對話美的：如何修出智能製造的「內功」？
訪談｜樑子博
撰寫｜黃思語
編輯｜冀玉潔、樑子博
在全球低增長的環境下，技術浪潮正帶來商業模式的劇變，家電品牌正普遍面臨市場結構和增長方式調整的焦慮和迷茫。然而，在整體市場的低谷中，美的卻實現逆週期增長。
繼2013年A股上市後，今年9月17日，美的在港交所上市，據美的2024年前三季度財報，營收同比增長9.6%，以相對優勢領跑整體家電行業。把時間線拉長至近三年，美的集團歸母淨利潤從7.8%上升至14.4%，增幅不斷擴大。
以下是美的通過供應鏈與製造數智化提效的一些事實與數字——
內銷中，美的「以客戶為中心」的DTC變革，通過「產能交期可視、無交期不可售、訂單自動評審」實現100%訂單交期可視；外銷上，美的通過iBOS海外銷售一體化平台系統，集端到端全流程信息，海外訂單履約效率提升30%。
供應鏈與製造環節，通過集成供應鏈平台ISC實現全價值鏈提效節約10萬工時；智能家居業務中利用大小數據結合等方法，助力打造多個爆款產品；超過5000個工業AI模型，助力實現質檢、決策等多個智能製造環節的降本提效。
智能製造變革帶來的結果顯而易見，然而，改變非一日之功，內功也需要一點點修，相比結果，追溯變革的過程更有意義。
大模型如何在產線落地應用？AI如何賦能智能製造實現降本增效？從技術應用到管理提效的距離有多遠？AI落地技術研究的協同有效性又是怎樣的？
帶著這些問題，虎嗅智庫與美的智能製造研究院院長付旭進行了一場深度對話，他不僅在理論上有深刻洞察，而且在實戰中積累了豐富的經驗，以期為正在探索數字化轉型和智能製造升級的企業帶來啟發。
智能製造的本質：提質、降本與增效
在探索智能製造轉型的過程中，美的始終聚焦於製造的核心價值——提質、降本與增效。將這一理念轉化為具體實踐並非易事，它要求企業在工藝、裝備與數據等多個維度進行創新與優化。
Q
您認為美的在智能製造領域持續迭代變革，主要的驅動力是哪些？以及這種驅動力未來會如何演變？
A
付旭：製造業講求務實，美的智能製造持續變革的驅動力依然是圍繞製造的本質，即提質、降本與增效。
Q
關於降本增效，過去用精益管理，現在是通過技術來實現，您認為這兩點有哪些不同？哪個更好？
A
付旭：這兩者相輔相成，並不衝突。MBS（即：Midea Business System，美的精益運營系統），仍然是美的製造的核心，是一套非常高效和有效的管理體系。
同時，靠精益管理解決不了所有問題，還必須研發新的智能製造技術，比如先進的算法、自動化裝備、工藝、材料等等，這就是技術驅動。管理和技術雙輪驅動，相輔相成。
Q
工藝、裝備以及數據價值方面，有哪些提升生產效率或者產品質量的典型案例？
A
付旭：這些案例非常多。在工藝方面，比如在注塑工藝、鈑金工藝、銲接工藝、PCBA工藝等方向，我們都有很多成功的技術突破；另外，結合工藝突破，在新材料的研究和應用上，也取得了很多實際落地的效果，包括高分子材料和金屬材料。
在裝備方面，我們重點關注提升工廠自動化水平，在集成機器人、AGV等開發自動化解決方案的同時，我們還要自主研發設計滿足工廠需求的各種非標自動化設備。
在數據方面，重點關注新一代數字化技術尤其是先進算法的突破及在智能製造上的應用研究，提升工廠的數字化和智能化水平，例如通過數據分析打破設備運營狀態「黑箱」的情況，甚至可以對設備的關鍵部件做故障預測維護，配合備件管理提升設備使用效率。
還有像智能檢測、品質優化、能耗優化、智能設計、工廠規劃仿真、數字孿生等等，在工廠都有實際的落地應用。
從AI 質檢到管理提效
在武漢美的暖通工廠生產線上，機器人臂在精確控制的環境下進行著組裝、銲接、檢測與包裝等一系列複雜操作。
幾乎每走幾步就能遇到一個AI檢測點，AI檢測的應用不僅是美的打造5G全連接工廠的重要組成部分，更是其提升生產效率和產品質量的關鍵舉措之一。
Q
AI在視覺檢測方面的應用，具體做了哪些研究和成果？
A
付旭：在智能製造研究院團隊，我們開展的視覺檢測研究可以簡單分為兩類：靜態視覺檢測和動態視覺檢測。
靜態視覺檢測主要是指通過採集一張圖片，實現對產品的各種缺陷檢測，比如塑料件和金屬件的外觀瑕疵檢測、PCB的AOI檢測、產品標貼的錯漏反檢測、關鍵零部件安裝的防錯檢測等等。
動態視覺檢測主要是指通過對一段影片的內容進行分析處理，比如分析產線工人的一個完整的操作是否符合規範，就需要對一段影片進行處理，並結合影片內容的上下文和算法給出相應的判斷結果。
另外，我們還開展基於3D視覺的尺寸測量及視覺引導等技術的研究，也有實際的落地應用。
Q
對於員工的AI賦能有哪些？
A
