25年奇幻漂流，一群人正把中國制造業的數據帶回故鄉

淺友們好~我是史中，我的日常生活是開撩五湖四海的科技大牛，我會嘗試各種姿勢，把他們的無邊腦洞和溫情故事講給你聽。如果你想和我做朋友，不妨加微信（shizhongmax）。

25年奇幻漂流

一群人正把中國制造業的數據帶回故鄉

文 | 史中

（一）鑄劍師和“數據遠征軍”

說起1997年，很多人心里都會浮現出一些照片，它們有些許褪色，卻鮮活柔軟。

那一年，有些小事，戴安娜王妃逝世，深藍戰勝卡斯帕羅夫，人們涌進電影院看了《泰坦尼克號》。

那一年，也有些大事，香港回歸，三峽截流，中國“入世”進入了談判攻堅——一個經歷風霜重新振作的大國，決定敞開勞動力和市場，用發展中國家的謙卑，擁抱來自全世界的產業。

1997 北京

那一年，張金銀還不叫“行在”，而是剛走出大學校門的“小張”。

小張進入一家外企，成為了人人羨慕的“別人家的孩子”，也成為了那個時代的一場絕佳隱喻。

為了利用中國便宜的生產力和廣闊的市場，這家外企一口氣建了20多座工廠。而小張的崗位很有意思，表面上叫“IT系統開發工程師”，但本質上他是個“鑄劍師”。

鑄啥劍嘞？

1、工廠從原料采購，到倉儲，到生產，到庫存，到銷售，到財務，到員工管理，整個流程極其繁瑣，每一步都需要專門的系統。但仔細一瞧，各個系統里都含有同一種東西—— 數據 。

2、數據就像鐵礦。它們躺在各個系統里，現實世界里工廠從進貨到生產到銷售的流程走完一遍，公司賬上的錢就多一些，這些鐵礦也會增加一些。

散落的鐵礦沒啥大用，但如果把這些鐵礦收集起來，再冶煉鍛造成一把劍（數據報表），那用處就大了！！

3、企業老板手握這把“重劍”，在辦公室里抽著雪茄喝著威士忌就能發現經營中的蛛絲馬跡，然后“長袖舞劍”——優化人員、調整工資、調整進貨、庫存、生產節奏，然后賺更多的錢！

怎么樣？這個“數據鑄劍師”的工作還挺重要的吧？

話說僅僅過了幾年，大家就不好意思再叫他小張，因為他從“鑄劍師”變成了“鑄劍大師”：

為了管理好這些“礦”，大師升級了美國的 Oracle 數據庫，讓數據像溫順的羔羊各安其位，不錯不漏； 為了把“劍”鑄造得更鋒利，大師還引入了德國的 SAP 數據倉庫，讓數據之間能聯合計算，老板關心啥指標，它就能算啥指標。

這些數據應用組合起來，就像十八般兵刃，把競爭對手打得滿地找牙。

最牛的時候，全國20多個工廠，幾十個數據庫，都在小張手下——無論出啥問題他都能修。

有一次數據庫出故障，機房里所有領導在他后面站成一排，眼巴巴地看著這位“大神”，公司的身家性命妥妥地都系在他一個人身上。。。

怎么樣，風光不風光？

對于一個剛畢業幾年的技術人來說，那絕對是巔峰體驗呀！但對一個國家的來說，這。。。何嘗不是個有點尷尬的瞬間？

仔細想想看：

雖然整個生產銷售過程都發生在中國境內，但生產線是國外進口的，經營過程產生的數據是外企的，存放數據的數據庫是外國的，計算數據的數倉也是外國的，賺來的利潤是外企的。 小張吭哧癟肚鑄了半天劍，最后跟中國人好像沒啥關系。 跟中國人有關的，滿打滿算就兩件事：第一，在產線上“打螺絲”賺取微薄的薪水；第二，用這些可憐的工資再把自己做的產品買回去。。。

