此新冠肺炎疫情发生以来，国家在应急治疗、疫情防控和生产复工方面都经历了全方位的考验。对于制造业来说，现在很多企业也进入到生死时速的时刻。虽然大部分地区规定的是2月10日复工复产，但是企业真正意义上的复工复产仍然面临很多困难。但是，也有企业在人工智能的加持下，在逆境中抓住机遇按下发展“加速键”。

作为“新基建”的一部分，工业互联网行业近日迎来诸多利好，随着疫情的日渐好转，如何在后疫情时代，利用人工智能等前沿科技抗疫和复工？工业智能未来会朝什么方向发展？工业智能是否会迎来发展机遇期？围绕后疫情时代工业智能的挑战与机遇，腾讯研究院、腾讯优图与腾讯云联合主办了线上策略会，学者以及行业大咖齐聚线上进行了深度分享。

以下是腾讯研究院精选的10个嘉宾研讨问题。

【研讨嘉宾】

王晨 清华大学大数据系统软件国家工程实验室总工程师、清华四川能源互联网研究院大数据研究中心主任、工业互联网产业联盟副秘书长

明略科学院主任，信息检索实验室负责人，PSG算法中心负责人  于政博士

腾讯优图实验室工业AI项目负责人 黄亮

王贇  格创东智 OT业务总监&智能装备事业部总经理

【主持人】 腾讯研究院 徐思彦

亮点速读

王贇：春节后的复工挑战主要集中在人员、生产和设备稳定、材料问题、现金流问题和环境支持五个方面；未来在5G、大数据、云技术的支持下，需要打破数据壁垒才能在更多场景形成更智能化方案和应用。

史喆：疫情带来的机遇就是倒逼工业智能发展，主要体现在技术代替人力繁复的工作、数据协同优化、信息化和数字化建设、平台化建设四方面。

王晨：人工智能关键是通过智能化的方法和模型推导出知识，怎样能成为知识而不仅仅是模型输出呢？在工业上有三个要求：可解释性、确定性、因果性；这次疫情对我们的挑战主要是三个方面：协同工作、供应链、智能化。

黄亮：腾讯优图的工业智能的整体解决方案有三个推进方向：第一是人工与自动化的结合，二是通用性和定制化相结合，第三是公有化和私有化相结合。

于政：基于知识图谱的解决方案，可以通过与计算机视觉、信号处理等感知计算以及相关的决策分析系统打通，形成完整的智能服务平台。

疫情下的工业智能

主持人：此次新冠肺炎疫情发生以来，国家在应急治疗、疫情防控和生产复工方面都经历了全方位的考验，线下服务受到了冲击是肉眼可见的。比较幸运的是，服务业的回应相对是比较迅速的，我们可以看到从春节假期到现在，已经有了无接触业态、分享用工等各种各样的应急模式应运而生。对于制造业来说，许多企业也进入到生死时速的时刻。虽然大部分地区规定的是2月10日复工复产，但是企业真正意义上的复工复产仍然面临很多困难。比如说工人极度短缺问题，供应链残缺不全的问题。为了应对新冠肺炎疫情，许多企业已经开始改变它的生产运营模式，化危为机。在这个情况之下，工业界面临的主要压力到底来自于哪个方面？企业如何进行产能调整，进行产业升级？

1、疫情之后，工业领域遇到哪些挑战？

王贇：疫情黑天鹅事件非常突然，以至于让很多企业在春节前的准备都是非常不足的，春节后的复工，短期内对于复工造成的影响还是非常非常大的。

第一部分是人员方面。首先是安全门禁，厂区上下班打卡对员工进行体温测量，这本是安全措施，但也反而会造成拥堵，并且目前很多企业还是用的非常传统的手工报表，效率很低。二是工厂工人聚集问题，企业提出了分时上班、分批吃饭等方式，但是希望有一些更灵活的方式，比如能不能提前知道会议室目前的使用状况，食堂的人流情况，希望通过一些更智能化的手段解决问题。三是外来人员管控，尤其是设备运维、外部厂商客户拜访等等，如何在保证安全期的前提下进行正常业务的开展。四是遇到突发情况，比如在厂区内一旦有疑似人员或确诊人员，如何迅速锁定他行走的路径和接触的范围，这是各个企业目前非常头疼的问题。

