0
2019年夏天，朱礼君终于从一个仓库里走了出来，他是智能物流系统研发商壹悟科技的创始人，这是三年来他自己带团队驻扎的又一个项目。作为一个曾在高盛做过量化分析、在亚马逊做过供应链优化、在Facebook和阿里巴巴做过机器学习的理论物理学博士，他放弃了优渥的薪资和办公环境，毅然决然辞职创业，一头扎进了工厂和仓库里。
从2013年开始，履约监控平台汉德创始人苗少光，为了更精准地测算出货车车桥的形变，就一直在跟着大货车到处跑，从晚上6点到凌晨6点，他通常会准备3台电脑，没电了就换下一台。三年的坚持积累下了大量原始数据，为后续的算法模型打下了坚实的基础，有越来越多的水泥厂、煤矿、钢铁厂、化工厂开始使用汉德的进出厂监控系统。
如今，有越来越多的科技人才正“走”向工厂。疫情之后，工厂在生产和招聘方面遭遇很大压力，这也极大推进了工厂对数字化和自动化的需求。当工厂越来越难以留住年轻工人的时候，这些科技人才却把目光投向了工厂，以期用科技改变传统行业。
“很多人不理解，我为什么要义无反顾地深入这个辛苦的行业？”朱礼君说，“首先是我看好这个变革趋势，并且想做点什么；其次是我喜欢看到无数的思考落于实体，看到它们在指令下有序运行，我感觉到对这个世界真正做出了一些改变。”在庞大的工业领域，这样每一处细小的变革，都注定影响着中国工业的前途命运。
我们也坚信互联网变革的力量。经纬在产业互联网领域进行了细致的研究和Mapping，我们将产业互联网分为产地/工厂端和销地/流通端，前者即工业互联网的范围，从产地/工厂端的智能制造、数字化升级、物联网，到工业品、汽配、建材、食品等等领域的销地/流通端，都出现了迭代升级的巨大潜力。
在工业互联网的产地/工厂端，我们已投资布局了树根互联、智布互联、汉德、镁伽、策立、芯控、雪浪云、博依特、心鉴智控等等公司，并且持续加注工业互联网、IoT赛道，为制造业转型升级赋能。基于过去的投资布局，今天这篇研究我们想谈谈对产地/工厂端的投资思考，这也是我们产业互联网系列研究的第二篇。以下，Enjoy：
● 数字化、智能化是未来十年中国制造的最大机会
● 接入工业互联网对工厂来说意味着什么？
● 自动化、标准化是前提
● 接入工业互联网平台需要多少时间和资金？
● 为什么有些工厂不愿意接入工业互联网？接入的动力是什么？
数字化、智能化是未来十年中国制造的最大机会
由于制造业是一个庞大的产业，工业互联网也覆盖面广阔，我们把它划分为三大主要赛道，一是设计仿真，二是生产管理，三是生产执行。而在此之下，每一个门类都有相应的细分方向：
在设计仿真领域，比较明确的机会就是国产替代，目前海外公司市占率非常高。仿真软件是现代工业离不开的核心工具，它能极大地提升效率。例如在研发火箭发动机时，仿真软件令研发者可以模拟真实环境，去看有哪些地方需要修改，不然就只能先制造再试错，对时间和资金造成极大浪费。所以很多前沿领域都离不开仿真软件，随时都有可能变成“卡脖子”领域，自主可控势在必行。
另一方面，很多海外的仿真软件都是通用型软件，覆盖了很多领域，但在一些具体方向上，比如涉及到温度变化、燃烧环境等等，其专业性可能不能满足所有需求，这时候若有一些创业公司从垂直行业出发，打深打透，先在细分领域实现国产替代，再去横向扩展，会是非常不错的时代机遇。
在生产管理和生产执行方面，虽然现在大家都在讨论智能化，但今天我们离完完全全的智能化还有一些距离，还处于自动化转智能化的过程中。因为要先有自动化，才会有数据，才能去优化，有了优化才能智能，所以现在自动化与智能化是一种连带关系。
在生产软件、设备维护、工艺优化、工控安全等等细分赛道，都是在执行层面做自动化，在更底层会有一些横向PaaS的机会，例如用来管理诸多工厂或仓库的软件。总之都是为了工业的各个环节来降本增效。
但整个工业体系非常庞大且复杂，每一个门类都有自己的技术壁垒，所以每一个赛道也都相 对独立，工业互联网可能很难找到一个非常平台型的机会。所以我们是按照各个行业去寻找创业公司，这里面包含了流程工业和离散制造业，都会有不同类型的公司出现。
