自 1760 年代開始，人類在過去 250 多年裡歷經三次影響深遠的產業革命。
不管是由改良蒸汽機推動的第一次工業革命還是電力廣泛應用所掀起的第二次革命，抑或是上世紀 50 年代之後由計算機、芯片以及互聯網帶來的第三次工業革命，無一例外都是新技術與產業結合後所釋放的巨大經濟、社會效應。
如今，當人類站在第四次產業革命的起點眺望接下來的產業機會，各國政府也有著自己的考量，德國的工業 4.0，美國的「智能製造領導聯盟」以及中國的「互聯網+先進製造業發展工業互聯網」，都是面向製造業未來所提出的國家戰略。
正是在這樣的歷史和現實背景之下，阿里雲本週所發佈的一項新計劃引發行業眾多關注。據媒體報道，8 月 1日，阿里雲正式發佈 ET 工業大腦開放平臺，基於該平臺，合作伙伴可以輕鬆實現工業數據的採集、分析、挖掘、建模，並且快速構建面向製造業領域的智能分析應用。
簡而言之，作為國內雲計算領域無可爭議的頭號玩家，ET 工業大腦是阿里雲對製造業尤其是中國製造業未來發展提出的一項宏大計劃。這是阿里雲過去兩年所趟出的一條道路，其核心則是數據智能，而現在，ET 開放平臺將讓更多產業夥伴加入其中，共同參與到數據智能賦能中國製造的偉大工程之中。
獨自前行：阿里雲證明了數據智能賦能製造業的可行性
相比於這幾年被炒作的「人工智能」，數據智能更容易被理解，也是一個被互聯網公司廣泛應用並得以驗證的解決方案。
不過，由於數據智能長期以來被應用到互聯網公司的產品中，也引發傳統行業的質疑：縱然數據智能造就了BAT這樣的互聯網巨頭，但數據只能也能夠應用到工業，比如製造業嗎？如果可以，又該從哪裡入手呢？
事實上，與公眾普遍認為的「勞動力密集型」不同，製造業長期以來都是一個數據密集型行業。製造業的數據不僅包括工廠車間機器的運行數據，還包括來自企業上下游的供應和銷售數據，更包括企業熟練工人的「經驗數據」。
但與此同時，由於缺乏技術條件，上述數據在很長一段時間內無法得到有效利用。早年的企業信息化實踐裡，更多的還是解決數據存儲的問題，無法從數據中挖掘出真正的價值。這也導致了不同部門的數據成為數據孤島，生產數據與銷售數據脫節；「冰冷」的數據被擱置在硬盤、磁帶等存儲設備變得悄無聲息，無法與工人的經驗產生交集。
這正是 ET 工業大腦切入製造業的一個入口。過去十幾年時間，數據智能驅動了阿里巴巴的快速發展，阿里雲也在數據處理方面擁有豐富的經驗，雖然整個阿里體系都沒有工業製造的經驗，但「門外漢」的角色，反而讓阿里雲能以更謙卑的態度和更客觀的視角，去直面當下製造業所面臨的數據困境。
首先，阿里雲讓企業數據成為一種在線資產，這不僅要打破了各個部門的數據孤島，更提供了一種以數據來洞察企業運行的新角度。
以 ET 工業大腦最早合作的協鑫光伏的切片生產車間為例，光伏切片生產的流程非常複雜，車間的溼度、溫度、砂漿上下部溫度、導輪上下部溫度等上千個參數在實時影響著生產，這也意味著，對任一參數的優化都可能是牽一髮而動全身的操作，幾乎是個不可能完成的任務，
ET 工業大腦的思路則是，將所有端口的數據標準化，所有數據上傳到雲端，讓數據成為企業的一種在線資產，製造業企業不再侷限在勞動力資產和機器設備資產，還包括數據資產。
其二，如何讓在線資產也就是數據產生數據價值，ET 工業大腦是怎麼做的呢？還是在協鑫光伏的案例裡，海量的數據、互相關聯的參數，倘若沒有強大的計算能力根本無法應付。
過去 9 年，阿里雲快速崛起，已經成為全球雲計算領域不可忽視的中國力量，這也使得阿里雲可以向製造業提供強大的數據處理、分析能力。
正因為此，ET 工業大腦具備了對協鑫光伏車間所有關聯參數進行學習計算的能力，從而也精準分析出與良品率最相關的 60 個關鍵參數，並搭建參數曲線，在生產過程中實時監測和控制變量。
六個月後，一個數字出現了，試點車間的切片良品率提升了1個百分點，如果以協鑫光伏的年產值換算，這意味著每年可節省上億元的生產成本。
隨後，秉承數據智能賦能製造的邏輯，ET 工業大腦開始在能源設備、橡膠、鋼鐵、化工、通信、半導體、LED封裝等行業裡展現出令行業震驚的威力，比如提升了中策橡膠 5% 的混煉膠合格率，再比如通過絲網印刷環節捕獲到了關鍵因子，將天合光能的 A 品率提升了 7%。
這些不同行業的落地案例也充分說明了數據智能在製造業領域的巨大潛力。負責 ET 工業大腦的阿里雲機器智能首席科學家閔萬里這樣評價，儘管不同行業間有著不同的行業特性、信息化基礎和特點也不盡相同，但找到解決最通用和最核心的那個問題，就能抓住行業共性中德最小公倍數。
開放平臺：人工智能的下沉與產業的結合
製造業顯然是一個巨大的市場，即便是新技術與製造業的結合，也是一個頗具想象空間的市場規模。根據埃森哲的數據，到 2035 年，人工智能技術的應用將使製造業總增長值（GVA）增長近 4 萬億美元，年度增長率達到 4.4%。
