圖片來源 @視覺中國
文 | 晨山資本，作者｜王志飏
我國工業和制造業的積弊和難處已經有很多人談過，但今天，扶搖直上是反常，披荊斬棘是常态。唯有直面挑戰，更多把幹擾轉化為一種工具，一個起點和行動的開端。
本文最大的關注在于，當我們缺少先發者優勢，在落後了幾十年工業數據積累的「廢墟」上，我們仍可以通過一些新萌生的，或曆經時日終于成熟的機會，來捕捉尚未實現的可能性。通過發展新的能力，創造出不止一條「後來者可能居上」的新路徑。
其中有四個趨勢，我們預計将成為未來 10 年工業數字化的主線：一是在工業各環節和産業鍊上下遊實現高效的數據互聯互通；二是工業智能應用實現工業生産的「自動駕駛」 ；三是 IT 架構的雲化變革，為「後來者居上」創造先機 ；四是制造技術變革，結合國内工業生态環境孕育原生創新。
文中更多呈現的是一張 Playbook 的粗略路線圖，更多的玩法、規則和打怪升級的經驗還需要作為創業者的你來填補。我們相信，冒險會引出更多的冒險，而寶藏會通向更多的寶藏。「采蘑菇時，隻有一朵是不夠的；一旦找到第一朵，就會激勵你繼續往前尋找更多」，工業數字化的創新也是這樣。
随着社會逐步走出疫情的陰霾，我們預期工業和制造業産業升級将成為「災後重建」的頂梁柱，而工業數字化、智能化則是重要的升級手段。
在這裡先做個簡單的背景回顧。
國内最近一個階段的工業數字化創新，大概始于 2015 年。彼時在「中國制造 2025」的宏觀政策推動下，工業領域的一硬一軟兩個方向——智能制造和工業互聯網蓬勃發展。
同時，老一輩的工業軟件公司（主要以 CAD、CAE、EDA 為主）經曆了十餘載沉浮，在 2018 年後新國際形勢下，作為解決「卡脖子」問題的全村希望，獲得了資本前所未有的青睐。
回頭來看，8 年後的今天，工業數字化終于有了曆史上最好的發展條件。
首先是基礎設施革新。傳感器、5G、物聯網、雲計算的發展和成熟為工業數字化提供了良好的 IT 和 CT 基礎設施；新型智能裝備（包括智能自動化設備、機器人、機器視覺等），則在 OT 層面讓數字化能夠形成閉環。
其次是市場需求變化。需求端從增量轉向存量，消費需求從單一爆款邏輯走向個性化；生産端從标準化大規模生産，走向敏捷、小批量多批次的柔性生産，傳統生産管理模式和供應鍊協作模式難以為繼，需要數字化能力支撐。
再是數字化需求升級。新經濟品牌的核心競争力是設計研發、營銷運營能力，追求正向設計，對産品全生命周期的數據閉環有更高要求，重視利用數字化技術提升效率，屬于原生數字化的新一代企業。
另外還有原生創新的潛力。我國龐大的産業基礎帶來的多樣化需求、行業龍頭的最佳實踐，結合數字化技術的創新能力，有望催化原生的工業數字化創新。
最後是政策的大力推動。工業數字化已成為「全面深化重點産業數字化轉型」發展目标的主體部分，各級政府的扶持政策也密集出台，制造業俨然替代房地産承載了未來經濟增長目标。
以下是幾點展望，在此抛磚引玉，期待和同樣在這個領域耕耘的朋友進一步交流。
第一個機遇：工業生産各環節和産業鍊上下遊實現高效的數據互聯互通
工業品全生命周期，主要包含研發設計 ( CAx/PLM ) - 供應鍊 ( SCM ) - 生産制造 ( MOM ) - 産品銷售 ( CRM ) - 售後運營環節 ( FSM ) ，圍繞每個環節都有相應的信息化解決方案，但傳統信息化架構在面對數字化轉型需求時開始捉襟見肘。
以研發設計端和生産制造端兩個重點信息化部分為例。
研發設計端信息化承載主體是我們耳熟能詳的 CAx 類軟件和 PLM 軟件。這些軟件将原來紙質圖版、文檔轉化為數字化的文件，無論數據是 2D 還是 3D，大多以文件形式保存和傳遞。