你看，那個被無數人懷戀的1997，其實也并沒那么溫柔繾綣，細想起來挺憋屈。

可話說回來，誰讓中國制造業又沒產線又沒技術又沒人才呢？這事兒咱得認。

認，沒問題，怕的是一直認，認到天荒地老。

新世紀黎明在前，中國大地暗潮涌動，有好幾支“不認命”的隊伍已經趁著熹微整裝出發。

其中最為人熟知的一支隊伍，當然是中國的制造業企業家。

他們大多地處廣東或江浙，從最落后的生產線開始引進，從技術含量最低的鞋襪、小黃鴨、圣誕樹做起，背負著“中國制造=劣質產品”的嘲諷，開始了孤獨而漫長的遠行。

他們的目的只有一個——有朝一日，要把全球制造業的主導權拿回中國。

而幾乎在同時，另外一支神秘的隊伍也已開跋，那就是 “數據遠征軍” 。

數據遠征軍們相信：

中國制造業如果想登峰造極，絕不能只靠絞動的齒輪、熾熱的火焰和一眼望不到頭的工人們用自己的生命年華去沖鋒。

有朝一日，當制造業的權柄捏在中國人手中之后，蘊含在制造業軀體里的“數據鐵礦”和以此鍛造的“數據武器”也都要掌握在中國人手中。

張金銀，就是這支數據遠征軍的一員。

2004年，他一個猛子跳進了奔涌的互聯網大潮，加入阿里巴巴，換上了“行在”這個花名。

他和一群老師傅一起摸著石頭過河，最終幫阿里造出一套全球最先進的、中國人完全理解和掌控的數據平臺。

這一戰，不僅成就了阿里巴巴鼎盛的“DT 時代”，也成就了“行在”在數據智能領域的赫赫威名。

2016年，行在突然從阿里巴巴離開。

最初看到這個消息時，我表示反對。

因為在互聯網行業，數據之劍的“法力”剛開始顯現，當時的阿里就像一個“道場”，還有一萬種劍法等待老師傅研習，為啥非要在意興正濃時跳出聚光燈圈？

行在（張金銀）

當然命運的蜿蜒很難用一兩句話解釋，但如果我們曾站在1997年的“小張”身邊，恐怕就能對他后來的選擇多一些感同身受：

行在雖然把人生最好的12年貢獻給了互聯網，但他卻并沒有對互聯網“獻身”的執念。

別忘了他不僅僅是互聯網人，更是那個從世紀之初就出發的“數據遠征軍”的一員。

2016年，行在跟一群小伙伴鄭重地創立了奇點云，他們的目標是：

1）作為中立的第三方； 2）站在所有行業身旁； 3）用中國人自己的技術平臺； 4）幫助他們把“數據”這把利劍牢牢握在自己手中，披荊斬棘，打怪升級。

（有關這個故事，我寫在了中，感興趣的盆友可以去復習）

說到這兒，奇怪的事情來了：

在那之后將近五年的時間里，奇點云做得風生水起，用“數據智能”的劍法敲開了零售業、金融業，甚至諸多政府央企的大門，卻偏偏一直在繞開整個故事的起點——制造業。

這是為啥？！因為不樂意么？！

在我看來，“制造業”和“數據智能”其實就像一本厚厚小說里的男女主人公，雖然讀者都猜測他們最終會在一起，可在那之前，他們卻得鉚足了勁兒先演繹一些波瀾壯闊又相愛相殺的故事。

而就在這些故事中，有關我們國家和每個平凡人的命運肌理，也悄然浮現。

（二）制造業家里突然有了礦

要講清楚制造業的故事，你得容我先來一波硬核科普——數據第一性原理。

你有沒有曾經像我一樣，突然懵住，然后靈魂發問：

數據說到底不就是一堆數字么，它們為什么會成為有價值的“礦”？我小時候做了那么多數學題，現在不還窮得每天舔酸奶蓋么？?

如果是一堆編造的數字， 游泳池一邊抽水一邊放水之類的，跟我們的生產生活沒有關系，那確實毫無價值；但如果一組數據真實描繪了現實世界的某個過程，它就有價值。

這里的動力學過程是：

1）一旦一組數據描繪了世界，人們就有辦法從中找到規律，從而預測未來的走向； 2）對未來預測得越準，就可以越早、越堅定地采取行動； 3）我行動比別人快，我就贏了；我行動了，其他人沒行動，我就贏。麻。了。

注意，后文我所說的一切數據的玩法，本質上都可以追溯回這個數據第一性原理。到時我就不一一提醒了 ↓↓↓

從這個原理出發，我們再看一下數據技術的進化歷程，就會非常清晰：

25年前（行在還是“小張”時），數據雖然可以被鑄成利劍，但舞劍的仍然是人。

從數據里分析出規律的是專家，利用這個規律做出行動的是老板。

這個時代，就是“IT 時代”。

10年前（行在成為“行在”時），數據被鑄成利劍后，舞劍的有兩個：人+智能系統。

而且，智能系統做出的決策越來越多，人做出的決策越來越少。

這個時代，就是“DT 時代”。

問題來了：人做決策不是挺好么？為啥要交給智能系統？

還真不是人想偷懶，這里有個關鍵因素：數據量。

即便在今天，人腦仍然是地球上最精密的計算系統。但說到底人腦只有二兩肉，如果數據量小，人腦的分析能力完勝智能系統； 如果數據量超過一個臨界值，那么人腦就會爆倉，必須丟棄一些信息之后才能繼續思考，這時智能系統的分析能力就會迅速高于人腦。數據量越大，差距就越懸殊。

這個臨界值，就是“奇點”。

所以，任何一個行業，想要進入“DT 時代”，一個先決條件就是：擁有大量的“數據鐵礦”，這個量一定要大到超過那個“奇點”。

好了，本期淺黑小課堂結束。

有了這些鋪墊，接下來的故事就非常好理解了。

如果回顧歷史：

互聯網行業越過“奇點”，大概是在2012-2014年，而后才有了 BAT 的一騎絕塵； 零售業和金融業越過奇點，大概是2014-2016年，而后才成就了各種“超市外賣送貨到家”和“手機上的金融服務”。

你有沒有發現，這些行業之所以跨過數據奇點，是因為它們“家里有礦”——天然和個人消費者比較靠近，人產生的數據很多，也“狠”有價值。

可是，制造業。。。就和那些“富二代”比不了了。。。

制造業的上游是原料，下游是經銷商，都不是個人，天然就沒那么多數據給你折騰。

所以，制造業雖然很重視數據，也很早就進入了IT時代，但是它的數據量一直沒有暴漲超過臨界點，所以一直“趴”在IT時代。。。

直到2020年。

冥冥中傳出“咔嗒”一聲，一個微小的，維持了幾十年的天平悄然傾斜，撞倒了第一張多米諾骨牌。

那年疫情來襲，各行各業居家辦公，對快遞外賣的需求暴漲，與此同時很多工廠停工，賦閑的工人們轉而成為外賣員。

大量產業人口快速轉移，像一個急浪，讓本來就穩步上漲的工人工資出現急速抬升，迎頭撞上了因為國家政策鼓勵和技術進步而迅速下降的機器人成本。

于是，一些原本還猶豫一下是“讓人干”還是“讓機器人干”的事情，從那一刻起，已經可以毫不猶豫地交給機器人來干。

這里尤其要說說“精密制造業” 。

工序越是精密，人來干的失誤率就越高，機器人相比人類的優勢就越大，機器人化的浪潮就越快。

于是在2020，電子制造、光伏、電池、半導體、醫藥等等領域，無數機械臂、自動運料車、一體化產線被一股腦送進了大小廠區。

這一刻起，后面的波瀾壯闊已經無人能擋。

你可能還在納悶，機器人和數據有啥關系嘞？

別忘了，這些機器人可都是物聯網（IoT）設備，它們在工作時，不僅能實時記錄“手中產品”的狀態，也能時刻記錄“自己”的狀態。

這些狀態都是數據，而且是真實描繪現實的數據。工廠24小時不休不眠，數據就24小時不間斷地產生！

這是啥？這是礦啊！

從天空俯瞰，2020疫情的肅殺之下，精密制造業的數據卻如寒武紀一樣炸裂，一下子沖過“奇點”，加入了“家里有礦”的行列。

彼時普通中國人的注意力200%都被疫情死死吸引，自然對這一切懵然無知。

但有一些人卻嗅到了這個千載難逢的機會，那就是一直站在奇點旁邊的人——行在和奇點云的數據鑄劍師們。

這不，2020年，小區剛剛解封，行在就親自出馬，坐在一家全國知名的電子制造企業的辦公室里。為了行文方便，我們就叫它A企業吧。

A企業的數據總監提出的要求很明確：“最近我們的數據量突然變多了，原來一分鐘就能算出來的報表，現在都得十幾分鐘才能算出來，你們能不能把底層數倉系統改造一下，讓我們算數快點？”