第二部分是生产和设备稳定方面。首先，人员大量被隔离造成工业企业在正常复工时候一定会遇到人员紧缺问题，尤其在自动化程度不是很高的企业，用工荒的问题将更加显著，员工少和生产需求大产生较大矛盾。其次，半导体、液晶面板等重资产、高价值的制造行业，由于其特殊性，一旦停产损失巨大，所以是全年无休的状态，这种情况下，外部疫情的变化以及人员的管制，对于员工的身心都是一种压力和负担。比如说现在很多产品品质检测会使用到大量的人力，这些检测的结果会受到人员的经验、身体状况、疲劳、心情等等因素的影响。现在这样外部的疫情严重程度，每天疫情数字的变化，是不是对他最终对品质检测的输出会有影响呢？如何在情绪变化和高压下保证员工的作业以及判断的稳定性很重要。再者，尽管国内现在已经管控的不错了，但日韩、欧洲的一些伙伴现在状况还不乐观，然而，有一些高科技行业的外部专家都在国外，一定会影响国外专家到现场进行问题的诊断和解决。一旦现在输入性的管控造成专家没有办法到达，我们当前遇到的设备问题怎么解决。这就倒逼我们思考，怎么样能够更好联动外部专家和现场，让专家远程就能深入到现场对于问题进行分析和诊断。

第三部分是材料问题，道路车辆的管控造成我们生产产品及原材料物流的受控，一些上下料供应链厂商复工的困难，也造成了材料的短缺。在供应链的解决方案里面，能不能有更快更佳的替代方案，能够迅速解决现在的痛点。

第四部分是现金流问题，重资产低利润的制造企业面临现金流不足的情况，我们的财务体系，跟银行体系之间能不能在银行放贷方面有更快的更智能化的解决方案。

由于工业企业复工是要具备一定的条件，最后一部分问题是关于环境支持。比如说防护用品、口罩、酒精、消杀用品，怎么统计使用量，怎么样能够及时补量分配，现在基本上都是人工的低效率操作，是不是可以通过数据平台和支持系统做到更智能化的解决方案。针对环境消杀的规范和管理，到底怎么样去分配消杀人员的路径，怎么样分配时间以及工作效率，怎么样能够让员工知道这个地区是消杀过的，它的频率是多少，以及所处环境相关的参数。不光是消杀，有很多企业对于环境的要求是非常严格的，比如说制药、面板半导体等厂商，对于生产环境中的温度湿度，包括空气中有机成份的含量和静电量等等，可以从消杀引渡到对于生产参数的管控，也是可以提出一些解决方案的。

2、现有的人工智能解决方案在工业抗疫复工过程中是否起到了作用？

黄亮：第一个方面在于AI可以替代人力。腾讯优图联合腾讯云为一家国内大型面板生产企业打造的工业AI项目，主要内容是为液晶面板做缺电检测，利用视觉AI的算法做缺陷检测产品，从而替代人工缺陷质检。我们上线的模型可以保证，在跟人准确率相当的情况下，能够替代七成以上的质检工人。从近期我们获得的现场数据来看，搭建这套缺陷检测系统，客户的质检工人已经减少了100多人，可见这一块的人力成本得到显著下降。关键不光是省钱问题，疫情期间政府是强制停工，厂商愿意花钱都找不到人干活，更能体现AI带来的好处。

