"智能工廠"這個詞這些年很火，我們對它的總體印象就是把機器、產品、人員和系統連在一起，然後實現自動化生產。企業都希望通過智能工廠，以更低的成本，更高效、更靈活地生產產品。

但究竟多智能才能被稱爲"智能工廠"呢？你會發現，我們很難有一個可量化的標準。我想給你一個參考值，請你來看看華爲的智能工廠做到了什麼程度。

數字總是最直觀的，我來給你一組華爲手機生產線的數據，你來體會一下。

2014年之前，華爲的一條手機生產線需要配備86個工人。現在呢？

從物料上線到最後手機包裝完成，整個流程只需要14個人，產出還有提升，現在每28.5秒產出一部手機。相當於說，今天華爲工廠的生產效率是數字化智能製造推行前的6倍。

只是聽數據你可能沒有畫面感，還是不清楚智能工廠長什麼樣。那接下來，你就跟着我一起參觀華爲的松山湖生產基地，我來給你當一回導遊，我們去看看剛纔說的這條手機生產線吧。

好，你現在站在生產線前了。這條生產線全長120米，你從頭開始往前走，前60米只能看到一個工人，其他都是機器在幹活。傳輸帶自動把零件傳到產線上，機械手自動抓取需要的零件，然後再把不同零件自動組裝起來。

這是裝配環節，你肯定知道，手機這樣的產品零部件能有幾千個，必須經過嚴格的過程檢測。那現在就請你跟我來看看手機生產線的智能檢測系統。

這個檢測系統叫"N點照合系統"，它的任務是快速定位問題到底出在了哪道工序上。具體是怎麼工作的呢？就好像是幾位醫生在對着患者的CT圖進行聯合會診，這個CT圖，就是這個檢測系統“拍”下來的。

不是簡單的拍照片，而是把產線上所有檢測設備檢測到的數據彙總，比如光學檢測設備拍到了不同器件的位置圖，ICT設備檢測到了不同器件的電阻值等等。有了這張圖，這個檢測系統就可以自動診斷了。

在我們參觀生產線的時候，你會看到一樣東西在車間裏跑來跑去，那就是物流機器人。如果你對工廠的印象還停留在工人自己配送物料，那就太落後了。

智能工廠都是靠這些機器人從倉庫往產線上送物料。除了它們，還有高架無人叉車等其他自動化設備，以及調度這些機器人的智能系統。

好，我們的參觀到這裏暫告一段落。

三個提醒

我們來回憶看看這些年華爲“手機智能工廠所取得的成績。

2014年到2020年，華爲工廠的生產效率平均每年提升超過了30%，這7年時間提高了6倍。

工業時代，我們反覆在強調的是“精益生產”，大家都在努力擰出毛巾上的最後一滴水，以此來提升效率，持續優化，創造價值。到了數字時代，怎麼讓“精益生產”插上“智能製造”的翅膀，是華爲一直在探索和努力的方向。

如果你的企業就有生產線，也做到精益生產了，現在就在想怎麼把智能工廠給幹起來，那麼華爲想給你幾點提醒。抓好這幾點，你也許可以少走一些彎路。

第一個提醒是，要先搭好數據底座。

數據底座怎麼建呢？就是全量全要素的連接和實時反饋系統。對智能工廠來說，怎麼就做到“全”了呢？你可以抓這麼5個要素：人、機、料、法、環，也就是說，工廠裏生產產品的人、機器、物料、工藝流程和環境，要都能被計算機識別。

有了這個底座，萬物就有了共同的語言，人、機、料、法、環之間就可以通過物聯網、互聯網進行溝通。這個數據底座，設計、研發和製造要用，採購、供應鏈和安裝服務環節也要用，還要延伸到供應商和客戶。

數據夠“全”了，在實現連接的時候，我有一個對於工廠的特別提醒，就是要有成本意識。工廠廠房和企業辦公室不一樣，工廠面積大，沒必要所有的環節都得用5G、上WiFi，比如說物料運輸就不需要太高級的網絡，但是機器精密製造的環節，網絡時延就得提升到毫秒級。

數據底座對於智能工廠來說至關重要，能夠跨越組織邊界儘可能的實現全量全要素的連接和實時反饋，對工廠而言有百利而無一害。我給你舉個例子。

華爲曾經有一次在生產過程中發現一批手機開不了機，這是非常嚴重的產品質量事故。我們事後分析發現，是因爲某個供應商提供的一種物料有問題。

損失暫且不說，只看這種事後管理的生產模式，就會讓我們非常被動。發生這次事故的其中一個重要原因就在於，我們沒有把供應商器件的質量信息提前接進到生產系統裏。

後來，華爲和供應商一起合作，打通了物料的質量信息，華爲不僅能知道某個物料屬於哪個供應商，還能知道生產批次、產品序列號、生產日期、關鍵的生產過程參數等等。再配合管理模式改進，從此避免了產品批量出現質量事故的問題。

