公众号/机器之能
全球AI落地过程中,可以看到一个从多数企业豪情万丈回落到更少企业重估曾经期待的过程。这一过程中,给玩家泼上几桶冷水的障碍因素也越来越清晰地浮现出来。
如今,匆忙上马的试验可能已被放弃或重新考虑,过去几年决策层中充斥的「非理性繁荣」正在逐渐消失,冷静正重归桌面。
撰文 | 微胖
「(数字)抓得蛮准的。」两个月前,笔者采访过的一位工业互联网企业负责人认可了一组统计数字:
2020年上半年,青桐资本的一份调研数据显示,目前工业互联网方案商的收入规模在1000-3000万区间的占53.3%;1亿规模以上的仅占20%。
「几乎没有一家跑通了商业模式。」这位负责人说到。
事实上,很多大的投资机构对工业互联网赛道仍然持观望态度。商业模式到底是什么?盈利模式到底是什么?客户复制性到底在哪里?怎么跨行业?他们几乎都没有看到多少好的标的公司。
资本多站队大厂孵化项目的背后,也只是为了不至于吃亏。人人都想抢一口,动作要快。那些优雅的最后可能会发现自己因为吃不到肉而骨瘦如柴。
一
当人工智能在边缘计算层与工业物联网相遇,2019年成为人工智能工业落地元年。许多制造企业已经在探索转型,人们也期待着AI大规模落地。
在深入了解中国制造企业应用人工智能的真实情况和应用场景后,5月的一份报告照出了理想与现实距离。
《造有道 智万物——德勤人工智能制造业应用调查》显示,中国制造业企业人工智能项目实施不在少数,但是,不论从企业获益角度还是预算和时间投入角度衡量,认为项目达到80-100%预期的企业仅为9%。这意味着91%的人工智能项目未能达到企业预期。
图片
受访企业人工智能项目成功与预期的差异。
报告认为,人工智能项目结果与预期之间存在较大差距是全球现象,主要由五个因素造成。在我们过去的采访中,几乎每一个因素都得到了不同程度的验证。
首先,既有经验及组织架构障碍。企业通过AI技术变革管理或优化流程时,常见的2个内部阻力。
一方面,员工接受成本高。对于已经熟悉原有工作流程的员工而言,实施新流程意味着要学习新的操作和规范,企业往往不能保证培训的资金与时间投入。这就导致了员工往往倾向于使用旧流程,新引入的流程推行受阻。
比如,国内一些传统企业客户对工业软件缺乏正确认知,习惯将不动产的概念套用在工业软件上。他们会觉得购买工业智能产品跟采购设备一样,可以对照「操作说明书」开箱即用,实现某一类功能。
开箱即用并自主运行其实是一个复杂的过程,涉及一系列隐藏成本。特别是数据驱动的模型,一开始模型的部署效果可能只有六七十分,需要数据不断迭代优化,才能达到相对精准的效果。
「他们更愿意相信自己经验,不信信息系统推荐,即使培训了也不敢用,初创企业因此很难实现闭环和复制。」过去采访中,一些受访的第三方供应商曾无奈表示。毕竟,这意味着他们也要去掌握新的东西,学会怎么去操作新设备,不仅要会检查,还要学会怎么去反馈,帮助把我们的系统做得更好。
在走访张家港工业云建设过程中,落地「最后一公里」的合作方企业也曾告诉记者,当地很多制造业工人信息化能力、数字化能力是很差,要开展针对性培训,提高他们的信息化水平。
另一方面,需要调整组织架构。AI的使用解放了大量重复劳动、手动控制、人工分析等工作,而制造业往往存在大量此类工种,在引入AI后,企业需要优化组织架构以适应部署AI带来的变化,但由于经验缺乏,企业往往准备不足。
制造业也讲迭代,不过跟软件不同,远不是简单发布一个升级版本,而是伴随大量技术落伍的设备拆除,新技术设备建造改造,还有岗位作业程序的调整及培训。这就涉及一种「整合成本」,也会深刻制约企业的软件购买动力。
一些业内人士认为,要有长期的规划和人才培养计划与之匹配,否则,可能就是一个项目,为了拿补贴或者所谓的资金支持,相对于企业所投入来说,这往往是得不偿失。
其次,企业基础设施条件制约。实施AI项目对企业的基础设施有一定的要求。
德勤调查发现,45%的企业认为基础设施影响较大,从而不得不推迟原有的AI计划,还有14%的企业认为基础设施问题影响严重,导致企业无法进行某些转型。
例如:如果想通过数据反向优化生产,企业首先要在工序节点铺设能够采集关键变量的传感器,要能够把实际有效量测数据收上来,才有机会分析哪些流程改进质量才能更好,生产效率才能更高。
基础设施对项目落地的影响。