行在聽了，哈哈一笑：“你這要求是‘基本款’，我們肯定能做到！其實咱們還能進一步。。。”

他向前探探身子，“如果把各個系統的數據打通以后，我們還能自動預測每筆訂單的交貨時間，幫助你們更好地排產，更快地交貨，這個功能你們想要嗎？”

有了剛才的科普，你肯定明白了行在畫這個餅的深意：

因為對方的數據量已經越過了“奇點”（而不自知），行在肯定不滿足于僅僅給對方一把“劍”（IT），他想做的是直接搞一套“智能系統”，幫他們舞劍，一波帶進DT時代！

對方一聽，口水流下來：“從訂單到交貨？這，能做出來嗎？”

是啊。。。能做出來嗎？

老實說，這其實是奇點云的第一個制造業客戶。雖然行在拍胸脯，但制造業畢竟不同于零售和金融，它內部的數據關系極其復雜 ，到底里面有啥“神坑”，誰也說不好呀。。。

來，我們把鏡頭轉向命運的大坑，坑旁邊站著一個人，對即將發生的事情還懵然無知，此人就是航宇。

航宇

（三）我給數據“織漁網”

航宇是個學霸。

學霸也分很多種，有些“理論派”學霸喜歡把炫耀當成目的，可航宇卻是“實干派”，他把解決問題當成目的——他關心 Why，但更關心 How。

你看，他本科時學的是汽車機械，研究生又轉到工業軟件方向，這都是社會主義現代化建設過程中最“解恨”的專業。

2009年碩士畢業后，他自告奮勇加入了國內著名的數字化咨詢企業漢得信息。由于他的學霸人設，當時都沒有走培訓流程，直接進駐了一個做電梯的企業甲方，幫他們升級 IT 系統。

很快航宇的兇悍之處就開始顯露——他可太沉得住氣了——跟著這家電梯企業“上上下下”了4年，期間經歷了系統建設思路反復討論、調整，更迭了好幾次，才終成正果。

看到這些過往，你大概會對他的“超能力”有點感覺：航宇不僅一直站在制造業身邊，庖丁解牛一般理解制造業 IT 系統的技術細節，更稀罕的是，他對制造業企業一路跋涉的“歷史足跡”有切身的體感。

2020年，航宇加入奇點云。

當時的進度是：A企業剛剛圈定幾家意向合作伙伴，奇點云只是其中之一。對方讓大家是騾子是馬先拿出方案看看。。。

要命的是，有一位競爭對手很厲害，它不僅服務過制造業，而且它就是從制造業企業孵化出來的。。。

相比之下，奇點云雖然自信在底層技術上無人能敵，但畢竟制造業的行業經驗有限——很多術語、數據結構方案團隊都得一邊學一邊弄，壓力山大。

航宇一看，嚯，這不是撞槍口上了嗎？制造業我可太熟了，我來對接！

果然，航宇一頓神侃，跟A企業交流完全在一個頻率上，加上行在之前畫的“餅”比別人都香，最終奇點云有驚無險地從諸多強手嘴里搶下了這塊“肥肉”。

話說這個項目看上去是肥肉，可一口咬下去。。。里面全是釘子！就在航宇帶著奇點云的精銳工程師進駐A企業后，他的頭瞬間大了三圈。。。

你還記得“數據第一性原理”吧。要想從數據中得出正確的預測，得滿足三個先決條件：

1）要有數據；2）數據要準；3）數據還得連起來。

不吹不黑，這家企業是行業翹楚，在數據方面已經做得很好了，但很多細節仍然沒滿 足這三個條件：

比如，有些地方沒數據。

某個元器件有兩家供應商，互為備份——如果甲供應商交貨延遲，就可以用乙供應商來頂上。

這個事兒歸一位專門的負責人管理，每當他覺得甲供應商要出幺蛾子，就直接聯系乙供應商發貨。

看上去很正常，但你發現問題了沒：無論是供應商的數據，還是判斷的邏輯，都在這個負責人腦袋里，對于數據系統來說，他是一個“外掛”，是離線的。

要想讓系統“舞劍”，關鍵數據怎么能外掛呢？！

于是航宇他們趕緊寫了好多界面，讓相關負責人把腦袋里的數據統統補進系統。

再比如，有些地方數據是“死”的。

有一個零件的庫存系統里，設置的安全庫存是30件。如果庫存少于30件，就會提示補貨。

航宇就問負責庫存的同事，這里為啥是30件。對方說，不為啥，因為上一個同事就填了30件。一圈文下來，居然沒人能說明白這里為啥是30。。。

你看，這就是一個“死數據”。

航宇他們只好把企業里的供應鏈專家拉過來，重新討論這里安全庫存的判斷邏輯，然后重算新值。

新值不僅填的有道理，還能隨生產節奏或季節的變化而調節，它被“救活了”。

還比如，有些地方數據不通。

在制造一臺手機的過程中，有兩道工序都需要同一種原料。

可是這兩道工序沒有“相互通氣”，它們分別填寫了采購需求，在填寫的時候，為了保證生產，自然要留出一些冗余嘛。

可問題是，如果兩道工序共用一種原料，他們就應該一起訂貨，并且合用一份冗余就夠了呀！

因為這兩個工序是獨立進化出來的，沒人做過統籌，所以它倆根本不知道對方的存在。奇點云的老師傅就得在這兩個數據庫中間建一座橋，打通這些“孤島”。

三個例子講完了。

你發現沒：填寫數據、改正數據、打通數據，事兒都不難。難的是你得找到該填哪些數據，改那些數據，打通哪些數據。

每當這個時候，航宇過去十年的修煉的“超能力”就靈魂附體——因為他曾跟著很多制造業企業一起建設過IT系統，了解它們的“歷史包袱”，什么地方容易出現數據錯漏，掐指一算，就八九不 離十↓↓↓

