目录
一、工业智能化概述
1.1 我们明确的工业智能化，，，，是手艺带来的开源节约、生产组织方法厘革或行业效率模子再造
1.2 工业智能化的形态和商业模式生长：强解决计划大乙方&强运营新甲方
二、工业智能化创业与投资时机详解
1. 平台型企业并不垄断，，，，相互赋能正当其时
2. 笔直重度打造细分行业工业智能系统大有可为
3. 单点切入，，，，资产/装备、流程优化打造新型智能系统
3.1资产/装备的智能化时机
3.2 算法和数据驱动的流程优化打造新型调理决议系统
4. 智能工厂操作系统，，，，从点线运营效率到系统效率提升
4.1 串联制造执行，，，，获取营业数据，，，，MES的价值
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
5. 工业智能化带来的工业效率提升和商业模式厘革
5.1 以工厂为焦点，，，，企业作为主体，，，，手艺赋能上下游的工业效率提升
5.2 毗连研产供销，，，，企业级的流程再造和商业价值重塑
6. 工业智能中数据工业链的投资价值
三、共创工业智能未来：手艺孵化、工业毗连和资笔弃力
一、工业智能化概述
1.我们明确的工业智能化，，，，是手艺带来的开源节约、生产组织方法厘革或行业效率模子再造
所谓工业智能化，，，，我们关注的是能够带来开源节约、生产组织方法厘革的产品或手艺解决计划，，，，以及通过效率模子的厘革和再造带来的运营型时机。。。工业智能化是以工业感知、IOT、AI、数据、软件、机械人等手艺为基础，，，，实现全局语义化的智能感知、控制、调理和决议，，，，通过这些手段，，，，可能会对有原有的装备、制程、工厂、供应链举行优化和刷新，，，，以抵达提质、降本、增效或生产组织方法厘革的目的，，，，也可能降生新的智能装备、新的制程、新的OEM、新的供应链组织形式甚至新的品类。。。但效率模子厘革在各个行业并非一蹴而就，，，，工业领域将在数据化和信息化历程中，，，，迎来渐进式的智能化厘革，，，，本文系统梳理了工业工业链上手艺厘革带来的作业效率和商业效率提升时机，，，，并从数据、模子、决议角度剖析数据工业链的价值。。。
图 1 工业智能化手艺概览
2.工业智能化的形态和商业模式生长：强解决计划大乙方&强运营新甲方
用手艺手段实现工业智能化，，，，其泛起的形态和商业模式又是什么呢。。。本文试图从一个手艺、工业视察者，，，，工业投资者的角度来叙述和剖析工业智能化的一些偏向和可能。。。归纳综合如下图，，，，工业智能的体现形式可能为硬件、软件、营业系统、算法、平台、解决计划等，，，，从商业模式看，，，，可能强解决计划，，，，最终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赋能的时机：解决计划or重度运营
然而平台林立，，，，创业公司的时机在那里？？ ？ ？？细分行业繁多，，，，哪些领域有大的时机？？ ？ ？？是做解决计划的时机照旧运营的时机？？ ？ ？？本文试图通过平台的剖析、手艺设置和行业选择的梳理、工厂解构、工业链拆分和数据的链条来寻找投资和创业的时机。。。并总结如下：
图 3工业智能化的未来偏向和生长可能
二、工业智能化创业与投资时机详解
1.平台型企业并不垄断，，，，相互赋能正当其时
近年，，，，市场涌现了众多的工业互联网平台级企业，，，，但工业行业自己细分很是多，，，，且各自的行业属性和特点差别很大，，，，不可能泛起一个放之四海而皆准的模子和手艺。。。这内里手艺应用的逻辑和商业闭环的形成可能需要差别手艺配景、工业配景的人或公司来加入和验证。。。
以海内较量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几多都承载了原有企业的烙印。。。
好比根云互联以装备物联为基础，，，，建设装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天下各地产品，，，，利于IOT、大数据、人工智能手艺举行商业模式的立异，，，，并延展至其他装备和工业。。。
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工厂智能化升级刷新，，，，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、可控本钱大规模定制等。。。并实验将家电领域实现的系统化的大规模定制能力赋能给陶瓷、纺织打扮等工业。。。
新晋上市的工业富联依托富士康现有大宗客户资源、恒久深入稳固的战略相助关系，，，，规模效应下的工业及供应链优势，，，，期望举行上下游延伸，，，，打造工业互联网平台。。。从上市后的营业希望来看，，，，在刀具展望、制程优化等等方面纷纷最先发力。。。
相较于海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。。。且历史生长历程来看，，，，他们也在一直用种种收购吞并的方法富厚自己的产品、解决计划及行业线。。。
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，，，，古板的软件厂商和系统集成商也在钻营工业互联网偏向的转型和结构，，，，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、华为这样在海内具有较强的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计划，，，，如钢铁、石化、能源做的较量多；；；；；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和算法的计划商的相助。。。
