30 万亿的工业市场，如何用智能化撬动？

图 1 工业智能化技术概览

2.工业智能化的形态和商业模式发展：强解决方案大乙方&强运营新甲方

用技术手段实现工业智能化，其呈现的形态和商业模式又是什么呢。本文试图从一个技术、产业观察者，产业投资者的角度来阐述和分析工业智能化的一些方向和可能。概括如下图，工业智能的表现形式可能为硬件、软件、业务系统、算法、平台、解决方案等，从商业模式看，可能强解决方案，终极路径成为一个大乙方；也可能通过强运营模式再造新甲方或成为新型甲方。

图 2 AI赋能的机会：解决方案or重度运营

然而平台林立，创业公司的机会在哪里？细分行业繁多，哪些领域有大的机会？是做解决方案的机会还是运营的机会？本文试图通过平台的分析、技术配置和行业选择的梳理、工厂解构、产业链拆分和数据的链条来寻找投资和创业的机会。并总结如下：

图 3工业智能化的未来方向和发展可能

二、工业智能化创业与投资机会详解

1.平台型企业并不垄断，互相赋能正当其时

近年，市场涌现了众多的工业互联网平台级企业，但工业行业本身细分非常多，且各自的行业属性和特点差异很大，不可能出现一个放之四海而皆准的模型和技术。这里面技术应用的逻辑和商业闭环的形成可能需要不同技术背景、产业背景的人或公司来参与和验证。

以国内比较早的工业互联网平台为例，基于母公司或原企业的禀赋特征，大型工业企业工互平台多少都承载了原有企业的烙印。

比如根云互联以设备物联为基础，建立设备全生命周期的管控，搭建工业云平台；围绕三一重工销售全世界各地产品，利于IOT、大数据、人工智能技术进行商业模式的创新，并延展至其他设备和产业。

而海尔CosmoPlat则是以用户为中心的柔性生产平台，区别德国工业4.0工厂智能化升级改造，Cosmo除关注厂内的作业效率外，更注重于商业效率的提升。通过Cosmo实现了部分品类的零库存、可控成本大规模定制等。并尝试将家电领域实现的体系化的大规模定制能力赋能给陶瓷、纺织服装等产业。

新晋上市的工业富联依托富士康现有大量客户资源、长期深入稳定的战略合作关系，规模效应下的产业及供应链优势，期望进行上下游延伸，打造工业互联网平台。从上市后的业务进展来看，在刀具预测、制程优化等等方面纷纷开始发力。

相较于国内新兴的工业互联网平台，GE Predix及西门子MindSpere是国际上较早的将工业互联网、大数据等理念应用于工业的平台。且历史发展进程来看，他们也在不断用各种收购兼并的方式丰富自己的产品、解决方案及行业线。

除历史悠久的西门子和GE这样的大型企业和新兴工业互联网平台之外，传统的软件厂商和系统集成商也在谋求工业互联网方向的转型和布局，如用友、汉得信息、东方国信、宝信等等。

另一类的代表是阿里云、华为这样在国内具有较强的2B能力的互联网或科技企业，阿里云ET工业大脑在流程行业的方案，如钢铁、石化、能源做的比较多；淘工厂平台主要为淘宝商家提供制造和供应链能力。但这些公司都希望提供的是更通用、底层、标准化的能力，在其生态，也需要更多掌握细分行业knowhow和算法的方案商的合作。

所谓平台，大家都是想要搭建一个更开放和广阔的生态，赋能给更多的工业企业，但中国的工业互联网或者工业智能化才刚刚开始，大型平台企业也只是冰山一角，且不同行业的knowhow的差异较大，留给创业者的机会还很广阔。

2.垂直重度打造细分行业工业智能系统大有可为

工业本身是一个非常泛的概念，不同行业之间差异较大，单论流程工业与离散工业的生产自动化程度、数据可得性和工业复杂度都不尽相同，存在的机会也有所不同，而最大的共性在于，每一个场景都需求各异，进入任何一细分领域都需要足够深厚的行业knowhow和上下游资源整合能力。不同行业的智能化诉求可能也不尽相同。这种特质的好处在于在产业服务的层面，无法形成传统大企业垄断的局面，而各个细分都有平台级的机会。从离散到混合到流程，从产品到服务，从生产到管理，存在不同的智能化变革的机会。

