69 工业智能吹尽狂沙始到金工业智能投资复盘.docx
《69 工业智能吹尽狂沙始到金工业智能投资复盘.docx》由会员分享,可在线阅读,更多相关《69 工业智能吹尽狂沙始到金工业智能投资复盘.docx(10页珍藏版)》请在冰豆网上搜索。
![69 工业智能吹尽狂沙始到金工业智能投资复盘.docx](https://file1.bdocx.com/fileroot1/2023-6/5/07b9d8b4-0a4f-4720-9e62-9b7fed8d9f06/07b9d8b4-0a4f-4720-9e62-9b7fed8d9f061.gif)
69工业智能吹尽狂沙始到金工业智能投资复盘
【工业智能】吹尽狂沙始到金:
工业智能投资复盘
微信号ai-cps
功能引见OT技术(工艺+精益+自动化+机器人)和IT技术(云计算+大数据+物联网+人工智能)深度融合,在场景中构建:
形态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知系统,实现产业转型升级、DT驱动业务、价值创新制造的产业互联生态链。
2020-06-09原文
收录于话题
以下文章来源于DT试验室,作者田上下雨
DT试验室
网罗市场动态和声音,共享个人关于行业和投资的认知,虽是一家之言,愿成聚变之势。
田上下雨 DT试验室
“ 从2018年初开头系统性的看工业智能,至今陆间续续已经快两年时间了,期间经受了工业智能领域从无人问津,到高瓴、红杉、高榕、IDG等大机构逐渐入场,本人手头攒吧攒吧也投了几个相关项目了。
近期由于要系统性的讲一下这个领域的投资规律,所以也是在这片自留地对整个投资过程和相关项目做个复盘总结,存档于此。
”
01
—
重新定义工业智能
首先开宗明义,还是先刷新下我个人对工业智能的定义。
其实一开头对此理解很浅薄,只是在做完鹏锐项目之后,模糊觉得像电力能源这样集中度较高的行业,由于其自动化、数据化程度已经较高,数据积累比较完整,所以会优先产生数据智能的机会。
因此简约的把“工业”和“智能”组合,制造了“工业智能”的概念,还写了一系列的工业智能文章(见下文:
延展阅读),并且后来这个概念也如预期般被更多人认可,想来多少有一点点小感动。
但是现在回过头来看,当时的观点还是相当稚嫩啊。
总的来说,产业互联网由于依托在数倍于消费行业的传统产业,而自动化、数字化程度又较低,所以潜在成长空间巨大,因此上至BAT,下至各大投资同行,大家都陆间续续重点关注产业互联网。
从根源上讲,我当时也是由于看好产业互联网的前景才关注到这一领域,但是产业互联网本身太大了,这就像大陆与台湾一样,单纯讲大陆与台湾不讲业务体系重构是很难落地的,所以再细分下来,我把目光聚焦到了产业互联网的生产端——工业互联网。
从产业进展趋势来看,我一直认为有两股力气在交替推动产业变革。
∙一股是“+互联网”,本质是处理信息不对称,实现资源再安排;
∙另一股是“+智能”,本质上是提升行业效率,提高生产力。
这两股力气就像武侠小说中武林高手体内的两股真气,在不同的时期会有一方占据上峰,另一方暂居下峰,两方交叉共同培养高手的一身绝世武功。
对于集中度较低的行业来说,行业分散、玩家众多,大家迫切于优先完成行业整合,此时“+互联网”的力气占据上峰,行业大玩家通过信息互联和数据打通完成对行业小玩家的兼并收购,实现行业整合;
而对于集中度较高的行业来说,行业已经完成整合,门槛较高、竞争有序,基本以大型集团型玩家为主,客户愈加关注本身生产效率的提升,此时“+智能”的力气占据上峰,行业大玩家期望通过ABC+IoT的新技术手段完成对系统的重构与生产效率的提升——这一类型,则是我想定义的“工业智能”。
他们发生在像电力能源、石油化工、冶金水泥这样的大部分流程工业的领域,以及像汽车这样的少部分别散行业。
02
—
核心方程式
工业智能领域的项目,这两年也看了很多,陆间续续走访了很多电力、石化、冶金、汽车等领域的头部客户,曾穿行在奥迪Q7的全自动产线,也曾深化到中石油炼化基地的最前沿,曾带着平安帽跑到某钢铁企业的高炉边凝视,也曾远赴边疆在一个变电站思考人生。
其中思考最多的,还是这个领域的结局。
对于流程工业客户来讲,产品相对标准化,不需要像离散行业那样完成所谓“大规模的共性化定制”,他们最期盼的,往往是在现有的生产约束条件下把企业价值最大化。
所以从这个角度来讲,这里面该当存在一个公式,一个在众多核心要素约束下的函数最大化问题。
目前看起来,我觉得最少有四个核心变量不行忽视(初步思考,欢迎补充):
∙工艺:
代表设备级的行业know-how,工艺的优化需要通过机理模型+数学算法相结合的方式实现对设备的自动优化把握。
代表案例:
和隆优化。
∙资源:
代表产线级的要素分布,资源的优化需要基于生产现场的资源约束及实际工况,实现对生产过程的高效排产与资源调度。
