说起1997年，很多人心里都会浮现出一些照片，它们有些许褪色，却鲜活柔软。那一年，有些小事，戴安娜王妃逝世，深蓝战胜卡斯帕罗夫，人们涌进电影院看了《泰坦尼克号》。那一年，也有些大事，香港回归，三峡截流，中国“入世”进入了谈判攻坚——一个经历风霜重新振作的大国，决定敞开劳动力和市场，用发展中国家的谦卑，拥抱来自全世界的产业。那一年，张金银还不叫“行在”，而是刚走出大学校门的“小张”。小张进入一家外企，成为了人人羡慕的“别人家的孩子”，也成为了那个时代的一场绝佳隐喻。为了利用中国便宜的生产力和广阔的市场，这家外企一口气建了20多座工厂。而小张的岗位很有意思，表面上叫“IT系统开发工程师”，但本质上他是个“铸剑师”。1、工厂从原料采购，到仓储，到生产，到库存，到销售，到财务，到员工管理，整个流程极其繁琐，每一步都需要专门的系统。但仔细一瞧，各个系统里都含有同一种东西——数据。2、数据就像铁矿。它们躺在各个系统里，现实世界里工厂从进货到生产到销售的流程走完一遍，公司账上的钱就多一些，这些铁矿也会增加一些。散落的铁矿没啥大用，但如果把这些铁矿收集起来，再冶炼锻造成一把剑（数据报表），那用处就大了！！3、企业老板手握这把“重剑”，在办公室里抽着雪茄喝着威士忌就能发现经营中的蛛丝马迹，然后“长袖舞剑”——优化人员、调整工资、调整进货、库存、生产节奏，然后赚更多的钱！话说仅仅过了几年，大家就不好意思再叫他小张，因为他从“铸剑师”变成了“铸剑大师”：为了管理好这些“矿”，大师升级了美国的 Oracle 数据库，让数据像温顺的羔羊各安其位，不错不漏；为了把“剑”铸造得更锋利，大师还引入了德国的 SAP 数据仓库，让数据之间能联合计算，老板关心啥指标，它就能算啥指标。
这些数据应用组合起来，就像十八般兵刃，把竞争对手打得满地找牙。最牛的时候，全国20多个工厂，几十个数据库，都在小张手下——无论出啥问题他都能修。有一次数据库出故障，机房里所有领导在他后面站成一排，眼巴巴地看着这位“大神”，公司的身家性命妥妥地都系在他一个人身上。。。对于一个刚毕业几年的技术人来说，那绝对是巅峰体验呀！但对一个国家的来说，这。。。何尝不是个有点尴尬的瞬间？虽然整个生产销售过程都发生在中国境内，但生产线是国外进口的，经营过程产生的数据是外企的，存放数据的数据库是外国的，计算数据的数仓也是外国的，赚来的利润是外企的。小张吭哧瘪肚铸了半天剑，最后跟中国人好像没啥关系。跟中国人有关的，满打满算就两件事：第一，在产线上“打螺丝”赚取微薄的薪水；第二，用这些可怜的工资再把自己做的产品买回去。。。
你看，那个被无数人怀恋的1997，其实也并没那么温柔缱绻，细想起来挺憋屈。可话说回来，谁让中国制造业又没产线又没技术又没人才呢？这事儿咱得认。新世纪黎明在前，中国大地暗潮涌动，有好几支“不认命”的队伍已经趁着熹微整装出发。其中最为人熟知的一支队伍，当然是中国的制造业企业家。他们大多地处广东或江浙，从最落后的生产线开始引进，从技术含量最低的鞋袜、小黄鸭、圣诞树做起，背负着“中国制造=劣质产品”的嘲讽，开始了孤独而漫长的远行。他们的目的只有一个——有朝一日，要把全球制造业的主导权拿回中国。而几乎在同时，另外一支神秘的队伍也已开跋，那就是“数据远征军”。中国制造业如果想登峰造极，绝不能只靠绞动的齿轮、炽热的火焰和一眼望不到头的工人们用自己的生命年华去冲锋。