第二个方面在于AI可以提升工厂管理效率。我们跟国外某个知名企业合作的项目，在工厂的车间里面，通过我们的图像技术去做分析统计来提升工厂的管理和运作效率，比如说我们会去分析不同工种的工人在现场的分布是怎么样的，不同工人在区域的分布是不是最优的，货物摆放是否合理，这些信息都会有助于管理层判断当前业务流程是否合理，是否有优化的空间，从而去提升整个工厂的管理效率。

通过这两个案例，我们想说明AI是可以真正帮到企业，尤其是在降本增效角度，能够给企业带来实实在在的收益。腾讯优图的工业智能的整体解决方案有三个推进方向：第一是人工与自动化的结合，二是通用性和定制化相结合，第三是公有化和私有化相结合。

人工与自动化结合，作为帮助企业降本提效的智能解决方案提供方，腾讯优图非常重视自身方案的效率和成本，不遗余力优化产品方案，特别是自动标注工具、自动训练平台等。

通用性和定制化相结合，工业场景解决方案的特点是高度定制化，不同的细分领域都有其业务特点，很难找到大而全的通用解决方案。如何在保障方案通用性的同时，又能灵活的适配不同业务场景，是一个非常有挑战性的问题，腾讯优图也在努力兼顾两者。

公有化和私有化相结合，企业的数据有比较高的保密性，因此大多数工业项目以私有化部署为主。但是私有化部署的弊端在于设备成本不具备弹性、人员办公有地理限制等，所以业务上云是不可避免的趋势。比如，在当前的疫情下，如果工厂的业务可以在云上开展，就可以实现通过远程办公保持运营，也可以灵活调整生产周期，降低设备的使用成本，这些非常具有吸引力和想象空间。

主持人：谢谢黄亮，黄亮为给我们分享了两个案例，第一个是机器对人的补充，在工厂线上引入一些机器视觉识别AI检测，第二个案例是使用视觉识别对工种分布的检测优化管理效率。AI的引入不仅仅是出于成本上的考虑，在疫情和其他危机面前也可以发挥应急作用。 另外在部署方面黄亮老师分享了很有意思的一个观点，人工智能不仅仅是一种技术，也是一种工艺。我们常常觉得各大厂商都已经有了各种开源的人工智能算法，是不是各个公司可以有条件来做人工智能的解决方案。我们也知道在业态里面使用的过程中要采集什么样的数据，设计什么样的流程解决问题，都是需要强经验的积累不断改进的过程。我们觉得人工智能的部署也是一种需要长时间积累的工艺。另外黄亮老师也分享了定制化和通用化的问题，怎么样平衡它的通用性和适用性，怎么样做好工厂的数据保密，未来业务上云的模式可以保证数据中台的打通和数据的私密性。人工智能在工业领域的应用，不仅仅是在计算机视觉方面，也在大数据决策、知识图谱方面也有其他的应用。该领域我们请到明略科技的于政博士来为我们介绍。

于政：知识图谱可以对之前提到的两个问题起到作用：一是在企业中如何将人和机器和设备这些之间的数据打通，二是在疫情期间或者其他的突发状况期间，对国外或是异地专家经验如何进行积累和进行沉淀，从而降低对专家的依赖。

首先，除了使用感知计算，企业面临的另外一个问题是如何将已有的非结构化的信息以及专家经验的知识进行收集管理，实现知识在线互联和应用。举例来说，我们为一家知名轴承生产厂商构建了产品的知识图谱以及智能问答系统，用来解决用户对相关产品的咨询，相比于传统人工客服，这一套智能问答系统能够取代人工回答60%-80%重复的常见问题，回答更加准确高效。另外一方面这种问答产品的关联信息以知识图谱的方式展现，且具有推理能力，用户可以在图谱上更加友好的进行交互和探索，提升了客户的体验。总体来说，通过该智能客服系统，减少了30%-50%的轴承办公人员。

结合知识图谱与机器学习技术，还可以帮助厂商进行远程诊断辅助决策，帮助厂商售后技术支持部门能够进行远程故障诊断并提供维修建议。这种知识图谱的解决方案挖掘和沉淀下来的知识，能够加速和扩大维修经验的积累和分享，减少对于专家的依赖，利于工人维修效率的提高，实现维修案例快速反映和指导反馈，以及对于质量高风险问题的早期识别。