「我所在这个行业,做工业互联网的了无几人。」过去采访中,某民营企业高管告诉笔者。该企业大约6000人规模、千亿营收。
要做的话,还得企业由上至下进行改革重组、配备相应技术团队,逐一搜集终端数据。「我们目前也只走到了工业2.0, 不知哪一年才能走到3.0。」
不少受访工业互联网企业的负责人表示,业内大佬们也知道抓住工业AI这波浪潮就有可能让企业再上一个台阶,无奈的是,有些企业基础落后。
比如,大量机加工、3C制造等企业毛利润率非常低,要拿出魄力做这个事情,还要先大量信息化,对他们说,本来就是一个很难执行过程。
目前,大约50%客户愿意尝试,或者大步快走或者小步快跑;剩下15~20%客户愿意小规模试点,最后剩下30%积极关注。一位工业互联网企业负责人预估过。
第三,是数据采集方法、质量问题。AI项目的效果与数据质量直接相关。在基础设施条件具备后,采集数据的方法,数据的准确性、多样性以及规模直接决定了机器学习的发挥余地。
一位工业数据专家曾告诉我们,前边数据准备得越好,特征提取得越好,建模就更容易。但是,传感器布置在哪里、最佳数量是多少、采集频率多少都依赖深刻的行业know-how。
目前国内大型制造企业的自动化设备和管理系统都已配备都齐全,但产生数据的利用率却一直不尽如人意一一耗费资源收集大量数据,而收集上来的数据却往往并非关键数据,低质量的数据无法通过聚合与协同分析转化为生产要素。
比如,有些工厂的工单完全靠工人手记,有的人会写「我今天听到机床声音不正常」,下一个人可能又会写「我听到蜂鸣声」;从ERP取出的订单又是另外一种数据格式……
原因也很简单。国内企业数据记录质量的好坏也不直接与基层工人「保证设备运行好」 KPI 挂钩,这类岗位没有动力去关心或者重视数据记录。
再比如 ,许多企业已经具备SCADA系统,但实时抓取的设备参数并不能被方便、高效地利用起来。制造业智能化程度较高的工厂往往会采用「数据聚合」的解决方案:打通SCADA和ERP系统,采集精准、实时的设备数据,结合生产、质检、物料、设备等各个功能模块的数据,实现全面数据聚合。
第四,缺乏工程经验。AI项目需要把算法与理论落实到企业实际应用场景中,需要项目团队具备:项目实施的技术能力、团队对制造工艺的理解、算法与行业应用结合的经验、综合运用各种软硬件资源。
只有懂技术,同时深入制造端,才能建构出可行的AI应用场景方案。而专精AI的公司往往由于对制造端缺乏理解,技术优势无法充分落地。
腾讯云智能制造总经理梁定安在谈张家港工业云落地时,曾告诉记者,对于类似腾讯这样的巨头来说,很容易通过传感器实现数据联通,也很容易在大数据平台收到这些数据,实现可视化。
「但是,这些数据应该怎么样去分析,它的机理,这一块对互联网企业是一个比较大的挑战。」
采访阿里工业云时,相关负责人也曾告诉笔者,诸如钢铁等流程制造生产过程连续,不能停顿,任一工序出现问题必然会影响整个生产线和最终的产品质量,期间非常依赖经验数据,参数、数据分析复杂很高。
「没有客户深度配合,抛开设备和工艺,单凭算法和模型,无济于事。」
「人其实是不可或缺的环节。软件仍然是离不开人的,我们的效率提高了,质量提高了,但还是离不开这些工人。」一位风电行业资深专家谈及预测性维护系统时曾解释道,智能系统排出来的东西是理论上的,可能与现实有差异,这就需要资深业内人士帮忙迭代。
最后,项目规模过大,过于复杂。AI适用于解决具体问题,通用型大型项目往往涉及复杂的多种因素决策,超出目前AI的能力范围。部分企业对于AI预期过高,应该认识到目前AI还不能在综合决策层面取代人工。
不过,根据我们过去的采访,这份报告似乎忽略了一个中国特色的障碍因素。
在搅动工业互联网这池春水,没有谁比政府更热心。据说,当市场在某些高科技领域失灵时,政府就要用一双看得见手去恰当修补。然而,大多数政府根本不懂工业互联网,连工业软件和IT都分不清楚,甚至连工业都不懂。
工业互联网产业联盟(AII)《中国工业互联网投融资报告》显示,2019年非上市企业中,提供服务的初创企业最多,占比37%。当被问及政府帮扶是否踏准企业痛点时,这些市场主力们的回答却是「基本没有」,因为这双看得见的手都负责大企业和大孩子去了,留给初创们的多是无处不在的政策门槛。
