AI原生制造商的承诺
作者： Annelies Gamble
免责声明： 本翻译仅供个人阅读和学习参考，不得用于任何商业用途或进行随意转载发布。
制造业中一些最重要的 AI 机会将来自围绕工作流本身构建的 AI 原生工业公司。在许多情况下，这些企业看起来可能不像传统的软件公司，而更像运营商：供应商、服务中心、制造商和物流企业，它们的优势来自于将智能直接嵌入到物理系统中。
在我的上一家公司，我们实际上就是在试图构建这个未来，但我们付出了大量的体力劳动。现在感觉不同的是，技术终于赶上了。我们可能正在达到这样一个临界点：构建产品本身并使用 AI 更好、更快、更智能地生产它，比仅仅向那些生产产品的人销售软件是一个更持久的模式。
本周我和 Nox Metals 的创始人 Zane Hengsperger 坐下来，探讨那个未来可能会是什么样子。Nox 是一家由 AI 驱动的金属供应商和现代金属服务中心。该公司介于钢厂和机加工车间之间，将金属切割成客户需要的尺寸，并正在构建软件来优化定价、库存选择、排料、调度和履行。归根结底，Nox 销售的是金属，但它利用 AI 在整个运营过程中驱动预测和优化。
“软件公司很重要，但垂直整合的工厂要重要十倍，”Zane 告诉我。
在制造业，以及更广泛的工业领域，有机会建立全新形式的产能。
制造业之所以成为 AI 的沃土，原因之一是该行业的大部分仍运行在碎片化的系统和手动工作流上。
制造业的核心是由一系列物理过程组成的。材料进来，零件出去。但两者之间的每一个过程都需要做出数千个决定，这些决定决定了一家工厂能否实现盈利性扩张。
这项工作需要多长时间？我们应该使用哪件库存？这张板材应该如何切割？我们应该报价多少？我们能保证这个交货时间吗？我们应该接这个订单还是拒绝？哪台机器应该运行什么，以什么顺序，以什么利润率，对剩余时间表的下游影响是什么？
这些决定驱动着吞吐量、良率、利用率和营运资金。
“你如何以最便宜的价格和最快的速度获得金属？你如何以最优惠的价格在 24 小时内为美国的每家工厂供应他们所需的任何金属？如果美国制造商要加快发展速度，他们就不能再为金属等那么久了。”Zane 说。“而且他们不能继续被多收费了。”
这关乎构建供应链基础设施，这是一组嵌入在实体业务内部的预测和优化问题。
一些价值最高的问题是预测问题：报价准确性、交货期预测、时间估算和需求预测。其他则是优化问题：排料、切割路径生成、调度、库存分配和作业排序。
“Nox 正在从我们在工厂车间做出的每一个决定中学习。某件事需要多长时间。我们决定如何切割一块金属。我们选择哪件库存。”这些学习对于 Nox 改善自身结果至关重要。
更准确的估算意味着更优的产能规划，这意味着接受更多的工作、更高的利用率、更低的空闲时间、更好的定价和更快的交付。“毕竟，产能决定了制造业的价格，”Zane 说。“如果你安排了一项四小时的工作，但实际上只需要三个小时，你就实际上失去了一个小时的产能。这可能意味着仅仅因为你的时间估算错误，就拒绝了其他工作或让机器闲置。”
如果你真正控制了这些预测和优化发生的流程，它们的收益才会复利。问题是如何做到。关于找到你的切入点——找到技术栈中狭窄但在经济上处于中心地位的一部分来拥有它的价值，已经有很多文章了。在制造业，这可能比几乎任何其他地方都更重要，因为正确的切入点让你控制了工作流本身。在我的上一家公司，我艰难地学到了这一点。
在 Nox 的案例中，这个切入点是金属供应和加工。
“我们位于钢厂，”Zane 说，“和一个拥有 CNC 机器准备制造零件的人之间。”Nox 为机械师将金属切割成特定尺寸。与纯软件企业不同，它也持有库存。“我们确实把它记在资产负债表上，”他告诉我。“库存非常重要，这样你才能快速行动。”
在许多工业环境中，速度和可靠性来自于所有权和物理上的准备就绪。如果材料不在那里，你就无法压缩交货时间。如果你无法控制时间表，你就无法保证速度。如果重要的决定仍在你的系统之外发生，你就无法建立学习循环。
这就是 Zane 所说的垂直整合的部分含义。“垂直整合意味着你在内部构建技术并将其应用于某个流程，”他说。“这让你能够从数据中学习，这太重要了。”
