哪怕你并不是科技爱好者，想必也会在各种渠道看到“某某银行引入了智能机器人”“某服务由人工智能算法推荐”，“AI+”的故事每天都在我们眼前上演。

在无数布道师亦真亦假的推崇下，企业应用AI已经成了转型升级的“路径正确”。但可能被忽略掉的是，类似服装制造这样的传统行业，在应用AI时还有大量的困境与难题亟待解决。

因此，白洞企业唤醒计划的第三期节目，我们邀请了深圳极视角科技的市场合伙人刘若水，与四川大学轻纺与食品学院生物质与皮革工程系副教授，红蜻蜓院士工作站研究员周晋博士，与我们一起聊了聊，一双皮鞋需要跨过哪些关卡，才能从AI中真正获益。

四处散落的巨坑：传统制造企业应用AI的典型问题

与场景集中度高、产业链条短、数字化程度高的互联网行业相比，传统制造企业应用AI的环境显得格外艰难。

以周博士负责的红蜻蜓项目为例，作为一家老牌服装厂商，红蜻蜓的产业链条布局十分完整。从上游的原辅料供应链管理，中游设计生产与制造，再到下游销售环节，无不考验着企业综合经营管理的能力。

也正是因此，想要在这样的庞大机体之上部署AI，并致用见效，也变得格外困难。对此，两位嘉宾都感受颇深，在他们看来，传统制造企业体系应用AI的典型问题主要体现在三个方面：

1.有目标，没路径。很多传统企业在进行产业升级时，需求表达往往不够清晰，诸如提高全球竞争力、降本增效等等，但由于既往的业务环境与AI技术几乎是两个世界，因此在融合时的每一步应该如何部署与执行，往往缺乏清晰的路径规划。

2.有概念，没认知。 由于自身有盈利能力，又缺乏前期研发投入等理念，整个传统制造业的从业人员对AI等前沿技术普遍缺乏了解。而这种对于AI技术细节，以及对于如何将AI效用最大化的认知匮乏，很可能导致要么不用AI，用了也是在做无用功。

3.有技术，难持续。有的传统企业比较懂AI，也很早就开始建立自己的AI开发团队，但运营一段时间后，会发现算法模型开发完成后还需要工程化团队来进行部署，后期隐形成本巨大，最终不得不选择放弃，导致企业资源被大量浪费。

4.有产出，不实际。当然，也有传统企业选择了寻找技术合作平台来共同完成AI化改造，但对于制造业这种长而碎片化的产业链来说，有着许许多多细节工程问题，比如普通智能摄像头无法采集到可用的皮革图像数据，通用数据集与门店真实用户数据存在误差等等，很难使用通用算法或模型来解决，否则即使上了AI也无法给业务带来实际帮助。

总体而言，能够从开发环节走到市场交付阶段的制造型AI，几乎是凤毛麟角。

幸运的是，红蜻蜓这个我们耳熟能详的皮鞋品牌，一直对技术保持着开放而敏锐的重视。早在AI革命到来以前，就完成了前期的信息化工作。

据周博士介绍，红蜻蜓早在90年代就引入了ERP系统来进行企业管理， 2014年就设立了博士后工作站进行智慧门店项目研究。而AI的种子，也从那时起就在红蜻蜓的产业链沃土上开始播种。

一双皮鞋的全能AI改造，总共分几步?

在交流中，通过两位嘉宾的讲述，逐渐为我们拼出了传统企业进行AI改造的完整拼图。

简单来说，需要将产业链场景进行垂直细分，再分别与不同的AI技术进行适配。体现在红蜻蜓上，可以从三个关键场景来理解。

准备阶段：AI的“磨刀工”

在我们将AI作为“路线正确”并为之鼓与呼的时候，如何让企业在这条技术高速路上长远而安全地“飙车”， 合理的预期与适当的伙伴，必须从准备阶段就引起重视。

以红蜻蜓为例，对于技术的接受度一直都很强，在24年的发展历史中，企业管理者能够切实地感受到技术所带来的价值空间，因此在面对人工智能浪潮时，对于新技术的应用没有犹豫。

但是用AI做什么，做到什么程度，取得怎样的效果，就需要管理者对技术的能量有合理的认知和预期。

周博士分享道，2014年红蜻蜓博士后工作站成立，在与钱金波董事长交流时，他被问到：红蜻蜓的用户画像是什么?