文件格式首要的問題是格式标準和兼容問題。工業界自上世紀八十年代開始緻力解決格式标準問題，1994 年第一版 STEP 文件格式标準誕生，并在過去 20 多年持續叠代，至今文件交換的技術問題還在逐步改善。
然而研發環節以外，在設計 - 工程 - 供應鍊 - 制造的協作鍊上，PDF 等靜态文件仍是溝通傳遞産品信息的主要承載媒介，溝通手段依然是郵件、IM 等自然語言承載的非結構化方式，無法保障溝通時效性和準确度，協作效率較低。
生産制造端信息化主要是圍繞 ISA-95 體系搭建的，構建了從業務經營到生産控制各層級的信息化體系和互通能力。
但 95 體系年代，軟件架構還是以 CS 架構為主，在開發靈活性和可維護性方面與今天雲原生架構不可同日而語，難以實現敏捷開發來應對快速變化的業務需求；各種定制化和層層封裝更是創造了許多沒人敢碰的「信息化怪物」。
數據互通方面，點對點的數據交互方式（包括離線導出導入或定制接口等方式）随着業務複雜度提升又難以維護，無法規模化實現數據的集成與管理，及時有效的數據分析和智能化大數據應用更是空談。
總而言之，ISA-95 的理想并沒有很好地實現，反倒在實現過程中形成了大量數據孤島，「原本的危機應對計劃，成了危機本身」。
實際導緻的局面是：
從設計、工程到制造環節大量重複勞動，協作效率低，研發周期長，難以形成知識積累和正向反饋；
質量風險後置，産品可制造性和質量問題到生産環節才發現，質量無法保證，過程浪費嚴重；
銷售和産能、供應鍊情況不同步，供需難以平衡，交期無法保證，無法支撐柔性、小單快返的客戶需求；
業務分析管理難，不同系統數據割裂不統一，大量時間浪費在查找數據、核對數據；
無法應對供應鍊變化，供應鍊有個風吹草動就會影響有效産能和交期。
工業互聯網旨在解決以上一些問題，但從過去幾年的實際發展來看，更多是在設備物聯和信息化補充建設方面提升了基礎能力；部分數字孿生也更多是針對單一環節的應用（大部分是展示型應用），整體數字化視野比較局限。
都 3202 年了，是時候思考和踐行更加廣闊和深遠的工業數字化願景了。
我們認為，在新一代 ICT 技術體系賦能下，基于模型驅動、通過數字主線貫穿的工業數字化架構，将幫助工業企業和産業鍊上下遊實現「感知 - 認知 - 預知 - 執行」的數據驅動閉環，支撐工業企業高質量、智能化的轉型升級。
說直白點，就是在工業生産各環節、産業鍊上下遊實現高效的數據互聯互通。
模型驅動、數字主線均不是新概念（可自行搜索），在高端制造行業已經積累了一些實踐。随着信息技術的進一步賦能，其理念将在更多行業進行實踐并創造價值。
模型驅動創造了可靠的單一信息來源 ( Single Source of Truth ) 和結構化的數據格式（不是狹義上的 MBSE）；數字主線保障了可靠的互聯互通，使數據（而不是文件）可以高效安全地流動。當然，創新會從多維度、多角度切入，并逐步拓展，彙聚到一個完整的現代數字化閉環體系中。
1. 設計 - 工程 - 制造協作鍊
研發設計模型是幾乎所有工業産品的起點，但是受限于客觀技術能力和主觀管理訴求，研發設計模型通常止步于研發部門。
基于原生模型數據（3D 模型數據）構建雲原生協作工作流，能大幅提升信息保真度和溝通效率，以及各環節之間的反饋循環。
對比軟件行業早已實現的持續開發、持續集成的自動化生産組織模式，未來工業品在新一代協作軟件的支撐下，從設計到制造的環節也有望達到像軟件開發一樣的效率。
2. 研發 - 生産 - 銷售協作鍊
為實現 C2M 大規模定制、小單快返等柔性制造模式，研發 - 生産 - 銷售的鍊條需要更緊密的互聯互通。
一方面，生産數據可以實時同步到銷售側，提供可靠的産能和交期預估；另一方面，銷售側的市場需求信息也可以高保真的傳遞到研發和生産端，實現高效産品叠代和生産。