代表案例:
数策软件。
∙能效:
代表工厂级的效率实现,能效的优化需要打通全厂级别的数据,通过动、静态数据集成,实现能效分析和优化。
代表案例:
鹏锐技术。
∙平安:
工艺、资源和能效的优化打算了智能化的上限,平安运转则打算了其下限,前三个变量或许是积分的关系或许是乘方的关系(与价值正相关),但平安与其他变量都是乘的关系,理论上讲该当是一个[0,1)范围的变量,只要它无限趋近于1的时候,前三个变量才会发挥价值,假如平安大事频发(平安=0),则一切都是梦幻泡影了(Value=0)。
也正是由于如此,平安往往难以显性的为企业制造价值,或者说平安做到极致也并不制造增量价值,所以很多人并不注重,因之平安产业迸发一般要靠政府政策自上而下推动变革,或者大事触法引发行业变革,这几年国家网络平安法的推出和国家应急管理部等成立,以及频发的工业平安大事,也加速催生了如工控平安、应急平安这样的行业迸发。
代表案例:
天地和兴。
如上四个重要变量,是目前的投资实践下我认为几个比较重要的影响因子,肯定会有遗漏也确定有所偏颇,但是流程工业的目标,实现多维约束情况下的全局最优,在我看起来肯定是大势所趋,这其实也是我所理解的,将来经济下行大背景下的---“供应侧改革”。
03
—
投资复盘
下面就通过和隆优化、数策软件、鹏锐技术和天地和兴这四个项目的投资过程,来复盘并梳理一下工业智能的投资规律。
∙和隆优化:
和隆是近期刚刚交割的一个项目,但实际上关注已经很久了。
去年刚刚开头看工业智能的时候,梳理了这个领域大的投资规律,从边缘层和使用层的分析来看,面对主设备级的把握优化是很难的,反之也是具有很大价值的,由于这最贴近生产过程,也与工艺结合最紧密。
当时争辩了市场上几乎全部玩家,其实真正做的好的企业不多,阿里ET大脑和西安热工院有过案例,但是实际落地过程缓慢。
而相关的创业公司更是寥寥,很多只能做某一类单体设备,效果尚不明朗。
看到和隆优化的时候真是眼前一亮,这么一家企业,竟然已经在这个领域深扎了这么多年,几乎掩盖了冶金、热电和化工领域的全部核心生产安装,其技术路线完善符合我的“猜想”,即机理模型+数学模型结合的方式在工业实时优化中产生效果,现实上也是如此,他们在客户现场的优化效果格外显著,基本3-6个月可以收回投资成本,而且他们从一开头零几年就是“先进”的云+边+端的边缘计算架构,在这个传统的行业中实属“异类”。
当时18年底的时候联系了公司董秘,但由于公司不需要融资而一直没有进展,后来今年6月份公司启动融资后我们立马通过伴侣引见去聊,确定团队和业务的成长性没有问题便很快做出了投资决策。
∙数策软件:
数策是我晚期担任的项目之一,也是通过这个项目打开了我对垂直行业数据智能的认知,项目进展很不错,目前也是刚刚完成C轮融资。
回溯到当时的时间点,其实市面上做大数据使用的公司很多,明星的如TalkingData、百分点、明略等等,假如做泛而全的大数据公司,从定位上其实很难跟这些大数据公司找到差异化,进展上也会泯然众人矣。
所以团队从成立之初就战略聚焦在了汽车行业,在汽车这样的大行业里做重度垂直的行业使用,打通研-产-供-销全链条的数据使用,果真差异化效果明显,公司目前已经基本占据了汽车行业中高端品牌的半壁江山,将来想象空间格外大。
这个项目最好玩的的是他们在生产端的实践,以销定产的高级排产系统、以生产数据反向钳制的库存优化系统,这些针对生产过程的资源优化和调度,区分于以往老旧的MES、APS系统所供应的管理型功能,是新的IT系统,现实上也是大工业体系下客户都需要的。
行业趋势正是如此:
新的架构下产生新的使用,也必将为客户带来增量的新的价值。
他们从主机厂做到Tier1,从内资做到外资,挂念客户真正实现“以销定产”,将来前景可期。
∙鹏锐技术:
鹏锐算是我在流程工业智能领域的第一个项目,当时的契机是在围围着BIM/PIM方向看三维可视化相关的使用(这个方向现在时髦点叫数字孪生),表面上是可视化,其实质是面对工厂全部建筑和设备的主数据管理与集成——看多了大数据项目的我深知这一点是企业级大数据服务的基础,市场上老三家Aveva、Bentley、Intergraph基本很难支撑国内本土服务,因此国产可视化引擎有至少10年以上的机会窗口。
当时在北京看另外一个项目,做竞争对手分析的过程中发觉鹏锐,通过银行的伴侣引见和CEO鹏总建立连接,第一次去公司访问就大开眼界:
从底层加装IOT设备补足数据做动静态数据集成、到工业大数据平台建立、再到厂级的能效分析和协助优化决策,鹏锐的这一系列完备的产品组合,即便在现在看来,也是格外的“先进”且有竞争力。
投资完成到目前两年时间,公司的产品逐渐推广到京能、大唐、国电投、华能等电力集团和国网、南网两网公司,今年是很关键的一年,期望能顺当实现大规模盈利!