你可能會說吐槽，這也不坑啊。。。

其實，當時的局面還有反差的另一面：

客戶看到的是，每天跟航宇商量，他都一副羽扇綸巾，胸有成竹的亞子；客戶沒看到的是，每天晚上下班以后，才是航宇一身冷汗的時候。。。

因為除了航宇以外，奇點云其他的工程師老師傅對制造業都太陌生了。

陌生到啥程度呢？

舉個栗子，采購訂單里有一項參數應該叫PO行（hang），可不熟悉的人會錯念成PO行（xing）。

你可能又會吐槽，念什么不吃飯啊？把活兒干了就行了唄？

并不是這樣。你是去服務企業的，理論上你應該比企業更懂才有資格服務人家，可是如果連最基礎的詞都念錯，你后面再說啥人家都不想聽了啊。。。

況且，問題不止出在行業詞匯的讀音上。

比如，制造業的數據庫格式也和零售業不同。制造業有很多“大寬表”，在建索引時用標準的探測器直接去探測，效率就很低，得專門為制造業調整參數后才好用。

總之當時的局面是：老師傅雖然“鑄劍”技術一流，但是必須得學會制造業的領域知識，才能讓鑄出的劍更順手。

于是那幾個月，航宇每天白天帶著老師傅在客戶現場部署，到了晚上就拿出小本本開始“制造業大講堂”——今天學的知識明天就考，還不能錯，壓力簡直比高考還大。

當時幾位同事真的是一邊哭一邊學啊。。。

功夫不負苦心人，老師傅死去活來三個月后，突然發現自己可以跟A企業的同事談笑風生了。

眼看活兒越干越順，老師傅可以叼著雪茄寫代碼了吧？

呵呵。

別忘了他們是干啥來的，把數據打通只是基礎，怎么在上面做出對生產的預測，縮短“從訂單到交貨”的周期，才是擺在他們面前真正的考題！

這事兒，地球上就幾乎沒人干過，老師傅也得摸石頭啊。。。

這是客戶現場，為了保密，我把背景都打了碼。

當時航宇坐鎮帳中苦思冥想，把腦袋里十多年的經驗又榨取了N遍，想出的方案總是不太滿意。

不過在他和技術老師傅聊天時，總聽到他們張口閉口都在講一個詞——“埋點”。

所謂 埋點 ，是數據智能領域的基礎技術思想。

簡單來說就是：在系統產生關鍵數據的地方，放一顆探針，用探針把這些關鍵數據“扎”上來，系統就能對它們進行聯合分析了。

既然“埋點”的思路在互聯網、新零售、金融領域都成了通用玩法，那在制造業能行得通嗎？

航宇散落的思緒突然開始自己拼接起來！

“從訂單到交貨”本質上也可以抽象為一個工作流，其中包含了運營、計劃、生產、倉儲物流、財務結算等等模塊，每個模塊在運轉過程中又可以分解為很多固定的“動作”。

在這些動作里都“埋上點”，不就能構建出流程的全貌了嗎？

這個思路表面通順，但仔細一看有個 Bug：制造業企業在進化過程中遺留了一個“缺陷”，由于數據長期分散在各個系統里，導致每個系統對同一個“動作”的定義不一定相同。

比如“客戶下單”，有的是通過線上下單，有的是郵件，還有電話、傳真下單； 比如車輛發貨，倉庫系統認為出了倉庫大門就算發貨，運輸系統認為裝到車上就是發貨，財務系統認為客戶確認才是發貨。

定義不同，拼在一起肯定會出事兒。。。

“但無論怎樣，只要各個部門坐在一起商量，總能定義出一個動作，就叫“訂單生效”，也能定義出一個動作，就叫“發貨成功”！”航宇想。

說干就干！

他想辦法把流程中涉及到的7個部門的經理都請到一起開會，就干一件事兒——把上百個關鍵“動作”都擺在桌面上，挨個統一定義。

話說，7個部門的大佬聚在一起掰扯，那場名蔚為壯觀。

但只要他們“打”成一致后，接下來植入探針的工作就是灑灑水了——整個制造流程中的關鍵數據被密布的探針穿成一個漁網，只要提綱挈領，不就能一把抓起了嗎？！

事實證明，這個操作大獲成功：

沒有數據平臺時，7個部門經理的眼里只能看到自己的那部分系統，想替整個流程操心都操不了；

現在有了數據平臺，他們的視野一下子拉開，所有人眼里都看到同一張“大圖”，各自負責的那部分在大圖中所處的位置也清晰可辨！

在同一張圖的基礎上繼續探討，就很容易發現 “全局策略” ：

比如，X訂單突然要加急，加塞在Y訂單前面，那么不僅是制造排期要調整，X訂單用到的原材料也得趕緊進貨，哪怕價格稍高一點兒也能接受； 比如，有一個元件的庫存目前比較高，按理說應該降低庫存以節省成本，但Z訂單優先級突然調高，要保證100%按時交貨，此時就不能降庫存，而應該用庫存冗余來換取交期時間縮短。

以上只是例子，像這樣的策略還可以寫出很多。

只要把策略都編成代碼，放在數據平臺上，讓機器人（在專家監督下）執行，不就能實現“訂單交期”和“成本”的智能平衡了嗎？

更厲害的是，這些策略在平臺上運行是完全透明的，7個部門的老師傅都可以看到。

他們可以根據策略運轉的情況，結合自己部門的經驗繼續改進這些策略，從而讓策略“循環迭代”，交期越來越短。

話說，本來這個項目幾個月就能干完。可是，奇妙的化學作用發生了：

隨著每天開會討論，7個部門經理對數據平臺理解越來越深入，逐漸意識到這玩意兒比他們想象中強大得多，于是自發想出了很多新點子，希望在自己負責的系統內部多加一些組件，以便觀察更細致的指標。

一位經理說得很實在：“如果不把這些指標搞出來，我怕跟不上我們老板數字化的節奏啊。。。”