汽車、筆記本電腦行業在傳統信息化階段實現了這樣的制造能力，代價是昂貴的 PLM 定制和嚴格的生産管理實踐，難以在更大範圍内直接複制。
基于雲原生應用、數據架構、人工智能和物聯網技術，有望打造更高效靈活，更智能，體驗更現代化的新一代數字化産品，賦能更多行業領域實現從研發到生産銷售的數字化協作鍊。
3. 銷售 - 售後 - 研發協作鍊
基于研發模型數據，營銷側以「3D PPT」的方式展示産品特性，準确收集客戶需求并反饋給研發端，實現準确、實時更新的産品信息互通。
随着 AR/VR 技術的成熟還可以提供沉浸式産品體驗，例如汽車、3C 領域裡的頭部企業已經開始應用這類營銷方式，但如果可以像做 PPT 一樣大幅降低制作和使用門檻将能在更多場景應用。
售後可以通過交互式說明書幫助客戶更好地使用産品，IoT 數據可支持實現主動客戶運營和售後服務管理，例如特斯拉在客戶報修時通過車輛數據預先遠程診斷問題，準備配件，預估費用和安排工時，實現了更好的售後體驗，同時也提高了備件周轉和維修資源的效率。
以上僅是産品全生命周期中幾段協作鍊的示例。可以預見随着工業數字化轉型的深入，基于「模型驅動 + 數字主線」的架構，更多環節之間的協作鍊将合縱連橫，支撐起不止是單一企業，而是産業鍊整體的數字化和智能化，為産業上下遊各方創造豐富的價值。
第二個機遇：工業智能應用實現工業生産的「自動駕駛」
過去 10 年，大數據和人工智能技術從學術走向産業，已經在營銷、金融、安全領域得到了充分的驗證。工業領域也自然成為其重要的應用場景。
工業智能是數據科學和工業場景、機理相結合的跨領域創新應用，其中工業機理則涉及物理化學原理以及具體行業、設備、工藝、經驗等知識的結構化和工程化，領域門檻很高。
即便是在 AI 基于超大模型走向 AGI 的今天，工業領域中的數據生産資料依然深藏在這些垂直行業中，需要懂工業、懂數據的跨學科能力來駕馭。
此外，相較算法、模型和神經網絡架構層面的前沿創新，工業智能更多需要解決技術工程化問題。
一個工藝優化問題通常企業和高校教授團隊可以以項目化的方式解決，但如何規模化體系化地解決一系列問題、持續改善并形成商業價值閉環，這是工業智能類應用普遍面臨的挑戰。
▲ 工業智能是數據科學和工業場景、機理相結合的創新應用
從我們這些年接觸的項目來說，工業 AI 的創新落地實際主要集中在兩個方向：
第一類是結合傳統 CV 和深度學習技術的工業機器視覺方向。場景主要以識别、缺陷檢測、定位抓取等為主，提升了自動化能力。
這些場景的領域知識門檻相對較低，CV 和深度學習技術應用直接，配合自動化機器代人投入産出見效較快，是過去幾年發展較快的工業 AI 應用。
第二類是結合數據科學和機器學習技術的設備和生産過程智能化環節。場景包括 PHM 預測性維護、APS 智能排産、SCM 供應鍊優化、RTO 生産實時優化等，提升工業生産智能化決策能力。
這些場景涉及複雜的領域知識、工業機理、業務邏輯，結合具體場景建模具有較高的門檻，同時還面臨數據少、質量差、可解釋性要求高、牽扯業務環節多難以快速閉環等問題。這類應用此前主要以核心企業技術驗證和小規模應用為主。
可喜的是，近年來一些行業變化有望帶來工業智能應用的春天。
一是數據、框架、算力越發成熟，更好地支持工程化落地。
數據已經成為新一代生産資料，工業客戶更加注重數據積累和管理，頭部企業都在完善基礎數據平台的搭建和優化，包括和生産密切相關的時序數據；
框架方面，無論是自動化機器學習還是深度學習框架都更加成熟，實現更高效地從 model 走向 production，降低了工程化過程中 IT 部分的門檻，讓工業 know-how 更快變為工業智能軟件；