∙天地和兴:
天地和兴与前面三个项目都有所不同,他们是唱工控平安的,也就是时下特殊火的“工控平安”/“工业互联网平安”,前几天十三部委联合发文支持工业平安体系建立,为这个领域又添了一把火,实在让人始料未及。
时间回溯到18年我们投资的时间点,当时市场上最火的明星公司匡恩网络刚刚倒下,工控平安的大旗下一时间冒出一大批公司,像威努特、长扬等公司都声名赫赫,我们当时调研了这个方向大部分的企业,得到了这么几个结论并支撑我们投资了天地项目。
首先平安这个事情肯定是大事和政策双轮驱动的,国家网络平安法的推出和电网的各类频发平安大事,说明市场拐点已经到来,其次以电力为代表的流程工业存量资产价值高,预算充分,会优先落地工控平安相关使用,因此像小东总带领的这样具备电力行业+工控平安复合背景的团队会在竞争中占据行业优势,现实上也证明白这一点,市场需求快速起来的时候,只要这类从产品、人才、客户资源等各方面储备都已经ready的公司才能接得住、赶上来。
今年公司即将完成C轮融资,进展速度很快,期望早日成为工控平安领域的独角兽企业。
总的来说,无论是产业互联网也好,工业互联网也好,亦或工业智能也好,这两年看下来,大家都还处于格外早的初级阶段,创业和投资都在从不同的单点切入,大家共同努力在推动产业朝着最抱负的结局进展,这必将是一个漫长的过程,也必将是一条机会无穷的康庄大道。
中国工业总产值100多万亿,1个点的存量优化就是个1万亿的市场,将来未至,但机会已来,这是目前最重要的“正确而非共识”投资机遇,我会持续看好并将重注于此。
[写在最终]前端时间听冯立老师commonsense的共享,最近看邱国鹭前辈的书,关于常识、关于投资,共鸣良多,里面有一点很重要,就是要坚持思考,坚持记录。
以后再也不能一年一更了😂
延展阅读:
下一个即将到来的风口:
工业智能
田上下雨 DT试验室
过去一年来由于陆间续续发觉并投资了一批优秀企业,我开头渐渐归纳、思考一个新的概念,叫工业智能(IndustrialIntelligence)。
在下文中,我尝试把这个规律阐释清楚,并期望能将这个概念安利给有志于此道的伴侣们。
∙什么是工业智能?
以前我们一直认为,消费互联网红利已失,将来十年的结构性大机会肯定在产业互联网。
然而产业互联网到底是什么?
产业互联网落地之处在哪里?
犹如PaaS一样,一千个人心中有一千种产业互联网,这个领域很难去界定边界,因之提出工业智能,就是期望能缩小这个命题的范围,使之落地。
那么,什么是工业智能?
工业,我们习惯上把它分为流程工业和离散工业。
最典型的离散工业包括汽车制造、电子电器、机械制造等等,其中可能涉及到车、磨、刨、铣等多种工艺以及产线上的多种机床、设备的协同;而最典型的流程工业则包括石油石化、电力能源、钢铁、水泥、医药等等大批量、稳定且连续的生产过程。
个人看来,这里面最大的差异在生产的自动化程度、数据的可得性和工业的简单度,而最大的共性在于,每一个场景都需求各异,进入任何一个细分行业都需要有足够深厚的行业knowhow和上下游资源整合力量,具有相当的进入门槛。
核心点
流程工业
离散工业
产品品类
少
多
产品结构
简约
简单
自动化程度
高
低
监控方式
自动采集
人机协同
工艺
差异化小
差别大
智能,可以理解为数据化以及建立于此之上的AI。
去年以来,AI运动如火如荼,信任假如不是币圈链圈的造富神话,这波AI潮会连续热下去。
过去我们所讲的AI四要素:
算力、算法、数据、场景,如今前两个需求已经逐渐被满足,并且跑出一些头部的企业,我们也有理由信任,将来这两个领域肯定会构成典型的寡头垄断格局。
所以,接下来的机会在哪里?