可供选择和配置的技术手段有很多，且成熟度和领先性各有不同，什么才是有价值的机会点，如何进行选择，本文试图做出一些逻辑上的梳理。

如果将上文提及的技术、与行业以及行业相应的功能和环节进行结合，就可能产生相应的商业模式和创业机会。

图 4 从离散到连续，技术及行业配置的机会

以下举例来说，不同行业都存在智能化变革的可能，这里面可能是卖解决方案的机会，也可能是运营型的机会。

从单个行业产业链来看，我们从什么地方下手和切入，结合大的大乙方和新甲方的方向，笔者通过系统的调研和投资践履，梳理了在工业产业链上和工厂内部技术变革带来的作业效率和商业效率变革机会。并简要概括如下：

图 5 工业智能化的世界观

3.单点切入，资产/设备、流程优化打造新型智能系统

3.1 资产/设备的智能化机会

工业机器人及智能装备

从设备、资产角度，不同信息化和自动化程度的工厂都有资产升级更新迭代的需求，近年涌现了一批成长很快的新型集成商、本体研发商。同时在产品体系上，也出现并联、协作等新型的需求和团队，人机互融、仿生、自适应等新兴技术层出不穷，我们认为机器人本身是一个很大的系统性投资机会，从产业链到不同细分，在这里就不做更多展开。

另一个方向是装备的智能化，部分行业和工厂的自动化程度已经比较高了，但设备和资产本身在技术突破层面有很大的空间，装备本身借助工业视觉、大数据、计算机仿真等技术进一步自适应、自校准、自主化。同时装备往制程的延展和产线的结合，可以进一步影响产品的良率。

设备故障预测和健康管理(PHM)

传统设备原厂商都没有太关注设备、产品销售后带来的后服务问题，典型的三大发动机厂商GE、罗罗、普惠在PHM层面做得不错，但大量机械设备厂商不具备自带PHM的服务能力。从数据采集、数据分析层面，设备的故障诊断和预测结合了算法能力、工程经验和复杂机理模型的理解，对传统的设备厂商带来比较大的技术挑战。

从技术路径上，在端上做特征提取，在云端训练模型是验证的路径，但具备这样的能力的团队在市场上较为稀缺。以美国的Uptake为例，依托卡特彼勒的内燃机产品的PHM，几年内迅速成为数十亿美元的独角兽。另一个代表是全球最大的风机厂商Vestas，他们从制造开始，对风机进行了改造，传感器遍布所有部件，从2016年起，服务收入超过设备销售收入，成功转型成为一家风机服务的提供商。

从市场规模看，我国有一千座钢铁高炉，47万个燃煤锅炉、200万台数控机床、30万的大中型空气压缩机、5万台的内燃机，而且还有海量的泵等机械设备，且绝大部分设备、产品、装备都没有考虑过健康管理问题。

但也有三个方面的因素限制了这个方向的发展，一是AI技术与工业Knowhow不能有效结合，大多数团队也缺乏相关的工程化经验；二是算力成本过高，让资产端无法获得高性价比的预测性解决方案；三故障数据和标注的缺失，无法进行经典意义的深度学习路径去做预测。

今年汉诺威工业展上预测性维护是一个非常热的话题，科技大厂、传统工业软件厂商、设备商、众多细分的创业公司在这涉足这一领域，在欧洲市场来看，这也是比较落地的工业AI和工业互联网应用场景，基于人力成本高昂等原因，预测性维护在商业逻辑也比较说得通，比如每次上门的巡检和运维单人需要300欧元，但预测性维护的方式完全可减少或避免这一支出。设备厂商也在积极拥抱这一技术，尝试进行商业模式的转型，比如Durr集团与Software AG的合作，帮助其从设备销售往服务转型。

与IOT结合的商业模式变革

从设备使用角度，通过共享/租赁的模式，甲方可以选择使用而不是持有，同时结合长期数据提取和分析，可以将保险、金融等商业模式嫁接进来。例如美国工程机械租赁平台Yard Club为卡特彼勒收购，国内的树根互联、徐工信息、中科云谷也在设备金融保险方面有实践。