這也是 ET 工業大腦留給行業的機會。正如阿里雲機器智能首席科學家閔萬里所言：工業互聯網實際分為三個環節，首先是工業生產數據的採集，其次是生產數據的智能分析，最後是分析結果的下達，ET工業大腦只做其中的三分之一，即第二個環節的鑽研，其他的都將同產業夥伴合作。
在 ET 工業大腦的媒體溝通會上，閔萬里說了這麼一番話「（人工智能與產業嫁接）最難的就是要決定不要用最熱門的人工智能技術」。這句話的潛臺詞很多，從行業發展趨勢來看，製造業對於新技術的擁抱程度，取決於這些所謂「新技術」到底能給製造業帶來什麼增長機會，在絕大多數工廠車間裡，圖像識別也好、語音識別也罷，根本就是毫無意義的炫酷產品，企業也不會買單。
另一方面，過去很長一段時間裡，人工智能落地行業，尤其是製造業都面臨巨大困境，比如到底應該採用什麼技術，圖像識別？語音識別？再比如，作為「斤斤計較」的製造業企業，不可能與資本炒作的創業公司一樣拿出百萬年薪招聘毫無經驗的人工智能博士，那麼人才又從哪裡來？
在 ET 工業大腦的探索過程裡，工程師們走進工廠車間寫人工智能代碼，請教擁有一線生產經驗的專業老師傅從而優化改進代碼，類似這樣的反饋通路，使得 ET 工業大腦在人工智能技術選型以及部署方式上不追求新奇技術、不迷戀概念，而是一切以客戶問題為導向，也更貼近製造業的本質。
阿里雲在人工智能如何與製造業結合的探索也充分展現在此次開放的 ET 工業大腦平臺上。ET 工業大腦產品設計上提供了三個層次，分別是數據工廠、算法工廠和 AI 創作間。數據工廠很好理解，其核心就是如何將企業數據在線上傳。
算法工廠和 AI 創造間則需要展開一下。
首先，算法工廠服務的對象是製造業企業裡的工程師，通過定義算法需要用到的數據格式、資源、輸入輸出、參數、啟動腳本、算法包等內容，並且在通用算法調用流程、算法配置、封裝、部署方面提供一整套規範化的工具，使得工程師能夠集中精力處理算法問題，而無需在過多關注數據以及隨後的部署等。
此次阿里雲開放了三大行業知識圖譜、19 個業務模型、7 個行業數據模型以及 20+ 行業算法模型，同時，生態夥伴可以在該平臺上進行編程，將行業知識、大數據能力、AI算法便捷地融合到一起，為工廠量身定製智能應用。
其次，AI 創作間沉澱了阿里巴巴的機器學習算法，並且還有大量來自算法工廠所分享的行業算法，這些算法最後被封裝為一套所見即所得的可視化業務編排工具，企業開發者或工程師可以通過可視化的操作界面，開發者可以使用拖拉拽的方式對數據組件、算法組件進行任意組裝，從而滿足業務場景訴求。
毫無疑問，上述兩個產品將直接推動人工智能落地中國製造業的進程。一方面，算法工廠和 AI 創作間極大地將降低了製造業從業者進入人工智能的門檻，對於廣大製造業的工程師來說，人工智能可以成了他們改進優化業務的利器。
另一方面，算法工廠鼓勵企業開放自身的算法，能夠有效提升整個行業的人工智能基礎能力，試想一下，一個初創企業，如果從一開始就能夠採用和行業領先者類似的算法模型去優化自身的業務，那麼其發展前景也非常值得期待。
因此，ET 工業大腦開放平臺未來所扮演的角色，或將成為人工智能與中國製造業深度結合後的創新基地。阿里雲在其中提供基礎算法和彈性計算能力，大中小企業則專注自身業務的算法研發和優化，同時也可以將算法開放或者標價買賣，這一系列過程中，流動的數據成為最重要也是最核心的「生產資料」，製造業的萬億市場價值也蘊含在其中。
寫在最後：自主可控與中國製造業的未來
早年間曾有一個關於「金手指」的故事，大意是說，國內一家企業從國外接口的設備出現了故障，沒有人會修理，只能請來外國專家診斷，這位專家只是用手一指「這裡的參數要改一下」，就收費 1 萬美元，並給出瞭解釋：「指一下只要 1 美元，但知道在哪裡指出這個參數需要 99999 美元。」
不談這個故事的真實性，卻也真實反應了當下中國製造業所面臨的兩大挑戰，其一，如何擺脫對於外國技術的依賴，實現「自主」？其二，如何擺脫對於特定人才的依賴，比如，當某個產品的老師傅退休，這個產品的質量還可以繼續「可控」嗎？
ET 工業大腦在過去兩年所走出的這一條路也佐證了兩個事實：無論企業採用國外的什麼設備，只要能讓設備的數據實現在線互通，某種意義上也讓企業擁有了自主能力；而通過向車間老師傅「取經」，阿里雲的工程師也逐步讓老師傅的經驗數字化，並融入到不斷迭代的算法模型裡，從而也讓企業的生產流程變得「可控」。
如今，藉助 ET 工業大腦平臺，這些經驗、教訓或被封裝為一個個算法，或被溶解為一行行代碼，成為全行業可以共同利用的資源。在邁向「互聯網+先進製造業發展工業互聯網中國製造 2025」的偉大征途裡，ET 工業大腦只走完了一小段路，接下來的一段征途，「不會一直獨行」的阿里雲正在和越來越多的行業夥伴，共同探尋每一行代碼所帶來的無法計算的價值。
閱讀更多 趙賽坡商業評論 的文章
