艺中产生，这就大幅度地降低了搜索的空间。

「某个缺陷如果都是与『刻蚀』有关，那么可能只有三台设备与『刻蚀』这项功能有关，那么其他几十台设备我们就可以不用去处理了，因为跟这个功能毛关系都没有。」

对于大数据工程师，他们拿到的最终数据相当于若干张脱离场景的 Excel 表格，这是一份在家里也能做的活计。

因此，与长期驻扎在车间，能够全身心去感受生产流程的工人相比，两者对生产的理解差距就完全应了「隔行如隔山」这句话。

「我们给一家集成电路龙头企业做目检，缺陷都是英文名称，譬如有个缺陷名叫做 ZT17，那我们真的是什么都不知道。

所以就得麻烦师傅告诉我们这是什么缺陷，最可能来自什么加工工艺，绝对不可能带来它的设备和流程什么。

还有一种比较棘手的情况，就是我们从图像数据来看觉得缺陷是一样的，为什么还要区分。

譬如 FYK03 与 ZT17 这两种缺陷，看起来都是片子上烧出了一个小孔？

但是工人师傅告诉我，位置不一样，恰恰让两种缺陷造成的影响有了天壤之别。

就像我们在耳朵上穿个孔，这简直再正常不过，对我们身体也没什么影响。

但是如果在眼睛视网膜黄斑打个孔呢？这是主管视力最主要的区域，哪么 0.1 毫米的孔都可能让你瞎掉。

所以局部看起来一模一样的缺陷，ZT17 也许还可以抢救，FYK03 就必须放弃治疗了。」

这个听起来非常有趣的互动细节，似乎证明了先进技术理念与工人传统经验之间，并非如我们想象中那么难以磨合。

根据周涛教授的观察，工人师傅对新技术的接受度其实就取决于两点——

对提升产值有多大作用，对良率有没有明显改善。

「跟生产现场打交道的人都很实际，他们知道这对自己的工作成果是有帮助的，不会对他们本身的工作造成威胁。因此我们现在基本能跟工人打成一片。」

在半导体集成电路与面板的产线上呆久了，周涛形容团队工程师们如今一出去谈合作都自带工人 style：

不仅能够轻松判断产线与产线之间的区别与共同点，还能以此来判断哪些已有的模型可以重复使用，哪些需要具体问题具体分析。

「某种意义上讲，工人现在跟我们打交道比较开心，因为他们觉得我们是同类人，会惊讶我们这些做 AI 的人好像也很清楚产线。

同理心对于做深做大这一行其实是很重要的。」

在任何产业，无论机器发挥着如何重要的作用，最终所有命题都会落回人的身上：

有足够的人才，才能有足够的发展。

优秀技工与高端技术人员的严重缺乏，会让数据失去失去用武之地，也会让机器失去可以更好进行学习和模仿的能力，自然而然也就放慢了对环境的适应性。

以上都做得磕磕绊绊，可想而知无论跟哪个国家「比工艺与品质」，我们仍然只能比谁的口号喊得更响。

「现在人工智能技术用起来了，工业智能化改造喊多了，可能会给大众造成一些错觉，大大小小的工厂只要被大数据和智能化『包装』起来了，就能快速向前奔跑，完成一次华丽转身。

但是我们不妨从想要的结果往前推，你就会发现，人真的很重要。因为人也决定着我们的教育理念、经济政策、舆论以及资本导向。

说到底机器也不过是一套方法论的组成部分，但需要吃透这套方法的，是人。

我是机器之能联合主编宇多田，长期关注自动驾驶、智能制造与AI+安防赛道，欢迎业内人士一起探讨各类产业问题（微信：fudabo001，务必注明身份）