有观点直言,经济高速增长了30多年,但仍极少培育出原创的、具有真正创新意义的技术型企业,其间原因很复杂,但政府的强力「父爱」或许就是原因之一。
二
岂止是制造。全球AI落地过程中,我们可以看到一个从多数企业豪情万丈回落到更少企业重估曾经期待的过程。这一过程中,给玩家泼上几桶冷水的障碍因素也越来越清晰地浮现在我们面前。当然,同样也在中国实践中找到了例证。
2016年,通常被视为深度学习元年,2017年可以说是产业化元年。
这一年,经济学人智库(Economist Intelligence Unit)曾发布报告 《Artificial intelligence in the real world: The business case takes shape 》。基于2016年下半年对全球203位高管进行的一项调查,报告试图勾勒出全球不同地区、行业企业采纳AI的态度。
结果发现,特别是在北美(AI技术策源地和巨头互联网公司集中地),健康与生命科学、零售、制造和金融服务领域企业正在积极试水。
其中,约三分一公司处于探索(exploratory)阶段,三分之一正在进行一到两个试点(experimental),只有十分之一企业开始在有限领域中使用AI(apply),广泛部署(deloy)企业仅2.5%。
例如,全球工程机械巨头 Caterpillar 在2016年首次向行业公布「智能机器时代」(The Age of Smart Iron)数字技术战略并介绍了多种数字解决方案。同年,全球排名第二的日本小松制作所也提出 Smart Construction 。
将调查结果转换为指数来量化AI实现得分,1分最低,新生玩家没有任何尝试;最高5分,广泛部署AI。
当时,75%企业高管均表示将在三年内在自身组织中积极部署人工智能。企业所属领域不同,期待也有所不同。金融领域期待更好决策、医疗企业期待更好用户体验。对于制造业来说,效率更为重要。
Caterpillar 认为,既然iTunes可以颠覆唱片行业,他们也不能置身事外。软件公司未必会突然造工程机械,但是,技术可以创造很多价值,甚至可能成为改变行业的基本动力。而 Caterpillar 当时投资的 Uptake 后来成为最成功的工业SaaS初创。
对于小松制作所来说,AI提供一个商业模式转换的契机——从以往硬件式销售模式,转变为提供更加广泛IT技术为支撑的销售及服务,如二手设备销售及租赁业务,乃至保险及金融。
几个主要障碍,排在首位的就是成本问题。
报告也分析了几个主要挑战,包括成本、数据质量和文化阻力。这些均在后来的实践中得到验证,直到现在也是影响AI落地效果的主要因素。
其中,成本中心的问题在中国AI公司上市潮中的得到了最为淋漓尽致的展现。几乎所有的招股书上都写着业务规模化的艰难和由此导致的「流血」、「巨亏」。
硅谷著名投资公司a16z曾在一篇广为流传的文章解释过,AI公司毛利率低的主要原因之一在于基础设施带来巨大成本,AI公司经常在云资源上花费的收入的25%或更多。
比如,训练一个AI模型就可能需要数十万美元甚至更多的计算资源。
由于馈送AI模型的数据会随着时间变化(即数据漂移),重新训练还会带来持续成本。而模型推断在计算上也更加复杂,需要更高的存储资源和处理成本。
数据质量、数据孤岛等问题则在医疗、制造业的AI落地过程中得到最为充分的验证和体现。
顶尖AI科学家Yann LeCun早就说过,「人工智能实施的障碍在医疗保健领域,不是技术问题,而是对数据的访问。这对该领域的初创企业尤其困难,(因为)更大的玩家已经可以访问这些数据。」
至于文化阻力,则是所有领域的企业都会面临的问题。
外媒曾将卡特彼勒与Uptake的合作形容为,很难想象卡特彼勒负责人Oberhelman先生和他在Peoria总部的员工都穿着牛仔裤和皮夹克,甚至是初创的制服帽衫,这是两家截然不同的公司。
调查显示,近三分之一(北美的40%)公司和38%的制造商正在收购或投资技术初创企业。这种合作关系往往能让公司绕开根深蒂固的藩篱以实现基于新技术的新的流程或服务。
笔者在过去采访中也和一些第三方供应商聊过制造龙头企业自己孵化工业AI项目,一些业内人士表示并不看好,究其根本在于企业文化基因南辕北辙:
传统制造业的基因是追求控制(想想富士康员工的工作节奏和生活规律),而互联网创新恰恰需要自由和开放。
「在一个行业待久了,都有思维局限。他们始终会觉得新的东西就是来给传统那套东西做辅助,不会真正与对方完全融合。」一位采访过的传统制造企业的资深专家告诉我们。
三
不久,75%的期待与热望就遭遇了期望过高的尴尬。
2017年,经济学人,波士顿咨询和麻省理工学院报告《Reshaping Business With Artificial Intelligence》对全球3000名高管的调查后发现,人工智能技术目前在企业中的应用情况和高企的期望值并不匹配。
一方面,四分之三高管相信,人工智能将使他们的公司进入新业务领域,近85%认为人工智能会让他们的公司获得或维持竞争优势;
另一方面,七成被访者表示,自己的AI项目到目前为止还没有产生多少影响,有超过半数的企业都完全没有用上AI。
有22%的企业还完全没有应用AI,也不打算去用;32%的企业目前没有应用AI但计划将来用;23%的企业有一个或者多个AI试点项目;18%的企业在部分产品和流程中应用了AI;5%企业的产品和流程中大量应用了AI。
到底是谁拖了大家的后腿?这份报告的细微之处在于根据受访企业对AI的理解和部署所处阶段不同,分别讨论了四类企业各自遭遇的障碍。
尽管具体障碍内容所有不同,但这些差异与技术限制关系不大,更多是一个商业问题。
「严格来说,我们不投资人工智能。我们不投资自然语言处理。我们不会在图像分析上投资。我们总是投资在商业问题上。转向人工智能,因为它解决了业务问题。」 用一位受访客户的话来说。
「只要能按时准确地完成工作,是否使用人工智能对企业而言并不重要。」另一位受访者表示。
根据对企业人工智能理解和部署情况,报告将企业分成以下四类,分别考察阻碍他们采用人工智能的主要因素:
先锋(19%):这些组织理解人工智能,而且已经部署。他们在把人工智能整合到自家产品和内部流程的过程中处于领先地位;
研究者(32%):这些组织理解人工智能,但除了试点阶段外尚未部署这项技术。他们希望先观察再行动;
实验者(13%):这些组织正在试点或采纳人工智能,但却并未深入理解。他们边做边学;
消极者(36%):这些组织没有采用人工智能,对这项技术的理解也很少。
受访者被要求选出将AI应用于自己公司时遇到障碍,上图显示了7种制约因素对这4类企业的影响情况。
行业巨头们无疑属于先锋者阵营,他们面临最大障碍主要是人才。
这一点也在中国得到了最为生动的体现。中国拥有勇冠全球的大型企业,但是,他们不同于西方企业。
这就造就了一个让初创企业很无奈、甚至想不通的现象:即使那些最具转型升级基础的传统大厂,也很难买单第三方方案,而是挖人、拿技术自己做。
那些大型先进制造企业信息化、数字化技术和运用很成熟、认知也与时俱进,他们更喜欢投几十万和创业公司做概念验证(POC),等小的验证性场景做完,他们就找自己的研发团队去做了。他们甚至可以借由「工业互联网」、「智能制造」项目,从国家那里拿到更多的补贴、甚至孵化上市项目。
中国工业互联网生态还有一个非常独特的成员——手握大量用户和业务数据并迫切希望变现的消费互联网大厂。如果他们想做工业数据分析,没有谁能盖过这些大厂的挖人架势。
据说,曾经政府部门技术大比武,某大厂一口气包揽了前五十,没给其他企业任何机会挖人。
2018年,麦肯锡报告 AI adoption advances, but foundational barriers remain 报告也指出,人工智能的采用虽然也有进步,主要障碍仍然存在于规模化实践与经验的匮乏。基本挑战之一在于,寻找有技能的人来有效地实施它。许多受访者说,正在通过采取多样化的方式寻找人才来解决这个问题。
先锋者阵营还面临一个独有的挑战——采纳AI后带来的安全问题,其他阵营现阶段几乎不会考虑,主要包括黑箱和歧视问题。
在中国语境下主要是黑箱问题。比如,为了解决AI成本中心难题,独角兽和巨头们致力于打造「AI自动化工厂」,让AI生产AI,反而在传统黑箱之外生产更大的黑箱。
以在整体采用方面处于领先地位的电信行业为例,如果电信业想大规模应用,必须是可信赖的AI,不仅要能解释AI决策背后的逻辑,还要确保AI不会有任何不良倾向。
不过,无论企业处在哪个阵营,都会面临公司内部投资优先性(钱不够分)的挑战。
