人工智能，正在渗入齿轮、火苗与刀锋

文 | 史中

（一）工人的面孔与“中国制造”的尊严

“外卖到了，开门取一下！”

戴口罩的小哥站在门口，递上冒热气的酥皮炸鸡。

你可能说了句谢谢，也可能没说，关上门，戴上塑料手套，抿抿口水，抓起炸鸡，注意力一秒钟都不会放在楼道里那个已经噔噔跑开的年轻人身上。

而此时，年轻人已经跨上电单车，油门一拧，掠过千家窗棂。装在车头的小黄鸭玩偶，正在明媚的阳光下摇头晃脑。

这幅画面，映在历史的水晶球里，折射出人间万千。

倒转胶卷，2019年秋天，他还在南方的工厂里，手握游标卡尺，从左手的筐里拿出一根钢轴，测量各个尺寸无误，再放到右边的筐里。

这样的动作每天重复八个小时，像走过没有灯的隧道。

在一排工人对面，还有监工巡视。一旦检测动作不到位，导致不合格零件流出厂，客户会把一车货都退回来，没人兜得起。

年轻人并不关心这些零件的最终去处，命运几何。一个零件为什么要关心另一个零件？

晚上无聊看短视频傻笑时，早先辞职的兄弟发来消息，说自己现在在送外卖，刚入行，赚得没有工厂多，但是自由。

他敲了一行字，想了想，又删掉了。

2020年，正月初五，在老家田埂上带弟弟放炮的他收到厂里发来消息，因为疫情，节后暂时无法开工，在家等通知。

一等就是两个月。

眼看坐吃山空，他翻出之前的聊天记录，回复朋友：你们送外卖还缺人不？

风云流转。当他已经穿梭在城市楼宇森林，熟练地敲开贴着不同对联的门递上快餐时，接到了一个熟悉的电话：工厂开工了，压了不少活儿，快回来吧。工资还能给你涨！

他愣了一下，望了望天。“不回去了，找到新工作了。”他说。

在写字楼里等电梯时，偶尔他也会刷新闻。

那天看到一篇报道，题目是：《工厂引进大批机器，打工人将无工可打？》

他在下面评论：有些工，我宁可不打。

“叮”的一声，电梯门开了。人流涌进，把个头不高的他淹没，只有黄色头盔明晃晃。

他没有名字，或者说他有很多名字。

一个个沉默的背影正离开“工业”，足迹汇成一行意味深长的时代注脚。

未来的某一天，我们该如何向孩子们解释这段历史？

至少有一点可以确信：生活不是好莱坞大片，硬币的背面从不印着简单的“反派”二字。

2020年前后，从杭州到苏州，从晋江到广州，千万家工厂的老板同样在经历危险的选择。

从上世纪末开始，“世界工厂”成为我们的名片。

虽然利润极薄，但好在劳动力便宜，工厂老板们凭着朴素的企业家精神，把成本顽强地控制在警戒线以下，开足马力为世界供应。

生产一部 iPhone 手机，苹果拿走利润的58%，留给元件供应商的总利润只有5%。

但如今，“中国制造”的核心范式正悄悄发生变化：

90后、00后的打工人和你我一样，在学校里做题背诗，打游戏看电影，他们对生活有了更广阔的想象，再也无法像父辈一样，隐忍肉身成为零件，一眼望穿生命如雪消融。

疫情成为催化剂，大量产业工人不再回头，留下身后的工厂，用工成本如海啸般大涨，触响警报。

老板们只有两个选择：第一，放弃赔钱的订单，贱卖生产线止血；第二，把工厂搬到越南等人工更便宜的国家。

之前我曾在文章中提到一个故事，成为印证：

有一家生产高端电子产品配件的公司，董事长早在2018年初就感受到了来势汹汹的成本上涨压力，决定提前动身海外建厂。

但海外寻址时他有些伤感，因为“中国制造”这四个字对他意义深重。

包括他在年内的很多企业家都是土生土长的江苏人，过去十几年亲手把一座座工厂在家乡建起来，很多工厂离大姓宗祠只有百余里。

“我怕这些工厂一旦搬走，就再也回不来了。”

他说。

目送中国工厂离开这片土地，实如骨肉分离。

很多从90年代就开始奋斗的企业家们，当初之所以创业，就是因为“Made in China”这几个字被认为是劣质、不入流的代名词，他们要用血肉证明给全世界看。

而这么多年过去，中国制造甩掉了“积贫积弱”的帽子，连续十多年工业产值高居世界第一，拥有2亿工业人口，GDP贡献将近一半。

眼看三十年前的梦想切近，自己却体力不支，他们是何等不甘心。

但就在此时，暗夜里突然有火花擦亮，很多企业家几乎同时发现了一样锋利的武器。

这群人决定，为“中国制造”的尊严再打一仗。

本图为画家毕绘春创作的组画。

（二）武器

顶尖的武器，往往拥有坎坷的身世。

我们不妨把时间重新对焦，回到2016年。

后来发生在互联网领域的一切，彼时已有端倪：

一边是大街上人手一部手机，顶流 App 的用户已接近10亿；一边是各个城市的扫码一条街一夜萧杀，恍若从高崖坠落。哪怕钝感的人都意识到，“消费互联网”即将把中国“人口红利”的矿藏开采枯竭。