看起来还是要回归场景,回归数据(GANs等并不完全处理实际问题)。
以产线自动化为始,多源异构的工业数据被采集,流转,分析并挂念构成决策和把握,端到端的处理方案就构成了当前行业player的典型画像。
∙为什么是工业智能?
1.蓝海
一个显而易见的现象是,工业尤其是制造业的GDP总量远高于零售、金融、建筑等行业;而一个不那么显而易见的现象是,工业领域的每天产生的无效数据量其实不逊于BATJ等互联网公司,一个大规模的工厂每天产生的数据量甚至能达到几十亿到上百亿条。
2.壁垒
虽然工业场景每天产生高频、海量的数据,但是大量的原始数据本身并没有直接意义,且有可能产生大规模时延和占据大量带宽,这也是ABB、Intel等巨头提出的边缘计算要处理的问题;但是,我们不只需要在某些场景做实时的监控和分析,也需要把更多数据采集到云端做更多维和更长期的经济效益及价值分析,这是云计算的价值。
而云计算+边缘计算,这是比传统消费互联网更细的颗粒度和更简单的架构,这也意味着更高的壁垒。
3.拐点
投互联网的兄弟们有一条很宠爱的规律叫做“CopytoChina”,“Copyto工业”是同样的道理。
大规模的数据使用和平台架构在金融、电信等行业经受了充分的验证和演进,加上中国制造2025在政策一侧的催化作用,构成了拐点成立的先决条件。
∙工业智能的玩家画像
对于众多参与工业智能创业的同学来讲,这是一门交叉学科。
终端用户的需求真真实切,却鲜有人能够满足。
究其缘由,现阶段的用户需要的不是单个产品,而是端到端的全体处理方案。
反推过来看,一个合格的工业智能公司,也该当具备全体处理方案的构造力量。
1.用户需求
首先,用户需求永世是第一位,不满足需求的技术都是伪命题。
举个例子,我们去年投资了一家容器云公司(现在看来,容器这一赛道的竞争不行谓不激烈),我们投的这家在激烈竞争中有幸拿到了电网的大单,为什么?
由于用户并不care什么是docker,用户需要的是一整套高牢靠的使用托管云平台,从IaaS,包括Openstack,包括VMware,到基于docker的PaaS,甚至于微服务解构,你都需要做,企业用户的需求不是容器,而是使用云化,技术永世不是制高点,满足需求的技术才是。
2. 行业阅历
对于传统制造业的大B客户来讲,本身业务场景简单,没阅历的供应商假如贸然进入很简约陷入其中难以自拔。
这个时候,就需要团队本身有很深厚的行业阅历,在必要的时候从顶层设计上对用户的需求加以引导。
以我们投资的上海数策为例,其合伙人团队有极其丰富的汽车行业阅历,能深刻理解主机厂从生产制造到供应链再到营销端每一环节的业务规律,从源头动身采集数据、定义模型、处理业务问题,陆间续续斩获了上汽通用、一汽奥迪、北汽福田等一批优质的标杆客户。
我们近期投资的另外一家MarTech企业同样符合这一特点,创始人是前易传媒产品VP,拥有15年的资深产品、技术和询问阅历,很多时候考虑的比客户还要深刻,从产品层面就引导用户使用习惯,挂念用户优化策略,他们也因此获得客户信任,公司业绩迸发性情外强。
3. 数据整合和产品架构
一套好的处理方案从一个完善的架构开头。
对于工业场景而言,从内、外部多源数据的整合开头,到云+端的平台架构,学问库的建立,合适模型的选择,再到反向决策和把握,只要完整打通,才能构成闭环。
我们近期投资了一家企业,服务于能源行业的大B客户,其业务外形很符合这个规律。
他们从边缘侧挂念客户加装传感器补充IoT数据,之后做静态、动态的主数据集成,在此之上建立的数据平台,有较好的全都性和完整性,配以合适的模型和业务规律,能很好的实现监控预警、毛病诊断和猜测性分析等功能,制造显著的经济效益。
他们也因此而获得了大量头部客户的订单,成长格外快速。
先进制造业+工业互联网