昆仑数据线上课No.6 | 大咖对话:新基建时代,如何洞察工业互联网的局与势?
来源: | 作者:pmod6d781 | 发布时间: 2020-03-20 | 1255 次浏览 | 分享到:

导语

基建作为激发经济增长动力的逆周期调控工具,作用不容小觑,同时,也时常伴随着诸多争议。2020年新冠疫情后,新基建再次引发大讨论,全新的数字基础设置建设,将在疫后经济重建中,发挥怎样的作用呢?

下面由信通院两化融合研究所数字化转型与智能制造研究部主任李铮女士、 施耐德电气工业自动化业务部中国区战略和业务发展总监 申红峰先生,和昆仑数据创始人兼CEO陆薇博士,就新基建七大建设版块之一的工业互联网,以及身处变革洪流中的工业企业与工业人,聊聊各自的观点。

话题一:请就当前新基建对工业互联网发展释放的信号,及趋势解读,分享观点。

李铮:

新基建是一个非常热门的话题,也是我国立足当前形势,并着眼于未来的重大战略部署。

它并不是全新的一个理念。早在2018年12月中央经济会议就提出了,包括加快5G商用步伐,以及工业物联网、人工智能等新型基础设施。19年在中央政治局会议,又提出加快推进信息网络等信息基础设施建设。

2020年的2月,中央政治局会议强调的是5G网络和工业互联网的发展, 3月会议再次强调:要加快5G网络、数据中心和新基础设施建设进度,从整个一系列会议重要表述可以看到,新型基础设施范畴包括:5G、工业互联网、人工智能、物联网、数据中心,跟工业互联网、制造业数字转型,密切相关。

首先,新型网络和工业互联网,包含骨干网络、企业专网,以及5G+工业互联网网络,标识解析体系的建设。目的是打破当前普遍存在的数据孤岛、信息孤岛。

其次,数据中心,是数据集中存储、计算和资源管理的载体,要求包括高带宽的高速互联网接入,以及绿色充足电力供应等,这也是新基建的重要方向。

但它对于工业互联网来说,一方面在成本约束下,如何规模化、集约化,做超大型的绿色数据中心;另一方面,随着工业发展边缘计算,会催生的分布式小微型的数据中心建设,这种实时的短周期的数据分析,可以更好的支撑本地业务的执行。

此外,工业互联网平台、物联网终端平台等,它承载了大量的工业数据,可以做数据分析,可以支撑企业构建新模式、新业态。

还包括一些通用的治理资源,比如像工业机理模型库,AI基础算法,专业工具软件,这些在基础设施里,研发技术难度最大,也是目前最缺的一块领域。

以上是新型基础设施跟工业互联网的相关性分享。

话题二:施耐德电气作为全球工业领域的一座标杆,进入中国已经超过40年,对中国工业有深刻洞察,下面请就工业企业视角分享,工业企业数字化转型的动力是什么?目前领军企业和中流砥柱企业是否认知程度不同?新基建背景下,下一步数字化智能化趋势如何判断?

申红锋:

我们分析一下当前中国制造业到底面临什么挑战?

从市场维度来看,中国工业基础门类是非常全的,很多行业都面临产能过剩、同质化程度搞的问题,几年前政府就提出要做供给侧改革。在创新方面,如果跟全世界同行的企业相比,整个资源或者原材料使用的效率,还是有巨大的提升空间。另外,从管理能力和基础管理体系,存在着一些薄弱环节。

中国现在跟全球连接程度越来越紧密,也面临地缘政治的不确定性,比如油价突然暴跌,怎么办?包括对环保、对生态、对绿色的要求越来越高,所以中国制造2025,是为中国制造业转型升级或者换挡提速,提出一个非常明确的方向。

怎样通过数字化的技术手段,工业互联网基础设施,来解决制造业所面临的成本、效率,可持续发展的挑战?

