图片来源：摄图网

十七年前，时任《哈佛商业评论》主编的 Nicholas Carr 在一篇长文中挑战了信息技术作为商业战略武器变得越来越重要的传统智慧。

他发现，IT 遵循着与铁路、电力等早期技术极为相似的传播和演化规律。随着信息技术已经开始将自己从潜在的战略资源变成和水电一样的商品，它们正在变成所有企业都必须支出的成本，也因此不再具有真正的战略价值，因为后者靠的是稀缺性。

文章引发的轰动直到今天还音犹在耳。亚马逊 CTO Werner Vogels 在一次公开采访中曾赞许该文，IT 不再是公司差异化竞争所在，公司最重要竞争力是为客户构建与众不同的能力。只不过，时过境迁，这一次 IT 技术又多了新的成员机器学习。

从最初「基础款」到 2016 年发布机器学习服务，AWS 历经十年，当时发布的服务也只有三个。最近三年，AWS 更新节奏明显加快，每年增加的服务和功能超过 200 个。特别是去年，一系列自带场景有趣产品的发布表明，机器学习步伐明显加速。

在 2020 年底的年度 re:Invent 全球大会上，AWS 一口气带来 180 项更新。与往年明显不同的是，其中五项机器学习服务直接用于工业领域，包括 Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama 一体机、AWS Panorama SDK 和 Amazon Lookout for Vision。

这也是 AWS 首次推出的开箱即用的工业领域机器学习解决方案，旨在为有一定数据但技术能力薄弱（缺人、缺钱）中小型制造商，提供逐步采用新技术的机会。

一、为什么是工业？

生命科学与医疗、消费品、科技与媒体，是中国应用 AWS 最多的领域，跨境出海企业中，金融服务、能源科技公司也对上云有丰富需求，但 AWS 也有足够的理由开辟工业领域新战场。

制造业年度数据产生量为各行业之首，每年大概可产生 1,812PB 的数据量，超过通讯、金融、零售等行业。在过去二十年中，制造企业决策过程因数字信息的大量增长而变得复杂，企业正试图通过智能化技术有效地处理和利用信息，解锁数据的模式和可用性，解决之前甚至无法预见的问题。

《造有道智万物——德勤人工智能制造业应用调查》显示，制造业年度数据产生量为各行业之首。

工业界普遍认为，工业人工智能平台让企业以更低的成本应用人工智能，是人工智能在工业领域的落地和普及的必要条件。近些年，以制造业为代表的千行百业的客户需求正在爆发，工业已经成为市场规模增长最快的传统产业领域。

特别是疫情之后，互联网云厂商都在不断强化工业领域的布局。

《造有道智万物——德勤人工智能制造业应用调查》显示，人工智能被制造业寄予厚望，也是传统行业中，市场规模增长最快的领域。

在典型场景和「 Killer App 」上，AWS 和其他互联网大厂一样，将自身在机器视觉上多年积累和优势延伸到质量检测、预测性维护和工作场所安全等三大工业场景。

《造有道智万物——德勤人工智能制造业应用调查》显示，AWS 关注的几个应用场景都位列其中。

一方面，这些场景存在可观且颇具潜力的市场。

比如，现代制造系统非常精细，故障率通常只有 1% 或更低。但即使很小缺陷也会让企业付出昂贵代价，小则替换、退款，大则削弱客户信任。因此，发现并标记那些被遗漏的缺陷仍然非常重要。

半导体、PCB 行业，康耐视、基恩士大都采用传统的视觉算法分析方法，基于成熟的模板匹配、灰阶等算法，不仅会有漏项，也需要有许多工人复检。

无论是必胜客还是达美乐(Domino)，保质保量的生产出符合标准的披萨是他们的首要目标，一旦尺寸不合格、配料不齐全或是奶酪含量不达标的披萨流入市场，会给公司带来巨大损失。