另外我们还建设了上海地铁的智能维保和国家电网线路的巡检知识图谱的智能服务系统，帮助它们实现了远程监测和高效预警，减少了现场人员办公，降低现在因疫情或者未来其他突发状况带来的负面影响。比如说在轨道交通给某市地铁打造一套智能维保系统。地铁是密封的环境下，在密封环境下不得不开通风系统或者空调系统，实际上不利于疫情的防控，对于地铁运营方来说需要每天或者要实时监测空调和通风状况，原先在没有上这套系统之前，我们一般是通过人工检测，人工的巡检完成工作的。但是现在我们有了这样一套智能维保系统，可以通过数据在线实时做监测，实时监控空调和通风设备有问题，这样可以做到及时的维修和及时的响应，这是在疫情期间这套系统起到非常关键的作用，可以大大降低巡检和提高现场值勤人员办公的效率。

总之，基于知识图谱的解决方案，完全可以通过与感知计算，比如说计算机视觉、信号处理等感知计算，以及我们相关的决策分析系统打通，形成完整的智能服务的平台。最终我们想实现从研发设计、生产制造、运维服务和经营管理全生命周期的自动化智能系统，降低生产应用对人的依赖程度，这样就可以提高企业在面对像疫情这样不确定性状况发生时高效的决策和稳定的运转。

主持人：从于政博士的案例分享中我们也可以发现基于知识图谱的决策可以是非常灵活的辅助方式，而且比起传统的决策系统还增加了推理能力，有可能会发现人在杂乱的信息里面没有发现的一些规律，这也会很大程度上去减少一些驻厂办公的人员，这跟我们平时的直觉判断是不一样的，给我们带来一些新的启发。在工业制造领域，也有很多流程、环节可以被拆分出来，可以引入外部的专家去进行远程的诊断。通过把知识图谱、感知计算、决策分析系统打通，进一步实现从研发到生产制造到经营管理这一系列流程的自动化，从于政博士的分享里面我们可以看到未来在生产环境里面人机关系跟现在相比会有一个很大的变化。

工业智能的机遇与挑战

主持人：在这次危机中，工业智能的应用和落地水平得到了检验，针对疫情防控等进行了大量快速创新尝试。在当前形势和疫情结束之后，更多的企业会把降本、提质、增效、高效安排现金流等基础策略摆在更重要位置，而智能化、信息化的落地和改造是其中重要的手段和选项。工业智能给社会带来的进步以及效率的提升的得到根本更多的认可和理解，战略发展方向也越来越清晰。这个环节我们将着重讨论工业智能会在哪些方面加速发展？还有哪些环节有难度？

3、为什么人工智能在工业上落地难？

王晨：人工智能关键是通过智能化的方法和模型推导出知识，怎样能成为知识而不仅仅是模型输出呢？在工业上有三个要求：可解释性、确定性、因果性。

可解释性，就是这个东西从原理上、从现象上是可以解释的，而不是一个黑盒子，不是只有一个结果，或者是拿一个模型跑出来的。

此外，这个知识必须是确定性的，也就是对任何一个场景必须给出一个确定的解，给出确定的误差边界，如果这样的东西给不出来，准确率是多少不敢保证的话，是不能用的。

因果性，是指有个事情出来，比如设备故障、设备坏了或者产品的准确率下降，一定是有因果性，换句话说我们看到这个现象一定是由某一类原因造成的，不会没有原因就造成这个结果。