当时很多红蜻蜓的营销高管，对用户的认知就是年轻、男女均衡等非常主观且基本的概念。周晋等人的研究证实，这种认知与市场的真实情况是有错位的。因此，经由董事长一把手认可，通过人工智能等技术手段去捕捉和分析用户数据， 指导产品研发和营销工作，就成为红蜻蜓最开始接触AI的契机。

而2015年，专注于计算机视觉算法的极视角才刚刚成立。之所以会被红蜻蜓AI项目所选中，据周博士说，主要得益于他们的三个特质：

一是落地能力。 极视角在前期不赚钱的条件下，为红蜻蜓量身打造了智慧门店的落地方案模式，顺利闯过了金字塔尖技术与底层传统制造业之间的应用鸿沟。

二是吃苦精神。原本应该在电脑前挥斥方遒的极视角创始人与技术负责人，能够亲自到现场去调试摄像头的角度、灯光等，从而切实发现门店部署可能存在的问题。

三是个性与务实。周博士感慨，2014年刚接触极视角团队，他们就表现出了一种与传统企业打交道、技术赋能企业的渴望，从企业需要的角度去不断挖掘和强化自身的能力。

正是这种互相之间的认可与信任，让红蜻蜓与极视角的AI探索之路，顺利踏平了各种荆棘。

顶层有共识，数据有边界，应用有场景，部署有伙伴，于是，皮鞋AI的第一步正式迈出了。

零售阶段：门店改造与体验升级

我们知道，数据、算法、算力，构成了智能的三要素。在零售环节的门店部署阶段中，这也是掣肘AI应用的关键因素：

1.在数据收集过程中，确定边界和范围至关重要。比如红蜻蜓的一百多家门店改造，核心就是为了帮助企业了解用户画像并支持决策。因此，在数据维度上，极视角确定了客流量、消费、年龄等多维度的数据，并通过混合交叉的分析模块，让门店一目了然地规划改进方向。

除了设计的可行性之外，具体的实施环节也需要控制，如何保证数据采集终端的有效性和持续性，比如门店节庆放气球把摄像头挡住了，有时还需要特殊的补光等等，这些处理不好都会直接影响数据的完好度与质量，难以构建出一个完整的消费模型。

2.算法的个性化。在实际应用中， 对算法性能的要求不再像实验室或竞赛中追求的那样越高越好，一来是会带来庞大的设备与计算成本，二来通过算法的模块化功能，将数据转换成有价值的商业信息，以可视化的效果提供给门店管理人员，这才是算法更重要的价值所在。

比如目前极视角的计算机视觉算法，在画面压缩后能保持90%左右的识别精准度，足够在整体趋势上把握性别、年龄、运动轨迹等关键信息，保证门店识别用户和商业决策了。

3.算力的成本问题。在实际部署中，相对于算法开发，大规模实时计算的成本反而是更难承受的。

针对这一现实需求，极视角在于红蜻蜓的合作中，选择了将数据上传到云端进行非同步分析，由于不用实时反馈， 能够在云端通过分布式优化把分析成本降下来。

未来还可以通过5G将视频转换成图片这种相对耗流量比较小的形式去做分析，将算力成本下降到一个新的层面上。

总而言之，终端AI应用尤其独特的需求和场景，设计更加细分的技术解决方案，不能“人云亦云”“贵就是好”，而是需要建立在企业对自身场景和业务目标清晰的理解和实战基础上的。

那么，完成了门店的基础设施改造，AI就可以为企业和用户所感所用了吗?问题又来了， 只有将技术与用户连接在一起，打造前所未有的体验，才能真正让AI为产业创造价值。

从这个角度看，极视角与红蜻蜓的智能推荐平台鞋履Home+，或许就是一个零售体验升级的关键样板。

2018年，周博士所在的项目组和红蜻蜓、德利欧一起，改变了延续数千年的购鞋逻辑。

通过极视角的人脸识别系统， 门店快速识别出消费者的性别、年龄等信息，在线上完成产品的筛选工作。然后，和智能终端伙伴合作，对消费者的脚型进行扫描，再结合服装风格AI模块，形成一个个性化的专属产品推荐服务，里面包含了消费者可能最感兴趣的10%产品。