相较于传统红外等传感器，机器视觉可以表达更为丰富的信息，随着传感器等硬件成本不断降低，AI 在质量监控和缺陷管理方面的潜力被一致看好。

晶圆上同一部位重复出现划痕，再综合传感器数据，可以用于识别相关制程问题或设备问题。

德勤的一份制造业调查报告显示，未来两年内，将有更多人工智能技术用于产品质量监控和缺陷管理。

《造有道智万物——德勤人工智能制造业应用调查》显示，在智能生产领域，目前应用比较多的场景是自动化生产工厂与订单管理和自动化排程；未来两年内，将有更多人工智能技术用于产品质量监控和缺陷管理。

至于预测性维护，制造现场一旦发生故障，常常需要具有 10 年以上经验的技术员才能解决，故障不解决就会导致大量次品的产生，甚者会造成停产。

较之中国工业的粗放，迈入成熟、追求精益的西方工业体系可能更需要它。设备维护，实际上是生产系统成本中最重要的因素，但有三分之一的美国制造企业的系统维护是白花钱。

精益管理只能解决可见的问题和浪费，却无法去预测和管理不可见因素造成的影响，比如性能衰退、精度缺失、易耗件磨损、工艺参数不稳定等。

另一方面，这些场景的技术应用门槛都不低。特别是预测性维护，非常复杂，以至于企业很难实现自身预期。

企业不仅需要雇佣熟练的技术人员和数据科学家从头构建复杂的解决方案，同时需要针对用例识别和购买正确类型的传感器，并将它们连接至 IoT 网关。接下来，公司必须测试监测系统并将数据传输到本地或云上进行处理。只有这样，数据科学家才能构建机器学习模型来分析数据模式和异常情况，或者在检测到异常时创建警报系统。

即使一些企业已经为在设备和必要的基础设施上安装传感器用于数据连接、存储、分析和警报方面进行了大量投资，大部分企业依然缺乏专业知识和人员来构建和完善高级的机器学习模型，无法进行高度准确的预测性维护。

有调查发现，人工智能项目结果与预期差距较大是全球普遍存在的现象，91% 的人工智能项目未能达到企业预期。

《造有道智万物——德勤人工智能制造业应用调查》显示，91% 的人工智能项目未能达到企业预期。人工智能项目结果与预期差距较大是全球普遍存在的现象。落差主要因素包括基础设施条件制约；数据采集方法及数据质量问题；缺乏工程经验；以及项目规模过大、过于复杂等。

与亚马逊这样的人工智能头部公司合作填补能力空白，成为这些传统企业的主要选择之一。

《造有道智万物——德勤人工智能制造业应用调查》显示，借助合作伙伴的力量（比如诸如亚马逊这样的头部公司）填补能力空白，成为这些制造企业的主要选择。

其实，Nicholas Carr 早在十几年前就预测过，随着 IT 变得广泛可用和成本可控（也就是商品化），该技术为公司带来差异化（战略优势）的潜力就会不可逆转地节节下降，「亲力亲为」只是给企业徒增大量无意义的重复性工作。而诸如 AWS 这样的技术供应商会进入一场争夺规模的战争，将自己变成实质上的公共承运人一样的角色。

二、简单易用：30 张图片即可训练模型

发现缺陷传统方式主要有两种，一个是人类检查，另一个是机器视觉系统。比如，检测奶酪在比萨表面上的适当覆盖，系统虽然可以很好满足最初检查要求，但当检测的对象是一款多浇头新产品时就会手足无措。

系统不够聪明也不会学习，用户也往往缺乏针对特定环境微调系统的专业知识，如果聘请外部专家，对方还要花好几个月了解公司环境才能制定规则。无论是必胜客还是达美乐 (Domino) 都在尝试 AI 检测披萨是否达标。

如果冷冻披萨制造商 Dafgards 也想自己做，需要雇佣数个计算机视觉方面的专业人员，然后开发、训练并部署相应的模型，至少花费数月才能完成这项工作。现在，Dafgards 只需将 30 个合格披萨饼产品的图像输入 AWS 提供的基础模型，就能获得一个可以快速、准确判断披萨饼是否合格的机器学习模型。