为什么今天看工业智能落地难，就难在这几个性质。

如果知道因果的关系，我也有足够多的数据的支撑，这个模型一定是可以做出来的。现在问题就在于我们没有数据。导致这个现状的首先是由于成本。数据采集体系、数字化转型、数字化改造都是需要钱的，安装传感器要钱的，加装数采的盒子要钱的，数据传回来数据通讯设备这些都是需要投入成本的。然而，大量投入数字化的东西拿出来的数据有没有用？只要这个答案不是那么清晰，现在中国制造业企业在这么困难的情况下要做这样大量的投资是艰难的。

从技术的角度看数据，实际上我们常说的工业数据是很少的。比如做设备的故障检测，历史数据对我有用的数据不是设备正常的数据，而是设备异常的数据。比起全部历史数据来看，一台设备一个历史上只坏过几次，同样这种类型的故障在全公司所有批次的历史上就出现过几十次，而且这几十次从人机料法环各个维度考虑是在高维空间中的，数据是机器少的。因此，可以说，限制工业智能发展原因的本质是数据。当然技术上也很难，工业场景的差异化是非常有挑战的，不同的问题完全不一样，哪怕同一种设备，不同型号里面的技术路线也会不一样，设备的使用工况不一样。很多时候场景的差异导致我们做问题的形式化定义都很有挑战。

4、目前人机协同方案有哪些挑战？

王贇：工业互联网如何实现产业协同、平台协同？未来在5G、大数据、云技术的支持下，需要打破数据壁垒才能在更多场景形成更智能化方案和应用。

人机协同最早在工业领域，协作机械臂已经发展了很多年了，有很多安全传感器，在系统上做了很多安全护手的功能，但是现在为什么很多企业里面还没有大规模的铺开，我觉得站在甲方的角度最重要的是安全。我们看到现在企业内部要么就是人工，人工成本最近比较贵了，要么就是全自动的机械手，是在一个封闭的空间里让它做一个搬运的动作。

其实协作臂在机械部分，比如精度和稳定性，都已经做的非常好了，但是协作臂最重要的目的不是代替人去做工作，是要代替人自动判断，接下来我们要思考的是怎样搭配智能化的识别，去做更精准的判断。

协作机械臂还有一个问题，目前还没有大规模推广成移动式的，只能固定在一个工位代替人工做简单的重复性劳动，未来的机会是怎么搭配现在的AGV小车、智能的机器人在路径优化，再搭配刚才提到的算法的优化、视觉的优化，去提供场景化的应用。

5、疫情为工业智能带来的机遇有哪些？

王晨：这次疫情对我们的挑战主要是三个方面：协同工作、供应链、智能化。

第一是在协同上的机遇，很多人必须远程办公了，很多制造企业工厂复工了，但是总部还没有复工，可能还在远程办公，这个过程中生产设计的协同是一个挑战。主要解决的技术手段是通过数字化的方式，通过信息化系统、通过云计算的方式来解决。

第二是供应链，这是这次疫情中暴露出来的最大的短板。我们今天突然发现我们以前说了很多，建了很多大数据，但是疫情突然发生的时候大数据的水平还挺低的。很多时候企业不掌握情况到底怎么样，政府也不掌握到底现在上游的供应链情况怎么样。我们对于供应链的整个掌握和企业智能化的生产有非常重要的作用，但是这部分的信息我们掌握的还不够。

第三是智能化决策。我们一直说机器代替人，制造业企业里第一个层次的机器换人不是靠任何数字化和智能化实现的，是自动化，比如说机器人，把机械化的重复性的劳动让机器人来干，干的比人效率更高、稳定性更高、准确性更高。我们今天讲的智能化替代人，代替的可能是企业里有知识的人，很有经验的老工匠、老师傅。