当然，工业的很多细分赛道都是大几千亿的赛道，比如钢铁、电力、石油等等，例如深扎在钢铁行业的策立，公司从智能燃烧和轧钢集控中心，拓展到钢铁领域其他环节和智能选矿，拥有了不错的壁垒。
这一类型的企业如果能通过新技术帮助传统大行业降本增效，都会是上亿级别。所以那些立足于一个足够大的细分市场、行业knowhow和技术壁垒足够深、商业模式有一定延展性的创业公司，仍然有足够的发展潜力。
接入工业互联网对工厂来说意味着什么？
在中国经济产业升级、人力成本越来越高、国际关系复杂多变的大势下，制造业对降本增效的追求越来越强烈。在政策端，从工业4.0、中国制造2025，到工业互联网，运用这些先进技术的产业/公司均已成为政府鼓励的对象。
目前一家工厂接入工业互联网，核心是通过两个协同来完成的，一是对内协同，包括设备与设备之间、设备与人之间、管理层面的协同等等；二是对外协同，包括供应链协同、对外采购/销售等各个供应商之间的协同。
好消息是这些协同所带来的效益，都可以量化。包括人效提升、设备产量提升、管理水平提升等等，以及所产生的数据，能不能支持形成工业大数据，形成生产和销售的预测分析、采购和供应链的预测分析等等，来提升效率。这些数字的提升都会一目了然。
例如树根互联就是应用在四大领域，包括设备的后市场服务、产线的资产管理、能耗管理和产业链金融服务。
对于设备后市场服务，卖设备是一次性买卖，但后续仍需要大量服务跟进，它的市场规模是设备本身的5-6倍。服务价格有人估算过，大概是卖设备的价格 5-6倍。
举例而言，设备过了保修期之后，需要维修服务，原本当出现故障时需要打电话给当地的维修人员，维修人员去现场看了之后再确认是什么问题，如果要更换配件需要向总部申请，这导致处理时间很长，而生产线停摆对工厂的利润影响很大。
如果接入工业互联网，这些设备就可以接入线上平台，所有数据都实时在平台上展示，可以及时发现故障问题，工况如何，有些操作问题就只需要在平台上修改设备参数就解决了，不需要派人到现场处理，极大地提升了处理效率。
同时还可以基于设备采集数据和历史的维修情况，来进行预测性维护。比如可以预测在1个月之后，某一天轴承可能会断，这样就减少了生产线的被动停摆，提前就把轴承换了，降低工厂的损失。
在能耗管理方面，树根投入了很多技术去采集设备运行时的能耗情况，基于这些设备的产量、能耗情况做实时的数据分析，去调整参数、提升能耗产出比。
在产线资产管理方面，如今很多数字化或智能制造的技术，与现实情况有脱节，例如在一些流程管理中，设计中的这个流程应该干什么，在物理世界中、设备运行中是有脱节的。而产线的资产管理，就是把设备镜像化，把产能、质量、设备的运行参数等等全部线上化，去做整个产线的OEE（设备综合效率）提升，这些数据资源又可以反过来改善工艺，改善研发。
最后根据这些数据积累，比如设备的开工情况、效率等等，实际上是业务的晴雨表，可以提供给金融机构来享受授信的支持，整个市场就也盘活了。
而在短期来说，工业互联网的成功落地也可以提升毛利率。例如一家全球最大纺织机械厂，在接入工业互联网后发生了很大的变化。这家企业生产的纺织机械主要实现两大功能，一是把采摘后一团一团的棉花打开、打碎，二是织布。由于这家企业的设备是面向全球客户的，服务成本一直居高不下，导致毛利率偏低。而造成这种结果的核心原因之一，是不清楚卖出去设备的运营情况，当设备出问题之后，调试成本很高。由于一些商务尾款是根据设备的运行情况来回款，这又导致了客户的回款风险。
而在接入工业互联网平台之后，很容易就发生了两大核心变化。第一是维护成本下降了20%，因为很多问题可以通过远程解决；二是商务回款风险也大大降低，因为可以看到机械的运行情况，就能更清晰地界定棉布质量问题。