Amazon Lookout for Vision 可自动执行并扩展对多种产品类型的检查，例如带有蔬菜的奶酪比萨。在扩大新产品质量保证同时，也将对运营影响降到最低。

作为一种异常检测解决方案，Amazon Lookout for Vision 利用机器学习每小时处理数千张图像以发现制造缺陷和异常，无需用户具备任何机器学习经验。

制造商仅需将图像发送给系统，就可以得到识别缺陷的模型，包括机器部件的裂纹，面板上的凹痕，不规则形状（比如披萨是否够圆）或不正确的产品颜色。

让人惊叹的是，用户仅需提供少量图像就可以获取 Lookout for Vision 学习功能。比如，少至 30 张图像，包括 10 张缺陷或异常图像，加上 20 张「正常」图像。

这套系统不仅可以用于质检，还可以用于预测性维护。

尽管在为视频开发机器学习技术方面，电商平台出身的亚马逊可谓经验丰富，但亚马逊工程师仍然连续用了两个「Many」来形容开发期间遇到的困难。

与缺陷率在 0.1% 范围内的客户合作，必须找到关键缺陷，这本身就对数据收集提出重大挑战。开发系统所用的数据不仅要考虑异常类型，还要考虑发现的异常分布。更何况在模型上训练的样本缺陷并不符合车间的实际情况。

为此，工程师们干脆在印度建了一家模拟工厂。采购传送带、摄像头以及各种各样的物体，模拟各种制造环境。创建包含正常图像和对象的数据集，绘制或创建合成异常数据集，比如缺失组件、划痕、变色和其他效果。

他们配备了不同质量和价位摄像头，这样就可以尝试复制实际工厂里传送带的多种变化。比如，改变传送带的纹理或颜色。他们还试图解决或监控照明条件、与物体的距离、固定位置摄像头等问题。

从 5 到 10 个训练数据集开始，工程师会与科学团队一起评估反馈，判断哪些内容有用，哪些没用。连少样本学习也被派上用场，偶尔在完全没有缺陷图像的情况下，他们也能工作。

现在，Lookout for Vision 可以用正常图像进行训练，由此产生的模型可藉由「试验检测」功能来扩展训练集，进而用于挖掘未标记图像集合中的异常。

不过，打磨技术并不是降低门槛的全部内容。为协助制造业顺利享受新技术，AWS 提供了完整的解决方案，里面包含了「物」与「云」，可让移动端轻易且安全地与云服务交互。

比如，面向没有建立传感器网络的客户，AWS 推出了 Amazon Monitron ，一套端到端系统。

不仅提供了用于捕获振动和温度数据的 IoT 传感器（可以安装在诸如轴承、电机、泵、传送带各种工业和制造领域的旋转设备上）、用于将数据聚合和传输到 AWS 的网关，还包括用于检测异常设备模式并在数分钟内提供结果的机器学习云服务，无需客户具备任何机器学习或云经验。

安装也很容易，用户只要在安卓手机上安装相应应用程序，就可以透过蓝牙设定 Monitron 闸道器，并以 NFC 配对感测器，几分钟内完成安装，开始监控。

对于已经拥有传感器但不希望自己构建机器学习模型的客户，他们可以订阅 Amazon Lookout for Equipmen 服务。

客户可以将传感器数据发送到 AWS，由 AWS 为其构建模型并返回预测结果，从而检测异常设备行为。由此，制造企业可以轻量地拥有先进的预测性维护解决方案。

比如，GS EPS 是一家在能源，零售，建筑和服务领域处于领先地位的韩国工业集团。十多年来，公司一直在跨资产生成数据，但仅使用基于物理和基于规则的方法来获得对数据洞见。有了 Amazon Lookout for Equipment，即使工厂运营团队没有机器学习专业知识，也能在设备上构建模型。

