作者｜周峰
编辑｜白瑞
物联网、大数据、人工智能和现代工业的深度，驱动着创新和变革，以智能制造为主导的工业革命4.0正影响着各行各业。
作为我国国民经济的主导产业，传统工业已经在人工智能与大数据技术的崛起下，开启了智能化转型，并得到了国家高度关注。然而在工业网络化、智能化发展的现状下，传统的信息化、自动化方式已经无法满足工业数据挖掘与分析利用的需求。
如何利用大数据和人工智能技术赋能传统制造业数智化转型升级，是数之联正在推动解决的问题。
这家公司位于成都，由3名学者创办。作为工业领域为数不多的大数据企业，数之联如今已经成为行业内突出的缺陷检测与分类系统产品与解决方案提供商。
京东方、天马、信维诺等头部企业的二十多家工厂，已经部署了数之联的解决方案，用于工业智能质检、工艺流程优化等核心生产场景。
但数之联的发展并非一帆风顺，成绩的背后，是10年艰辛的创业历程。公司犯过战略不清晰、战线过长的错误，也一度面临资金链断裂，创始人甚至需要出卖房产维持经营的窘境。
在逆风中，3名创始人逐渐完成了从学者到企业家的蜕变，成功扭转了资本市场对科学家创业的偏见，也带领公司在大厂难以涉足的领域里打下了一片空间。
“什么都能做，就是什么都不能做。”数之联创始人兼董事长傅彦在接受创业邦采访时，如此总结创业初期经历的遗憾。10年创业，她深刻认识到只有把工具和行业知识深度融合，才能形成真正的壁垒。
除此之外，还有坚持。
可以预见，中国企业数字化转型需求高涨，全产业亟待转型升级。满足时代要求，离不开先进的科研成果。时代呼唤科学家，但科学家也需要对时代做好准备。
至于如何准备，数之联有自己的故事。
以下为创业邦对数之联创始人兼董事长傅彦的专访：
创业和科研
到底哪里不一样？
创业邦：为什么放弃学者身份，成立了一家公司？
傅彦：创业之前，我们的研究方向就一直是数据挖掘。
当时计算机在储存、计算和实时处理方面的能力不足，学术研究成果距离真正的落地还是很远。创业之前我们其实和企业有过很多合作，但很难解决这些企业的实际问题。
我们在和企业合作的过程中，感到学术研究如果不服务于社会，悬在空中没有任何价值和意义。直到2012年，计算机的算力和分布式处理能力已经成熟，我们看到自己的研究成果真正有了为社会服务的机会。
天时地利人和，这是促使我创业的原因。
创业邦：创业压力大吗？和做学术，有什么不一样？
傅彦：压力肯定大，非常大。
创业和做学术非常不一样。在学校工作，我们是“旱涝保收”的。每年无论怎样，教授的工资都非常丰厚，而且有电子科技大学的身份背书，也能顺理成章地拿到很多项目。再加上国家对教师的补贴，科研工作者的生活压力是非常小的。
但创业不一样。企业的每一笔开销都来自你自己，况且我们这个行业人力成本也比较高。像我们现在已经达到了400多人的规模，每年发出的工资接近1亿。每天一睁眼，头一件事想的就是下个月的工资在哪。
创业邦：印象中压力最大的时候是哪一年？
傅彦：我们最难的时候是2015年。创业最初公司走的是集团化道路，造血能力非常薄弱，很长一段时间都靠政府补贴生存。
但补贴不是长久之计，而且在那时，公司基本上到了揭不开锅的状态，我们甚至要变卖自己的房产投入到公司经营里。
那时候员工也对公司不看好，我们哪怕以很便宜的价格将股权释放给员工，也有很多员工不愿意接受。直到2016年我们重新定位，说服资本市场获得投资之后，经济上才得到了缓解。
但这时候新的压力又来了：投资协议是非常严格的对赌，业绩一旦完不成，我们又会面临非常高的赔偿。所以不同时期的压力是不一样的。
创业邦：能说服资本市场很不容易，很多投资人其实不愿意投科学家直接创业的项目。
傅彦：确实是这样，不少投资人觉得我们很学究，也没有多少经商经验。当时确实是踏破了别人家的门槛，也难以获得投资者的支持！好在有政府对我们的支持，看重我们的学术能力，相信我们能带领大家在大数据领域中走出来，我们才获得了第一笔天使轮的投资，但这也仅仅是杯水车薪，难以持续支持公司的发展，最后我们也不顾一切后果，承诺了很严酷的对赌条约。
