子虔科技浅谈智能制造行业面临的机遇与挑战

工业元宇宙等新概念如何影响着制造行业

从工业互联网、工业大数据，到最近比较火的工业元宇宙，诸多新概念在“智能制造”领域发展壮大。这些新技术正在一步步地演变并且影响着制造业。其实，这是一个随着信息化数字化技术不断的成熟，各种基础设施的成本持续降低，在不同阶段能够去驾驭或者落地的技术体系。我们站在今天回看过去的工业互联网和工业大数据，到元宇宙。可以看到这些技术演变的路径，其实围绕着一个非常关键的要素——“数据”。  

在信息化初级发展的阶段，我们没有数据，所以我们发展了工业互联网，或者说机器智能。我们把机器连接起来，通过IOT，我们能够感知，采集到这些工业设备和场景里面的实时发生的数据。有了足够多的数据以后，我们需要对这些数据进行加以分析、利用甚至是做决策。在人工智能快速发展的这么多年，自然工业大数据也是AI的一个非常巨大的场景，我们也看到了工业大数据的很多成功的应用。

再后来，工业互联网越来越成熟，我们可以获取到海量的数据，同时因为5G等基础设施的成熟让我们能够低成本、大规模地传输这些数据。我们期望能够基于这些数据去做实时的分析和决策，我们就需要让计算机去理解这个现实世界正在发生的业务、场景和逻辑。让计算机读懂现实世界以后，再通过计算机自己的能力和优势去分析、去仿真，把AI等各种能力整合到一起，把这些物理世界的数据，让它在数字环境、虚拟环境中重生，并且和物理世界形成联动，对现实世界的发展去做预测甚至是决策。最终通过我们足够成熟的工业互联网，自动化地去执行这些决策，也就是我们常说的“以虚控实”。这个其实就是“元宇宙”技术在工业场景的落地，其实就是“数字孪生”技术，去架起现实世界和虚拟世界之间的桥梁。 

智能制造，尤其是智能工厂解决方案的难点在于，它其实是一个多学科、多维度、多技术、非常复杂的系统，涉及信息化技术、运营、管理等等。 这种复杂的场景，过去我们在哪个领域有足够成熟的经验和技术积累呢？  

相信大家很容易能想到——“游戏”。 游戏其实就是对现实世界的复刻，现实世界中存在的逻辑、要素、关系，在游戏世界中都要完整齐备，甚至更加严谨。我们可以看到很多大型的游戏，其逼真程度足以让人分不清哪里是现实，哪里是虚拟。

因此元宇宙的落地，数字孪生的技术和工具，很多都是从游戏行业跨界出来的。 比如子虔科技的技术团队中，就有很多同事来自于游戏引擎巨头企业。通过该引擎的开放接口和3D资产内容，可以根据不同场景的需要，实现小到一个零部件，大到一条产线、一座工厂甚至一座城市的孪生及各种深度应用，让“灯塔工厂”等智能制造场景能够有落地的基础。

灯塔工厂的出现和智能制造行业面临的挑战

中国制造业体系完善、产业链条长、产业集群丰富，数字化应用场景广阔，有助于在数字化转型方面实现规模经济和范围经济。同时，该市场庞大、人口众多，拥有“工程师红利”。经过多年的投入和积累，目前我们看到智能制造在中国市场上已经率先跑出了一批标杆企业。

比如从2018年开始在全球范围内持续评选的“灯塔工厂”榜单，目前全球22个行业有超过90家工厂入选，其中位于中国的“灯塔工厂”有31家。这些“灯塔工厂”广泛分布于消费品、汽车、家用电器、钢铁制品、医疗设备、制药、工业设备等多个行业。我们从公开报道中看到这些灯塔工厂在借助数字化技术升级后，各种效率和优势得到显著提升。 例如，中信戴卡铝的车轮工厂借助数字化赋能的柔性制造系统，产线最小生产批量从300件降到1件，一条生产线可同时生产多种不同样式的轮毂，“千轮千样”成为可能。宁德时代的灯塔工厂实现了在生产每组电池耗时1.7秒的速度下仅有十亿分之一的缺陷率，同时将劳动生产率提高了75%。 从这些灯塔工厂的案例和数据来看，充分体现了我们之前谈到的智能制造中关于实现“敏捷协同”的价值。 

但是，要想打造出“灯塔工厂”，面临着非常多的挑战。 首先是巨大的投入，这个很容易理解，这些灯塔工厂的建设背后，投入动辄几亿甚至几十亿。 另外是关于数据层面的困难。随着大数据技术这么多年的发展和成熟，我们看到很多企业都建立了各种各样的大数据平台，投入巨大采集数据，然后把各种数据汇聚、存储，成为企业宝贵的数据资产。 但是另一方面，这些资产的价值仍然没有得到充分的挖掘和利用，数据还在沉睡，完全基于实时数据驱动业务仍然是一个困难重重的目标。

这里面技术层面最大的难点，还是在于这些数据本身。因为这些数据是复杂的，有一维二维的数据，有CAD等典型的三维数据，在制造领域加上时间维度，比如生产节拍，就成了四维数据，这些异构的、多维的数据是无法自动对齐、传递信息的。声音和图片不能自动交换信息，文字和视频也无法直接沟通。因为我们过去的IT技术是基于文件传输的，使用各种垂直领域的软件来分门别类地打开文件，因此当异构数据汇聚到一起，需要协同的时候，那就是鸡同鸭讲，不在一个频道。  

元宇宙、虚拟现实技术，都高度依赖于高维数据，我们将要面临的数据环境至少是三维起步，甚至四维。 因此，高维数据、异构数据，如何拉通？如何让数据和数据高效地交换信息？比如研发部门的数据，如何与内部的工艺设计，采购，生产制造高效协同？如何与外部的供应链企业协同研发、协同制造？这些都是智能制造中绕不开，必须要去解决的难题。