这是一场将自己变成实质上公共事业企业的战争，制造业不过是一个分战场。互联网大厂「染指」制造的醉翁之意在于底座（IAAS以及

　　这也造就了互联网大厂解决方案的开放与协作，与传统制造业巨头的互联网方案的封闭、「舍我其谁」的架势，形成鲜明对比。他们试图从基层核心技术和「用多少服务给多少钱」的商业模式，大大降低制造企业使用新技术的门槛。

　　2020年见证了制造业的骤停，也见证了他的反弹迅速。德勤在一份最新制造业趋势展望中发现，制造业正加剧数字技术投资，以便更好地「罩住」不确定性。

　　作为市场规模增长最快的传统产业，制造业企业认为，工业AI平台能让他们以更低的成本应用AI，是AI在工业领域的落地和普及的必要条件。与互联网大厂合作填补能力空白，也成为主要选择之一。

　　去年年底，亚马逊史无前例地一口气推出五项直接用于工业领域的机器学习服务，坦言要降低缺人才、缺钱中小制造商采用新技术的门槛。

　　坦白说，绝大多数制造企业想要「拎包入住」的便利和实惠，并非互联网大厂强项。他们更像是提建筑材料和工具供应商，还需要招揽大量「泥瓦匠」（比如开发各种App应用第三方），造出满足不同需求的「精装房」。

　　不过， 在少数典型应用场景「最后一公里」舞台，他们不惧通过强有力SaaS软件直接服务最终用户，与制造巨头和应用工具开发商「短兵相接」。

　　2017年贝恩咨询的一份图表显示，并不是所有工业互联网机会都是平等的。对工业客户最有吸引力的机会如黑点所示，主要包括质量控制、预测性维护、提升产率斜坡、资料优化、远程控制等。

　　首先，将自己在机器视觉上多年积累和优势延伸到制造，近乎必然，还少了消费场景下「隐私」、「歧视」的道德困境。

　　在车间层实现生产流程的优化和精益化，质量检测成为大厂必争之地。现代制造系统非常精细，故障率通常只有 1% 或更低。但即使很小缺陷也会让企业付出昂贵代价。但「人工+普通摄像头」的传统方案存在一系列问题，包括精度低、健康损害、管理成本高、方案扩展性差地等。

　　比如半导体PCB行业，康耐视、基恩士大都采用传统的视觉算法分析方法，基于成熟的模板匹配、灰阶等算法，不仅会有漏项，也需要有许多工人复检。

　　在中国工业质检市场，百度智能云占据最大份额，在3C行业的固定点位缺陷检测（比如宁德时代电池质检）、钢铁行业的中厚板检测、纺织行业的智能验布领域都提供了相应的解决方案。

　　阿里工业大脑「见远」已经应用在电池片瑕疵检测、蚕丝瑕疵、道路裂缝检测、垃圾分类、智能养殖等多个领域。

　　制造商无需任何机器学习经验，仅需将少量图像（少至三十张）发送给云端系统，就可以得到识别缺陷的模型，包括机器部件的裂纹，面板上的凹痕，不规则形状（比如披萨是否够圆）或不正确的产品颜色。

　　电网巡检，一名普通线年巡线周。如果将部署在输电杆塔或者无人机摄像头里，系统可以「就近」分析图像视频，识别典型隐患场景、本体缺陷并发出警报。云端部署训练和推理系统，负责持续优化算法模型。

　　而诸如工业厂区（比如，精细化工园区）安全巡检也需要借助互联网大厂对人、车、物、设备的快速识别，实现安全管理效率。

　　任何沙粒都可能导致计划外的停机，墨菲定律告诉我们，它们很可能在最糟糕的配置和最糟糕的时间发生，导致严重商业后果。

　　GE、Catepillar、小松、三一等制造巨头的产品遍布全球，做预测性维护可谓水到渠成，而互联网大厂也不惧短兵相见。

　　比如，对比飞剪机组斩切精轧机组转出的钢带噪声脉冲与典型噪声特征集，完成一段时间生产数据统计后，百度智能云可以预测切割机器是否存在异常，进而降低机器故障率和停机时间。