付旭：從人員培訓、辦公效率的角度來講，AIGC的應用相對會多一些。
一部分是面向產線工人，體現在省人力、降低勞動強度；另一部分是面向工廠的管理輔助人員，利用AI可以輔助人處理海量數據。
原來設備運維全靠人工做設備數據的填寫，現在隨著設備具備了AI算法和數據採集的能力，設備運維從傳統人工維護的方式升級成數字化的方式。
Q
咱們在AI落地層面，您認為可能受哪些因素或環節的影響比較大？
A
付旭：要讓AI落地，本質還是它的有效性和實用性，不能盲目追捧業內出現的一些新概念。
AI現在有很多好的應用場景，比如ChatGPT在輔助辦公、提升工作效率方面，都有很大的幫助。
但在工業領域，這不一定是最實用、最有效的，還需要繼續探索和定義更有價值的AI應用場景，比如如何用大模型更好地提升AI檢測的準確性。
AI落地與技術協同的有效性
AI技術的研發從算法、智能模型的構建，到適配複雜的工業場景，都需要與企業現有的技術體系、業務流程實現深度協同，才能發揮出最大的效能。
Q
美的智能製造研究院與集團層面的研發如何做協調配合？
A
付旭 ：美的智能製造研究院是集團的研發平台之一，主要面向大製造體系，包括製造、品質、供應鏈等，開展一些前沿技術的研究和應用創新。
我們是平台單位，既需要做集團層面共性的前沿技術的主線研究，同時也會與事業部合作完成一些認為有挑戰有難度的迫切需求，內部團隊和業務間有規範且成熟的協作流程，研發成果傳遞、落實和實施路徑也比較清晰。
研究院一方面不會只專注於前沿技術的研究，因為研究技術本質上目的是解決實際問題，另一方面也不會只聚焦事業部業務需求，研發目標也要服務於集團戰略從長計議。
Q
您認為做智能製造升級，在生產過程中哪個環節難度會比較大？例如根據實際經驗做升級改造，對於產線、設備的部署從技術維度或企業的角度，如何規劃和考量？
A
付旭：智能製造轉型是很多企業堅定去做的事情。從發展的眼光看問題，不同的階段會涉及不同的考量，比如說團隊的資源、能力、規模都可能會影響投入。
不同的企業容忍度不一樣，要投入這項技術值不值得？有沒有長期投資的打算？投進去多少年能得到回報？這些涉及企業戰略和發展規劃，都需要仔細斟酌。
從技術維度講，相對簡單一些：要解決某個問題，應該用什麼手段或用什麼技術，這是非常清晰的。但這個投入值不值得，衡量的指標就是ROI。
整體上美的集團對研發類ROI比較寬鬆，也會根據實際情況動態做調整，需求不一樣，衡量維度的標準也不一樣。
Q
對於通用性和普遍性技術的研究，咱們投入的重點主要在哪裡？
A
付旭：通用技術和普通技術之間沒有非常明確的界定。任何項目投入之前都會做評估，首先做需求評估，也就是這件事情值不值得做？
其次是投入這件事的收益是什麼？比如節省成本或者改善品質等。
做好這兩個階段的評估之後，如果表明這個事情值得做，下一步便開始怎麼做，製定討論、預演不同的解決方案等。
Q
技術研究如果沒做出來，或者說失敗了，有沒有相應的懲罰？
A
付旭：智能製造研究院是鼓勵創新、大膽嘗試新方向的。研究有成功也可能有失敗。
研究院是容許失敗的，我們內部提倡的原則是：項目可以失敗，但必須是竭盡所能、明明白白地失敗。
通常失敗原因我們總結為兩類：一是技術本身不成熟，屬於行業長期痛點且突破成本巨大，無法成為通用技術研究對象；二是受團隊能力或工廠製造條件限制。
Q
您認為在數字化轉型或者AI應用方面，應該避免哪些誤區，或者說您對一些打算應用AI的企業有什麼建議？
A
付旭：我認為最應該避免的誤區就是把數字化或者AI當成是萬能的，而沒有考慮企業的實際情況。每個企業能夠清晰地評估自身所處的階段非常關鍵。
從工業4.0的角度講，企業自身是處於1.0、2.0還是3.0需要判別清楚，然後才能找到通往工業4.0的正確和有效的路徑。如果連基礎的經營管理都沒有，何談AIGC的應用？
其次是對技術的理解。要明確技術是不是真正能解決問題，投入新技術的初衷是解決當下業務的問題，或者服務長期發展的規劃，不能為了追求新概念而進行盲目投入。
另外在應用實踐過程中，要做好項目評估和技術目標，AI與當前系統需有效銜接，從研發到落地也需整合驗證。
關於
致力於推動產業數字化以及以「雙碳」轉型為代表的可持續發展，為參與這個進程的中國企業高管、政府相關決策服務。我們主要的服務手段主要為：研究型內容（報告、分析文章、調研評選）、數據庫、線上線下活動與社群、定製型項目等。
我們提供的
核心價值
及時與優質的洞察，瞭解技術、瞭解行業、瞭解同行與對手；
為決策者技術與產品戰略決策、產業規劃、解決方案選型提供重要參考；
幫助市場全面瞭解前沿科技及所影響產業的發展狀況，還有未來趨勢。