所谓平台，，，，各人都是想要搭建一个更开放和辽阔的生态，，，，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最先，，，，大型平台企业也执偾冰山一角，，，，且差别行业的knowhow的差别较大，，，，留给创业者的时机还很辽阔。。。
2.笔直重度打造细分行业工业智能系统大有可为
工业自己是一个很是泛的看法，，，，差别行业之间差别较大，，，，单论流程工业与离散工业的生产自动化水平、数据可得性和工业重漂后都不尽相同，，，，保存的时机也有所差别，，，，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挚的行业knowhow和上下游资源整合能力。。。差别行业的智能化诉求可能也不尽相同。。。这种特质的利益在于在工业效劳的层面，，，，无法形成古板大企业垄断的时势，，，，而各个细分都有平台级的时机。。。从离散到混淆到流程，，，，从产品到效劳，，，，从生产到治理，，，，保存差别的智能化厘革的时机。。。
可供选择和设置的手艺手段有许多，，，，且成熟度和领先性各有差别，，，，什么才是有价值的时机点，，，，怎样举行选择，，，，本文试图做出一些逻辑上的梳理。。。
若是将上文提及的手艺、与行业以及行业响应的功效和环节举行连系，，，，就可能爆发响应的商业模式和创业时机。。。
图 4 从离散到一连，，，，手艺及行业设置的时机
以下举例来说，，，，差别行业都保存智能化厘革的可能，，，，这内里可能是卖解决计划的时机，，，，也可能是运营型的时机。。。
产供销一体2C产品型行业：2C型产品都有定制和柔性生产的需求，，，，例如纺织打扮、食物饮料、家电等，，，，2C领域由于需求和产品的差别化，，，，较量疏散，，，，集中度可能不高，，，，有做出新品类、新网络和做出集中度的可能。。。这其中可能连系了大数据、排产排程、运筹优化、柔性产线刷新手艺及种种工业软件来得以实现。。。
高能耗流程型行业：诸如钢铁、有色、化工、陶瓷等行业，，，，周期性较强，，，，涉及国计民生，，，，体量大，，，，且多面临产能过剩问题，，，，能源消耗占有了很大本钱，，，，在感知、实时检测、能效等方面都有强需求。。。有做成一个大的解决计划商的时机。。。
装备装备类企业：基于边沿盘算和工业物联网手艺，，，，装备类企业都商业模式转型的可能，，，，从销售效劳效率、资金效率等等层面都有很大增添值的可能。。。
半导体和面板工业：自己细腻化、自动化水平较量高，，，，但工业链的国产化水平低，，，，良品率的提升关于整个工业的附加值大。。。
从单个行业工业链来看，，，，我们从什么地方下手和切入，，，，连系大的大乙方和新甲方的偏向，，，，笔者通过系统的调研和投资践履，，，，梳理了在工业工业链上和工厂内部手艺厘革带来的作业效率和商业效率厘革时机。。。并简要归纳综合如下：
图 5 工业智能化的天下观
3.单点切入，，，，资产/装备、流程优化打造新型智能系统
3.1 资产/装备的智能化时机
工业机械人及智能装备
从装备、资产角度，，，，差别信息化和自动化水平的工厂都有资产升级更新迭代的需求，，，，近年涌现了一批生长很快的新型集成商、本体研发商。。。同时在产品系统上，，，，也泛起并联、协作等新型的需求和团队，，，，人机互融、仿生、自顺应等新兴手艺层出不穷，，，，我们以为机械人自己是一个很大的系统性投资时机，，，，从工业链到差别细分，，，，在这里就不做更多睁开。。。
另一个偏向是装备的智能化，，，，部分行业和工厂的自动化水平已经较量高了，，，，但装备和资产自己在手艺突破层面有很大的空间，，，，装备自己借助工业视觉、大数据、盘算机仿真等手艺进一步自顺应、自校准、自主化。。。同时装备往制程的延展和产线的连系，，，，可以进一步影响产品的良率。。。
装备故障展望和康健治理(PHM)
古板装备原厂商都没有太关注装备、产品销售后带来的后效劳问题，，，，典范的三大发念头厂商GE、罗罗、普惠在PHM层面做得不错，，，，但大宗机械装备厂商不具备自带PHM的效劳能力。。。从数据收罗、数据剖析层面，，，，装备的故障诊断和展望连系了算法能力、工程履历和重大机理模子的明确，，，，对古板的装备厂商带来较量大的手艺挑战。。。
从手艺路径上，，，，在端上做特征提取，，，，在云端训练模子是验证的路径，，，，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，，，，他们从制造最先，，，，对风机举行了刷新，，，，传感器遍布所有部件，，，，从2016年起，，，，效劳收入凌驾装备销售收入，，，，乐成转型成为一家风机效劳的提供商。。。
从市场规模�？ ？ ？？�，，，，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，，，，并且尚有海量的泵等机械装备，，，，且绝大部分装备、产品、装备都没有思量过康健治理问题。。。
但也有三个方面的因素限制了这个偏向的生长，，，，一是AI手艺与工业Knowhow不可有用连系，，，，大大都团队也缺乏相关的工程化履历；；；；；二是算力本钱过高，，，，让资产端无法获得高性价比的展望性解决计划；；；；；三故障数据和标注的缺失，，，，无法举行经典意义的深度学习路径去做展望。。。