这在笔者过去的采访中也得到了体验,特别是由于疫情,年前谈好的合同和项目落空,不仅仅是相关的人员无法到位,好包括申请的资金被冻结。
以前给企业做个项目,企业还是愿意投资,当做前沿试点。现在经济形势不好,没有多少人愿意投到这些非必要项目。这可能也与企业财务制度有一定关系,软件不能做成企业固定资产。
受访的中国制造企业未来两年的AI投资规划额度。
上述2018年麦肯锡报告数据显示,仅有21%受访者表示,到目前为止,对AI投资仅占公司总体数字技术支出的一小部分。大多数受访者(58%)说,公司数字预算中只有不到十分之一用于AI ,尽管受访者绝大多数都认为未来几年AI投资将会增加(71%的人如此)
对于落地比较慢的阵营——实验者与消极者——来说,困扰他们的主要是没有清晰的商业案例,以及缺乏公司内部领导层支持。
「你会发现很多企业是有战略,没战术,没有成计划,」一位第三方供应商告诉我们,「大部分企业就卡在这了」。
一些业内人士指出,这可能源于用户「不见兔子不撒鹰」投资方式。他们往往需要先验性的收益分析,收益不明确、案例不清晰、对AI期望过高。
四
在近两年出炉的相关报告中,我们发现,更多的企业在AI部署上冷静下来。
2019年,波士顿咨询集团和麻省理工学院对近2500位老板的调查发现,迄今为止,在接受调查的10家公司中,有7家报告称人工智能影响很小或没有;
在90%的对AI进行了投资的公司中,只有不到五分之二的公司表示在过去三年中从AI获得了业务收益;
当报告将对人工智能进行重大投资的公司包括在内时,该数字将提高到五分之三。即使这样,这也意味着40%的组织在AI上进行了重大投资,但并未报告AI带来的业务收益。
也许正因如此,更多的老板们在部署AI这件事上开始冷静下来。2020年,在对美国1062名企业和公共部门高管进行调查后,普华永道《2020年AI发展趋势》发现,2019年还有近20%的高管计划将AI部署到业务流程中,2020年只剩4%。称自己已经在「多个领域」实施AI的人数从27%降至18%。
普华永道《2020年AI发展趋势》发现,2020年只剩4%的受访高管会计划部署AI,42%处在调查阶段。
普华永道的尤安·卡梅伦(Euan Cameron)表示,匆忙上马的试验可能已被放弃或重新考虑,并且过去几年董事会中充斥的「非理性繁荣」正在逐渐消失。
而在《The state of AI in 2020》报告中,麦肯锡也首次就深度学习采用进行了提问。只有16%的受访者表示,他们的公司已经在试点阶段之外进行了深度学习。高科技和电信公司再次成为领头羊,这些行业30%的受访者表示,他们的公司具有嵌入式的深度学习能力。
普华永道的报告认为,最大挑战在于衡量其投资回报率、批准预算并培训现有员工使用人工智能等。这些挑战也揭示了为什么有些组织在2020年全面缩减对AI的应用。
在问到应用AI,会考虑哪些因素时,39%的受访者表示,非常看重AI的投资回报率;36%表示,会考虑预算批复;36%表示,会考虑员工是否会使用AI技术。
普华永道的报告指出,最大的挑战是面向企业和工作人员的 :衡量其投资回报率、批准预算并培训现有员工使用人工智能等。
对于投资回报率,中国企业有着最为深刻的体会。这也是他们经常谈到的如何跑出闭环。
单纯的算法模型很难让客户买单,也谈不上赋能,后者往往是打通闭环的能力。比如,系统预测某台机器存在故障,但接下来要不要修、谁去修、怎么修已经脱离第三方供应商的控制范围,而这一块儿又往往直接影响着落地效果。如果最后维修由维修队说了算,对于工业软件供应商来说,价值链条就断掉了,很难去量化ROI。因此,如果能打通IT和OT,就可能以带来ROI的商业闭环换取合同。
报告认为,当AI与其他技术隔离开来或在单独的业务中孤立使用,AI并不会发挥最佳性能。45%的受访者表示,将把AI与全组织的业务数据进行集成;45%的受访者表示,将AI集成在智能分析系统中;43%表示,将与物联网等其他功能软件进行集成。
通过将AI封装在RPA、物联网等技术上,将极大地减少用户在部署时所遇到的难题以及提高整体使用效率,并提高其ROI回报率。
以制造为例,更多企业也倾向于投资复合性技术体系,单一技术类别,比如视觉监测、机器人定位等技术投资热情相对较小。