三、简单易用：扩圈工业领域开发者

谈及 AWS 在工业领域的竞争力，仅停留在顶层工具集合（SaaS）是不够的。互联网云厂商更大可能性在于提供工业级的 PaaS 平台。

其实，与大部分单点突破的创业公司不同，AWS 一开始就是「先做全，再演化得更好」，要给客户最完整的选择，也更愿意把功夫花在不同产品体系间的协调上。

「 AWS 显然是一种 PaaS，或者至少具有 PaaS 服务。」几年前， Werner Vogels 在接受外媒采访时曾说道，尽管他可能更喜欢「无服务器应用程序」这样的表述。

对于那些具有一定技术实力的机器学习用户（比如机器学习爱好者、开发者），AWS 也提供了趁手的兵器。

比如工具集的中间层，面向那些技术能力较强的客户，他们有大量的数据可以进行机器学习模型训练，有一定的算法人才，不要花精力管理基础设施，专注于自己的应用和业务创新。

其中，SageMaker 让人印象最为深刻，也是首个为整个机器学习开发的生命周期提供完全托管的平台，支持快速构建、训练和部署机器学习模型。为了保持平台与时俱进，SageMaker 不断在新数据上接受训练，扩展其识别对象、场景和活动的能力，从而提高准确识别的能力，用户可以「坐享其成」。

SageMaker 也可以有效贴近工业的实际需求，降低算法实施过程中开发、环境、运维对工程师的依赖。

比如，中科创达已经将 Amazon SageMaker 集成到智慧工业 ADC (Automatic Defect Classification) 系统, 让制造业客户可以在工业生产中轻松获得 AI 质检能力。SageMaker 的弹性 Notebook、实验管理、自动模型创建、模型调试分析，以及模型概念漂移检测等强大特性，大大加速了质检落地进程。

就刚推出的新服务而言，工业客户不仅可以使用 Amazon SageMaker 开发计算机视觉模型，将其部署到 Panorama Appliance 以在视频源上运行该模型，还可以在 Amazon SageMaker 中训练自己的模型，并将其一键部署到使用 AWS Panorama SDK 构建的摄像头上。

为了将机器学习甚至是大型深度学习带给更多的用户，SageMaker 将能够自动分解大型神经网络的各个部分，并将这些部分分布在多台计算机上。有了这种模型并行性，以前需要专门的研究实验室花费数周的时间并手动调整培训代码，现在只需几个小时。

在工具集底层，面向那些技术能力超强的客户，希望将人工智能和机器学习作为自己的核心竞争力。AWS 不仅支持主流的机器学习框架，客户还可以通过容器部署的方式，自带机器学习框架；除了基于英伟达、英特尔、AMD、赛灵思等芯片厂商的最新处理器的强大算力，同时还通过自主设计的处理器，极大地降低机器学习的算力成本。

除了云服务内容，在云计算部署模型上，AWS 也考虑到了制造业用户希望在本地也能用上云工具，享受同等便利。

事实上，制造支持系统也要求一些工作负载需要在本地，有些应用对网络延迟非常敏感，需要接近本地资产。

比如，某个高吞吐量的生产线上出现质量问题，客户希望立即得到预警，问题存在时间越长，解决问题成本越高；一些工业设施通常位于偏远地方，网路连接很慢、昂贵或完全不存在。

对于客户来说，实时进行视频监控，不仅操作难度高、易出错并且成本高，有些客户希望使用具有足够处理能力的智能相机来运行实时监控模型，却很难达到高准确性、低延迟的性能。大多数客户最终会运行一些简单的模型，却无法编程为可以集成到工业机器中的自定义代码。

过去，AWS 已经构建 Direct Connect 和 Virtual Private Cloud，以及可在本地和云中运行的工具，例如 CodeDeploy，存储网关以及身份和访问管理。

今年发布了 AWS Panorama Applicance 将机器学习能力扩展到边缘，帮助客户在没有网络连接的情况下在本地进行预测。每个 AWS Panorama Appliance 都可在多个摄像头数据流上并行运行计算机视觉模型，从而使诸如质量控制、零件识别和工作场所安全的用例成为可能。

