近日，商简智能宣布获得来自线性资本的千万级人民币天使轮融资。元一资本担任本轮独家财务顾问。本轮融资将用于产品开发以及核心技术的迭代研发。
作为长期从事工业制造领域决策优化技术研究的行业专家，商简智能创始人梁翼在获得计算物理博士学位以后专注于推动人工智能和运筹学在产业的落地。他于去年年底带领其智能生产排程项目入围了国际运筹与管理学会（informs）的最高奖项frantz edelman award，并斩获总成绩第二的佳绩。以此为契机，梁翼和商简创始人团队的其他伙伴们看到了人工智能技术在传统工业领域的广大机会。
在一两年以前，中国市场上工业软件还是一条冷冷清清的小众赛道，其中的ai玩家更是屈指可数。那么如今工业软件的赛道格局到底如何？ai+工业，会迸发出怎样的火花？未来又会迎来怎样的发展趋势？近期我们和梁翼做了一次专访，聊了聊他这位由学术到产业的跨界人士对工业软件这条赛道的观察。
一、工业生产管理：要提效，也要算账
近年来，我国工业企业利润增速持续放缓，上涨乏力。从国家统计局数据来看，中国规模以上工业企业营收增速与利润总额增速自2017年起不断下降。这和消费互联网影响下，下游市场迭代加快不无关系。
在许多工业细分行业，下游客户需求日益个性化和碎片化，要求工业企业从原有的少品种、大批量生产模式转变为小批量、多品种的加工方式，甚至将用户需求直接转化为生产派单，从而适应以客户为中心的生产关系变化。
对此，不少工业企业表示“道理我都懂”，实施起来却是困难重重。
首先从产业链角度，要实现下游需求驱动上游生产的柔性制造，*流通的数据是前提。然而传统制造业上下游信息化孤岛问题突出，物料信息和产品需求难以实现跨场景流通。这就使得工业企业制定供应链计划时更多仰仗工作经验，而非高时效的数据。
其次在工业企业内部，传统的垂直制造体系使得不同业务环节的子系统彼此孤立，且运作模式更偏重执行端的稳定性，指令多是单向传递、局部作用，无法满足工业企业长期以来对于工业软件统筹规划、并行决策优化、快速响应等功能和性能的诉求。
一方面，制造业企业急需一套可以结合产品需求、原料供给和产能配置，科学敏捷地调整生产计划，提高产能利用率的管理调度方案。但另一方面，实施产线的数字化转型也需要算一笔经济账。
传统工业自动化设备和工业软件费用高昂，工业企业通常选择持有这些资产直到自然折旧年限，而不是通过加快设备和软件的迭代以适应快速变化的市场需求，这就会极大削弱企业在激烈的市场竞争中迅速转向的响应能力。
在这样的背景下，人工智能技术似乎是一个“破局”的关键。比如近年来在学术界和工业界都十分热门的强化学习，和深度学习整合后让机器真正有了自我学习、自我优化的能力，可以实现程序从对当前环境完全陌生到游刃有余的跨越式成长。这样不仅能帮助企业动态地适应市场的变化，做出科学高效的采产销决策，还能极大降低后期的运维成本，减轻企业软硬件迭代产生的负担。
二、工业软件赛道：崛起的ai企业
今年，工业软件成为一条炙手可热的赛道。据统计，目前该赛道已有超过20起融资事件，其中不乏红杉、经纬、金沙江、深创投等知名机构的身影。
究其原因，国际政治关系变化、下游需求旺盛以及新一代科技革命等多重因素加持，使得冷清了几十年的工业软件突然成为资本市场的宠儿。根据艾瑞咨询数据显示，自2015年起我国工业软件市场规模持续增长，增速稳居在两位数，到2020年市场规模已达1974亿元。然而我国工业软件市场规模全球占比不到10%，增长空间巨大。
按照应用环节划分，工业软件可分为研发设计类、生产调度和过程控制类、业务管理类和专业功能类四大领域。要想提高生产决策的科学性和可行性，实现柔性生产，就离不开生产调度和业务管理软件助力破除制造“管理瓶颈”。