于是，在第一期底層數據平臺還沒搞完時，A企業就直接揪住奇點云續簽了兩個新項目，“采購數據子平臺”和“質量管理數據子平臺”。

三件事兒加在一起，從2020年12月，一直干到2021年10月。好家伙，老師傅去的時候是冬天，回來的時候又快冬天了。

這一年打了無數“怪獸”，不僅是航宇，還有項目團隊的所有老師傅，經驗值都颼颼地飆升。

項目驗收的時候，行在也跑去了現場，一是為了感謝客戶信任，二是要親眼見證“項目最終效果比他2020年畫的大餅還要大”是一種怎樣的體驗。。。

目睹A企業同事們臉上的激動，行在意識到一個嚴肅的事情：制造業即將涌起的“數據智能”大潮，可能比之前預計的還要兇，這種史詩級的歷史關頭，奇點云決不能當配角，而是要做主演！

于是行在火速成立了“制造業產品線”，航宇也順理成章地成為這條產線的負責人。

按理說，在A企業里鍛煉了一身腱子肉，后面再服務別的企業，應該能輕松加愉快了吧？

非也。

其實技術的魅力恰在于此，它有點像我們腳下的大地。每次老師傅們費盡氣力建設一個新的技術地層，用戶都會迅速爬到上面，提出新的需求。你建設地層的速度越快，用戶新需求產生的也越快，這是一個永無止境的輪回。

這不，剛站在浪潮之巔的奇點云，馬上就得學會在浪尖上“跳芭蕾”。

（四）在浪尖上跳芭蕾是一種怎樣的體驗？

2022年春天，幾枚凄厲的導彈劃破夜空，俄烏戰爭拉開帷幕。

幾個月后，航宇坐在一家光伏制造企業B的辦公室里。

由于石油價格瘋漲，全球對光伏能源的需求暴增，B企業瘋狂擴產。一只手數錢數到手抽筋，另一只手卻掂著一個“甜蜜的煩惱”：

出口到歐洲和美國的產品，有非常嚴格的標準，其中有一條要求就是：每一件產品都必須能追溯到原料的產地和批次。

話說，B企業也是行業大佬，質量追溯體系本來就有。但問題是，2022年他們新建了很多工廠，產能突然打著滾地往上翻，加之國外的追溯要求突然加碼，原來自己搭建的數據平臺“爆倉”了，算不出來。。。

情況危急，他們直接在上海成立了數字化轉型辦公室，招聘頂尖的技術人才，血本投入。

即便是這樣，嘗試了大半年之后，數據平臺的性能還是距離期望有好大一截。

航宇去的時候，對方說得很明白：“去年我們自己做了一波數據平臺，沒做成；后來找了一家公司幫我們做，也沒做成。你們是第三波，你們要是失敗了，我們還會找第四波。反正什么時候干成什么時候算！”

一聽這話，航宇馬上就明白了：自己遇到了“頂級客戶”。

怎么個頂級法呢？

首先，光伏是制造業皇冠上的明珠，在所有制造業中它的自動化程度是最高的（之一），數據密度和數據質量無人能出其右； 其次，中國大力鼓勵光伏產業，企業手握最好的政策資源，往前沖就完事兒了，沒有后顧之憂； 最后，由于石油價格暴漲，光伏產業剛好站在全球工業的浪潮上，愿意大筆投資未來。

不是有句話么，五岳歸來不看山，黃山歸來不看岳。

這家企業就像是制造業里的“黃山”。如果它的所有需求都能搞定，奇點云就妥妥的神功練成獨孤求敗了！

“這才是學霸要干的事兒嘛！”航宇興奮地搓手手。

他和團隊趕緊把之前在企業A里打磨的數據平臺拿過來復用。這時才發現，之前的平 臺還是太糙了。。。

怎么糙呢？

如果數據平臺只用來“管理訂單”，那么它的最小顆粒度就是“一批產品”，只需要在產品批次的“流轉動作”上埋點就夠了； 但如果用來“追溯原料”，它的最小顆粒度就是所有的原材料，于是除了原有的埋點以外，還需要在每個產品的具體“生產動作”上也都埋點。

這么說吧，如果之前的埋點密度像是縱橫的漁網，那現在的埋點密度就像是細密編織的布料。

不就是把點埋的多一點么？好像也沒啥吧。。。

但事實并非如此。

咱們都學過《核舟記》，如果在一塊一人來高的木頭上雕出個關二爺，那一般的匠人都行，但要在一個核桃上雕刻出蘇子魯直佛印泛舟，那非得“奇巧人王叔遠”才行。

說個具體的栗子吧：

在某個生產環節上，有三臺上料機，兩條組裝線——任何一臺上料機都可以給任何一條組裝線上料。

那你回溯的時候，怎么知道是哪個上料機供的料呢？

要解決這個問題，要么就再加兩條生產線，讓上料機一對一服務；要么就在三臺上料機和五條生產線上全部埋點，精確記錄每一次供料的詳情。

這還僅僅是最容易理解的例子，真實的生產過程充滿了各種難與人言的“數據斷點”。

搞這種事情，幾乎沒有好辦法，只能是奇點云的老師傅和B企業的工程師們每天坐在一起開會，像做卷子一樣一個問題一個問題地解。

航宇記得很清楚，他們駐場在B企業的幾個月，經常在一個大會議室里討論。 會議室有三面墻都是整塊的玻璃，可以用馬克筆寫字。

每次開會都是所有玻璃從左上角寫到右下角，密密麻麻全部寫滿。 等到兩周以后下一次開會，又是所有玻璃都寫滿。

牛X的是，每次墻上的內容都完全不同。

你大概能體會，這群人討論的信息量有多大了。

有趣的是，就在這個項目進行的2022年，奇點云團隊的老師傅們早已不是那個不會讀“OP行”的行業小白了，而是個頂個的滿級專家，跟對方討論的時候專業性一點不落下風。

有時候人家說了個什么意見，奇點云的老師傅直接站起來，給人家來一頓科普，爭得面紅耳赤。。。

這種情況一多，B企業的工程師都懵了，到底誰是甲方啊？！

雖然這個畫面有點喜感，但航宇覺得，這才對味兒了。

我開會總跟大家說，我們幫人家做事情，“思考”是很重要的。但有比“思考”還重要的，其實是“驅動”。 “思考”大多是被動的，客戶提出一個什么問題，我們來思考怎么解決。但“驅動”是我把我能想到的問題也擺出來，和客戶一起解決。 當你把驅動力展現出來的時候，表面上可能是和客戶爭論，但本質上，這表明了你懂行業，你不僅有和客戶對話的資格，更有幫助他轉型的資格，這恰恰是客戶對你產生信心的一刻！