有朝一日，当制造业的权柄捏在中国人手中之后，蕴含在制造业躯体里的“数据铁矿”和以此锻造的“数据武器”也都要掌握在中国人手中。2004年，他一个猛子跳进了奔涌的互联网大潮，加入阿里巴巴，换上了“行在”这个花名。他和一群老师傅一起摸着石头过河，最终帮阿里造出一套全球最先进的、中国人完全理解和掌控的数据平台。这一战，不仅成就了阿里巴巴鼎盛的“DT 时代”，也成就了“行在”在数据智能领域的赫赫威名。因为在互联网行业，数据之剑的“法力”刚开始显现，当时的阿里就像一个“道场”，还有一万种剑法等待老师傅研习，为啥非要在意兴正浓时跳出聚光灯圈？当然命运的蜿蜒很难用一两句话解释，但如果我们曾站在1997年的“小张”身边，恐怕就能对他后来的选择多一些感同身受：行在虽然把人生最好的12年贡献给了互联网，但他却并没有对互联网“献身”的执念。别忘了他不仅仅是互联网人，更是那个从世纪之初就出发的“数据远征军”的一员。2016年，行在跟一群小伙伴郑重地创立了奇点云，他们的目标是：4）帮助他们把“数据”这把利剑牢牢握在自己手中，披荆斩棘，打怪升级。
在那之后将近五年的时间里，奇点云做得风生水起，用“数据智能”的剑法敲开了零售业、金融业，甚至诸多政府央企的大门，却偏偏一直在绕开整个故事的起点——制造业。在我看来，“制造业”和“数据智能”其实就像一本厚厚小说里的男女主人公，虽然读者都猜测他们最终会在一起，可在那之前，他们却得铆足了劲儿先演绎一些波澜壮阔又相爱相杀的故事。而就在这些故事中，有关我们国家和每个平凡人的命运肌理，也悄然浮现。要讲清楚制造业的故事，你得容我先来一波硬核科普——数据第一性原理。数据说到底不就是一堆数字么，它们为什么会成为有价值的“矿”？我小时候做了那么多数学题，现在不还穷得每天舔酸奶盖么？
如果是一堆编造的数字， 游泳池一边抽水一边放水之类的，跟我们的生产生活没有关系，那确实毫无价值；但如果一组数据真实描绘了现实世界的某个过程，它就有价值。1）一旦一组数据描绘了世界，人们就有办法从中找到规律，从而预测未来的走向；2）对未来预测得越准，就可以越早、越坚定地采取行动；3）我行动比别人快，我就赢了；我行动了，其他人没行动，我就赢。麻。了。
注意，后文我所说的一切数据的玩法，本质上都可以追溯回这个数据第一性原理。到时我就不一一提醒了↓↓↓从这个原理出发，我们再看一下数据技术的进化历程，就会非常清晰：25年前（行在还是“小张”时），数据虽然可以被铸成利剑，但舞剑的仍然是人。从数据里分析出规律的是专家，利用这个规律做出行动的是老板。10年前（行在成为“行在”时），数据被铸成利剑后，舞剑的有两个：人+智能系统。而且，智能系统做出的决策越来越多，人做出的决策越来越少。问题来了：人做决策不是挺好么？为啥要交给智能系统？即便在今天，人脑仍然是地球上最精密的计算系统。但说到底人脑只有二两肉，如果数据量小，人脑的分析能力完胜智能系统；如果数据量超过一个临界值，那么人脑就会爆仓，必须丢弃一些信息之后才能继续思考，这时智能系统的分析能力就会迅速高于人脑。数据量越大，差距就越悬殊。
所以，任何一个行业，想要进入“DT 时代”，一个先决条件就是：拥有大量的“数据铁矿”，这个量一定要大到超过那个“奇点”。互联网行业越过“奇点”，大概是在2012-2014年，而后才有了 BAT 的一骑绝尘；零售业和金融业越过奇点，大概是2014-2016年，而后才成就了各种“超市外卖送货到家”和“手机上的金融服务”。