也就在同时，国家大力倡导“互联网+”，鼓励互联网大厂不要在人口红利上继续做文章，多多考虑用手中的“技术之剑”帮助传统产业转型升级。

“产业互联网”由此势起。

大潮之下，总有面孔。

李硕的生活也在这一年冬天驶入了另一个航道。

多说一句，每次我和李硕见面，他总是笑呵呵的，看上去和蔼不争，但这是个“迷惑性”的外表，他的凶猛都藏在技术履历中。

李硕

2009年，他曾和几百位同事一起，把百度搜索的底层架构从“单机”迁移到“分布式”。

熟悉的浅友看到“分布式”三个字，一定会 get 其中奥义，因为这正是云计算的灵魂技术。

“云计算”作为土壤，不仅支撑了百度搜索的用户洪峰和市场份额，更滋养了后来百度技术的金字招牌——人工智能。

说回故事。2016年，李硕和其他几位对技术源流理解比较深的老百度，被冷不丁从“技术的温柔乡”里揪出来，派去啃“产业数字化”的硬骨头。

记得当时我们和 Robin（李彦宏）开会，他特别希望一线的人能够聚焦一个战场，在这个战场上，你要能证明技术的价值。

他说的价值不是小打小闹，而是有意义、有影响的大价值。

李硕回忆。

在李硕印象里，这是一场全百度的动员。

百度的 CTO 王海峰首先扛起大旗，因为从2010年起，他投入了大量的精力开始建设百度的人工智能。如今号称中国最强的 AI 技术，都可以如江河源流追溯至那时。

而王海峰一直相信，人工智能不应该是实验室里护佑的温室植物，而是要能上阵杀敌的武器。

王海峰排兵布阵，让人工智能团队全力支持李硕他们。

说起“上阵杀敌”，实验室里的人工智能技术都是相对独立的积木：图像识别技术、语音识别技术、自然语言处理技术、知识图谱。。。

把积木组合成变形金刚，才能上阵杀敌。

大概是这意思。

这个变形金刚该怎么拼呢？坐在屋里瞎鼓捣一阵，也没个结果。大家急需找到各行各业的真实需求。

常城就是彼时销售团队的一位悍将，专门负责大客户。

他回忆了一件有趣的事：

有一次我碰到一位中国联通客服的基层同事，她提了一个很有启发的问题。

人们拨打114，90%都是在问医院的电话。你们能不能用人工智能来回答这种“简单重复”问题？

听到这个需求，AI技术团队眼睛放光，赶紧把自然语言处理、知识图谱、语音识别这三样技术跟中国联通的呼叫中心拼插在一起，像炼丹一样搞出了“智能客服系统”。

这个系统可不只会背医院电话，而是能回答五花八门的问题——只有当它觉得自己搞不定时，才会转到背后的真人客服。这么一来，人机协作，效率大大提高。

如今，很多人都和“客服机器人”聊过天，其实背后就有这样一个故事。

现在回望，这件事儿四舍五入成为了百度 AI 向产业奔涌的第一个浪头。

这样的开局很顺吧？就像咱们考试时，一上来就做出好几道题。

但这里有个细节，客服是服务业。

三大产业里，服务业的信息化程度是最高的（互联网和金融都属于服务业），硬攀的话，多少能和人工智能技术有点“血缘关系”。虽然用人工智能改造服务业也挺难，但难得不是那么不可理喻。

试卷上最难的那道大题，其实是“工业”。

尤其是中国工业，多年以来一直是冰冷的刀片，滑腻的黑油，乒乓作响的零件，和“数据”、“代码”这些玩意儿根本是两个世界的物种。

就在那时，一群想用“AI 武器”帮工业打仗的人，和一群需要“AI 武器”的工厂看对了眼儿。

干柴烈火，刺啦冒火星子。

（三）霸道技术宅为灰姑娘穿舞鞋

2018年，黄锋带着同事们，坐着高铁来到了常州。

一路上，他们看到千万家蓝色顶棚的工厂如星辰散落。

黄锋是彼时百度智能云的产品研发经理。李硕把他的团队派到车间时，目标已经很明确：

帮助制造企业做出一套“人工智能质检机器人”，以填补可能到来的质检员用工荒。

黄锋

黄锋被眼前的景象惊呆了。

一栋楼。一排几十个工人，总共几十排。有专门的人把成筐的手机零件送来，分发给工人们质检。

每人面前一束强光，一个零件要翻来覆去看6个面，客户都是像苹果这样的企业，要求严苛，任何角度有微小的瑕疵都不行。别看有几百号人，却出奇地安静。

他回忆。

到了整点，车间大喇叭突然喊，第一、三、五排，趴下休息。那一排姑娘就应声趴在桌上，十五分钟后，喇叭把她们叫醒，强光打开，她们的手臂像通了电一样，又开始重复之前的动作。

大受震撼的不止黄锋一个。

当时团队有一位年轻同事，从现场回来，他辗转反侧，发了一段很长的朋友圈，其中写到：她们都是花季少女，理应有自己的人生和理想，为什么要做泯灭人性的机器？我一定要救她们！

