工業4.0、智能制造、機械手臂、各式傳感器……近年來，當人們在談論到生產制造智能化時，經常會提到以上這些概念。有些人甚至還會直接討論到全自動化工廠、“關燈工廠”等這樣的終極目標——例如Tesla的制造工廠。但制造業不是互聯網，沒有太多的捷徑或者商業模式可以使得“破壞式”的創新在短期內產生。Elon Musk也認為在過去的工廠里，“Humans are Underrated”，人類的價值被嚴重低估了。他燒了巨額的金錢來追逐終極形態的全自動化工廠，但特斯拉的工廠里目前仍有3萬多員工。很顯然，燒錢這樣的游戲模式并不適用于所有人。隨著近幾年科技的發展，“協作”才是制造業實現智能化真正的下一個發展階段。

工廠在實現自動化或智能化的進程里，有幾個簡單直觀的衡量指標。在目前階段，工廠在生產制造端引入新技術時可能會碰到以下問題：

第一，生產線產品的利潤是否足夠支撐新科技的導入。這其實是個“雞和蛋”的問題：當產品利潤不佳時，只有提高標準品的產量才有能力覆蓋科技的導入成本；而當產品只獲得極小量的訂單時，又會出現“智能不足的自動化導入”——即生產彈性不足的問題，最終還是看不到收回投入成本的時間表。所以一般情況下，除非工廠擁有充足的資金(如特斯拉)，或者擁有足夠量的訂單，才有機會實現智能化升級。這也就不難理解，當生產線還在做利潤低至10%的平板電腦時，為什么很難導入新的智能化方案來改進效率。

第二，是否有適合自身業務的完整端到端解決方案。生產過程是具備流動性的，同時這個過程需要整合前期的供料、設計，以及后期的物流等環節。新科技的直接深度導入，可能會導致任何單一環節的停滯，或者即便單一效率出現增長，卻無法解決最終產出的問題。比如，某些工廠對電性測試環節進行升級，但卻遲遲卡在用人工進行產品表面的品質檢測的(視檢)階段。對十幾年前大量的工廠痛苦地導入ERP的歷史有所了解的人，應該能很容易體會到新科技的直接導入，可能會產生嚴重的后果——工廠的ERP平均導入成本在50萬美元左右，但最大的問題在于新流程與人工進行磨合與訓練的時間過長，導致效率低下。

第三，是否能夠讓系統、機器與人快速磨合適應。工廠由人、系統、機器三者共同組成，有一定的管理流程包袱，且三者之間環環相扣。工廠的項目經理們經常會抱怨，大量的時間成本會消耗在處理系統與人之間的協調問題上。

第四，是否有健全的數字化基礎設施。許多機器、流程、環境數據、采購檢測等都缺乏完整的數據整合，或者干脆還是在用紙來記錄。但這方面的主要問題不在于工廠不愿智能化，而是單次升級的成本對他們來說過于巨大。

因此，所謂的“協作”，指對生產制造環境進行最小限度的改造，充分將現場的作業人員與既有的環境流程進行整合。例如，海能達的智能制造試點，采用了11臺6軸機械手臂與工人協作的方式進行生產，與傳統的手工產線相比，人員投入減少52%，產出率提升38%，產品質量提升10%。人與機器協作產線的建設，極大地提升了制造商的靈活性，從而使得應對客戶多品種、小批量生產需求的能力也隨之提升。這種模式把標準化的操作交給機器，把靈活化的操作留給人工，機器與人的協作實現了更靈活、更高效、成本更低的產線升級。再比如，機械手臂大廠(如ABB、KUKA、FANUC、Universal等)，都把協作機械手臂視為旗下的明星產品，但相關的專利會在近兩年左右的時間內到期，這樣會給更多的白牌手臂更多的機會，也會讓這個市場迅速普及化。根據日本機器人工業會(JARA)統計，2025年全球協作型機器人市場規模將增長至340億人民幣，相比2017年的29億人民幣增長11倍。

但其實“協作”并不僅限于機械臂的應用，我們看到海外圍繞此領域優秀的創業公司涵蓋機器視覺的應用、傳感器的布建、無人運輸車，以及機器數據化等，這些也都是實現“協作”的切入點——輕度介入既有的流程與環境，優先實現小部分或單一功能的智能化。日前，專注于海外早期科技項目投資的聯想之星 Comet Labs 篩選了一批位于美國的在該領域的頭部創業公司，帶領他們深入中國制造業探討技術引入可能性。這其中，Arch Systems 通過讀取各式機器的底層數字信號來連接不同廠商、不同年代、功能各異的生產機器，為人與機器的協作打下堅實基礎;Canvas 將自動駕駛的技術運用在混雜不規律、非結構化的工廠環境中，完成基本的運輸服務;Ready Robotics 充分運用自身強大的軟件開發實力，在不同廠商型號的機械手臂之間完成開發管理的整合，簡化了導入學習與提升制造細節修改的彈性;Augury 在機器外部聲音與震動方面有深入的機器學習成果，特別是在應用馬達的工廠中管理設備的運作;PsiKick 則致力于研發無源的傳感器芯片，解決傳感器布建痛點，達成基礎智能化環境的普及。

這些海外企業與中國實體制造業的面對面溝通，反復驗證了上述論點，無論是中國的工廠還是美國的工廠，導入智能化的過程都不可一蹴而就，需要一步步從各個環節中去改善——先選擇輕度地介入既有的生產流程，在等待實際驗證之后，再迅速進行大規模的導入。首先，IIoT及工業4.0的市場巨大，根據IDC對2016年物聯網領域的投資支出統計，支出金額排前三的行業分別是制造業(1780億美元)、交通運輸業(780億美元)和公用事業(69億美元)。其次，IIoT和工業4.0具備長周期的特性，一旦驗證ROI，就會收獲長期合作的客戶伙伴。現在所有制造業企業都面臨著人力成本大幅上漲的壓力，都在期待AI智能化能夠為其分憂，他們也都在進行不同程度的技術驗證與測試——這進一步證明，IIoT及工業4.0的市場潛力無窮。