创业邦：拿到天使投资之前，公司用集团化的方式发展，为什么会这么选择？
傅彦：我们刚开始创业的时候，没有想到过会做成今天这个状态。而且当时没有多少经商能力，就觉得作为老师，我们以技术孵化的方式，找一些所谓的商业合作伙伴，为他们提供支持就好了。
数之联是2012年成立的，那时候大数据在中国刚刚兴起，很多人没有概念，完全不知道这种技术可以做什么。我们就去为企业站台，拿到了一些股份。
但这些股份很快就被资本市场稀释掉了：做得好的企业一旦有了资金注入，就会认为学者在公司里占有那么多股份没有任何价值，可以拿这些钱去请很多高水平的人。这个时候，我们就只好退出。
而那些做得差的公司，很多又是学生创业，创始人在很多方面都能力不足。但我们也很难参与到他们公司具体的发展中去。
创业邦：团队是从什么时候开始强烈意识到：“不行！不能朝这个方向（指集团化）发展”的？
傅彦：2015年底到2016年初。那时候我出去给别人讲课，有企业家问我：你们号称做大数据，大数据到底能解决我们企业的什么问题？
在那个时候，大数据更多是和互联网平台结合的。因为互联网行业在数据、算力方面有先天优势，理念也比较先进，自然是大数据最开始的突破点。和互联网类似，政务、医疗、金融行业也有类似的条件，因此在大数据应用方面比较突出。
但制造业对大数据真的是一片茫然，但他们又渴望通过大数据得到提升，解决生产过程中的各种问题。
社会需求真实存在，我们也有服务社会和国家的责任和担当。所以，我们决定必须全力以赴投入到工业智能制造这个战略方向。
坚持工业大数据的责任与担当
创业邦：转型动作这么大，团队里有反对声音吗？
傅彦：肯定有，质疑很多。而且不仅内部，很多合作伙伴也会质疑：你们为什么选择要做工业？
到目前为止，市场上做工业大数据的企业都不多。2017年的时候，阿里巴巴、腾讯都涉足过工业，一年之后基本上全身退出，因为根本没有意料到工业大数据做起来有多艰辛。
在互联网赚钱相对容易。但做工业大数据，需要理解工艺，数之联所有项目成员都是全天候驻在工厂里面，和工人打成一片。而且我们前期不挣钱，即使有收入，但都是亏损。
为什么不挣钱？我们每个产品上线前，都要超额投入，以确保100%没有问题。因为在生产过程中只要出现一点点问题，无论多小的bug，都会造成整条生产线瘫痪。对企业来说这是非常巨大的损失。
没有几个公司愿意去这么做，纯做工业的公司，如果没有投资早就垮了。
创业邦：当时怎么回应质疑的？
傅彦：我希望我们做的任何一件事都有家国情怀，都有解决国家问题的担当。我也觉得我们身上有责任，在工业大数据的方向上走下去。
虽然我们国家在世界上的地位越来越高，但很多核心的软件、硬件都不是我们自己的。国产化问题是需要我们每一个学者、科学家去主动担当的。不去做这件事，中国永远跟在别人后面跑，万一哪天被卡住脖子，经济就有瘫痪的风险。
创业邦：投资人对您的观点认同吗？
傅彦：我们比较幸运，有一些投资人非常赞同我们的观点。而且我们选择的核心点就是帮助工厂降本增效，一些投资人觉得这是中国未来可能发展的方向，就大力支持了我们。
创业邦：在工业领域深入后，您觉得和互联网比，哪个行业更难些？
傅彦：各有各的难处。
我们其实很早就进入到互联网领域里，而且我们的理念很超前。2013年左右我们就做过一个图片搜索应用——拍图购：在街上看到一件漂亮的衣服，拍下来照片上传到网上，就能知道可以去哪里买。这个功能今天在电商中已经很盛行了。
类似的理念我们也尝试过很多，申请过一些专利。但我们毕竟不是做电商平台的，很快就遇到了障碍——爬不到数据。没有数据，效果也就打了折扣。也是通过这些尝试，我们认识到自己不具备做互联网行业的能力。
但做工业我们也是从零开始。比如我们一开始想做刀具缺陷检测、预测刀具寿命，这个过程中也遇到了很多挫折。而且大数据在有些行业中很难渗透，整个工业方向到现在还是很难的。
但在业务理解上，互联网、医疗、金融等行业还是要比工业更容易一些，因为它们离生活更近。工业离我们太远了，对学术研究和技术含量的要求都很高，对行业的理解要足够深刻才能做成。