“霸道技术宅”为灰姑娘穿舞鞋的戏码，就这样在技术宅颅内轰轰烈烈地拉开了帷幕。

黄锋信心满怀，因为他感觉这件事儿并不难，是再熟悉不过的人工智能“基操”：

1、先找来上万个待检零件，放在机台上，用摄像头为它们拍照。这个过程叫做“数据采集”。

2、再找几位质检能力最好的师傅（俗称黄金眼），对这些照片进行“质检”，如果认为不合格就在图片里圈出来。这个过程叫做“数据标注”。

3、把标注之后的数据塞进人工智能算法平台“飞桨”，然后人工智能就尝试“总结”出一套识别瑕疵的规律。这个过程叫“训练”。

注意，刚才我提到了“飞桨”。这个平台不仅是百度的核心黑科技，也是中国人工智能领域的大国重器。

它提供了一整套开发框架和平台，可以大大提升人工智能模型的开发训练和部署效率。

但现实在毫无预警的情况下，给了黄锋他们沉重的N连击。

第一击：如果是人捏着零件做质检，遇到反光，你一定会用手微调一下角度，但是机器傻傻的，既意识不到出现了反光，也没办法调整角度，拍出来的照片上就可能有一片光斑。

他们只好让硬件制造的合作伙伴赶快更改设计，增加几个角度的相机。

第二击：给同一位质检员看同一个零件的照片和实物，Ta 可能就会判定照片里的零件合格，而实物零件不合格。。。

这和照片清晰度没关系，是人感官的天然 Bug。

他们只好掏出了互联网人的“法宝”——盲测。

标注师傅先检测100个零件实物，再检测100张零件照片（其实就是之前那100个零件的照片），然后系统会自动挑出不一致的典型情况给标注员看。

这样反复几次，标注员后面的标注就变得更准确。

第三击：一万多张图片，分别是十几位师傅标注的。大家的“标准”存在微小但严重的差异。

想想看，几位“老师”自己都是相互矛盾的，教出来的“AI 学生”自然学艺不精。。。

技术宅们只好又开发了另一套“盲测”工具，让标注师对同一组数据进行标注，然后程序会自动筛选出标注存在分歧的数据。

然后，标注师们再去争论谁对谁错，统一标准以后，重新标注。。。

第四击：因为生产出来的质检机存在微小的差异，有可能光源、相机的角度不同，拍出来的照片风格就有细微差异，导致质检效果有的机器好，有的机器差。。。

那段时间，黄锋团队的同学天天和生产设备的合作伙伴掰扯。

第五击：质检机是后来设计的“外挂”系统。如果把外挂插入流水线本来的工作流程中，留给质检的工作时间只有26毫秒。超出这个时间，后面的流水线就凌乱了。

但当时的情况是，质检系统算力有限：要保证精确度，时间就会超；要保证时间，就会检测不准。

这种高精尖的问题，只能请出大神——飞桨团队——来解决。

飞桨团队同学一听，这需求刚好撞枪口上了！

最近他们刚刚在飞桨上研发了一个兼具高精度和性能的目标检测模型PP-YOLO，可以在保证一定精度下，把模型做得足够小，同时在精度和速度之间取了一个精妙的平衡。

很快，他们基于客户环境和数据，优化出一套在低算力情况下，响应时间和效果都达标的模型。这个模型积累下来，就是后续服务其他工厂的宝贵代码财富。

扯远了。。。说回当时，好不容易搞定了诸多问题，抬头一看，这群人已经在厂房驻扎了两个多月，一算账光宾馆钱都花了不少，大家这才撤回北京。

没想到，刚过了几个月，工厂打来电话，你们的质检机效果变差了。。。

他们跑回去一看：“你们生产的零件是不是有新瑕疵的类型了？”

对方说：“对啊，工艺变了就会有新的瑕疵呀。”

百度同学说：“好像。。。有道理。。。”

其实，这背后隐藏着一个问题——人工智能模型的“持续维护”。

人机不同：

人的“举一反三”能力很强，只要学会了看零件表面的A瑕疵，新出现了B瑕疵，也可以马上上手。

但 AI 的“举一反三”能力就弱得多，哪怕只是瑕疵形状有区别，它的准确率也会下降。

不过，这个问题难不倒百度工程师。

百度大概从2010年开始就在搜索上使用人工智能，直到今天每隔一段时间也要用新数据对很多模型进行维护。

放在工厂的环境里，大概是这样：

拿来一些新瑕疵零件的标注数据，不用多，附加在老的模型上，AI 对于新零件检测的准确率就会大大提升。

就这样，百度同学常州七进七出，好容易搞定整个项目。

大家发现：这件事情卡脖子的地方不只是有技术，还有高昂的“人力成本”。

将来，总不可能工厂换一批生产任务，百度的工程师就跑去给调整一次质检模型吧？一个工厂可以，几千几万个工厂呢？根本跑不过来啊！

（你有没有发现一个有意思的事儿：本来是为了解决“人手短缺”，才用了AI技术；结果AI技术本身又遇到了“人手短缺”的问题。）

这张图意在表现工程师要在全国工厂跑来跑去。。。

那时候我们就隐约意识到，工业智能要想做好，必须要有专业人才在当地进行持续服务。

这些人倒不用像百度工程师一样钻研这么深的技术，但必须能熟练使用我们的AI平台和工具。其实，这就是最近人们讨论很多的职业技术工人。

李硕说。

这些人才要从哪来呢？这个问题虽然重要，但当时他们还顾不上仔细思考，因为眼下横着一万件更紧迫的任务：

从工厂的角度讲，AI 质检确实增加了他们对中国制造的些许信心；从百度的角度看，质检项目也可以推广，做完A厂做B厂。

这皆大欢喜。

但平心而论，仅仅添加一些 AI 质检机，对于每年创造几十万亿 GDP 的中国工业来说，实属杯水车薪。

这不是“大赢”。

不客气地说，如果把工业比作深邃汹涌的太平洋，那么彼时的百度，还在岸边的小船上甩钩海钓。

他们急需造出一艘重炮巨舰，向深海的鲸鱼巨兽进发。

可这巨舰应该长啥样，又要从何造起呢？？

（四）一半是“海水”，一半是“鲸鱼”