算力方面，訓練端和現場推理端，都有更多支持 AI 的芯片解決方案可供選擇，5G 工業專網、邊緣計算等新型基礎設施也在加速部署，支撐更好的雲端協同應用。
二是智能化需求提升。
疫情加速了工業企業對于智能化生産的認知和需求，勞動人口紅利的結束預計也将加速各生産環節機器代人的需求。
一方面物理的執行需要機器替代，另一方面積累的工藝知識、管理經驗也需要軟件和數據來傳承和優化。大量工業場景需求擺在那裡，就看創新技術企業如何快速交付滿足行業需求的産品了。
我們相信工業智能應用會在未來 5 年加速行業滲透，尤其是第二類生産過程的智能化場景。工業企業的生産制造能力将在更廣泛的場景中得到提升，實現制造環節的「自動駕駛」。
第三個機遇：IT 架構雲化變革，為「後來者居上」創造先機
工業軟件是伴随着 IT 技術的發展誕生和發展的，始于 1960 年代，在 1980-2000 年這 20 年間快速發展。
以 CAD 為例，過去 40 年每一次 IT 範式的大變革（小型機 - 工作站 -PC- 雲計算），都創造了改變行業格局的契機，給了後來者居上的機會 ( PTC、Autodesk、SolidWorks、OnShape ) 。
雲計算是過去 20 年最大的 IT 技術轉變。這種轉變是技術、産品和商業模式的結合。
軟件上雲帶來的是軟件部署、應用及開發方式的變革，帶來更靈活、更開放、更具協同性的軟件應用方式；與之相伴的訂閱制轉型也幫助軟件廠商實現商業模式的升級。
如今全面向雲轉型已經成為主流工業軟件公司的核心戰略，這些公司在過去六七年從商業模式到産品架構也都全面擁抱了新時代模式，其中分幾個階段和狀态：
商業模式先變，從許可證 ( license ) 到訂閱制 ( subscription ) 。目前大廠 80%-95% 的收入模式都是訂閱制。而産品架構的轉變，要比商業模式漫長得多。
傳統 C/S、單機部署的産品很難直接重構為雲原生産品，大廠基本通過「收購 + 自研」的方式逐步構建向雲原生變革的路徑。
一般會為傳統産品線拓展線上功能，例如文件 / 數據共享、協作、雲端渲染等（達索 3DE、Autodesk Forge、PTC Atlas），成為「cloud-based」新版本（軟件還是 C/S 架構，好比單機遊戲增加了聯機功能），并開始轉（shou）化（ge）老産品的現有 userbase；
收購或自研雲原生的新産品線（達索 3DE Works、Autodesk 自研 Fusion360 收購 UpChain、PTC 收購 Onshape/Arena 等），一般都是重構的全新産品，全面引入雲、AI、IoT、XR 等新能力（新物種，類比網遊） 。
這兩個轉變過程中，創新能力一般都來自外部，要麼是吸收人才，要麼是基于收購标的構建新平台（PTC 的 Atlas 平台底層基于 OnShape 的數據系統）。
PTC 的創始人 Jim Helpplemann 在收購 Onshape 時提到：
...no company in the history was able to port existing system with traditional server-based and web architecture to the cloud. All leaders in the SaaS industry built these systems from scratch and not ported existing systems（SaaS 行業所有的領導者都是從頭開始構建系統，而不是移植既有的系統）.