近年来技术发展得非常快,云、大、物、智、移技术,以及VR、AR、网络安全等,技术成本大幅度降低,让通过数字化手段提升效率、降低成本,提高整个运营持续改进,成为了可能。

转型能到底给企业带来什么样的好处?结合施耐德过去几年的经验,我们的自有灯塔工厂通过制造业的转型和实践,数字化的改造,真正切切实实的从成本、效率、利用率、资产利用率、人员被赋能等各维度得到了全方位的提升。

从6个字来形容价值,叫多、快、好、省、灵、安,因为最终所有企业都希望产线速度快,产能多,然后同时能快速应对市场环境变化,快速推出市场所需的产品,同时质量能够持续的改进,成本一定要有优势。当然所有前提是安全。

不同行业内数字化转型的进程也有差异。

在流程工业行业,以石油、石化、电力、能源为主,技术自动化程度比较高,在数字化转型的道路上,做的相对比较好,20%-30%的头部企业,已经做了相应的试点和布局,并切切实实带来了相应的价值,目前到了全面推广复制阶段。特别是随着这一轮新基建开展,会大大的加快这一进程。

而在离散制造行业,很多企业还在观望状态,或者一些企业虽然做了试点,但是因为管理水平,信息化、自动化的程度,存在着偏差,陷入试点陷阱;做了转型,但是发现不那么成功,或者带来的价值没有那么好衡量。还停留在寻找转型的方法和总体的规划。

整体来看,大中型流程行业走得快一点,离散行业稍微慢一点。大中型企业已经进入布局快速复制的阶段,有的企业还处于在观望和评估的阶段。

话题三:工业大数据是工业互联网实现的内核支撑,昆仑数据于2015年开始率先在国内应用工业大数据技术,请陆薇博士分享,这几年来,工业大数据实际落地常见的障碍或困难有哪些?新基建政策,会否全面或部分加速数字化进程?

陆薇:

工业大数据的价值要落地,有4方面的关键要素。

首先,最重要的是要有明确的行业场景,它一定要解决对客户有价值的痛点。

其次,要能够理解场景背后的工业领域知识。比如我们来做管道泄露的诊断,里面会涉及管道压力,水利学、流体力学方面的知识。

第三,一定要有数据,没有数据就是无米之炊。

第四,希望有相应的技术,而且这个技术能够把工业知识、数据知识, IT技术能够串在一起,去解决这个问题。

这四方面要素对于工业大数据价值落地缺一不可。

当前现状是,工业行业需求很多,可以去落地的场景也很多。企业有很强烈意愿去提升竞争力、创新能力和管理水平。

但是最后没法做,或者说没做成,主要的原因有两方面:一方面是工业的数据基础相对来说比较薄弱的,数据要来自于自动化系统,信息化系统,但是现在中国企业的两化融合的进程还比较缓慢。比如我们在青海做新能源互联网平台的时候,要从风电厂、光伏电厂把数据拿回来,就需要拉专线,才有可能把数据传回来。

另一方面是技术问题,要把工业大数据价值真正在企业里落地,需要打通工业技术、IT技术还有数据技术之间的壁垒,这中间有技术的挑战。

所以新基建的推出,对整个行业应该是非常大的利好,因为它肯定可以推动数据的基础设施建设,在数据的采集、传输、存储方面会有很大进步,而且可以把很多成本降下来,让企业更愿意来采用这种新手段。

比如我们服务的企业,做设备的远程运维,要365天在线数据实时回传,是要占带宽的,每年都要付费。基本上只有高价值的设备,才能付得起这个费用。如果说未来随着新基建,成本下降之后,我们希望有越来越多先进设备和系统,能够承担得起成本,对数据进行更高密度更精准的采集,也会促进未来新型业务的发展。

总的来说,新基建会部分的加速工业企业数字化的进程,它能解决一部分问题,其他的一部分问题,我们还要自己再去努力,比如技术、人才的问题等。

对话议题一:很多企业已经面临增长瓶颈,选择做数字化转型,一般会认为,投入周期长、产出见效慢,而工业企业都很务实,对ROI和现金流都很重视,如何平衡这一“不转型等死,要转型作死”的问题?