把工具和行业知识深度融合
数之联创始人兼董事长傅彦
创业邦：工业领域的第一个客户是谁？
傅彦：我们第一批工业客户就是富士康和京东方。
创业邦：没有行业案例，这么大的客户是怎么啃下来的？
傅彦：工业客户招标是一定要做验证性测试的。通过在各种智能制造的会议上大力宣传大数据的思想，因此就有一批大型企业愿意第一个吃螃蟹，我们就有机会去做POC的尝试。
拿下京东方的时候，我们团队大概十来个人提前到了工厂所在地，住在火车站附近特别低端的一个旅馆里。当时和我们竞争的厂商有IBM这些国外厂商，也有国内的互联网公司。
测试结果出来后，我们的算法效果排进了前三。就是因为进入了前三，客户才给了我们机会，让我们参与投标。
而IBM这样的公司，主要研究团队在国外。他们在国内提供的是标准化产品，拿过来后都没有办法上线，没法满足中国客户的特殊要求。互联网公司擅长的也是标准化应用场景。我们就这样赢过了他们，进入到行业里。
创业邦：客户的特殊要求，特殊在什么地方？
傅彦：工厂的环节很多，不同生产线的产品也不一样，每个节点都有特殊要求，需求是非常碎片化的。
做大数据，光有工具不行，更多还需要对行业知识的理解。只有把工具和行业知识深度融合后，做出一定程度上标准化，但是又在一定程度上能够定制化的产品，二者结合才能形成真正的壁垒。
创业邦：定制化需求多的话，也很难规模化扩张。
傅彦：是有这个问题，所以我们也在慢慢地去做通用化。但这可能需要很长的时间才能见到成果。我猜我们要付出10年以上的努力，才有可能让我们从工业领域里走出来。
到那时，如果市场占有率足够高，如果每一个工厂都离不开数之联，成本就会慢慢降低。而且我们积累到成千上万的工业数据，效果自然又会提升。这时工业领域的定制化程度才有可能慢慢减少。
创业邦：占有率需要有多高？
傅彦：至少30%。
创业邦：数之联现在的市场份额是多少？
傅彦：面板领域缺陷检测方向我们是最大的。但这个市场不是足够大，毕竟全国生产面板的厂商就那么多，想要支持一家上市公司的体量还是不够。
创业邦：工业概念相当庞大，有没有其他聚焦的领域？
傅彦：我们主要聚焦在泛半导体，包括面板、PCB、光伏、锂电。另外离散制造方向也有涉足，比如汽车制造加工。
之所以聚焦在这些领域，主要是因为我们产品的主要方向有两个：一个是检测缺陷，另外一个是提升良率。而这些都是通过计算机视觉的方式实现的。
创业邦：能不能具体说明一下，公司的产品和技术是怎么帮助这些领域中的企业的？
傅彦：很简单，比如手机生产过程中有很多工序，有些工序会涉及非常精密的电路。工序完成后，工厂会自动给这些电路拍照，传送给检验部门，让检验人员检查图片上有没有气泡、断线之类的缺陷。
检验人员每天要对着电脑看上万张这种照片，眼睛非常疲劳。所以时间一长，就会有工人因为眼睛受不了离开岗位。而且因为疲劳，有些缺陷也无法被工人发现。这样一来，工厂在检验环节的人工成本就非常高，但效率却非常低。
我们则是用机器学习识别图片。产品上线后能减少检验环节80%的人工，还能把检测效率提高到99%。检测效率提升，也会带来良率的提升。
创业邦：不少计算机视觉公司也在做类似的事情，数之联和他们在定位上有什么不同？
傅彦：定位是不一样的，而且并不是说同样的机器学习算法、计算机视觉算法在任何地方都能使用，不需要改变。
不同公司选择的领域不同。在工业这个领域里，技术一定要和业务契合，才能保证很好的效果。这也是我刚才说的，只有把工具和行业知识深度融合，才能形成真正的壁垒。
优秀的To B企业都在行业里坚持了10年以上
创业邦：有没有下一步的融资计划？
傅彦：短期内可能不会有计划，因为我们的资金足够支持公司运转，另外我们也希望明年启动科创板上市。
创业邦：准备上市的话，资金计划投入到哪里？
傅彦：我们的业务上有智能制造和智慧城市两大板块，肯定还会在这些板块里投入。