从资金端的需求看，国内一些金融机构也在寻找机器人等智能设备的融资租赁机会，基于精准的物联网检测和数据服务租赁模式可能会为智能设备领域带来新的产业增长机会。

结合PHM和IOT相关的商业模式变革，我们总结了以下的技术变革和创新机会点。

图 6 资产使用优化图解

3.2 算法和数据驱动的流程优化打造新型调度决策系统

跳出单个设备，大型的甲方也在寻找不同的制程优化解决方案，但不同的行业差异性较大，且同行业也会涉及大量复杂的制程，可能有物理、化学、生物的变化。结合数据的分析，对原料、设备、工艺进行优化以期达到提质、增效、节能等效果。

我们系统梳理了从离散制造到连续制造的各个行业，从行业空间、信息化程度、能力边际提升空间、产能提升等层面进行了一些比较。总结了可能存在巨大市场机会和技术赋能机会的数个制程。

BV也布局了3C领域、环保、钢铁等领域涉及制程优化的公司，比如在手机加工领域，在成型、冲压、合金、涂装、表面处理领域涉及数十个制程，每个制程都有通过数据、算法进行优化的空间。终极形态是打造一套AI闭环控制的新型调度决策系统和智能工厂操作系统。

过去的专家系统更多是一个机理模型，但数据的决策最终要和工艺和机理模型结合起来，这也是在工业领域无法产生一个放之四海皆准的通用型平台的原因。

部分投资者对于制程的非标性存在质疑，这种非通用的需求和场景一定程度限制了复制的速度和规模效应。重述一下我们在工业智能化领域寻求两类投资机会，解决方案商和运营商，在信息化和自动化时代，很多行业比如3C、钢铁、石化等等领域，都产生了多家上市公司，从市场规模的体量上看，在智能化时代，很多行业都可以支撑多家大的解决方案商或运营商诞生，对于我们的核心重点是要找到好的行业、结合新兴技术和工业场景理解的团队和真正能有效变革和提升行业效率模型的方案。

另外，除了行业各异的制程外，与物联网、数据、人工智能等技术结合通用型需求，在这里还想讲三点，设计、安全、检测和能效。

设计+AI

工业仿真天然与机器学习相关，为获得最优的设计、装配、运维等实践，需要新型的智能化工业仿真软件。CAD、CAE本身是一个很大的生态，可以类比安卓和IOS，主流的参与者西门子、达索等都在积极布局和收购在不同领域，如流体力学、散热学、振动力学等等方面的优化算法和求解器，软件、插件产品可广泛用于汽车、航空航天、机械装备、3C等行业。不过目前在中国市场还未出现做设计做的很大的软件公司，大的想象空间可能在于结合大规模定制、柔性供应链等模式，获取需求数据、结合领先软件仿真和AI技术、无缝衔接，快速生产适销产品，直接切入到运营领域，再造某一新品类，重整供应链。

安全要素的必要性和价值

在往工业智能化时代行进的过程中，必然有大量的机器、设备、station都通过DCS、Scada等系统来调度，除传统工业软件外，还有很多新兴的业务调度和决策系统出现。在人的介入越来越少的情况，安全的把控更为不可或缺。

在工业安全领域，过往在国内大多是一些垄断性企业基于合规性或等保的需求进行采购，但近年，逐步从政策性驱动往市场化驱动发展，拥有多元工控协议解析能力、强产品能力团队将有机会快速脱颖而出，并不断迭代自身产品线，储备下一代的与数据AI结合安全防护需求。

美国工业网络安全公司Claroty获得了Rockwell Automation、西门子风投Next 47、施耐特等工业巨头的投资，在工控协议的解析和自动化、信息化的融合方面获得了投资的支持，同时也获得了淡马锡等财务投资者青睐。

能效与AI的结合点

能源是众多工业企业主要成本之一，诸如钢铁、石油、水泥、环保等流程行业，能耗占据了企业大部分的成本。传统的LMS扮演了一定的能效管理职能但在优化方面做得有限，一些科研机构掌握众多的机理模型和控制逻辑有一定的节能效果，新的机会是在于这些机理模型与AI的进一步结合。

另一方面，随着电力市场的逐步改革和市场化，工商业用电的放开，多元化的参与者进入到这一市场。我们也期待技术、数据能够产生一定的鲶鱼效应，帮助企业降本增效。

工业检测的通行需求和非标特性

通过计算机视觉技术去提升检测环节的效率不是一个新的话题，在3C面板、盖板、锂电池、晶元、医药等领域都有些公司在做。但也存在许多挑战，诸如非标问题，机器视觉系统开发成本高，周期长；算法和软件存在易用性差，使用门槛高等问题；且还存在高精度、高动态、高反等技术上的难点和挑战。但如果能做出较为通用的平台公司，且能够解决低成本规模化行业复制的问题，必然能产生大的机会。