航宇笑。

回到我們的故事，奇點云和B企業的老師傅手拉手埋頭苦干，終于把沉甸甸的數據平臺搭建完成，大伙兒像火箭點火一樣，眼含熱淚鄭重啟動。

瞬間，平臺上的數據像春天原野上的草一樣，瘋狂生長，細密編織，每一件產品的前世今生都能被看得清清楚楚。

縈繞在B企業心頭一年多的產品追溯難題，終于解決了！

就在大家歡呼雀躍時，很多人都注意到了一個“One more thing”：

廠區的生產負責人突然有了一雙“火眼金睛”！

過去一個工單下達之后，老師傅就只能在一旁“看熱鬧”了，只能等到所有工序走完再來“拆盲盒”一樣復盤效果。

現在由于所有中間節點的數據都完全透明，仿佛車間里突然有了“X光”，原來籠罩在黑盒子里的“生產細節”都在大屏幕上一覽無余。

如此一來，在生產的過程中就能介入調整，從而提高生產效率。

這可不是開玩笑：產線效率每提升一點兒，就是多賺一筆錢啊！

很快，B企業的幾位生產負責人就組團找到航宇，提出一個緊急要求：

我們能不能提高數據更新的頻率，從一天一次，變成一小時一次啊？！這樣就能做更多的“微操”啦！

航宇拍胸脯，沒問題！

生產負責人就把數據收集和計算的頻率直接調高了24倍。

萬沒想到，就是這個操作引發了“地震”。

奇點云的數據平臺底座叫做 DataSimba。

話說，DataSimba 在設計的時候是非常考究的——為了保證絕對穩定，會在工作載荷的基礎上留下10倍的冗余量。

可是。。。10倍的冗余量，架不住24倍的計算提升啊。。。

最先發現有點不對勁兒的，是B企業的幾位工程師：咦，以前這時候數據已經出來了，今兒怎么還都沒看到？

找奇點云同學一看，我勒個去！！！凌晨時分出現一波計算任務的超大高峰，現在后面的任務已經擁塞，排隊能繞了地球三圈了——數據平臺分分鐘有種想躺平的意思。。。

這顯然超出了現場團隊的能力范圍，緊急任務直接懟到了 DataSimba 平臺的開發團隊負責人，也就是奇點云的技術一號位， 地雷眼前。

地雷 （和他的馬克筆）

（五）數據關乎生死

地雷是個技術理想主義者。

理想到啥程度呢？

如果你質疑他長得不帥，他雖然完全不同意你的看法，但也能呵呵一笑不跟你計較。

但，如果你膽敢質疑他和團隊的手藝不到位，他能幾天不睡覺來證明你是錯的！！

這不，當時正趕上2022年12月疫情放開，地雷剛陽了，躺在床上額頭燙得能煎雞蛋，就聽到前線傳來消息——DataSimba 快頂不住了。

地雷直接“垂死病中驚坐起”，爬到電腦前面，用“含著刀片”的嗓子跟大家開會。

因為 DataSimba 是奇點云部署在各行各業的通用底層平臺，地雷之前并不會特別把注意力傾斜在制造業上。

這次緊急支援，他分析了一下B企業體內 DataSimba 的運轉情況，然后直接驚了：

“制造業的數據量居然這么大！和零售、金融完全不在一個量級。”

你想想看，B企業是光伏制造企業，光伏企業的特色是“垂直整合”，意思是從原材料開采，到半成品切方，到成品制造它都干。

每個工序都有專門的工廠負責，每個工廠的制造、倉儲、運輸又幾乎全部是自動化的，而每個自動化設備都在24小時源源不斷地產生數據，加在一起，這數據量能不逆天么？

“既然數據比想象中多，那加幾臺機器不就得了？”我問地雷。

“還加機器？不減機器就謝天謝地了！”地雷冷笑。

當時的具體情況是醬的：

并不是每個小時的計算量都超過系統負載，而是只有凌晨3:00-4:00、5:00-6:00兩個時間段超過了負載。

這就意味著，如果能夠巧妙地削平一天當中計算量的波峰和波谷，現有計算力還是夠的 ↓↓↓

在這個前提下，加機器對地雷來說就是一種侮辱。。。

地雷曾經供職阿里巴巴，在他看來，這個事情和“雙11”有點像。

如果土豪不計成本，買幾十萬臺服務器，肯定能扛住雙11那天的峰值。但如果當年阿里巴巴那樣干，不僅服務器的成本直接爆棚，更失去了對阿里云、數據庫、大數據平臺等等一系列技術進行磨煉的機會。

況且，過去幾年，DataSimba 還有個主線任務——要不斷減少單位任務需要的計算力。

2021年時 DataSimba 部署在企業里，最少都要11臺服務器；2022年中，已經變成了最少6臺；這件事兒發生時，地雷他們正在嘗試把最小服務器數量壓縮到2-3臺。

雖然問題很棘手，但地雷擺出一副蔑視的表情。這一方面是因為他陽了眼睛不大睜得開，另一方面，其實他手里有個“大殺器”。

這就是“元倉體系”。

簡單來說，元倉體系就像是數據平臺的神經系統，它可以對平臺自身各個細節指標進行觀測，然后匯總起來進行健康分析。（你也可以把元倉理解為“數據生產線”自己的埋點和指標）

話說，以往的數據平臺根本是沒有“神經系統”的，因為不需要——反正平臺上跑的數據都沒那么重要，即便出點兒問題也不會死人，修好就行了，為啥要煞有介事搞一整套神經系統嘞？！

但是技術理想主義者地雷不這么認為。

他老早就斷言，數據平臺一定會進駐越來越重要的場景，有朝一日，數據平臺掛一秒都會要命，不允許“先壞再修”。

憑著這個信念，他力主研發元倉體系。

這不，就在2022年底，“元倉體系”剛剛開發完成，正在秘密測試中。

這下也不用測試了，直接上戰場吧！

新鮮出爐的“元倉”接入B企業，很快，“神經系統”返回了很多指標，真相隨之一點點勾勒出來。

為了讓你感受到這里的硬核技術之美，我決定給你講幾個真實的細節：

1、比如“作業最晚執行時長”這個指標，它能找出成千上萬個作業里，最后做完的那一個。

(點擊可以看大圖)

