不少人认为，所谓的智能工厂一定要有最完善的智能化产线，以及机械操作臂、AGV 搬运车、码垛机器人等最先进的设备。但是，很多企业在智能化转型的初期，往往无法一次性到位，对旧工厂、旧设备的改造，几乎无法避免。

友达是全球头部的显示面板设计、研发、制造和销售公司，最早的工厂筹建于 20 多年前，所以很多设备在早期也不具备良好的数据采集和联网基础。但是，这些令很多传统制造企业在数字化和智能化转型过程中非常头大的旧设备和旧产线，似乎没有变成友达的“拖油瓶”，反而，友达利用AIoT技术为它们焕发出了新的生命力。

几年前，笔者曾经在参观友达苏州工厂时看到这样一幕：很多老旧设备的监测表头前都加装了一个摄像头，通过对表头数据（包括温度、压力等）进行图像识别和读取，把无法进行数据采集的关键设备信息也上传到了后台，供后续数据分析使用。这就解决了既要保护原始投资，又想实现数据获取、传输和应用的问题。

而这其实不过是友达借助 AI、IoT、大数据等数字技术实现智能化升级的一个缩影。从 2015 年开始布局智能制造以来，除了对旧设备的改造，友达还布局了大量智能化设备和软硬件基础设施，在智能化的技术、场景、人才等方面积累了大量经验，这些经验先是在公司内部得到了广泛且深入的复制落地，随后又转化为技术产品向外部进行智慧工业服务输出，成为友达的另一增长曲线。并且，就在 2021 年，友达还凭此转型成效获评了世界经济论坛的“全球灯塔工厂”。

是什么让友达“积极转型”

故事要从 2015 年讲起。那一年，友达开始在全集团范围内投入大量资源进行数字化建设，其中包括数据整合与数据分析技术提升等。2016 年，阿尔法狗大战世界围棋冠军李世石，并以 4:1 的总分获胜，AI 技术迎来高光时刻；一年之后，友达很快启动了全面智能化战略，开始在内部通过 AI 等技术与先进制造融合，构建自感知、自决策、自执行的智能系统。

“所谓的自感知就是数据能被采集侦测，比如设备的状况能通过 IoT 技术做到实时监测；自决策就是数据采集后可以借助 AI 技术进行数据分析建模，从而实现自主决策，例如是否要调整参数或者停机等等，并且不管数据是在边缘、云端还是本地；自执行就是在决策完成后，可以把决策动作反馈到后台，让智能系统做自执行、自调整，形成闭环。”艾聚达信息技术（苏州）有限公司（以下简称“艾聚达”）总经理赖骏凯在接受 InfoQ 采访时解释，从技术角度而言，这样的智能系统正是 AI 与 IoT 技术融合的表现形式，是AIoT落地的成果。

艾聚达是友达在 2018 年成立的工业服务全资子公司之一，主要提供 AI 赋能的 HaaS 平台解决方案，透过 AI 技术赋能边缘硬件产生数据价值，助力企业智慧化升级。具体来说，艾聚达基于 AI 技术，可以帮助企业提取数据价值并将算法模型赋予终端，让边缘硬件产生智慧决策能力。凭借在制造行业多年积累的丰富场景应用技术与算法模型，能够为各企业提供工业自动化、边缘智能化、工业大脑、工业人工智能平台四大解决方案和服务。

和艾聚达同年成立的，还有另一家工业服务子公司友达智汇，主要提供规划咨询服务解决方案、数字化工厂解决方案、智能工厂解决方案和绿色智慧园区解决方案。2021 年，友达在全球的智慧工业服务全新事业：友达数位成立，艾聚达和友达智汇都划归为旗下子公司，共同为制造业转型升级贡献力量。

事实上，变革是一件需要强驱动力的事情，和大多数企业一样，友达最初做数字化和智能化，也有很多外部因素的推动。赖骏凯告诉 InfoQ，光电是一个竞争非常激烈的行业，尤其是在过去十年间，国内面板市场出现了大规模的扩产，对于友达这样的光电制造领导企业来说，必须提前布局思考如何从规模竞争转向价值竞争。