常城是老北京人，非常性情。

性情到什么程度呢？他做BD（业务拓展）的时候，如果觉得客户说得不对，哪怕对方是董事长，他也敢跟人家“杠”——合作想搞成，理儿得先掰扯明白。。。

2019年，他去拜访一家铝电行业龙头企业。

本来是想探讨一下这个企业有没有智能化合作的机会，结果他有了“惊人的发现”。

“一个排名全球领先、自动化水平很高的企业，信息化只停留在基础 ERP 系统的水平，很多产线信息统计是靠U盘在设备间拷贝这种方式。”他回忆。

常城

常城怕自己还没了解清楚情况，拐弯抹角问：“咱们公司的主要数据和软件系统是否部署在私有云上？有多少台服务器呀？”

对方说：“我们的数据用两台电脑存储就够了。”

“当时我就把对方CTO给喷了一顿。。。”常城无奈地说，“这家企业对于信息化重视度太低了，他们认为只要买了最贵的设备，就能有最好的效果，但数字化时代的到来不是这样的”。

讲这些，当然不是提倡常城的做法，而是为了揭示一个骇人现实：

中国工业企业里，一多半根本没有工业软件。

看到这你可能有点懵，之前一直在说“工业智能”，现在怎么又说起了“工业软件”？

这背后，其实有一个推导关系：

1、仅仅依靠“AI 质检”这样的单点技术，很难推动中国工业整体智能化。

2、要想实现“整体智能化”，要让人工智能渗入工业企业生产的全流程。

3、工业生产全流程的直接管控者，就是“工业软件”。

举个例子就更好理解了：工业智能就像鲸鱼，而工业软件就是海水。海水尚浅，哪来鲸鱼？

一想到这些，常城就很惆怅。

不过，一穷二白的现实背后，往往暗藏机会：

缺少工业软件，也意味着没有历史包袱。如果把海水（工业软件）和鲸鱼（人工智能）一起放进工厂，不就可以“弯道超车”了吗？

2019年3月，很多人看到一则新闻：国产工业软件上市公司汉得信息发布公告，引入百度战略投资，金额达到5.5亿。

这件事不寻常，倒不是因为具体的公司，而是它背后透露出百度推动中国工业智能化的逻辑：

第一步、找到有潜力、值得信赖的工业软件。

第二步、在这些工业软件的基础上，叠加强大的人工智能。

其中，第一步的难点在于商业操作，此处暂略。

我们重点说第二步。

中国熟练使用工业软件的企业虽说数量不占优，却是中坚力量。这些企业大多地处东南沿海，很多都在用进口软件。

比如，最常用的一类进口软件就是MES（Manufacturing Execution System），翻译成中文叫“制造执行系统”。

MES 系统里，有一个精密的子系统，专门负责“智能排产”，这就是APS（Advanced Planning and Scheduling）。

如果把机床比作一个个工人，那么 APS 就是“车间主任”的角色，它左手拿着客户发来的订单，右手就像安排课程表那样安排各个机床的生产任务。

APS制定的生产计划

APS 里面一般会集成“专家策略”。

所谓专家策略，就是一帮国外的老师傅，依靠过去几十年的经验，写了一整套规则——比如遇到情况A，就采取1号方案排产；遇到情况B，就采取2号方案排产。把这些规则输进 APS，它就会根据订单情况自动给出排产建议。

但俗话说，人类一思考，上帝就发笑。

这些专家策略远远不够好。从上帝视角来看，永远存在*更好*的排产策略，只是人们没有发现。

这，正是人工智能的强项。

兜兜转转讲了这么多，黄锋这群技术宅终于有机会掏出“AI 武器”了。

他们找到一些工厂合作，把 MES 里面的历史数据读出来（虽说 MES 里存储的都是工厂自己的历史生产数据，但读这些数据都要给 MES 厂商交钱，可见老外有多黑），然后用飞桨学习这些数据的因果关系，推演出一套“AI 排产策略”。

AI 车间主任

结果非常惊人：

只要数据充足，“国产人工智能”在很多情况下都可以超过“老外专家”。这样一来，就有可能省去大量的 APS 授权费用，还能因为排产合理而压低工厂的成本。

人工智能终于以这种精巧的方式，进入了工业的核心地带。

“我为祖国献代码”的自豪感油然而生。如烈酒割喉，让人上头。

李硕的底气也越来越足，他开始奔走在各个工业园区之间，想要撬动更大的资源。

开始“全国巡演”之后，李硕见到了更多行业翘楚。他有了意想不到的发现：中国的工业并非如初见那样暗哑无声，越往心脏挺进，越能遇到心怀梦想的人。

（五）“智能龙王”的故事

李硕爱喝茶的习惯，是在福建跑项目时养成的。

因为，2020年，他自己就像茶叶一样泡在泉州水务集团。

说到泉州，很多人都不了解。但要论福建省 GDP 第一的城市，既不是省会福州，也不是明星厦门，恰恰就是泉州，而且这座城市已经低调蝉联冠军二十多年了。

说到水务，很多人也不了解。但其实从江河湖海，到台风降雨，到居民生活供水到污水处理，全归一方的水务集团管理。

第一次听说水务集团的管辖范围，李硕惊叹：“原来你们就是龙王啊。。。”