在一个面对越南客户的实际案例中，越南客户买了设备后就开始投诉，说棉布机生产出来的棉布质量不好。但当用工业互联网平台数据分析之后，发现在客户投诉事件点之前，棉布机的数据突然异常变化，技术人员分析其实是客户的工人操作不当，因为打电话或是上洗手间导致1个小时无人监测，当棉布产生小疙瘩后人工没有及时处理，导致产品质量不合格。当这些数据反馈给客户后，客户非常认可，这也大大降低了商务回款的风险，毛利率稳步提升。
其次，根据这些设备的运营数据，可以改进设计，提高研发效率。
当工业足够智能化时，也可以为“碳中和”提供助益。比尔·盖茨在《气候经济与人类未来》中提到了一种节电方法，叫“负荷转移”或“需求转移”，即通过调整用电负荷，增强一天中用电的稳定性。
举例来说，在工业层面，能源密集型工业可以在电力最容易获得的时候开展作业，比如污水处理和氢燃料制造。但这背后需要政策上的调整和技术进步，比如电力公司需要全天更新电价，以适应供求关系的变化；以及工厂设备需要足够智能，可依照价格信息及时调整用电时间。这些方式都将为电力“碳中和”贡献力量。
从以上多个案例中我们可以看出，在制造业的转型升级中，工业互联网将起到基础设施般的作用。对应于工业庞大的资产规模，势必会诞生出一批优秀的创业公司。
自动化、标准化是前提
不过如今，企业主尤其是中小企业对工业互联网的投入仍存在瓶颈，理念前沿的一些企业主可能会把年产值的8%-10%投入到工业互联网的升级改造中。在制造业的各个领域，目前3C制造业、汽车工业及零部件、钢铁行业是工业互联网渗透率比较高的行业，但并不是所有人都真金白银地接入了工业互联网。
有一部分企业投入了资金接入工业互联网，但事实上用了一年半载后就没用了，投入的资金也打了水漂。我们认为这与行业本身的标准化程度很有关系，对于数据采集来说，如果原来的线下流程与制度是比较标准化的，那么工业互联网接入的成功率就比较高。
而对于很多标准化程度低的行业，比如服装或是中药，工业互联网的渗透率并不高，因为自动化、标准化是前提。例如在最基础的数据采集环节，非标的情况下采集出来的数据是“脏数据”，需要复杂的数据整理，对工业大数据的流线化制造、工业管理预测起不到多大作用，每个项目的定制化程度太高，实施周期和投入也都比较大。
而在当下的很多工厂，一些基础设施比如IT系统、OT系统都比较老旧，可能连最基本的信息化都还未完成，很难从一无所有跨越到工业互联网，如果强行上工业互联网只能是打水漂，看不到预期的效果。
所以我们认为，当下自动化与智能化会同时进行。而自动化本身也极具投资潜力，在普遍招工难的今天，当自动化方案得到大客户验证后，立刻就是几十台、上百台的全面采购，创业公司也可以迅速起量，因为中国制造业的深度和广度都足够，市场空间也非常广阔。
另一方面，基于各个赛道Knowhow的差异，也导致企业很难采取通用型模式，或是去跨行业发展。对于在生命科学领域创业的镁伽创始人黄瑜清来说，他一直在避免做得过于非标。
生命科学领域的特点就是小批量、多品种，每一个垂直品类的壁垒都很高，适用的客户群体是有限的。比如有一个重要的生物制品客户，对分液机器人的精度要求特别高，因为有200多种不同的样品，每一种对黏稠度、挥发性等物性指标的要求都不同，也对设备的兼容性要求很高，当时很多大型外资厂商都无法满足要求。
要想解决这种高难度问题，需要结合很多化学、生物学的知识，变成很多行业knowhow在解决方案里。镁伽的团队在工厂里连续驻扎了好几个月，通过硬件+软件不同维度的改进，上万次的测试，最终完美解决。
黄瑜清也受到启发，他开始形成公司内部的平台型技术研发团队，把共性的技术货架化，基础功能模块化。每当进入新的应用场景，都可以先在“货架”上去选择相应的通用技术。镁伽大致60%的技术是标准的、通用的，25%是通过调整软件参数、流程来实现配置，15%是专门定制开发。
