16年工业人总结“工业AI关键五步” | GGV Family

距离2017年11月国务院印发《关于深化“互联网+先进制造业”发展工业互联网的指导意见》已过去5年，这期间，不论是传统制造企业、互联网科技巨头、还是行业新贵，各类企业均投入到工业互联网的发展浪潮中，模糊统计有超千家企业挤进了工业互联网的创业赛道。工业软件、工业自动化、工业设备、互联网科技等行业的从业者重新粉饰跨界整合后再出发，让工业这个既传统又“低调”的产业变得热火朝天。

作为在工业领域从业16年的人，我一直打拼在工业一线市场，基于对工业的热爱，最终在2021年正式下海，加入了一家工业AI的创业公司——蘑菇物联。

俗话说“机会都是留给有准备的人”，在加入蘑菇物联前，我做了充分准备，不论在产业发展方向、市场定位，还是在行业经验、资源人脉等方面都做足了功课。但在实际加入公司一年半后，我发现“理论”与“落地”之间的“实践”才是考验创业者的最大难题。这也是为什么很多企业明明选对了赛道，但在通往成功的道路上多数都倒在了经营上。

在这里我也将自己从事工业AI创业一年多的浅薄经验分享给各位，希望能对工业AI领域的创业者有所启发，至少我踩过的坑，大家不必再踩一次。

我们主要研究工业互联网及AI技术在工业通用设备的系统控制中如何发挥价值。经过六年的实践，我们最宝贵的经验就是“聚焦做深”。我们聚焦在一个“空压站”场景死磕，把“空压站云智控”做到了产品化标准化、交付标准化，并通过市场拓展和渠道推广成功复制了超1400个项目；然后我们在两年前启动了第二个场景“中央空调云智控”的产品，也在今年完成了产品标准化，并成功复制了50多个项目。通过总结这两个工业应用场景的经验，我发现工业AI需要经历以下五个关键的打磨，才能实现标准化，为客户创造可测量的价值。

云智控场景拓展

工业AI是基于数据和算法解决工业场景的“特定问题”，既然是特定场景的特定问题，就不可能解决所有问题，所以首先要明确解决什么问题？围绕该问题影响的因素有哪些?边界在哪里？只有划定边界才能让数据有规则的计算和分析，构建数据模型，从而找到最优解。所以打造工业AI产品首先要做的就是找到确定场景，明确边界范围，精准定位问题。

传统的模型建立主要依赖于工业机理和专家知识，拿一个设备作为对象来看：设备运转的规则就属于工业机理，而设备操作和维护的经验就是专家知识。机理模型主要解决的是定性的问题，而数理模型是要解决定量的问题。没有机理难以判断模型的对错与可靠性，没有数理方法难以给出定量值。只有工业机理与数理模型融合起来才能找到通往工业AI的最优答案。

一个工业AI的项目如何落地，大多数人都认为有了模型，再给足够多的数据样本不断训练就可以得到最佳答案，事实并没有这么简单。因为仅仅要保障数据准确和样本足够大就是第一道门槛，要知道很多时候即便连一手的传感器数据都会存在一定的漂移，如果采集的数据样本都是错的，即便再厉害的模型也无法计算出最佳的答案。因此，保障数据的准确性是数据训练的前提。

前面三件事都只是考虑一个工业AI的项目如何能落地，并没有考虑产品如何标准化，交付如何标准化。当第一个项目完成后，就要考虑在一个标准场景里需要依赖哪些硬件采集和传输数据，如何做到最低成本，最便捷的交付，同时还要保障系统的可靠性与安全性。软硬一体的标准化产品就要考虑云、网、边、端的整体架构，以及硬件与软件的适配。而软件要做到标准化就要做PaaS平台（Platform as a Service），这也是为什么低代码、可组态、可模块化配置的能力可让软件交付降低门槛，提高效率。

云智控“云-网-边-端”技术架构