AWS Panorama 开发套件可以帮助公司将机器视觉带入本地摄像机，在更低成本设备上构建更复杂模型，从而以高精度和低延迟在本地进行预测。

今年 AWS 还发布了 Amazon SageMaker Edge Manager 帮助开发人员优化、保护、监控和维护部署在边缘设备集群上的机器学习模型。

四、简单易用、性价比高

行为至此，关键词「简单易用」只是 AWS 在工业领域核心竞争力的一半，当与「性价比高」合为一体才能勾勒出 AWS 在工业领域核心竞争力的全貌。

「通过重塑企业购买算力的方式，AWS 成为了一家规模非常大的企业。」最近，亚马逊 CEO 贝索斯在谈及竞争时说道。而 Werner Vogels 曾在采访中将 AWS 的成功秘诀归结为「重新书写经济模式」。

无需提前付费、「用多少服务给多少钱」这些都非常关键，从根本上改变 IT 行业，大大降低制造业企业使用互联网服务的门槛，让企业更专注构建于自己独特的能力。BP、德勤、Fender 芬达、GE 医疗和西门子交通、格兰仕等企业陆续出现在 AWS 朋友圈。

事实上，不断帮助客户省钱的精神也已经贯彻到了 AWS 的产品演进路线层面。

AWS 为每个开发人员提供最具成本效益的云基础架构，无论开发人员选择哪种 CPU，GPU 或 AI 框架；

经过十几年的迭代，最基础的 S3 对象存储产品已经演进出 6 种适用于不同场景的产品，从高频访问到低频访问再到存档场景，对应不同的性能要求与不同的价格，不断精细化合理计费的颗粒度，相比粗放式的单一产品能做到为客户节省 80% 的综合成本；

去年推出的 UltraWarm for Amazon ElasticSearch Service 可以帮助客户在使用 Amazon 托管 ElasticSearch 服务时通过 UltraWarm 服务自动将冷数据从 EBS 挪到 S3（S3 对象存储的价格大概仅为 EBS 块存储的 1/3）；

最新推出的数据库服务 Aurora Serverless v2，可以做到实时扩容，在不到 1 秒的时间内，即可瞬间扩展到支持几十万个数据处理事务。开发者不需要买大量服务器来匹配峰值的运算需求，而是按需扩容，可以节省高达 90% 的成本。

也正是在这里，我们再度看到亚马逊零售经验的再现。业务看似无边，实则内有章法。

2006 年，AWS 问世，作为一项资金和技术密集投入的项目，曾一度持续性亏损。贝索斯坚信这是梦幻产品并在未来多年获得经济回报：

和零售一样，包括服务器、网络、数据中心、数据库、数据仓库等在内的全球性服务支持市场，其规模不受限制。而且 AWS 团队正努力地让产品变得更加简单易用。

和零售打法一样，初期大手笔资金投入，低价吸引用户。AWS（以及开源软件）的出现极大的降低了创业早期尝试一个新想法的成本，从 2000 年初需要自己购买服务器并且从头搭建服务的百万美元级成本下降了 10 倍。

低利润率商业模式让 AWS 在硅谷非常受欢迎，实现高速增长。随后 AWS 进入亚马逊最擅长的发展模式，不断扩大自身业务规模的同时，不断降低服务价格。亚马逊曾在不到十年的时间里 42 次下调云计算的服务价格，而不断降低的价格又吸引了更多的客户，更多的客户带来更大的规模效应，通过规模效应又可以进一步降低成本和服务价格，形成良性循环。

同样，如何让工业应用机器学习更简单、更便宜也将推动着 AWS 服务的规模化，规模效应又进一步降低价格，带来更大的规模效应。最终，AWS 向下，演化为工业领域的基础设施；工业企业向上，构建与众不同的核心竞争力。

「出圈」工业，亚马逊云凭什么？