不过很快他就明白，这个龙王可比《西游记》里那个龙王难多了。

就拿水库的水位来说。

福建有台风，台风会带来大量降雨，降雨之前水务集团必须把水库放水，以防水位超过警戒。

但是，假如把水放了，台风没来。。。那就相当于赵本山说的：人活着，钱没了。

龙王很可怜，龙王需要帮助。

于是，百度就利用人工智能系统，帮助水务集团根据风向、水文等数据进行降雨测算，以精准调节水位。

不过深入了解几次以后，李硕他们发现，水务集团更大的困难并不在此，而是藏在通往千家万户的供水管道中。

一个小区的供水好坏，和水压息息相关。

如果水压太小，那么顶楼的居民就会感觉水流不冲，如果水压太大，又会加大泄露的损失。

过去，水务集团只能根据经验，在早晚用水高峰的时候加压，其他时候回到正常水压。

但这种“两档调节”的方法有点粗糙——大多数情况下，宁可压力给大些，也不能让老百姓缺了水。

究其原因：第一，水务集团没办法知道居民实时用水情况；第二，即使知道了用水情况，也不好测算究竟给多大水压是合适的。

泉州水务集团的董事长告诉李硕一个触目惊心的数字：“全国水网，一年就会漏掉700个西湖。”

这些问题，其实用人工智能两步就能解决。

第一步，就是要在地下管网的关键位置安装智能传感器，可以感知全线路实时水压情况；

第二步，就是根据传感器传回的数据，用人工智能算法算出给水压力的最佳调节策略。

当时，泉州水务启动了古城管网的更新工作，正好把智能传感器一起埋设进去。

泉州水务的科技负责人非常兴奋，大半夜十点带李硕去他们古城的施工现场，指着黑漆漆的大坑说：我们规划的未来图景，都埋在这坑里了！！

看着这位负责人激动的表情，李硕突然感慨：“盈科而后进，放乎四海”，技术落地不就是需要有填平一个又一个坑的执着么。

在水务系统有无数这样单纯的人，他们什么也不为，就是想让这个自己耕耘了半辈子的行业更好。

当所有管线铺设完毕，水务管理中心的大屏幕第一次点亮。密密麻麻的管网，水阀、水压等等实时信息呈现在巨大的地图上时，所有人都被震撼了。

管理了多年水务的同事们，第一次这么清晰地看到自己治下的资产，百感交集。

而在这些数据的基础上，人工智能开始了马不停蹄的思考。

供水水压变成了程序自动调节，智能系统可以独立控制全城千万个阀门，水压根据用水情况实时调节，和以前的“两档估摸”相比，不仅节省大量能源，还大大降低了管路破裂泄露的概率。

你有没有发现，“智能龙王”用到的技术和“智能排产”有些相似。

没错，你把流水线上的一台台“机床”换成漫长管路上的一个个“阀门、水泵”，就能想明白了。

之所以讲这个故事，正是为了说明一个道理：技术可以通过这种相似的本质在工业的各个细分领域里面流转迁移，这使得“智能工业”的大规模复制推广成为可能。

2021年7月，就在智能水务项目进行到第三期的时候，泉州古城申遗成功，其中的“水务大脑”，也成为全国竞相学习的标杆，越来越多的城市也都紧随其后开始建设水务大脑。

当你打开水龙头刷牙洗脸的时候，人工智能就这样伴随着水流进入了你的生活。

说到这，技术控黄锋提醒我：智能排产和水务调度都还不是工业领域里挑战最大的难点。

那么，工业海洋的最深处究竟有怎样的“大鱼”呢？

（六）寻找 f(x)

估计很多人还记得，之前有新闻传播很广，说：中国钢产量世界第一，却造不出圆珠笔珠。

究其原因，一是钢材中微量元素的配比，二是机床的加工精度。

笔珠必须接近完美的球体，加工误差不能超过0.003毫米。这就要求对机床的控制精细到头发丝的二十分之一。

虽然今天中国企业已经攻克了笔珠这个难关，但仍有千千万万更精细的零件我们还是造不出。

很多人会朴素地推想，这是因为我们国产的机床不够好，但黄锋告诉我，经过他这几年的深入研究，这并非事实的全部。

国产的机床的“刀具质量”和“加工精度”距离顶尖的国际水平确实有差距，但差距没那么大。

我们和国际最大的差距在于“机床控制系统”，这是一套软件。

他解释说。

这就像理发师。能否剪出漂亮的发型，Tony 老师手中的剪刀锋利程度固然重要，但核心竞争力是他大脑里那套对手的“控制系统”。

说到这里，不妨科普一下工业领域一个有趣的“行规”。

每卖一台机床，都要有一位原厂的专家，跟到使用者的工厂，帮助他们有针对性地调整机器参数。

一般情况下是这样：假设一台机床有200个参数，专家会根据机床要生产的具体产品，先根据经验设定200个参数，然后试生产一批样品，根据样品各个方面的瑕疵程度，返回来再调整这200个参数。反复几次，就调整好了。