　　先在工业钻孔机设备上安装传感器，收集钻头压力、马达和主轴转速数据，再发送到云端存储、分析和展示，基于机器学习算法进行预测性分析。

　　从所涉制造企业类型来看，互联网大厂流程制造落地案例似乎更多一些。比如钢铁、水泥、烟草、食品、化妆品、药品、集成电路等。

　　流程制造企业生产过程多数是自动化的。生产线上的设备维护特别重要，每台设备都是关键设备，不能发生故障，一台设备的故障会导致整个工艺流程的终止。

　　由于自动化程度比较高（比如设备控制级大量采用DCS、PLC，各种智能仪表），利用新技术的现实基础也比较好，单点上的突破就能帮助企业看到提升，比较容易ROI。

　　不过，在传统制造业看来，互联网大厂仍然没有深入到生产核心环节和设备，比如高炉、转炉炼钢，瓶颈主要是对工业和工艺了解有限，也不敢轻易尝试。

　　「Know-How是传统制作企业数十年的摸索积累与千万次验证，反复建模，留下的理论与经验结晶，这是大厂们最不熟悉的；

　　能做的主要是算力这一部分。因此，我们只能做一个支撑平台——「黑土地」，支撑上面生长的个性化的应用。」任正非在最近一次华为企业业务及云业务汇报会上发言时谈道。

　　这也是为什么每家互联网大厂都有自己的生态计划，比如腾讯「千帆计划」、百度「AI Star 计划」、阿里开发者成长计划等。

　　事实上， 位于应用工具集合层之下、IaaS 之上的工业 PaaS 才是互联网大厂的演化舞台。

　　「 AWS 显然是一种 PaaS，或者至少具有 PaaS 服务。」几年前， Werner Vogels 在接受外媒采访时曾说道。

　　「将平台能力（IaaS PaaS）注入制造业的大方向，一直没变过。」2019年，阿里云数据智能产品事业部总裁曾震宇在采访中告诉我们。

　　谷歌和百度，其计算量、存储、网络、SLA、延时、大数据等，无法在端上完成，核心业务搜索就是云计算早期的最重要应用。

　　亚马逊、阿里、京东也遵循类似逻辑。「我们希望建立一个面向服务的架构，在这个架构中，所有的服务都可以在这个强化的API中使用，它们拥有足够的算力，让所有人都可以使用。

　　在为自己策划了这个计划之后，我们马上又发现，这个架构适用于世界上所有的企业，所有企业都可以使用它。」贝索斯2018年在华盛顿经济俱乐部和2019年在里根国防论坛上的采访时曾谈到过这些。

　　因此，当他们将制造业作为平台业务拓展的重点领域时，也会为互联网 + 制造部署提供连接、计算、存储等底层技术支撑（比如支撑几十万台设备高频传感器数据的压缩、存储）， 成为「平台的平台」，使上层平台专注于与工业生产直接相关的服务，从而实现专业分工，发挥叠加效应。

　　这与传统制造业巨头的互联网方案的封闭、「舍我其谁」的架势，形成鲜明对比。互联网大厂更强调开放与传统制造企业合作，帮助后者更好地适应互联网、使用互联网。

　　与其他对手相比，阿里云平台要集中在底层，比如数据计算存储、分析。Azure、 AWS 也是如此。图表来自头豹研究院。

　　比如，实时性、软硬件与模型适应性问题，需要通过芯片、架构与编译器的发展来解决；至于模型可靠性、深度学习可解释性、数据与场景适应性则，则依靠算法层面的研究解决。

　　以第一个基础性挑战为例。训练框架上，Tensorflow、Caffe 等框架已能满足工业训练应用需求。

　　例如，油田服务公司贝克休斯（Baker Hughes）基于TF，利用深度学习算法进行震动预测、设备预测性维护、供应链优化和生 产效率优化。

　　阿里工业大脑全面支持 TensorFlow、Caffe 等架构，已广泛参与到新能源、 化工、重工业等不同制造领域。中国航天科工集团的工业互联网平台基于 Tensorflow 进行轴承预测。

　　推理框架方面，端侧推理框架无法满足工业终端计算需求，需定制化开发。不过，随着工业终端智能化功能与计算需求的不断提升，端侧推理框架需求较为紧迫。

　　谷歌、腾讯、百度和华为等已经开发出主要面向手机端的推理框架，极大地提升了移动终端的计算智能能力，未来具备向工业领域渗透可能性。

　　谷歌 TensorFlow Lite 深度学习框架现阶段首先支持安卓和IOS，同时在工业领域应用普及度也较高。百度 Paddle-mobile 深度学习框架支持包括ARM、NPU、GPU等多种硬 件平台，且重视在工业领域的延伸 / 合作，更可能在工业领域发力。

　　值得注意的是，为了降低制造企业、机器学习开发者使用新技术的门槛， 互联网大厂们想法设法降低算法实施过程中开发、环境、运维对工程师的依赖。

　　亚马逊 SageMaker 也可以有效贴近工业的实际需求，让开发者快速、轻松集成到自己的系统中，让制造业客户轻松获得AI能力，比如质检。Amazon SageMaker Edge Manager 还可以帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型

　　腾讯云千帆计划的技术中台产品「鹊桥iPaaS」，用来提高集成速度，让以往需要数十天的集成工作可在几天内完成。

　　无需提前付费、「用多少服务给多少钱」，这些都非常关键，从根本上改变 IT 行业，大大降低制造业企业使用互联网服务的门槛，让企业更专注构建于自己独特的能力。

　　「你只需要买这个服务。第一年觉得用的好，第二年再继续，如果觉得用的不好，第二年可以不再付费。」在过去的采访中，阿里云IOT智能制造总监郑旭曾告诉我们，「我们可以将ROI控制的很低，企业的转型成本和风险都很低。」

　　亚马逊干脆将AWS的成功归功于「通过重塑企业购买算力的方式，AWS 成为了一家规模非常大的企业」、「重新书写经济模式」。

　　虽然说，底层输入能力上，互联网大厂没有本质区别，不同基因又决定互联网大厂在与制造业的结合过程中各有特点。

　　C2M 模式核心是大规模个性化定制，也是工业互联网主要应用模式。从C端起变革，正是坐拥流量入口互联网大厂（阿里、京东、拼多多）拿手好戏，拿流量换取制造业的机会。

　　电商「抢」工厂，往后做供应链、ERP、柔性生产，一方面得益于十几年来制造商柔性能力提升，另一方面也在于摸清从零售到生产的每个环节。

　　借助条码、RFID、摄像头等设备对工厂进行轻量化的物联网式改造，将工厂的产能数据与网店打通，借助深度学习等算法模型对消费者评价等数据进行学习，实现按需生产。工厂不仅清楚差异化需求，也让定价、备货等更加精准。

　　相比电商起家的巨头，腾讯没有控制生产环节的条。