6、疫情将如何倒逼工业智能发展？

史喆：疫情带来的机遇就是倒逼工业智能发展，主要体现在技术代替人力繁复的工作、数据协同优化、信息化和数字化建设、平台化建设四方面。

第一，在一些产线上慢慢减少人力的参与，比如做工业的缺陷检测、CV的方式可以明显在产线上减少这些人，替代繁复的工作。

第二，数据协同优化，原来一些工程数据不集中在一起，所有的调配都是基于本地生产厂，那么基于整场甚至上下游集中优化是不是能用更好的方式协调生产。比如这次口罩生产，国家把很多东西收在一起，物资的调配，物资生产企业也是集中去调配的，这样是不是更高？在大型企业内部的调控也会使内部更高，这些调配的基础是建立在对我产能完全认知，以及对上下游供应链数据的完全知道之后，再用人或AI的方式调配，AI肯定更快、优势更加明显，能找到最优解。

第三，可以一定程度上倒逼信息化和数字化建设。在疫情之后大家导入人工智能技术的时候考虑就更长远了，原来可能只是考虑短期ROI，但是现在很多制造厂商考虑未来的竞争力，如果现在不发展这一部分的能力，不打这个基础，是不是后面招不到工人了、是不是竞争力就下降了？

第四，这次之后基于大平台的发展方式可能更受到关注，比如说我可以用视频会议的方式，基于云的方式做管理，在这一部分上也会倒逼企业发展更多数字化的解决方案。未来在这些已有数字的基础上，人工智能肯定会有一个更好的发展，不需要我们做端到端的解决方案，拿一个数据做即时优化就好。

主持人：谢谢史喆的分享。人工智能可以减少人力的参与，尤其是人口红利逐渐消失的状况下，机器换人不仅短期对危机的应对，肯定也是制造业的长期需求。另外在上下游数据变得更加全面的基础上，我们可以通过大数据分析去试图得到全局的最优解。

7、今天的工业制造，工业智能的哪些环节还有机会，未来有哪些发展方向？

王晨：工业最深的地方是生产和研发。生产的智能是指，在会扰动的情况下，如何实现保证质量的前提下快速交付。我们今天做的是有一天可以在工业现场做控制的人尝试去提升他的水平，或者有一种方式替代他，看到这样的问题出现他们可以快速做出反映和决策。生产上最重要的是控制，流程制造业是过程控制，机械装备做的运动控制。过程控制做很难，在这方面并没有太多能够应用的结果。这个过程本身很难，这个过程的数字化又很难，生产当中我们看的相对比较少，因此过程控制在未来场景会更多，机会也会更多。

再者，是研发的缺位，这是工业制造的核心，也是真正竞争力所在。研发是减少迭代的问题，在这个过程中不断设计，去实验去试错，不断修正设计。在这种完全高度知识密集的场景下机器学习有没有办法无中生有呢？很难。机器学习能不能学这些东西呢？也很难。因为这个过程没有很好被数字化沉淀下来，那你学什么？这两部分做的相对差，但是未来机会也会大。

有机会的还有智能装备，前面讲到运动控制，运动控制不光在生产设备上，还有我们生产出来的智能产品怎么实现智能化，从运动控制的角度，现在的控制基本上都是基于静态规则，把这个东西写在PRC里边，那么将来能不能实时响应，实时感知之后控制策略可以做一些动态调整。

知识数据有机会，现在挑战也很大。既然工业智能讲的是我们要提取知识，那我们为什么要拿数据学呢，直接把人的知识写下来，写成报告、手册，我们从那上面去学就好，这一定是更现实的，但这个东西难在知识数据的数字化。知识数据是一条很好的路径，但是怎么很好的把知识数据数字化才是这件事情真正的挑战。

主持人：谢谢王晨老师，王晨老师的分享非常深刻。王晨老师跟我们谈到智能化是如何在设计、生产、协同各个环节解决问题，王晨老师也谈到现在在供应链领域最大的短板还是数据的问题，不仅仅是企业掌握不足，政府的掌握不足，这也是未来数字化要去加强建设的方向。在智能化领域，智能化决策是未来大的方向，这里王老师也提到非常有意思的观点，我们常常把机器换人理解成流水线工厂线上的自动化，实际上机器换人我们知道换的是有知识的人，在工业生产领域最核心的知识沉淀可以逐步做到人机融合。