参数一旦定好，工厂不敢乱动，一旦自己调了，生产出的产品良品率就会下降。如果半年后，要用这台机床生产另一个产品，还得把专家请回来重新调。

参数应该都是有规律的啊。为什么这么难调？

这里又涉及一个行业知识。

工业设备调参一般有两个依据：“机理模型”和“专家模型”。

所谓“机理模型”，就是从理论上来说，调整x参数，一定会造成y结果。就像一个方程：y=f(x) 那样，这是机器在设计的时候希望达到的准确效果。

但这只能解决大概80%的问题。

之所以剩下20%的问题需要“专家模型”来解决，是因为一个根本问题——“数字世界”和“物理世界”不是完全一致的——有时候调整了参数x，并不能准确出现y结果，而是出现一个小小的偏差。

这个偏差，就要专家经验来消灭。

专家经验有多难掌握呢？已经难到有些玄学的意味了。

经验丰富的专家，根据机床转动的声音，就能猜出这个机床的“脾气”，然后“掐指一算”就知道该用哪些参数来修正；机床摆放的位置也有讲究，地面哪怕有微小的倾角，都会影响良品率，需要用特定的参数来修正。

所以，别看机床是个大块头，其实比“豌豆公主”还要敏感娇气。

中国工厂进口国外机床，从机理模型到专家模型，人家全不告诉我们，专家飞来调一次就收一次钱。如果专家很忙，说要等一周才来，工厂都只能等一周，不敢自己贸然调参数开工。

这就是现状。

不过，“专家经验”这种东西，还真不是说教就能教的，很多时候这都是老师傅多年的直觉。

但就是这种说不清道不明的经验，恰恰是 AI 可以学习掌握的。

AI 调整工艺参数，就是通过大量的数据学习，找到 y=f(x) 中间的那个“f”，人工智能虽然可能说不出为什么这样调整参数就能达到那样的结果，但是你按照它给出的参数建议来调整，确实就能达到很好的效果。

这背后的模型，就叫“数理模型”。

黄锋说。

确实数理模型研究在中国已经有一段时间的历史，但主要集中在科研界，应用在实践中还比较少。

为了研究数理模型调参，黄锋他们专门找到了清华大学，和这个领域的教授们一起联合研发，在实践中寻找调参方法。

这样的卓绝努力很快就见到了效果。

2019年，百度帮助一家做“工业点胶机”的厂商配备了“AI调参系统”。

给你放慢看一下点胶机的工作情景。注意，这可是慢动作，它要在极短的时间内把胶水精确填充在指定位置。

原来，这家点胶机只能卖到周围100公里的范围，因为调参的老师傅就那么一两位，如果扩大销售范围，老师傅就不够了。

这样的专家，往往需要十年才能培养出来，有钱也买不来。

为了把老师傅的经验传输到人工智能里，百度的工程师又是给师傅上烟，又是请师傅吃饭，取经好多次，人家才把一辈子的经验倾囊相授。（这还仅仅是人工智能优化的起点，经过持续的算法训练，人工智能甚至还能达到老师傅都无法企及的高度。）

调参系统做好之后，效果拔群。

一个三年经验的小师傅，带着这个 AI 调参系统，就可以到现场给人家调试设备，效果接近甚至优于老师傅。

如此，这家企业的点胶机很快就能卖到方圆200公里甚至1000公里以外的地方了。

这是在调试点胶机。

有了点胶机的底气，黄锋他们决定“挑战不可能”——搞定高精尖的大型设备。

2021年，让黄锋印象最深刻的，就是内蒙古一家电厂的“空冷岛风机”智能调参。

在发电厂，需要有一整套装置为蒸汽降温，这就是“空冷岛”。空冷岛并不是有些人想象的小物件，而是一个足球场一样的“大岛”。之所以建这么大，是因为在其上有几十个大型风机，要把冷空气送入系统，进行充分热量交换。

但是，空冷岛的风机并不是一直“傻转”，而是要根据当天的风向和风速来调节转速的。

传统的空冷岛，都有一位操作员老师傅，专门根据当天的天气情况，早晚两次手动调整风机参数。但这样的调整并不精细，也不及时。

但是当人工智能接管了风机调参之后，就出现了另一番景象。

每分钟 AI 都会对现场的气温，风速风向和实时的机组负荷进行测算，然后通过模型自动调整风机参数，让风机始终处在最高效节能的状态。

根据我们的测算，这样一个改进，可以让每发一度电，节省1.55g燃煤。这还是最保守的估计。

黄锋很骄傲。

他确实值得骄傲。要知道，过去依靠技改和设备进步改进技术，电厂大概一年才能降低1g供电煤耗。现在不改动任何硬件，仅仅靠空冷岛上的风机智能调节软件这一项改进，瞬间就让行业进步了一年半。

