下一個即將到來的風口：工業智能
聲律啟蒙
聲律啟蒙
趙照
00:00/03:55
過去一年來由於陸陸續續發現並投資了一批優秀企業，我開始逐漸歸納、思考一個新的概念，叫工業智能（Industrial Intelligence）。在下文中，我嘗試把這個規律闡釋清楚，並希望能將這個概念安利給有志於此道的朋友們。
什麼是工業智能？
以前我們一直認為，消費互聯網紅利已失，未來十年的結構性大機會一定在產業互聯網。然而產業互聯網到底是什麼？產業互聯網落地之處在哪裡？如同PaaS一樣，一千個人心中有一千種產業互聯網，這個領域很難去界定邊界，因之提出工業智能，就是希望能縮小這個命題的範圍，使之落地。
那麼，什麼是工業智能？
工業，我們習慣上把它分為流程工業和離散工業。最典型的離散工業包括汽車製造、電子電器、機械製造等等，其中可能涉及到車、磨、刨、銑等多種工藝以及產線上的多種機床、設備的協同；而最典型的流程工業則包括石油石化、電力能源、鋼鐵、水泥、醫藥等等大批量、穩定且連續的生產過程。個人看來，這裡面最大的差異在生產的自動化程度、數據的可得性和工業的複雜度，而最大的共性在於，每一個場景都需求各異，進入任何一個細分行業都需要有足夠深厚的行業knowhow和上下遊資源整合能力，具有相當的進入門檻。
智能，可以理解為數據化以及建立於此之上的AI。去年以來，AI運動如火如荼，相信如果不是幣圈鏈圈的造富神話，這波AI潮會繼續熱下去。過去我們所講的AI四要素：算力、演算法、數據、場景，如今前兩個需求已經逐步被滿足，並且跑出一些頭部的企業，我們也有理由相信，未來這兩個領域一定會形成典型的寡頭壟斷格局。所以，接下來的機會在哪裡？看起來還是要回歸場景，回歸數據（GANs等並不完全解決實際問題）。以產線自動化為始，多源異構的工業數據被採集，流轉，分析並幫助形成決策和控制，端到端的解決方案就形成了當前行業player的典型畫像。
為什麼是工業智能？
1. 藍海
一個顯而易見的現象是，工業尤其是製造業的GDP總量遠高於零售、金融、建築等行業；而一個不那麼顯而易見的現象是，工業領域的每天產生的有效數據量其實不遜於BATJ等互聯網公司，一個大規模的工廠每天產生的數據量甚至能達到幾十億到上百億條。
2. 壁壘
雖然工業場景每天產生高頻、海量的數據，但是大量的原始數據本身並沒有直接意義，且有可能產生大規模時延和佔據大量帶寬，這也是ABB、Intel等巨頭提出的邊緣計算要解決的問題；但是，我們不僅需要在某些場景做實時的監控和分析，也需要把更多數據採集到雲端做更多維和更長期的經濟效益及價值分析，這是雲計算的價值。而雲計算+邊緣計算，這是比傳統消費互聯網更細的顆粒度和更複雜的架構，這也意味著更高的壁壘。
3. 拐點
投互聯網的兄弟們有一條很喜歡的邏輯叫做「Copy to China」，「Copy to 工業」是同樣的道理。大規模的數據應用和平台架構在金融、電信等行業經歷了充分的驗證和演進，加上中國製造2025在政策一側的催化作用，構成了拐點成立的先決條件。
工業智能的玩家畫像
對於眾多參與工業智能創業的同學來講，這是一門交叉學科。終端用戶的需求真真切切，卻鮮有人能夠滿足。究其原因，現階段的用戶需要的不是單個產品，而是端到端的整體解決方案。反推過來看，一個合格的工業智能公司，也應該具備整體解決方案的構造能力。
1. 用戶需求
首先，用戶需求永遠是第一位，不滿足需求的技術都是偽命題。舉個例子，我們去年投資了一家容器雲公司（現在看來，容器這一賽道的競爭不可謂不激烈），我們投的這家在激烈競爭中有幸拿到了電網的大單，為什麼？因為用戶並不care什麼是docker，用戶需要的是一整套高可靠的應用託管雲平台，從IaaS，包括Openstack，包括VMware，到基於docker的PaaS，甚至於微服務解構，你都需要做，企業用戶的需求不是容器，而是應用雲化，技術永遠不是制高點，滿足需求的技術才是。
2.行業經驗
對於傳統製造業的大B客戶來講，自身業務場景複雜，沒經驗的供應商如果貿然進入很容易陷入其中難以自拔。這個時候，就需要團隊本身有很深厚的行業經驗，在必要的時候從頂層設計上對用戶的需求加以引導。以我們投資的上海數策為例，其合伙人團隊有極其豐富的汽車行業經驗，能深刻理解主機廠從生產製造到供應鏈再到營銷端每一環節的業務邏輯，從源頭出發採集數據、定義模型、解決業務問題，陸陸續續斬獲了上汽通用、一汽奧迪、北汽福田等一批優質的標杆客戶。我們近期投資的另外一家MarTech企業同樣符合這一特點，創始人是前易傳媒產品VP，擁有15年的資深產品、技術和諮詢經驗，很多時候考慮的比客戶還要深刻，從產品層面就引導用戶使用習慣，幫助用戶優化策略，他們也因此獲得客戶信任，公司業績爆發性非常強。
3.數據整合和產品架構
一套好的解決方案從一個完美的架構開始。對於工業場景而言，從內、外部多源數據的整合開始，到雲+端的平台架構，知識庫的建立，合適模型的選擇，再到反向決策和控制，只有完整打通，才能形成閉環。我們近期投資了一家企業，服務於能源行業的大B客戶，其業務形態很符合這個邏輯。他們從邊緣側幫助客戶加裝感測器補充IoT數據，之後做靜態、動態的主數據集成，在此之上建立的數據平台，有較好的一致性和完整性，配以合適的模型和業務邏輯，能很好的實現監控預警、故障診斷和預測性分析等功能，創造顯著的經濟效益。他們也因此而獲得了大量頭部客戶的訂單，成長非常迅速。
篇幅所限，難述萬一。整體來說，工業智能呈現一橫（見整體架構）+N縱（多個細分行業）的格局，裡面涉及方方面面極其複雜，計劃之後有時間做更深入的大樣本調查，寫下更多思考，投下更多優質標的。歡迎留言，歡迎拍磚，歡迎交流項目~~
TAG:DT實驗室 |