智能制造如何落地？

主持人：工业智能从研究走向应用，更多企业正在加入数字化转型的浪潮。从当前应用来看，现在是否是大规模推动工业智能加速发展的进入时期？智能制造对制造业生产力的提升有多大？对于大型企业和小型企业来说，是否有不同的转型策略？

8、经过疫情，现在是企业大规模推动工业智能加速发展的进入时期吗？

史喆：可能不会是爆发，但会得到越来越多的认可。不是说所有的东西统一都全上，但是在点滴之间慢慢起来，起来之后这些系统会变成在实际生产当中，或者实际运维当中跟这些设备拟合在一起。我们的数据慢慢优化，我们的模型慢慢优化，会变成逐渐迭代的过程。疫情是不是会推动，看看新基建到底投入多少钱。大家需要钱才能加这些东西，钱投下去了，基础设施好了，可能有一些东西可以发展更快一些，但是我认为不管快慢，总是要发展的，竞争力就是这样来提升的，大家可以考虑未来五年如果有的企业不发展，会不会变成落后的管理能力，慢慢在市场竞争中被替代掉。这个是很多企业家和合作公司在考虑的。

9、从人工智能的实际应用来看，智能制造对制造业生产力的提升有多大？

王贇：每一家企业和每一个场景的应用情况都不一样，那怎样评判人工智能的价值呢？从甲方的角度看，我会看投资回报。比如这个解决方案可以代替一百多个工人，那么这些工人的成本是马上能算出来的，往往这样体量的项目，如果在1.5年以内能够收回投资的话，我们是愿意接受，并且愿意去提升的。

在产品品质检测上，使用大数据找到影响品质的因素，提升效果很好。以我目前服务的企业来看，比如说某一个产品出现品质问题的时候，传统是从Excel里导数据、抓因子，再找几个经验丰富的工程师检查，需要五到六小时，但是现在导入这套系统，在数据完善的前提下，在大数据的几千个因素里面迅速锁定可疑因子，可能30分钟就解决了。

10、在新基建的背景下，企业如何实现工业智能化？大型企业和中小企业有不同的策略吗？

王晨：对于中小企业和民企，我非常建议从点开始，从自己的业务需求和发展规划出发，千万不要从面铺开。因为这个方案到底能做到什么样的成果，恐怕厂商没有开始做的时候不会知道。解决方案提供商可以告诉你说，去年在大企业做到什么水平，但是，这并不意味着在小企业也能达到同样的准确率。这跟企业的工艺、数据情况、数据存在的质量、数据存储的周期、传感器的精度都有关系。没做之前我们不能很好的评估，确保可以在1.5到2年收回投资，很多时候在开始的时候算不清楚，算不清楚的话可以尝试，可以bet，但是这样的bet一定要从小点入手，千万要在有限的资源下认真的思考自己的发展方向，不要一个面铺开把大量的钱花下去，制造业企业挣钱不容易。中小企业把自己的关注点，先不要放在生产环节和研发环节，这些东西是一个最烧钱而见效最慢的。注意力可以先放在营销和供应链，这些是产生直接经济效益且快速见效的部分，以这些环节先作为入手点，比从制造环节和研发环节入手会好得多和快速见效得多。

国有企业本身自己实力相对雄厚，借着这次新基建的东风可以体系化做这件事。对于这类企业，我有一个现实的建议是别着急动手，先做规划，规划花上一年时间都不为多。这相当于咨询，理清楚企业自身的问题、现状、将来的方向，以及这个方向带来的价值，甚至是未来智能化、数字化的东西建设出来之后要怎么落地，甚至需要对现有的组织和流程有哪些再造。大企业是有钱，但是这些东西如果不想清楚，就着急去落地的话，最后发现做了很多点上的东西，无法形成体系，当这个厂商撤走之后，这个平台变成一个摆设，新的东西不会开发，旧的东西效果慢慢开始往下走，企业也不知道该怎么调。