所谓价值转型主要表现在两方面：首先，是产品形态的转变，专注于高附加值的产品；其次，是订单形态的变化，从规模化生产转变为少量多样的订单生产。举例来说，“现在大家打游戏对画面的要求越来越高，我们就必须做超高刷新率的产品，以前这种产品的标准是 90 赫兹，也就是一秒刷新 90 次，但现在在电竞领域，我们已经可以做到领先业界的 500 赫兹。”赖骏凯表示，“外部环境的这些变化，要求我们必须做高度定制化，必须少量多样地去生产，但是这种生产方式会带来一个很大的挑战，比如产能会有所损失、成本会增加、良率会变差，这就是我们转型过程中的‘痛’。”

除此之外，还有一个关键的矛盾点——市场需求变快、产品周期变短，但面板产品的制造周期却相对长。用赖骏凯的话说，产品优化和生产的速度都不一定能跟上产品需求的变化速度。“所以，正是这些源源不断的问题促使我们很早就开始思考，如何通过新的技术提升内部的竞争力，如何用新方法解决旧问题。”

AI 解决了哪些问题

2017 年开始，AI 成了友达应对这些问题的那个“新的技术”和“新的方法”。具体来说，赖骏凯认为 AI 在制造行业主要有三大应用场景——数据科学、工业质检和智能监控。

以生产排程计划为例，赖骏凯表示，在面板制造的过程中有一个关键制程，每个产线配备的设备比较有限，所以作为一个稀缺资源，这类设备的排程计划会直接影响生产效率。

“比如，这个设备一次要生产多少片面板、一天要产出多少量，如果产品在 A 设备上良率比较低，这时候就必须在 B 设备上生产，这些都是限制式。而这些限制式一旦达到一定数量，比如十几种甚至几十种，用人工去计算的工作量是大且繁复的。”赖骏凯表示，过去这个工作需要由最有经验的工程师每天花时间用 Excel 表格手工完成。

但这种“传统”的模式不只效率低、调整次数有限，而且很难与 MES（生产执行系统）联动生产。“而利用 AI 模型，我们只要把限制式输入进去，它就能直接输出一个最佳排程结果，告诉我们今天最多可以生产多少产品，甚至什么时间点要产出这些产品。这么做的好处不只是效率变高了，也使得该关键设备的产能得以提升。

同样的道理，面向员工的排班工作也可以由 AI 完成。在友达工厂，基于由 AI 自动化进行的排岗、调休和操作规范知识库实时支持，员工每天上岗后就可以非常清楚自己当天的主要工作、具体的生产任务、操作注意事项等等。

另外，其中还有一个令人拍案的巧思之处在于，友达在每个关键岗位也加设了摄像头，结合 AI 技术可以分析员工的作业节拍，判断动作是否标准等。这样一来，传统工位就摇身一变变成了智能工位，过去可控性比较低的人工作业也实现了相对的标准化，在生产环节就提高了对产品质量的把控。

而为了提高产线的可控性，除了对人的操作做追踪，还要对设备的运行状态做监测。比如我们在开篇中提到的那一幕，通过摄像头读取表头数据的目的，事实上就是为了对设备做监控，一旦设备出现故障，可能直接表现为温度、压力等数据异常，这时候就可以立即给设备工程师下维修订单。

赖骏凯介绍，如今在友达工厂，早期那些加挂固定式的摄像头很多已经升级成了移动式的摄像头，通过加装在机械臂上，不但可以用来读取数据，还可以去完成一些不适合人工完成的操作。比如在车间的一些角落，人要进去比较困难，很容易撞头或者发生危险，这时候，机械臂的摄像头和自动巡检机器人配合就可以替代人工作业，完成点检的工作，用来规避这些安全隐患。

如何搞定“人”的问题

由于友达的智能化转型起步较早，当时行业内几乎没有可参考的案例和路径，所以回顾这 7 年的历程，赖骏凯坦言他们也走过一些弯路。

赖骏凯回忆，最开始友达对于 AI 这样的新技术也不熟悉，如何把它与制造流程结合更没有概念，所以初期只能先依托外部资源进行项目合作。“他们的确给我们带来了新的技术思维，对我们视野产生了新的扩展，但是在这个过程中我们还是遇到了两个问题。一方面，这些公司不够了解工业现场的场景和一线的真正需求，这使得我们之间的沟通成本很高；另一方面，当技术公司在项目完成撤出后，除了产品本身，他们的能力并没有留存下来，使得我们无法基于新的技术能力持续进行制程优化。”