2021年的中央经济工作会议特别强调：要立足以煤为主的基本国情，抓好煤炭清洁高效利用。从这个角度来看，火力发电厂的智能优化能对双碳目标做出很大的贡献。

就在你读到这篇文章的同时，内蒙古深处的智能发电项目还在持续实验中。

黄锋热切期待着更多电厂会为他们开放更多的工艺流程，让人工智能从空冷岛风机进入汽轮机，从汽轮机进入锅炉。

如果深入“生产腹地”，把这一整套过程全部优化，一定有机会节省更多的能源，创造出奇迹也未可知。

（七）在大地上奔流

幸运总会青睐有准备的人。

2020年，一个历史机遇向这群人敞开：

各地的地方政府在进行新一轮的基建。很多地区都会集中建设或者升级一批工业园区。这就是区域性的“工业互联网”建设。

李硕他们讨论以后，觉得机不可失。

工业企业是很现实的，他们会仔细计算新技术带来的收益，例如几年可以收回成本。如果不划算，工厂是不会投入技术改造的。

如果一个工业园区的企业，能共享一套工业软件，共享一个云计算系统，也共享一套人工智能优化技术，那分摊后的成本就大大降低了。而且这样的工业互联网平台，政府也可能愿意补贴，企业就更有动力升级了。

李硕解释。

很快，第一个机会出现了。

贵阳经开区准备建设工业互联网平台。百度同学们赶紧跑过去和领导聊。

对方首次会面就不客气地说：“如果你再想卖我们一堆服务器，卖完就走，那我们就不谈了。”

了解到这个情况，李硕马上明白了，贵阳经开区的领导深喑某些友商套路。他马上联想到了从“AI 质检”就开始思考的那个问题——把智能系统布置进去只是把大象装冰箱的第一步，持续有技术人员来运营，才是更难的“下一步”。

李硕拍胸脯：我们不会这样。

但空口无凭，有什么办法让人家相信你不会“跑”呢？

方法真让这群人找到了。他们联合当地头部的软件服务商，共同成立了公司，专门负责工业互联网的持续运营。

百度真金白银地出了钱，如果后续服务不好，工业互联网平台没做起来，那百度所有的投入也就打了水漂。

凭着这样“下血本”的计划，百度很快就和贵阳经开区达成了合作。

那时候，常城已经转岗，成为了百度智能云解决方案的负责人。他的队伍杀到了贵阳，为企业们量身定制工业互联网平台。

在贵阳的日子，用宾馆的电视开会。

他们最先找到园区里一家愿意吃螃蟹的汽车配件企业，对整个生产线都进行了智能化改造：

工人上工，都要先登录自己的身份；每一道工序，也都要用扫码枪先扫描一下，这样系统就自动掌握了整个工厂的生产状况。接下来就能用AI来优化排产，优化工艺调参。

跑步进入社会主义，常城想想都开心。

但是不久，常城再回来看的时候，他发现，生产线旁边的工控机浏览器列表里却都是各种电影。。。

常城生气地拍下了这些照片。。。

那一刻心情特别不好，觉得我们在这里吭哧吭哧做了小半年，同学们吃了那么多苦，人家却没认真用。我感觉工业数字化转型的路真的太难了。。

常城回忆。

但是，别忘了，就在贵阳当地还有百度和合作伙伴成立的服务公司。他们的职责就是一点点帮助企业用好系统。

几个月以后，李硕去贵阳的时候，就看到了不同的景色：

车间主任是一位大姐。

原来每天她都要用纸笔来抄写各个流水线的工作量，学会了用系统之后，她只要督促工人们每次开工之前登陆自己的账号，再用扫码枪扫描零件筐上的二维码，他们各自干了多少活儿，就都在系统里清楚地显示出来了。

于是，大姐就有动力天天督促各个生产线的同学们扫码上工。

大姐告诉李硕，工人们也爱扫码，因为他们每天做的工都可以在系统里实时显示出来，今天赚了多少钱一目了然，再也不会有扯皮的糊涂账。

李硕心里还有点怀疑，偷偷跑去机床旁询问一位工人，你会用扫码枪吗？

那位小哥熟练地给李硕演示了一下，李硕才相信，自己做的东西终于被用起来了。

贵阳大数据平台展厅

看到“贵阳模式”成功了，李硕激动万分，他一刻都不敢停，把大家叫到一起，准备搞一个“百天计划”。

所谓百天计划，就是发动团队所有人，尽一切可能找到各个地方政府，把这种工业互联网的平台复制过去。

百天计划正好在春天。李硕记得很清楚，那年正月刚上班，他就已经飞到了成都、武汉，跟对方洽谈。

对方领导很吃惊：“都说你们互联网公司很拼，这回领教了，正月十五就杀过来了。。。”