4. 智能工厂操作系统，从点线运营效率到系统效率提升

如果设备是点，制程是线，上升到面的层面我们再来看看智能化的变革机会。将制程的分段优化进行串联，并辅以工业软件及先进的传感其技术、自动化技术、机器人技术，实现全局语义化的调度和决策是理想的智能操作系统状态。从工厂运营层面，我们关注作业效率的提升，我们从资产/设备——制程——智能操作系统（Factory Operating System），三个层面看工厂智能化的投资机会；并以数据库、边缘计算、PAAS、新的感知作为承载智能化改造的基础。

图 7 智能工厂操作系统结构

4.1 串联制造执行，获取业务数据，MES的价值

美国先进制造研究机构AMR将MES定义为“位于上层的计划管理系统与底层的工业控制之间的面向车间层的管理信息系统，整体来看，MES在我国的渗透率还是比较低的。

MES产品具有比较强的行业属性和定制属性，领先的产品和技术掌握在大部分外资企业的手里，比如Rockwell、西门子、GE，同时通过兼并收购丰富其行业覆盖；半导体软件领域的领先技术都掌握诸如Applied Materials等国外企业。从国内部分企业的过往发展来看，或是依托集中度高的行业各样发展起来，比如宝信和石化盈科，或是限于产品特性未能做大。同时，真正拥有强产品的能力和团队在国内较为稀缺。但我们认为，MES作为工厂智能操作系统的基础在未来不可或缺。

这里面有两层的投资逻辑，第一是能否成为一家大型的解决方案商，MES公司存在三个方面的价值，一是客户壁垒，细分行业客户黏性高，积累难度高；中大型客户、外企看中服务质量和稳定性，一般与服务企业建立长期稳定合作关系；二是行业理解：离用户近、理解业务逻辑，可能做一定的定制开发；三是场景数据优势：基于数据积累应用数据科学进行效率模型变革；第二个投资逻辑是否有强产品、云化的可能，诸如Rockwell、GFOS、ITAC Software等领先MES厂商兼认为云端是未来的发展方向，都在谈物联网平台，将数据放到云端，从制造执行往工作协同、安全等方向发展。在国内工业互联网的大背景下，这个趋势也在渐进式的发展。

MES是串联工厂作业和制程的系统，但有定制化程度高、实施周期长等发展瓶颈。但整体来看，MES在我国的渗透率还是比较低的，但作为智能操作系统的基础，MES将管理层面和生产层面（工业控制）进行连接，使得全局的数据分析、调度、决策成为可能，同时在能耗分析和优化、以及排产排程、柔性制造层面，可以通过AI的结合提升效率。

MES通常囊括了工厂内人、机、料、法、环各个环节，且与行业knowhow、业务流程强相关，举例说来，有了MES才能有效量化单品能耗和单人产出。

广义来讲，APS是MES的一部分，它扮演了排期优化执行生产的角色，排产排程本身是一个运筹学的最优化问题，结合多条件的约束，需求最优的排产排程计划，人工智能可以提升效率。例如油田的开采周期持续8-10年，如何获得最优的产量本身是一个多阶段求最优解的过程。另外高级排产排程的算法可以使得生产获得更强的柔性，在某些领域可能数倍提升生产效率。

4.2 精准和柔性，从制程优化到全局智能FOS（工厂操作系统），未来工厂的畅想

现阶段的智能化可能大多数还不能做到全厂全域的情况，大多是点、线的技术，但在方向和路径上，一些大型企业和创业者也在试图去延伸自己的能力边界，从单一制程往全制程发展。试想一下，在工厂运营环境下，对物理世界的信息进行全局语义化的解析，机器与机器，人与机器能够进行高效的交互，同时智能化的操作系统完成众多的控制、调度、决策，包括AR、视觉技术对于人或数字员工的引导，仓储物流柔性化的作业调度，新型业务软件系统执行的决策调度，用户意图的获取3D重建和模拟……同时这种控制、调度、决策能够保证最优的实践。工业企业的效能提升必将进入一片新的天地。