通過這個指標，地雷他們發現，在1:00-2:00這個時間段內，最晚一個搞定的作業居然拖到了2:15——和下一批作業重疊了。

但拖延的原因并不是因為這個作業真的很難，而是調度過程中策略有些松散，給了它機會“摸魚”。

果然，調整調度策略，這個問題就消失了。

2、還有“等待資源的作業數”和“執行中的作業數”這兩個指標。

這兩個指標對比一看，地雷他們很快發現，有個別任務一直在門口排隊。

仔細一排查，原來是這個任務和某項配置“八字不合”，導致它每次都會卡頓。

過去計算沒那么密集的時候，它卡半個小時一使勁也就過去了，現在計算密集，它再卡半個小時，后面的隊伍都憋瘋了。。。

配置一調，問題也沒了。

3、再比如“調度執行時長”和“作業執行時長”，這兩個指標分別顯示了一個任務“單純在調度階段的耗時”和“總耗時”。

顯然對于所有任務來說，調度花的時間都不應該占總時長太大的比例。但查看指標，發現有一些任務的主體計算早就做完了，但是系統對它的調度卻一直沒停。這太反常了。

根據這個線索，地雷發現問題出在了“交作業”這一步——提交結果的時候，一個日志接口優化不夠，出現了給老師交完作業還得在學習委員那排隊“登記”的情況。

他們于是調整了日志寫入模式，這個問題也迎刃而解。

地雷告訴我，當時大部分的問題改起來不困難，但也有個別問題很棘手，他們甚至得進入 Java 虛擬機，把人家內存釋放的算法都給魔改了一通，才終于搞定。

話說，回到歷史的現場，“技術的困難”倒還在其次，主要的問題是“身體的困難”。

問題排查前后經歷了10天，可是，在那個特殊的時期，卻沒有一個人能撐過10天。。。

地雷回憶，當時兄弟們的沖鋒堪稱前赴后繼。

DataSimba 的首席架構師魚飛最先扛旗，可是才扛了兩天，他就陽了，高燒不退，眼看就有燒糊涂的趨勢。

二號位的架構師明瑞趕緊自告奮勇：“我來！”明瑞扛了一周，解了無數 Bug，眼看勝利在望，他也陽了。。。趕緊把沒解決的問題“托孤”給第三位架構師。

眼看元旦假期到了，可事關B企業的生產效率，分分鐘幾百萬上下，客戶非常著急，兩邊老師傅誰都沒放假，一邊線上開會，一邊咳嗽此起彼伏。

就這樣，這場從一天算一次到一小時算一次的“地獄升級”終于被扛下來。

B企業領導非常開心，揪著地雷問：接下來我們準備把計算密度再提升12倍，從每小時一次變成每五分鐘一次。再給你們10天，能干完嗎？

回頭一看，地雷快跪地上了。

如果計算密度再提升12倍，那連底層的計算引擎都要從離線引擎換成流式引擎，所有查詢語句都要針對新引擎重寫。

雖說技術上沒有不可逾越的難度，但畢竟相當于把汽車改飛機，肯定不是10天能搞定的了。勸了半天，對方領導才同意稍微緩緩再干。

那天加班到很晚，地雷坐在空蕩蕩的辦公室里，心底卻突然涌上甜蜜。

數據關乎生死的時代，終于來了。

（六）從“起夜級”到“企業級”

在奇點云有一支神奇的隊伍，名為“蝙蝠俠”。

這群蝙蝠俠的超能力就是“起夜”。。。

你看，無論啥行業，數據平臺上必然有很多計算任務是每天一次的，只有在夜里12點以后數據才湊齊，才能開始算。

所以，負載高峰一般都出現在后半夜，萬一出毛病。。。也很可能在后半夜。。。

每當這時，蝙蝠俠就來活兒了，他們晝伏夜出，半夜幫客戶平事兒，清晨第一抹陽光照耀大地，數據平臺恢復如常，蝙蝠俠們事了拂衣去。

這是蝙蝠俠專用的辦公室

但從制造業開始，劇本徹底變了。

因為數據平臺嵌入了生產的“黃金流程”里，生產一秒不停，數據平臺也一秒不能停。這種情況下，就算蝙蝠俠凌晨三點“起夜”也沒戲。

數據平臺必須從“起夜級”變成“企業級”——不僅不允許分秒卡頓，還要有超強的自愈能力，最好像太陽一樣，永遠熱烈，永遠照常升起。

為了實現這個 Mission Impossible，2023年5月，地雷團隊把“元倉體系”正式掛載在數據平臺中，可以通過“體征”變化而提前發現異常，治于未病，爭取達到扁鵲他大哥的效果。

拿著閃閃發光的數倉，航宇他們終于可以放心大膽地用各種姿勢征服一個又一個客戶了。

航宇告訴我，截止2023年夏天，奇點云已經累積服務了幾十家制造業企業，這種“遍插紅旗”的速度，比當年攻克其他行業都更迅猛。

但另一個煩惱也隨之而來：客戶太多，行業專家不夠分了。

航宇干脆牽線搭橋，把自己的良師益友，也是另一位“遠征軍” 云風介紹給了奇點云。

云風

話說，熟悉云風的人都愿意叫他的昵稱，校長。

校長這個名字實至名歸。

當年航宇之所以堅定地投身制造業，就是因為校長去學校做宣講招聘，讓他深受鼓舞。

校長1998年加入漢得，很快就在公司內部開設了“黃埔軍校”，專門對新來的同學進行“魔鬼訓練”。

在他手中，一批批制造業的專家被培育出來，源源不斷進入了中國的各大企業，成為制造業數字化建設的重要力量，可謂桃李滿天下。

行在三顧茅廬，邀請校長加盟，他對校長鄭重地說：“你是老革命了。但老革命要裝備新武器！在奇點云，你手上會一直有最先進的武器。”