陆薇:

这确实是一个有挑战的问题,企业担心出现投资周期长、投资大、见效慢,最后做出来没有效果的情况。所以我们自己的理解是数字化的建设,需要跟传统信息化建设区隔开。

信息化建设是把原来没有信息化系统管理的线下业务,用线上方式,做流程再造。通常以年为周期投入,每次投入都很大。但我觉得数字化的转型,是有别于信息化系统建设的,它需要采用一种以业务价值驱动,来应对非常具体的创新点,而不是建设一个大系统来解决面的问题。建设思想会非常不一样,我们跟合作的企业做数字化转型,会采用全场景规划,小场景启动,小步快跑,步步见效的做法。

可以比较快速见到效果,建立信心。同时碰到什么问题,可以早期试错,及时调整,避免带来比较大的损失。

事先把账算清是非常重要的,一定要以业务价值来驱动,估算好项目的投入产出是什么。

举个例子,比如曾经合作过一个煤化工企业,做煤制甲醇的一家工厂,年产60万吨,假设产成品2000多块钱一吨,通过工业大数据技术,每1%的产量提升带给他的效益就是1300多万。

再反过来看系统的投入是多少?是不是值得?

工业企业是非常务实的,偏硬件型的投资,会要求5年内能够收回成本;对于偏软件项目,如果 2~3年能够收回投资,企业会认为比较值得投。按照这个原则,需要事先跟企业先算好账,这个系统上了之后,可以给你解决多大的问题,带来多少效益。算清账之后,自己也很清楚这件事情是不是值得企业来做。

申红锋:

小步快跑的方法之上,全局的规划统筹也是非常重要的。

在转型之前,一定要有一个总体的业务统盘考虑,一定要以效益为导向,也就是说我要往哪转,怎么转,整个公司未来这个战略方向是怎么样的?

第2点才是技术上的话题,更多的以实用为目标,适合自己的才是最好的。

从总体的战略咨询到一步步落地,怎么结合我们自己在生产、运营、管理方面的实践,以及对行业的一些深刻洞察,OT、IT怎么去融合,怎么产生确确实实的价值,需要再三辩证考量。

转型是一个综合性的工程,要把ITOTDT这些技术融合在一起,结合对工艺深刻的理解,结合不同行业去做好全局的规划,然后再分批分步分阶段的去实施。所以选好合作伙伴,然后做好整个转型的战略规划,实施的路径,是非常关键的。

李铮:

谈到务实,需要补充一点,不是出现酷炫的技术,我们就要去用。

比如很多制造企业都在提,我们想用5G去做各种各样的提升。当然,我们是能看到一些场景应用的,比如说高清视频回传、质量检测、设备数据的采集或者实时监控等,能够看到一些单机验证的场景,已经开始,但另外一方面也要看一下技术的供给或者说能力上是不是已经可以支撑你的场景?

比如很多大型企业,给自己建5G专网,做数据采集,目前都是定制化方案,还没有比较通用的能够普及的低成本解决方案。

人工智能也是同样问题,很多人工智能,可以提高质量检测,产品良率的提升等,但是另外一方面,大量的企业,数据资源基础非常不好。

很多企业其实还不具备去应用新技术的基础,所以在数字化转型是一个大家共识的前提条件下建议,如果要做转型,一定要做好投资回报率的分析,一定要知道你的应用场景到底在哪?你的应用场景到底是需要一个什么样的解决方案?这个方案可能特别朴实,不那么酷炫,可能有时候就是一个自动化的改造,或者说甚至是管理流程的规范化,都会对你带来极大的提升。

对话议题二:身处变革洪流中的工业人,如何参与这场“新基建”?新基建会否带来人才技能、组织结构以及劳动就业的变局?