每去一个地方之前，李硕都让同事们提前把当地优势产业研究个门儿清。

毕竟百度就是做搜索出身的，信息收集是我们的强项。

李硕笑。

这是在调研轮胎的质检。

当地领导聊天的时候，发现百度这帮人不仅能说出当地的优势产业，而且连当地适合的智能平台建议都构想出来了，立刻会刮目相看。

就这样，在偌大的地图上，百度智能云开始了攻城略地。

常城给我看了一张地图，把中国工业带分成两横三纵，沿着这个“作战路线”，他们已经在浙江、重庆、广东、江苏等等工业优势大省建立了几个工业互联网平台。

有件事情很有趣，即便百度很想和各地建立合作，但常城还是一如既往地杠。

我坚持大型项目中智能系统的占比要到20%以上。

如果你不真正让我有规模的建设人工智能业务核心系统，那我宁可不做你的工业互联网项目，因为这不能真正带来积累，不能推动产业的深刻变革。

他说。

常城和小伙伴们

2022年，燃起的 AI 星火已经在工业的版图上开始了燎原之势。这个速度之快，甚至都超越了李硕几年前的设想。

而这个时候，这群人终于可以把目光转向那个重要却艰难的问题。

那个有关人的问题。

（八）人们

我们回到最初，外卖小哥在电梯外刷到的新闻。

2021年，面对大量的产业工人转战服务业，有人着实担心，我们的工业是否会面临危机。

从经济学、政治学的角度来看，也许尚未有定论，但若从人心出发，事实已给出答案：

一个没有技术含量的岗位，最终很难获得尊严。

这样的工作在被机器替代之前，首先会被这个岗位上的人抛弃。

但我们完全没有必要悲观。因为事实同样证明，技术打开了一种全新的可能：

当“人工智能”填补上这些被“人”放弃的位置后，会召唤出更多新岗位——因为工业智能系统需要持续维护和修正。

而这些新岗位，要求对工业生产特定工序有深刻的理解，会吸引产业工人再回到此地，成为“技术产业工人”。

这一来一回。初衷未变，却让人收获了更多自由和尊严。

当耕耘的人有了尊严，脚下的土地才能重获生机。

注意，技术产业工人不是想象出来的，它们是实实在在被需要的，数量巨大的职业群体。

常城告诉我，他们正在为这件事情努力。

他们在很多城市，尝试三方联合办学的玩法——百度、百度在当地的合作伙伴、当地的职业学校一起合作，培养智能工业急需的人才。

山西一家工业技术学校，原本情况不太好，当时他们为了改革创新想了很多办法，都开设了模特专业之类。

我们就把思路和他们讲了，他们觉得很有意义。现在学校已经开设了好几个 AI 技术专业，新校舍也正在装修，准备扩大规模。

常城说。

这样的学校，也正一所一所建设，围绕在各地的工业互联网平台周围蓬勃生长。

至此，一场工业“跃迁”，便不再与少数人有关。

春风吹来时，那些一直在寒冬守夜的人最先感到暖意。

就拿泉州水务举例。一次聊天，泉州水务的董事长曾对李硕说过自己的构想：

现在大家喝纯净水，还要小哥一桶一桶地搬上楼，这是效率很低的办法。最好的办法是纯净水像自来水一样直接入户。

之所以现在做不到，不是因为制备不出纯净水，而是因为没有技术手段保证水流经管路之后不被污染。下一步，只要我们把水质检测的传感器放在管路里，中国的纯净水入户就有了基础。

未来，家家户户打开水龙头，就能直接喝到真正的“农夫山泉”。

过去仅存于水务人脑海里的梦想，依靠数据和智能，就这样有了实现的路径。

为了服务工业的各个细分领域，从2020年开始，常城的部门招揽了大批来自各个领域的同学。

有趣的是，面试官常城从面试者那里学到的东西更多。

比如化工领域的专家，通过对湖水机理仿真，就能解析出里面有什么矿产；比如纺织领域的专家，可以在比头发丝更细的纤维上发现瑕疵。

这些同学有的都在行业里干了十几年，已经40岁左右了，他们加入百度，这个决定其实挺难的。

但是后来的事实证明，我无论对他们怎么严苛，他们遇到什么困难，都不会退缩。

他们太热爱，太想改变自己的行业了。

常城感慨。

这是技术同学在把系统向国产服务器进行适配。

一个更有趣的现象是：除了行业“老炮儿”，“AI+工业”这个领域因为新奇有趣，还吸引了很多“Z世代”的大学生。

这些大学生泡在工厂里，全然没有对油污和噪音的抗拒，机器在他们手中，仿佛大号的变形金刚。

企业往云上跑，技术往车间钻，一代新的产业工人和一代新的产业技术人正在探索从未有过的“劳动人民新情谊”。

因为深入做工业互联网平台，李硕认识了很多行业里低调的技术公司。

很多企业的创立者都是曾经的大学教授、领域专家。他们在90年代离开大学和科研机构，怀揣报国之志，进入工业领域创业。

可是，很长一段时间，他们只能在国外软件巨头的压力下艰难求生，默默耕耘。

如今，这些企业创始人年轻的已经有50多岁，有的已经年逾古稀。

时光锋利，但终有缱绻。

几十年过去，他们等到了“智能制造”的浪潮。谈到中国工业软件的未来，眼睛像孩子一样放光。

尽管历尽半生，已头发花白。但产业报国，从来是少年。

回望来路，从技术人到企业主到普通的工人，我们毕竟无法苛责那些离开工业的年轻人——他们希冀自己的生命里多一条路，少一堵墙，这本没错。

可叹有人不甘，他们愿付出时光，在焦土上重栽鲜花，让离开的人们闻香归来。

凡此种种，仍待时日。

但代码并非缥缈。

当它们渗透进每一台轰鸣的机器，奔流在旋转的刀尖和深埋的管线，当它们终于积淀成厚重的城墙，护佑山河无恙，那时，属于“中国制造”的荣耀时代，才重又缓缓降临。

免责声明：本文来自腾讯新闻客户端创作者，不代表腾讯网的观点和立场。