我认为方向是对的，特别是在工业市场中，最好的数据是从重复执行物理工作流中产生的。在这些情况下，护城河是产生模型反馈循环的运行环境。
工业的护城河并不总是看起来像软件的护城河。在传统的 SaaS 中，投资者通常寻找产品差异化、转换成本或专有数据。但在工业领域，护城河可以是更具物理性和累积性的东西：库存头寸、吞吐量密度、工艺知识，以及从通过系统运行的每项工作中学习的能力。这就是为什么我通常对那些将自己定位为工作流之上薄薄的智能层的工业 AI 公司持怀疑态度的一个原因。有些会成功。但在许多类别中，价值实际上累积在那些控制了足够多的底层系统以不断改进它的人身上。
并非每个工业 AI 公司都应该建立垂直整合的业务。会有出色的纯软件企业，以及介于两者之间的公司：软件加服务、软件加编排、软件加对工作流的选择性所有权。但我确实认为，下一代工业公司通常会是某种混合体。他们将使用 AI 来捕获工作并重塑它。他们将足够接近流程以建立真正的复利循环。并且他们会选择足够狭窄的切入点，以使他们的学习实际上随着时间的推移而转移和深化。
从我自己建立制造业的经历中，我体会到的一件事是，如果一家公司过早地跨越太多不同的流程扩张，广度可能会稀释学习。关键是从一个特定的瓶颈开始，在那里数据和工作流相互强化。正如 Zane 所说：“在你去做其他事情之前，你要变得非常非常擅长的事情是什么？”
即使你知道正确的方法，大多数现有的运营商也没有条件去执行它。改造现有工厂可能非常困难。数据是碎片化的。工作流部分存在于软件中，部分在电子表格中，部分在白板上，部分在少数经验丰富的操作员的脑海中。机器陈旧。采用门槛高。而在文化上，许多工厂并不渴望围绕新软件重塑自己，更不用说 AI 了。
“我不认为拥有这些工厂的人会想这么做，”Zane 在谈到让传统车间真正实现 AI 原生时说。“你就是无法说服某人接受 AI。他们有点固步自封。”
因此，技术的采用不仅受到技术可行性的限制，还受到组织意愿的限制。这也是我怀疑不成比例的价值将累积给新进入者的一个原因。
“我认为这些像初创制造商一样的新公司将会碾压所有人，”Zane 说。
我可能会说得更谨慎一些，但我认为核心理念是对的。未来可能并不是每个传统工厂都逐渐启用 AI。而是可能有相对较少数量的 AI 原生运营商变得如此响应迅速、高效和可靠，以至于他们占据了不成比例的份额。
当我问 Zane 美国制造业在五到十年后会是什么样子时，他说：“你会看到大约 2% 的公司完成了 30%-50% 的工作。”
一旦一个系统在做决定方面变得有意义地更好，它就会产生复利。更好的报价带来更多的业务量。更多的业务量带来更多的数据。更多的数据驱动更好的调度、定价和履行。更好的服务带来更多的客户集中度，这又带来了更好的密度，从而再次改善了经济效益和响应时间。
我认为，这也就是再工业化实际建立的方式——不是自上而下，而是通过像这样的运营商在供应链的每一层变得更快、更密集。围绕重建美国工业产能有很多对话。而对话往往集中在金字塔可见的顶端：火箭、防御系统、芯片、汽车。这些类别很重要，但工业产能取决于更广泛的上游系统网络：原材料、钢厂、服务中心、加工层、零部件供应商、物流基础设施等。
当我问 Zane 关于美国自给自足的最大瓶颈时，他从缺失或脆弱的供应层开始谈起。“在供应链早期的公司应该更多，”他说。“矿业公司。材料。线束。我们需要更好的产能。”
更好的产能意味着更响应迅速、更自动化、更智能和更具韧性。
他给出的一个例子是关于不锈钢的。“我们合作的一个客户不得不推迟发布，仅仅是因为他们无法获得这一块不锈钢。在中国你可以在两周内拿到。而在美国需要六个月。”
重建美国工业化意味着解决这种供应链的脆弱性，重新思考和重建连接组织本身。
“制造业中每有一家软件任务初创公司，就应该有 50 家工厂优先的初创公司，”Zane 在我们谈话结束时告诉我。
其中一些初创公司将是服务中心。有些将是制造商。有些将是上游供应链企业。有些将是物流层。有些将处于科技界大多忽视的类别中，因为它们在运营上太困难或资产太重。
无论如何，在许多情况下，护城河将是该模型帮助创造的产能——这就是 AI 原生制造商的承诺。
作者注：LLM 仅用于轻度文案编辑（拼写、语法和清晰度）。内容、含义、语气和结构保持不变。