例如在核酸检测的案例中，镁伽利用机器人解决了核酸检测中最危险的一段，即把样品从咽拭子管提取转移到深孔板里，此后就是裂解过的核酸，不再具有传染性，这极大降低了一线检验人员的感染风险。这样一台机器人（分杯仪）每天可以完成1.2万管样品处理的工作量，在中国10混1的检测标准下，也就是每台机器人每天可以完成12万人份的处理。
图：应用于抗疫一线的镁伽样品前处理系统
这样一款分杯仪产品，从立项、设计图纸、找供应商加工、组装调试，一共只用了25天时间，这里面绝大多数模块都是以前有过成熟落地，已经货架化了，拿来即用。
基于此次核酸检测项目的经验积累和“技术货架”，镁伽随后又推出了超高通量全自动病毒核酸检测系统，实现了“样本进-结果出”的全自动病毒核酸检测，在生命科学实验室自动化领域，突破了受国外垄断的“卡脖子”困境。
图：镁伽超高通量全自动病毒核酸检测系统
壹悟科技也设计了更加灵活的解决方案，朱礼君认为，下一代的柔性智能物流解决方案，是以软件技术为核心，算法驱动，调度多种不同的硬件设备来更灵活、更高效地去实现仓库和工厂的自动化。
并且，需要长期规划的仓库物流，其实是厌恶变化的。很多行业如今更强调柔性生产，出现爆款后一下子出货压力翻倍，工厂和仓库的物流系统都亟需高密度的存储空间和大流量运输。
为此，壹悟设计了一个分级存储的解决方案，除了调度系统外，还包括高低交错的新货架设计，再配合不同类型的物流机器人等等，来同时实现高密度存储和大流量这两个看似矛盾的命题，在峰值吞吐量和无故障运行时间这两个核心指标上达到一流。
图：壹悟科技的仓储物流机器人
接入工业互联网平台需要多少时间和资金？
通过以上案例，工业互联网似乎听起来不错，那么到底需要投入多少呢？
首先需要看所处细分赛道的标准化程度。如果本身成熟度比较高，例如产品标准化程度在60%，那么需要新实施的部分就是40%，实际上在短时间就可以部署成功。
如果工业互联网与企业的契合度和标准化程度都偏低，假设只有30%，那么新的自动化与数字化部署就需要70%，其中投入的成本会比较大，定制改造的时间周期也会比较长，至少需要半年以上。
一个企业的工业互联网部署，需要多少成本？部署成功之后，多久能看到效果？
按照行业调研来看，对于中小企业（成立5年以下，年产值5000万以下）来说，第一考虑的就是资金，多数中小企业最多愿意拿出一年产值的8%-10%作为预算；第二考虑的是功能的应用性。而大多数落地案例中，可能需要大半年至一年可看出明显效果。
如果是中大型企业（成立5年以上，年产值5000万以上），因为本身内部流程就比较复杂，并且通常会有IT部门，可能已经买了ERP、MES系统等等，单独上一个工业互联网项目效果不太明显。中大型企业首先考虑的是工业互联网能否帮他解决全局性的问题，需要的是一整套解决方案。另一方面，新平台还需要与原有系统进行数据打通，这就需要更长的时间磨合，可能2-4年才能看出明显效果。
而从工业互联网创业公司角度，商业模式也就可以很灵活。例如针对标准化程度高的行业，可以做到80%的产品化+20%的落地实施，一般情况下可能是60%的产品化+40%的实施。而在收费上，可以依据会员费或是按实际使用情况收费，to B业务的续费率整体比较高。这个结构就是经典的产品长期化收费+实施部分的固定收费模式，产品化具有易复制扩大规模的优势。
为什么有些工厂不愿意接入工业互联网？
接入的动力是什么？
工业本身是一个相对缓慢的发展过程，追求的是稳定性，不会像消费互联网那么迅猛，往往需要与机械设备度过磨合期，才能体现最佳性能。
从工厂的角度来看，不管采购什么方案，最重要的是怎么能够最快地带来利润。这里的利润体现在两方面，一是如何通过工业大数据的方式，来更好地把用户需求转化成产品需求，提高产品价值；二是怎么去优化整个生产制造的过程，精益管理、降本增效。
而这些变化是可以在财务指标上有所体现，比如存货周转率提升多少，现金流量有哪些新变化，人力成本下降了多少，单位劳动生产率提升了多少等等。当接入工业互联网后，工厂的老总会非常重视这些指标，如果体现不出明显变化，至少是改善的趋势，工厂是很难说服自己这些新理念真的能起作用。