“一直以来这两个方向的头部市场，都是由国外的几个大型玩家把持的，比如sap、oracle、西门子等等。”梁翼表示，“另一方面随着技术的进步和更迭，一些运筹学和人工智能驱动的小型初创企业不断应运而生。”
事实上，人工智能技术在工业领域的应用正方兴未艾。《2021年“新基建”背景下中国工业互联网与工业智能研究报告》指出，2020年中国人工智能市场主要客户来自*城市治理和运营，如*、交警、政务、国土资源、环保等方面，互联网和金融行业也占比不俗，然而工业却只在人工智能市场份额中占到5%，可以说整体还处于待开发的状态。因而先入局者就有可能在未来5到10年成为赛道的隐形冠军。
然而人工智能行业经过6年市场教育，*逐渐退散，企业和投资人不再痴迷于技术，对ai落地能力的重视程度逐渐提高。
梁翼清楚地知道这一点：“现在人工智能的主要挑战就是如何落地和变现的问题。我们认为解决的关键点就在于它的成本和周期控制，因此我们尽可能加快产品的落地，同时为客户提供一个有价格竞争力的解决方案。”
商简智能创始人梁翼
作为长期置身学术界的科研人士，梁翼头脑中有着非常清晰的路径打法。“为了达到这个目标，我们首先需要对需求进行清晰地定义，并且将这个问题精准分割成适宜用现有技术解决的一系列子问题。”
梁翼看到传统erp和mes系统存在响应不够敏捷灵活、决策不精确、方案能见度低、决策效果难以评估等痛点，而旨在弥补这些缺陷的aps（先进计划与排程系统）又在响应速度和决策质量上不尽人意。这也促使他带领商简打造了基于人工智能和运筹学算法的工业智能决策解决方案（sps）。
得益于深度强化学习、图计算等先进技术，商简sps系统在决策效率上大大优于市面上的传统方案。据了解，其智能排程模块帮助某大型pc制造企业提升了20%以上的产能，并将每天的排程周期从6小时缩短到10分钟；其工单管理和物料匹配模块实现了在相同场景下，比国际某知名供应商方案快20多倍的决策速度，同时原料利用率、营收、交期达成率等关键指标也获得了显著提升。
“有了人工智能策略学习等能力的加持，我们可以站在更高的维度重新审视制造业管理和决策问题，并构建出更优的解决方案。”梁翼说道。
三、挑战重重，未来可期
虽然工业智能是一片待开发的处女地，然而相对贫瘠的“土壤基础”依然为ai普及应用造成了重重障碍。
如底层硬件、计算框架、开发平台等ai基础设施在工业领域的建设较为落后，直接限制了工业智能化的发展；而数据、算法和算力的门槛也导致了ai技术只能以点状分布于工业应用场景，难以大规模拓展铺开。
除了外部硬性条件限制，用户友好度也是人工智能技术在落地时经常面临的问题。梁翼提到，在实操层面，用户会针对方案透明度和可解释性提出质疑，这就要求ai企业在提供高效的技术和产品方案的同时，兼顾灵活的交互能力、可视化呈现等用户友好特性，并力争降低开发和部署成本，这对ai企业来说是一个不小的挑战。
商简智能可视化看板
不过人们并非孤军奋战。随着工业通信网络、传感器网络部署的推进，智能决策算法能力将被进一步提升，更加灵活智能高效的工业管理解决方案指日可待。数据表明，2020年以机器学习与深度学习、知识图谱、nlp、计算机视觉为技术主导的工业智能应用核心产业规模为68亿，年均复合增长率达到27.96%，产业整体处于高速发展状态。
积累了先发优势，也要找到正确的方向不断巩固竞争壁垒。梁翼认为，传统工业场景的多元化和复杂性决定了工业软件的商业价值主要集中在个性化服务，这也是限制工业管理软件成规模发展的一个主要瓶颈。因此商简将更加高效和低成本地实现定制化服务作为本轮融资后的业务目标，着力打造通用的高性能模组化平台，进一步降低落地成本，缩短定制化和调试周期。
或许工业领域对不少创业者来说属于“下沉”行业，然而它却是国民经济支柱产业，正是因为有着越来越多像商简这样由高级科研人才带领的科技企业投身其中，才使得我国工业在数字化、智能化的道路上不断脱胎换骨，焕发出新的活力。