友达很快意识到，这个困境的症结出在“人”上。于是，从 2018 年开始，友达每年都会安排遍布于各地、各个产线、各个部门的工程师进行脱岗学习，他们不只是技术人员，还可能来自生产部门、研发部门或者品质管理部门。在这个过程中，他们会先花大概数个月的时间学习 AI、RPA 等最新的技术，然后再用近一年的时间做专案，让每一个人了解除了过去他专精的业务领域之外，AI 技术还可以解决哪些业务问题。

“随着我们 AI 落地经验的不断积累, 也摸索出工业应用的核心场景, 即将过去积累的经验转化为 AI 工具平台，也就是说，后进的人只要通过已平台化的工具就可以快速获得 AI 能力去解决问题。比如，我们有一个 AI 平台，它可以帮助员工在上面快速做数据分析，做最佳参数推荐。”赖骏凯表示，这一平台的使用门槛非常低，只要对制程机理有一定了解，进公司大概半年时间，就能在上面灵活运用 AI 工具帮助自己探索数据价值，而不一定要懂代码、懂 Python。

那么，有了技术又找对了场景就能万事大吉了吗？真相往往没有那么简单。据了解，友达最初通过 MES、ERP、IoT 等系统的融合把数据做了统一的整合管理，然而，转型初期的数据利用率偏低。很多企业在数字化、智能化的推进过程中也会遇到类似的问题。

在赖骏凯看来，这一方面是管理的问题。还以设备故障维修为例，虽然 AI 可以帮助工厂做数据读取、数据分析，实现故障预警。但是，后续的维修动作还是由人来完成。过去，产线生产员工和设备工程师之间的关键矛盾在于，设备出现故障会直接影响生产人员的业绩，但与工程师的业绩无关。所以，设备维修这件事最后往往是后者不急前者急。

为了解决这个问题，友达的办法是装预警灯+APP“抢单”。如果设备出现故障没有及时维修，预警灯就会长亮。而在后台，通过“抢单”的方式可以快速匹配工程师进行故障维修，并且所有维修结果，包括平均用时等等都会通过数据结果呈现到后台，与工单价格直接挂勾。通过这种管理模式的改变，友达的工厂车间从“有故障没人修”变成了“有故障抢着修”，从反应式管理变成了预测式管理。

另一方面，数据利用率低也是人的思维因素使然。“比如，那么多数据呈现在眼前，但不知道如何将其价值充分发挥出来。这时候我们就需要通过一些培训和机制培养员工在这方面的能力，让大家知道自己关心的指标什么情况下异常，如果发生异常应该采取什么动作，其中的数据量够不够，如果不够是否需要通过 IoT 再补充收集数据等等。通过这样的方式慢慢培养工程师的数据思维，让大家的能力螺旋式上升。”赖骏凯解释道。

也就是说，要让数据驱动形成闭环是一个系统工程，既要有技术维度，也要有管理维度，二者融合才能让效果最大化。

写在最后

其实，变革这件事就像是过河，有人早早上岸，有人正在蹚水，有人还在观望。

赖骏凯表示，这是一个从 0 到 1、从 1 到 10、从 10 再到 100 的过程。企业不需要急于求成，一开始就投入大量的资源。而是找准自己的问题点，在几个关键的业务场景先针对性地投入做试点，取得一定改善成效之后再进一步复制平展。

比如，对于友达来说，并没有一上来就把老旧设备都抛弃，也不是一步到位全做了改造，而是先从关键设备开始，逐步对旧设备实现了数据联网，再逐步实现 AI 自决策与异常自调整。

“并且，我们在做任何流程改善的时候，都会先做流程梳理，然后再做流程精益，在精益化完成之后，才能把一些新的技术逐步放进去，形成新的智能化制造流程。”赖骏凯强调，“这么做的原因，一是避免资源浪费，二是让内部员工看到新技术的价值。”

如此一来，无论是数字化还是智能化，才能在企业内部形成自上而下、自下而上的可持续正循环，形成滚雪球式的效应放大，让企业真正从中受益，实现降本增效、提质转型的最终目的。