校長被這句話深深打動，義無反顧地加入奇點云。

后來行在告訴我，他其實跟每一位行業專家都是這么說的。。。

這倒不是行在不走心，而是因為這是一句鄭重的承諾。用歲月去踐行的承諾，有一句足矣。

校長坐鎮，開始為奇點云培養大批行業專家，這些行業專家進入不同的制造企業，各自發掘出各種更深的數據應用場景。

地雷和校長

校長告訴我，有兩個數據應用方向讓他非常激動：

第一件事是“良率提升”。

在我們之前提到的A、B兩個企業中，數據平臺的作用都是提高“效率”。但是，如果把數據的觸角再深入一層，到達每一臺機器里的每一個參數設置，就可以直接提高生產的“良率”。

其實，每一條生產線在生產一批產品前，都需要請來一個神秘的老師傅，讓他根據現場情況對機器里成百上千的參數進行“調參”。

這些參數如果配合合理，能讓產品良率大大提升。但是調參是個手藝活兒，主要憑手感，經驗來自于老師傅幾十年的積累。

如果人工智能學會老師傅的調參技巧，再利用數據平臺接管這些參數，就可以直接成為AI老師傅，雖說和人類頂尖高手還有差距，但是比肩2-5年的師傅是很有希望的。

如此一來，機器就可以把各種產品靈活地混搭在一起生產，根據當前的產品類型和自己的工作狀態實時調整自己的參數，每一個刀鋒和齒輪都仿佛有了靈魂。

第二件事兒是“普惠”。

你還記得吧，奇點云服務的大多是“頂級客戶”——各個細分領域的龍頭企業。

這當然是因為龍頭企業敢想敢試，也有試錯的勇氣和成本。

但反過來看，如果期待中國制造業整體飛躍，只有龍頭企業往前沖是肯定不夠的。

有朝一日，“金字塔”腰部和底座的中小企業能夠享受數據智能的榮光，中國制造業才能告別濃煙和汗水，迎來真正意義上的產業升級。

中小企業一般利潤不多，預算有限，肯定不能讓工程師駐場幾個月來一場“脫胎換骨”。他們需要的是更簡單的，拆盒就用的數據產品。

為了做出這樣的產品，校長正帶著一群人閉關修煉，試著把來自幾十家制造企業的經驗匯總起來，抽象成一個個“樂高積木塊”。

期待有朝一日，所有中小企業需要的數據平臺，都可以用其中一部分積木拼插而成。

他不僅期待，而且深信這一天會到來。

（七）遠征軍的會師

為了打磨數據產品，校長會經常找機會和各家企業的CIO（首席信息官）聊天。

越聊越激動。

他發現，企業的 CIO 正在變成另一個物種。

原來， CIO 只負責 IT 系統建設，所以只研究代碼就夠了； 現在，新一代 CIO 肩負企業數據智能轉型的使命，他們不僅要懂代碼，更要懂數據，而要想理解數據，首先要深刻理解業務。

這群又懂業務，又懂技術，又懂數據價值的人，正在每一個制造企業嶄露頭角，成為中國制造業的中堅力量。

從天空俯瞰，兩支分頭出發了20多年的遠征軍正在會師。

左邊，中國企業家們用微薄的利潤不斷滾動，逐漸裝備了最先進的生產線和制造工藝，讓“中國制造”成為優質的代名詞；

右邊，“數據遠征軍”們去各行各業臥薪嘗膽，帶回最強的數據平臺和智能技術。出走半生，他們重又相逢。

一杯濁酒，聊慰風塵。他們還要繼續遠行。

航宇告訴我，即便他站在制造業最前沿，也沒辦法望斷數據技術的盡頭。

最初大家連訂單交期都無法預測。 后來數據平臺幫能預測交期，大家又在想如何優化交期？ 交期優化了，大家又想預測兩個訂單擺在一份產能面前，我該接哪個更好？ 能夠匹配訂單之后，大家又在想能不能讓系統自動排列訂單？ 然后大家又會想，下游的物流應該怎么調度才能效率最高？ 如果這個也能做到，大家又會想，能不能把良品率提高萬分之一？再提高萬分之一？

他細細數著。

你看，從“數據第一性原理”出發，對未來預測的準確度如果達到90%，還可以向99%進發，然后還可以向99.9%進發。

即便你手上有海量的數據，預測的準確度也永遠不可能達到100%，因為那是上帝的領地。

但每精進一點點，你都會得到應有的回報，并為此歡欣鼓舞。

正所謂，進一步有進一步的歡喜。

臨近告別時，我隨口問地雷：“你們為什么能做成這件事兒？”

他的答案出乎意料：“因為我們幸運地生在中國。”

你要知道，很多東西不會必然出現在每個人的命運里。 我有一個朋友，當初跳槽到 Google，他設計系統的架構讓美國工程師感到很驚訝。對方問他為什么這么設計，他說，因為我見過“雙11”。 制造業也是同樣的道理： 我們首先生在中國，然后才有機會面對這么完整的工業體系，面對這么大量的自動化產線，面對這么豐富的數據場景，才有機會遇到這么多愿意出錢探索數據智能的企業，才有機會遇到這么多極致的需求。 而“需求”，是技術人最大的幸福。

他語氣很平靜，顯然這是經過無數次思考后的最終答案。

行在喜歡徒步，也喜歡帶公司的小伙伴一起徒步。

為了置身絕美的風景，他們有時會迷路，靠手里小小的指南針猜測方向。但終究他們一次次遠行，又一次次安然返航。

而他們在數據世界里的故事，又何嘗不是同樣的歷程？

25年前，他身邊幾乎所有的數據都屬于外企，而如今，數據平臺技術、數據本身、數據所棲息的數據庫，甚至產生數據的生產線 MES 系統也都在一點點被中國人理解和掌握。

這是另一場更漫長的，用生命時光才得以丈量的中國數據技術的遠行。

兩千年前，摩西曾劈開紅海，帶著以色列人回到故鄉。

兩千年后，一群赤子正帶著有關中國數據的一切，趕回故鄉。

延伸閱讀：

回首向來蕭瑟處

也無風雨也無晴

再自我介紹一下吧。我叫史中，是一個傾心故事的科技記者。我的日常是和各路大神聊天。如果想和我做朋友，可以搜索微信：shizhongmax。

哦對了，如果喜歡文章，請別吝惜你的“在看”或“分享”。讓有趣的靈魂有機會相遇，會是一件很美好的事情。

Thx with in Beijing