申红锋:

对人才对就业会有两方面影响:

首先,随着新技术的变化,肯定会带来技术性失业,由于AR、VR、人工智能技术,肯定会对原来这种单一技能或者传统的产业劳动就业带来冲击。

但是另外一方面,这些新兴的技术也会带来新业态,会创造大量的新机会。所有工业圈的公司,特别注重数字化人才,由于新的数字化技术出现,新的产业、新的业务模式、新的业态会带来很多新的岗位。

随着技术的进步,机器作为人类工作的一个伙伴,或者工作助手,怎么样做到人和机器之间的高度协同?将来数字化、信息软件、互联网方面的人才,会带来大幅度需求提升。

未来的人才竞争,一定是多元化的,拥有复合技能其实是非常大的挑战,科技的进步最终是让人的工作会更简单,而不是来取代人。

另外,你自身技能方面肯定是带来很大的冲击,一定要让自己与时俱进,不断的去学习,不断的去适应新的技术,新的市场环境,积极的去拥抱变革。

陆薇:

现在工业行业在经历从自动化、信息化走向数字化、互联化、智能化的产业变革,任何一个产业变革,一定会对处在产业中的人提出不一样的要求。

简单重复性的劳动和管理决策,可能都会被机器取代掉。比如说一些产线上的工人可能会被机器人取代;部分巡检工可能会被远程的监控系统取代;车队调度员,可能会自动调度软件取代。

机器也不可能百分百取代人,还是会有一些需要创造力、想象力的工作是需要人来做,所以未来一定是人机配合。但是会对人的技能提出更高的要求,一定要更加有创造力和想象力,并且未来在组织方面肯定会出现新型组织形态。

我们在跟企业合作的过程中,其实帮他们在建自己的DT团队,帮助原来的工业专家转型变成数据的产品经理。比如,原来他可能是学电机,或者精密仪器的工业背景的人,他自己非常了解工业的需求,也有很多的领域知识,同时又对新兴的数据技术比较感兴趣,就可以起到一个很好的桥梁作用,用数据支持,做一些创新的工业数字化应用。

这是未来非常有前途的职业,在这样一个洪流之下,一定要拥抱产业的变革,努力提高自己的市盈率,在这中间有非常多的新机会,而且都是高价值机会。

李铮:

什么是复合型人才?其实大家可以上一下招聘网站。可以看到很多这种高端职位需求,几个关键词,你是不是懂得工业控制,工业自动化外加有计算机背景,可能会写个优先,再懂一些数据挖掘、人工智能算法的话,就是一个非常高端的人才。

同时在培养过程中,整个教育体系也在进行变革,高校新工科的建设,像人工智能、工业软件、智能制造、工业互联网等,其实就是在逐步培养人才。

当然人才缺口也很大,很多企业想招高端复合型的人才还是非常难。未来,要么是被这种各类的数字技术替代,要么直接成为能够创造和使用数字创新技术的人才。非常希望在未来,大家能从技术创新、产品开发、应用实施方面找到自己的位置。

对话议题三:近期工业数据分级标准出台,对工业互联网的发展有哪些促进作用?未来终局工业互联网生态有哪些需要解决的问题,以及可期待的机遇?

李铮:

去年出了工业大数据指导意见讨论稿,这次是工业数据分类分级指南性文件,其实这两个文件都是首次聚焦到工业数据。这是对工业数据在整个工业制造业转型升级过程中核心地位的一个共识。

未来,数据肯定是核心,围绕数据从采集到传输到分析利用整个链条,包括技术创新,以及未来的产业发展,都是围绕这条链条产生的。包括这次新基建,有些解决的是数据采集传输的问题,有些是解决算力计算的问题,有些针对人工智能数据分析,包括区块链是去解决可信交换的问题。