在工业互联网落地的过程中，核心取决于管理层的意愿，大多数是自上而下的过程，但有的时候在执行时会遭遇阻力。
首先第一层阻力来自于工业互联网的落地中，一般会导致停滞一段时间，由于很多企业附加值偏低，工厂不太愿意暂停生产；第二是一旦数字化了之后，整个流程也走向了透明化，很多旧有的灰色操作将不再存在，这是管理层希望看到，但基层意愿偏低的地方。
其实在技术上，无论是对协议的解析兼容，还是硬件开发，现在没有实现不了的地方。大部分智能网关对主流工业协议的解析和传输都可以做，而内存计算平台只要部署到微机上，并且后台服务器能力足够的话，也是完全可以做到对实时数据的处理和响应，核心还在于愿不愿意推广的问题。
在汉德创始人苗少光看来，工厂接入工业互联网、IoT的核心驱动力，来自于业务的重要性。汉德的软件如今已经对接到工厂的财务、业务与进出场系统，甚至很多工厂根据汉德的系统来重塑流程，就取决于业务的重要性。
例如一家水泥厂，以前的进出场系统比较简单，甚至可以随时放货车进入，这造成了很多窜货事件，而窜货直接关系到了核心利润。
窜货是指经销商把定价低的商品卖到了定价高的地方，这损害的是品牌/工厂本身的利润。简单举个例子，比如有一家水泥厂，覆盖了北京和天津的销售区域，一般它在两地的定价不同，此时两地的区域经销商就有动力联合起来，把定价低的商品卖到定价高的区域。
水泥窜货示意图
汉德软硬结合的解决方案，可以系统性地解决这个问题。对于水泥、煤炭、钢铁、原油、化工、玻璃这些大宗品类，对进出场物流的监控是刚需。汉德在每一台货车上安装一款硬件设备，可以实时获得车辆的位置信息，并且根据车桥的形变来获取实时的重量信息，来判断这台车是否在指定区域装卸货。
在这里分辨度和精度是最重要的两大指标，分辨度类似于电视机的分辨率，像汉德可以做到公斤级，是行业内比较少见的；在精度/误差方面，行业一流标准是1.2%以内。
基于这种业务的重要性，很多工厂不会仅把汉德当成一个简单的工具，而是依据软件系统来更改自己的核心流程。
汉德软硬结合的货物流向管控解决方案
至于如何说服客户，最好的办法，还是通过咨询的方式，通过整体的智能化改造方案说服对方，以及让标杆案例，让那些已经尝到甜头的人谈谈经验。
创新是人类社会发展与进步的永恒主题。自熊彼特经济学诞生以来，技术进步被视为推动经济增长的核心力量，生产的发展和经济效益的提高，几乎都来源于科技进步。
近年来，从依靠人口红利转向创新驱动，是中国经济发展的核心话题。2012年，我国16-59岁劳动年龄人口总量到达拐点，此后逐年下降。在人口红利褪去的同时，研发投资占GDP的比重首次突破2%，在这一衡量大国科技投入水平的最重要指标上，缩小了与美日等发达国家的差距。
中国拥有大市场、“大长全”的产业链、大基建和人才红利四大优势，其中大市场意味着强大的需求最为重要。例如德国的工业软件正是基于工业制造的传统优势而取得突破。虽然过去中国的部分产业起步较晚，但只要具备标准化制造、能充分利用中国有知识含量的劳动力的成本优势，中国往往能以大市场需求为基础，利用其余三大优势实现技术和产品升级，最典型的成功案例是智能手机产业链和电动车产业链。
而在这样的大势之中，工业互联网将扮演举足轻重的角色，与自动化的趋势一起，协助中国的制造业真正转型升级，形成在全球市场的核心竞争力。
References：
Credit Suisse：Beyond the Pandemic: Industry 4.0 in a post-COVID-19 environment
中金公司：创新：不灭的火炬——科技与产业链发展研究报告
汤道生：《产业互联网的中国路径》
比尔·盖茨：《气候经济与人类未来》
本文来源：经纬创投
（雷锋网 雷锋网 雷锋网）
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
