「还在美国辛辛那提大学智能维护系统 IMS 中心攻读博士期间，有次我们去一家 PCB 制造厂，他们有条化金线（化学镀金流程）被提出有改善空间，因为这个工艺流程涉及到『金层』的厚度，做厚了就浪费，薄了质量达不到，所以希望我们可以有一套算法管控镀金的『量』。」

但后来金超发现提供的原始方案根本做不了。
「因为在线实时检测各种离子的传感器现在还不成熟、甚至不存在。没办法感知，就很难利用数据驱动的技术改善工艺。」

而这就是典型的「硬件制约了软件」的工业场景。
换句话说，可以让机器学习或深度学习发挥作用的工业场景都是有条件的，甚至条件是较为苛刻的。

因此，面对那些想用人工智能尝试解决顽疾但又怕做了无用功的工厂老板们，天泽智云 CEO 孙昕用团队两年的落地经验总结出了一份能够用机器学习和大数据分析真正提升生产效率的「工厂群像」：

可复制的规模大，产线设备昂贵，产品质量要求高，能耗优化空间巨大。
「关键性设备与装备价值高；生产的产品昂贵，生产与运维过程耗能巨大；规模化可复制性强。

针对这几个类型客户在制造过程与装备运维中的痛点如果解决了，例如涉及到安全运行、能耗优化、工艺优化良品率提升、维护优化，就可能给他们带来上千万上亿的利益。所以从项目角度来说这类用户就愿意付钱，做成产品也易于推广。」

而天泽智云目前完成和进行的项目名单里，机加工、钢铁、风力发电、轨道交通，皆符合以上条件。
另外，不同行业业务形态的差异也决定了他们需要改造的生产环节可能并不相同。

假如主要问题并不是出在工艺环节，而在于它的排放和安全环节，那么只改造工艺流程就对提升效率没什么明显作用。

「就像木桶效应一样，我们一定要找到这家工厂某个最痛的点，并且有行业共性的点，然后再集中解决问题。只有我们具备解决方案的泛化能力，才能让行业受益。」

工厂到底在做什么无用功？
对于所有工厂来说，终极梦想当然是实现「三个零」——零宕机、零缺陷、零浪费。
而这三个目标分别对应着的「效率、质量、成本」决定了一家企业的生存能力。

金超认为，在这三点上目前做的最好的制造类行业之一，莫过于「半导体制造」。
「为什么半导体制造能够做得相对更好？就是因为在其生产过程中能够收集到大量关键有效的数据。

呼应这一点，首先就要有能够采集关键变量的传感器，要能够把实际有效量测数据收上来，才有机会分析哪些流程改进质量才能更好，生产效率才能更高。」

事实上，目前国内的大型国有工厂其实无论是自动化设备还是管理系统都配备地十分齐全，甚至有工厂上几百套系统都不成问题，但产生数据的利用率却一直不尽如人意。

因此，在基本条件都具备（譬如传感器泛在）的工厂里，采集数据的方法，数据的质量、多样性以及规模直接决定了机器学习或者深度学习究竟有多大的发挥余地。
而这几点恰恰也是工厂智能化改造中普遍遇到的难题——

传统收集数据的方法耗时耗力；收集上来的数据大多没什么用。
天泽智云团队到一个半导体面板厂调研，发现他们收集数据的方法竟然是靠人力，软件所收集的数据通常是孤岛式的存在。