未来应用的生态会围绕两条主线去展开,大型的企业可以提升全面的智能化水平;中小企业,提升整个信息化的水平。另外围绕这两条主线,大企业可以把它的创新能力,实践经验向中小企业输出,中小企业也可以融入到整个生态中,获取一些资源的创新。理想情况下,在整体产业生态中,能够实现创新资源、制造资源的高效配置的状态。

当然,这也是我们对未来的设想,中间还有很多困难,技术的问题,整个商业发展模式的问题,人才的问题等,都是需要解决。

陆薇:

我想跳出来分级分类,谈一下数据标准的重要性。

现在互联网工业智能化应用,都需要跨越企业的边界。比如,大型的装备制造企业,在设计装备的时候,需要跟零部件供应商、设计院、认证机构协同;还需要外部的数据资源,比如新能源风力发电机的设计,需要风资源、地理信息等外部数据。

非常多跨越企业边界数据交换是需要标准的,如果说没有标准,大型企业可能制定自己的企业标准,然后要求供应商一定按这个标准,站在小型企业的角度,要适配很多大型企业,整个产业的成本会变得非常高。

所以传输协议的标准,数据的格式标准、标识体系,包括一些安全性保护等分级分类,整个标准体系的建立是非常有必要。

申红锋:

行业生态的链条比较长。疫情来了之后,考验的是各家企业的供应链,跟上下游供应商之间,内部销售业务和产品工厂产能之间的一个高度协调和精准匹配,每个环节都影响整个业务。

未来企业比拼,不是产品到底有多牛,技术有多牛,而是大家在一起合作的生态环境之间的比拼和竞争。

施耐德在自动化领域深耕多年,原来我们的核心业务就是产品,现在生态合作伙伴已经融入到整个公司的基因中了。

去年在上海工博会施耐德首次在自动化领域,提出绿色智能制造生态圈,包括昆仑数据、信通院,我们都有非常好的一些合作。我们把政府、研究院校,以及不同细分领域合作伙伴,从技术上、应用上跟施耐德有高度互补的公司,形成合作生态。真正站在业务用户的角度,分析他们的痛点,然后将这些先进技术怎么样联合起来,给我们共同的客户提供高价值的解决方案。

场外提问:不同行业面临核心挑战不同(有的行业是产能过剩,有的行业是因为关键技术缺失,有的是效率提升),在数字化转型路径或工业互联网核心支撑上,有什么不同吗?

申红锋:

对于重资产密集型的行业,首先考虑提高资产的高可靠性和高可用性,同时,这些行业存在人员老化的问题,怎样把专家知识通过现代化手段固化,通过算法模型把工艺优化,怎样做好提质、增效、降本等,从全生命周期提升资产价值,需要把各种价值链里的数据信息流、物流打通。

对于传统的劳动密集型或者偏离散加工制造的行业,市场变化非常快,而且还面临大规模、个性化定制。如何去解决基础的信息化、自动化以及精益管理、运营优化的问题,怎么样让工厂先变得更加透明,然后通过咨询或者试点,去做更具挑战的创新。

不同的行业,它的基础都不一样,最终都是先要做一些评估分析,然后做诊断,才能给出切切实实的方案,先来体检才能开药方。

李铮:

一定要先诊断评估,然后再进行实施,面临的问题不同,整个过程中你需要的解决方案,需要找什么样的合作伙伴,需要怎么样去规划都不同。

每个问题在具体的行业,面临不同的应用场景,解决一个问题,要解决到什么程度,预算是多少等,需要综合考虑,然后做出决策。

陆薇:

数字化转型还是要从业务价值要出发。

企业都需要提质、增效、降耗、控险…但不同类型的企业,优先级肯定不一样,比如化工厂,它可能有泄漏,有爆炸的危险。对他来说安全就是一个很重要,高优先级的事情。

如果是一个很成熟的电子企业,它的良率已经到了99%,你再跟他说良率提升,对他来说这不是很高优先级的事情。我们需要进到行业,进到企业里面,具体情况具体分析,然后找到是对这家企业,适合现状和需求的比较好的切入点。