工业智能制造领域我们还有很长的路要走，需要对产品进一步打磨，需要真正实现软硬件一体的产品，同时公司也要达到和华为、苹果等大厂对接的能力。在这方面我们未来肯定有大的投入。
另外在智慧城市板块里，我们也要搭建一个中枢神经一样的一体化云原生数字服务平台，在上面丰富智慧城市的每一个环节，打造整体的智慧城市业务。
创业邦：到明年公司正好成立10周年。回头看，10年中成长最多的地方在哪里？
傅彦：我觉得是我完成了从教授到企业家的转换。
虽然创业过程很艰辛，有很多酸甜苦辣，每天为业绩操心到睡不着觉，但我觉得创业对我而言更有意义。
因为我们真的为国家、为社会解决了很多实际问题，这些事情我在学校里不可能做到。虽然教书育人，培养人才也是贡献，但取得的收获是不一样的。
另外，我自己在经营管理方面也收获了很多。以前我们理解业务，更多是写几篇文章。但现在，我们真的能站在实际需求的角度思考各种各样的问题。
创业邦：有什么遗憾吗？重来一次有什么事情是肯定不会去做的？
傅彦：遗憾肯定有。
我还是觉得公司浪费了很多时间，特别是从2012年到2015年。如果我们一开始就像现在这样专注，可能会走得更好更快，更能够抓住一些机遇。
创业邦：今天来看，转型专注工业大数据这个决定做得也不晚。
傅彦：是，任何时候做决定都不晚，因为机会总是有的。但浪费掉的这几年非常宝贵。
创业邦：很多公司刚开始创业的时候都会遇到战略方向不明确的问题。您有没有总结过思考战略的方法？
傅彦：大数据是和所有的社会发展各个方面深度融合的，每一个地方都会用到。但什么都能做，其实也就是什么都不能做。所以我才一直强调技术要在具体的行业方向上去扎根。
这个过程不像有的行业，一两年就能看到结果。是需要经过5年才有可能形成产品，经过10年才有可能真正扎下根的。优秀的To B企业，都在行业里坚持了10年以上。
创业邦：所以长期坚持是公司真正的护城河。
傅彦：可能实体行业中的公司，特别是像我们这种用先进技术去赋能传统行业的公司，真的是要一直努力地坚持，没有捷径。
创业邦：未来10年的目标是什么？
傅彦：第一个目标就是上市，如果能上顺利上市的话。
创业邦：感觉更像是第二个10年的起点。
傅彦：其次就是把公司做成国内最大的工业大数据企业。
创业邦：只有这一个？
傅彦：完成这个目标已经很不容易了。
关于数之联
数之联位于成都，是最早一批参与工业智能化转型的公司，同时也是行业内突出的ADC（缺陷检测与分类系统）产品与解决方案提供商。
通过“智慧品质”和“智慧设备”双核心产品体系，数之联已经覆盖了工业质检、工艺生产流程优化等核心生产场景，使企业在生产过程中具备深度数据感知、智能分析决策和指挥决策自执行的能力。
目前，京东方、天马、维信诺等头部企业的二十多家工厂已经部署了数之联的解决方案。
在面板领域，数之联ADC技术制程全面、场景覆盖广泛，部署模型超500个。在PCB领域，数之联是业内首家实现AOI假点过滤、首家全覆盖AOI/AVI/VRS/拍照机的AI厂商。在封测领域，几乎依靠人工复判，判图效率极低，通过ADC对接AOI图片，可替代约80%人员判图，每小时处理图片超15000张，每年帮助工厂减少人力节约支出上百万元。
数之联大数据良率分析系统（YMES）能迅速定位生产过程中的异常，并提出辅助建议，完善追溯机制，保障正常生产，数之联YMES是面板行业唯一将6sigma+大数据+AI算法+业务一体化良率产品，具有4+面板厂导入经验，单厂每日使用人数150+，通过机器学习人工智能秒级实现分析结果呈现。
数之联的追光AI-AOI在PCBA、新能源、汽车、面板等领域应用。数之联瞄准传统人工目检或传统AOI过检率、误检率高，人力替代率低等痛点，基于深度学习开发了全新的AI-AOI。其中PCBA DIP 追光系列AOI，借助深度学习，可智能提取产品缺陷特征，告别粗分类，解决操作复杂、调试时间长、误判高等核心痛点，已实现核心指标行业突出，有效提升工厂工艺品质。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