有了這樣的數據底座，能做的就不只是信息覈查了。華爲搭建了一個能實時監控物料質量的算法系統，實時接入了供應商的生產測試數據。這樣一來，華爲工廠在物料剛生產出來的時候就能知道它是不是有問題，如果有，還能知道哪個工序、哪臺設備、哪個人、在哪個環節出了問題，自動通知供應商去處理，華爲也就大大地提升了使用的原材料的質量。

好，剛纔我們說到，搭建數據底座要把人、機、料、法、環都變成數據。這裏有一個小環節我得單獨拎出來跟你講講，就是產品設計。我有個提醒，在把工廠內外所有要素變成數據的時候，要優先實現設計與製造的數字化融合，在設計環節構建制造要素的數字化。

爲什麼要優先強調產品設計呢？

因爲設計是產品製造的源頭，一個產品只有先設計好了，你才能下線生產。

試想一下，如果是製造一部手機，後端工廠用的是已經數字化了的智能設備，但前端的設計還在用圖紙。一旦生產出來的產品有問題，還得先停掉生產線，等設計部門調整完參數，給到你新的圖紙之後才能再開始生產。這種模式不僅浪費了產能，還極大地拉低了生產效率。

其實，像產品的開發、檢測、製造和安裝，都可以在設計階段預演一遍。

還是舉個例子，華爲在全球建設各種無線通信的基站，我們的設計人員可以先構建一個數字化的虛擬基站模型，然後戴着VR眼鏡和感應手套就能進行不同場景下的虛擬安裝，看現在設計的這個版本的參數是不是最優方案。

如果不是，設計人員就可以先迭代幾遍，再把最優的設計方案給到工程安裝部門，這樣就能省掉很多時間成本和測試成本。

到這兒，我們已經把轉型智能工廠時要注意的兩件事給理清楚了，建數據底座和優先設計環節的數字化。但做事還得靠人，接下來我們來梳理，想要工廠變得智能，人該做點什麼。

從組織層面來看，如果想轉型成智能工廠，就必須搭建平臺能力，形成平臺支撐下的精兵作戰的組織體系。

企業要數字化轉型，必須把能力沉澱在平臺上，做智能工廠也一樣。數字化轉型的過程中，會用到很多先進技術，比如物聯網、大數據、雲計算、人工智能等等。如果不把每一項能力都模塊化，沉澱到平臺上的話，那每一家工廠在轉型的時候都需要從頭做起，成本會非常高。

華爲工廠甚至把一臺一臺的裝備都變成了平臺模塊，能夠滿足客戶定製化的需求。

比如產品生產出來了，客戶要求多加一個攝像頭，多安裝一個抓手，這在以前很難實現，但現在因爲變成了模塊，可以按需排列組合，就有實現的可能了。

你可能會想，能力都沉澱到平臺上了，那員工是不是就沒事兒幹了呢？其實並不是，轉型智能工廠之後，工廠對員工的隱性知識的要求會越來越高。

什麼是隱性知識？

隱性知識是那些無法通過簡單的講述來傳授，必須在長期實踐中才能體悟到的知識。這就像我們教別人游泳一樣，我們是不可能通過給別人講如何游泳就能教會他的，哪怕我們把游泳的各種姿勢、角度、技巧講述得再好，這個人也必須親自跳到水裏，自己感悟才能學會。

製造型企業就有非常多這樣的隱性知識。

比如造芯片的光刻機，中國現在還造不出來高端光刻機，即便別人把機器賣給我們，我們自己拆了零件重組，組裝出來的機器的精度也會下降，而且不同的人來操作這臺光刻機，最後造出來的芯片也是不一樣的。

爲什麼？

這就是機器背後的隱性知識在起作用。最簡單的一個例子，荷蘭光刻機巨頭ASML用的光刻機鏡片，用的是幾代人傳承下來的拋光工藝。同樣一個鏡片，如果不同手藝的工人去磨，光潔度能差到十倍之多。

所以，智能製造不是搞一臺打印機，我們在一邊編好程，等着打印就可以了，而是需要員工具備越來越高的know how的能力，掌握工藝背後的底層算法和邏輯。