这样做的结果是，消费者一进店就能感受到前沿技术所带来的体验升级，迅速被连接到最大可能购买的商品，提高门店的转化率与成交，而品牌的科技感与未来感也被直接传达到了消费端。

当然，要保证用户体验的惊喜感，就需要多方面集体做功。

比如在门店上，红蜻蜓迅速请了意大利的设计师完成了上海门店装修，适配更具科技感的购物环境;在技术层面，就要求算法要尽可能地有效、精准，幸好极视角长期储备了500多种算法，其中就包括了多人识别、服装风格识别等等，再结合门店的真实数据进一步定制开发，在13天的时间内就完成了调试上线。

众所周知，引入AI就意味着成本增加与资源消耗，如何让技术集群在预期时间内创造效益，对很多企业来说都是一个未知数。正如红蜻蜓和极视角所做的那样，在完成了智能化基础建设之后，让AI与用户发生一些故事，或许应该成为企业应用AI的常识。

生产阶段：数字工厂的独特逻辑

一双皮鞋的AI故事到此还没有结束。更后端的生产环节，是制造企业的立身之本，也是应用AI的最大变数。

更关键的是，生产阶段与零售阶段所需要的AI核心能力大相径庭。比如在零售领域有销售生命周期，大部分时候不需要对数据进行实时处理与决策，数据的云端处理可以大大减轻计算负担。但这在生产端就变得非常重要，毕竟工厂里的机器如果在质检环节慢上几秒钟，就有可能让一双有瑕疵的鞋子流向市场。

同时，传统的制造模式M2C(工厂-消费者)模式正在被C2M(消费者-工厂)所取代，以解决库存积压、消费需求变化等问题。

那么，面对这些情况，在生产阶段应用AI，又需要避免哪些坑呢?

在交流中，周博士让我们阐述了生产端的特殊之处：

1.硬件问题， AI在生产环境上难以发挥效果，很可能不是算法的问题，而是硬件条件限制了效率升级。比如普通摄像头精度不足，很难捕捉到皮革上几毫米的伤残，这对专业的老师傅就不是问题。

2.流水线作业。生产线往往有着固定的节拍，每个工序之间用了几秒钟，都需要有精确的卡点。但在流水线环境中部署这样的摄像头来实现管控，就比门店要难很多，因为空间太大，还有噪音以及电磁的干扰。

3.成品质检。产品的瑕疵识别，这种计算机视觉算法已经相当成熟了，但在实际应用中，很可能遇到个性化标注数据匮乏的问题。极视角的刘若水说到，工业场景的数据都是专业人士才能去进行采集以及标注的，这是工厂AI应用很大的瓶颈所在。

对于这些问题，极视角的解决办法是，先利用工厂给到的一些样本，在一个很快的周期内(目前是八周左右)就给到一个初步可用的版本，让工厂先部署在生产环境当中。然后AI模型再不断地与真实的使用环境磨合并进行优化，就能避免因为数据量不足而没办法马上开发算法的困境，从而实现AI系统在工业检测上的高效落地。

说了这么多，一双皮鞋终于走完了它从一块皮革到消费者脚上的AI改造之路。

今天，AI与大部分行业的连接密度都在飞速增长，而传统企业也超乎我们想象地渴望触碰它、拥抱它。但我们无法忽视的是，传统企业自身的独特性，也往往束缚着它在技术浪潮中大师拳脚。

目前看来，看清自身独特的商业逻辑，找到靠谱的技术盟友，才能真正撬动AI，碰撞出真实可感可用的应用方案。

在抵达AI的旅途中，自知与伙伴是最难的关卡，也是最美丽的站点。

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31561483/viewspace-2647486/，如需转载，请注明出处，否则将追究法律责任。