客觀上看，國内工業軟件廠商與海外工業軟件巨頭在傳統工業軟件領域的差距或許要十年才追得上。
但在基于雲原生新一代技術完整重構老場景産品，亦或開拓新場景産品方面，起跑線是相對接近的。
創新企業還可以用更敏捷、更開放、更本地化的軟件開發方式，提供更優的用戶體驗和服務。
另一方面，任何技術創新的成功都需要産業基礎，在一些新興優勢産業領域（如新能源、3C 等），基于雲原生和現代數據架構的數字化産品有助于更好發揮數據價值，更高效的産業協作和共創，助力新興産業更快速地發展。
第四個機遇：制造技術變革，結合國内工業生态環境孕育原生創新
增材制造 /3D 打印是實現完全數字化閉環的全新制造方式，能夠實現小批量産品的快速定制，縮短了設計 - 生産 - 叠代的産品周期，更加适合當前衆多行業個性化生産的發展趨勢，也是對傳統制造手段的有效補充。
得益于供給側（材料、打印工藝）和需求側（定制化、小批量多批次）的不斷發展和重合，增材制造已經應用到了航空航天、3C 電子、口腔醫療、文創、鞋業等衆多行業，目前市場規模已經接近 200 億美金。
由于增材制造與傳統減材、等材的顯著差異和其獨特特性，也讓一些創新型設計方法有了實現制造的閉環，其中最具代表性的就是生成式設計。
Generative Design（生成式設計、衍生設計），是通過編程、建模，用算法來形成設計，而不再依靠設計師手工繪畫或建模。
與傳統設計方式最大的不同在于，傳統設計始于設計師的知識和創意，生成式設計始于設計約束與參數，并通過 AI 算法來生成模型（算法并不知道設計的是什麼，隻追求滿足設計目标的結果）。
設計師在設計流程閉環中不斷調整設計參數，算法同時生成成百上千中不同設計方案，人工智能根據設計目标分析評估性能（例如 CFD 仿真）篩選符合設計目标的方案，通過這樣的高效、并行設計流程，能産生性能更優、成本更低的設計方案。
這種方法最早在平面設計領域使用（僅需要生成圖像，不需要制造）、建築領域（單體建築建造不受大規模工業生産能力制約）應用，并産生了專業化的軟件工具（例如建築領域的 Grasshopper 參數設計軟件）。
但在工業設計領域，受限于人才缺乏（設計師不會算法和編程）以及生産制造能力（生成式設計方案通過傳統制造工藝實現的成本太高，或根本無法實現），此前并未廣泛獲得應用。
生成式設計方法可以用來解決複雜的工程設計問題，例如優化性能、減重、降低生産難度和成本等。由于不受傳統觀念、經驗限制，往往能産生創造性的結果。
生成式設計的最佳生産方式就是增材制造，随着 3D 打印技術的發展和成本的快速下降，生成式設計近年來也快速流行起來，越來越多的産品，包括一些量産的産品也開始使用生成式設計。
生成式設計的配套設計工具也在快速發展叠代。雖然 Autodesk、達索、西門子等傳統巨頭都在 CAD 産品中加入生成式設計模塊，但實際上相關技術還在快速變化發展中。
例如，傳統 CAD 的圖形建模是 Boundry Representation ( B-Rep ) 模型，即用定點 - 邊 - 面來定義實體（并假設實體内部就是簡單的實心）。這個基礎方法從 40 年前劍橋三劍客發明以來就沒變過，過去 40 年 CAD 行業最大的技術創新—— PTC 開創的參數化建模方法，依然是基于 B-Rep 模型。
當模型的面大幅增加時（例如不是實心的網格設計，經常出現十幾萬到上百萬面），B-Rep 方法會産生大量數據而導緻模型文件體積爆炸，任何對模型的操作都會慢得不行。創業公司 nTopology 發明了新的建模方法——隐式建模。
用 SDF 方程來表達一個圖形，可以讓模型體積縮小 60 倍（可以類比像素圖和矢量圖的關系）。nTop 還在工程設計工作流上進行創新，在一個平台上進行 CAD、CAE、CAM 數據集成，在一個工作流中完成産品設計探索、驗證、生産設計，大幅提升了設計效率。
我國增材制造領域已經進入快速增長階段，已經在 3C 電子、醫療、汽車、鞋業、文化創意等諸多行業進行應用甚至用于量産産品，增材制造市場規模預計也将從 300 億增長到數千億級别。在這樣的産業背景下，期待在研發設計領域也能催生出創新的技術産品。
中國工業貢獻了世界約 1/3 的工業增加值，也擁有全球最富饒的制造業生态。雖然任重道遠，我們堅信中國工業數字化領域會誕生世界級創新，也期待和正在深耕這個領域的你共同探索。
更多精彩内容，關注钛媒體微信号（ID：taimeiti），或者下載钛媒體 App