5. 工业智能化带来的产业效率提升和商业模式变革

以上的梳理集中于工厂运营层面，如果上升到工厂作为一个企业，作为一个盈利主体这一层面，它要结合上下游全面考虑研、产、供、销。

图 8 工厂运营之外的效率变革机会

5.1 以工厂为核心，企业作为主体，技术赋能上下游的产业效率提升

工业智能化不仅涉及工厂内全局语义化的智能操作系统，同时上下游的协同，生产、资金和销售服务层面都有巨大的效率提升空间。

在生产采购层面，通过设备、数据的连接，IOT的赋能，线上线下的打通，云工厂可以带来产业链效率的提升，在产量、价格、投入等层面都质的突破。

借助各种优化算法，工业企业在采购、库存、物流等层面都存在降本、增效的机会，早在本世纪初，惠普公司应用库存优化及数学规划模型来重构其供应链模型，两年时间节省1.3亿美元。

借助产业链里的数据获得更精准的风险模型，也能帮助企业提升资金层面的效率。

在销售服务层面，海尔、酷特智能都是典型C2M的代表，海尔通过反向定制，实现了部分产品的零库存，带来巨大的财务收益，当然这一结果也是工业软件、数据积累、智能化的效能。

总体来讲，数据算法和智能软硬件可以作为配置器，进行产能撮合、供需匹配、资金匹配和赋能供应链协同。

5.2 连接研产供销，企业级的流程再造和商业价值重塑

从制造型企业的职能来看，价值的闭环通过研产供销来实现，创业或投资的逻辑也可循着企业自身价值实现的逻辑来探索新的机会。过往一些做精益咨询的公司一定程度扮演了局部或全局优化的智能，AI时代，借助技术的赋能，在企业的价值实现角度，可能带来新部门、新的供应链组织形式甚至新品类（公司）的投资机会。

图 9 企业级AI：连接研产供销

6. 工业智能中数据产业链的投资价值

在作业效率和商业效率，资产到制程到FOS的框架之外，我们再来讨论一个贯穿始终的主题，就是数据。过去的工业领域投资，重点着力产品设备、自动化的产品和解决方案等等，整体偏硬，总体是对于人的手脚，体力劳动的替代。AI能做的事，当然不仅限于动作的执行，在数据决策层面，AI能够赋能工业企业的一些内部部门，或者替代一些大型专业服务公司，帮助其更好地完成运营和商业的决策。

从数据的产业链来看，我们划分了三个层级来看：

图 10 工业数据产业链投资机会

在设备物联角度，面对多种协议并存的异构设备，如何把他们连接、数据汇集、融合起来，实现在边缘或云端计算，是一个基础的命题。从数据源和数据采集层面，我们也在关注新的数据轴，新的感知和采集手段，比如领先和跨代际的传感器，BV也在此领域系统布局多家国内外领先的前沿传感器公司。或者能够快速帮助企业完成工业3.0的软件产品等，如果一个企业无法量化一些指标，诸如能耗、成本或工时，则谈不上更多数据决策问题。

在存储、处理和分析角度，我们关注新型的数据技术、中间件和算力需求，数据融合、集成也是智能化的一个通用需求；同时，工业机理、工业流程、模型方法经验和知识积累不足，也成为工业领域算法层面的瓶颈。

在应用层，数据可以帮助人完成在供应链、设计、生产制造、检测、后服务全局的决策，因此产生了各种技术解决方案和商业模式，上文提及的作业效率和商业效率反映了数据的能力边际足以为工业带来巨大的效能和变革。

三、共创工业智能未来：技术孵化、产业连接和资本助力

国内不同行业、不同地区的企业，所处阶段不尽相同，有的处于2.0需要补课，有的处于3.0待普及，有个别企业处于4.0需示范，多元化的发展阶段，差异化的改造需求，碎片化的市场订单，造就中国工业智能化改造最复杂的市场。

在投资孵化，深入产业的过程中，我们也看到了对于技术创新者诸多的挑战，例如数据完整性、解决方案不能闭环、商业模式不够有吸引力、没有很好的环境数据和模拟环境、运营边界比较窄、还有诸多传统to大B面临的困扰和问题。前路不可谓不光明，但道路不可谓不曲折。

BV的逻辑是循着大的行业效率变革的方向，布局以前沿技术作为手段，做解决方案或运营类公司，同时借助智能产业实验室、高校科研院所研究资源整合，技术方案连接等手段助力中国乃至全球的工业转型升级。

我们也期待与更多的技术先驱、学者大牛、创业者、产业领导者、投资者进行更深度的交流和合作。