你有没有发现，这些行业之所以跨过数据奇点，是因为它们“家里有矿”——天然和个人消费者比较靠近，人产生的数据很多，也“狠”有价值。可是，制造业。。。就和那些“富二代”比不了了。。。制造业的上游是原料，下游是经销商，都不是个人，天然就没那么多数据给你折腾。所以，制造业虽然很重视数据，也很早就进入了IT时代，但是它的数据量一直没有暴涨超过临界点，所以一直“趴”在IT时代。。。
冥冥中传出“咔嗒”一声，一个微小的，维持了几十年的天平悄然倾斜，撞倒了第一张多米诺骨牌。那年疫情来袭，各行各业居家办公，对快递外卖的需求暴涨，与此同时很多工厂停工，赋闲的工人们转而成为外卖员。大量产业人口快速转移，像一个急浪，让本来就稳步上涨的工人工资出现急速抬升，迎头撞上了因为国家政策鼓励和技术进步而迅速下降的机器人成本。于是，一些原本还犹豫一下是“让人干”还是“让机器人干”的事情，从那一刻起，已经可以毫不犹豫地交给机器人来干。工序越是精密，人来干的失误率就越高，机器人相比人类的优势就越大，机器人化的浪潮就越快。于是在2020，电子制造、光伏、电池、半导体、医药等等领域，无数机械臂、自动运料车、一体化产线被一股脑送进了大小厂区。别忘了，这些机器人可都是物联网（IoT）设备，它们在工作时，不仅能实时记录“手中产品”的状态，也能时刻记录“自己”的状态。这些状态都是数据，而且是真实描绘现实的数据。工厂24小时不休不眠，数据就24小时不间断地产生！从天空俯瞰，2020疫情的肃杀之下，精密制造业的数据却如寒武纪一样炸裂，一下子冲过“奇点”，加入了“家里有矿”的行列。彼时普通中国人的注意力200%都被疫情死死吸引，自然对这一切懵然无知。但有一些人却嗅到了这个千载难逢的机会，那就是一直站在奇点旁边的人——行在和奇点云的数据铸剑师们。这不，2020年，小区刚刚解封，行在就亲自出马，坐在一家全国知名的电子制造企业的办公室里。为了行文方便，我们就叫它A企业吧。A企业的数据总监提出的要求很明确：“最近我们的数据量突然变多了，原来一分钟就能算出来的报表，现在都得十几分钟才能算出来，你们能不能把底层数仓系统改造一下，让我们算数快点？”行在听了，哈哈一笑：“你这要求是‘基本款’，我们肯定能做到！其实咱们还能进一步。。。”他向前探探身子，“如果把各个系统的数据打通以后，我们还能自动预测每笔订单的交货时间，帮助你们更好地排产，更快地交货，这个功能你们想要吗？”因为对方的数据量已经越过了“奇点”（而不自知），行在肯定不满足于仅仅给对方一把“剑”（IT），他想做的是直接搞一套“智能系统”，帮他们舞剑，一波带进DT时代！对方一听，口水流下来：“从订单到交货？这，能做出来吗？”老实说，这其实是奇点云的第一个制造业客户。虽然行在拍胸脯，但制造业毕竟不同于零售和金融，它内部的数据关系极其复杂 ，到底里面有啥“神坑”，谁也说不好呀。。。来，我们把镜头转向命运的大坑，坑旁边站着一个人，对即将发生的事情还懵然无知，此人就是航宇。学霸也分很多种，有些“理论派”学霸喜欢把炫耀当成目的，可航宇却是“实干派”，他把解决问题当成目的——他关心 Why，但更关心 How。你看，他本科时学的是汽车机械，研究生又转到工业软件方向，这都是社会主义现代化建设过程中最“解恨”的专业。2009年硕士毕业后，他自告奋勇加入了国内著名的数字化咨询企业汉得信息。由于他的学霸人设，当时都没有走培训流程，直接进驻了一个做电梯的企业甲方，帮他们升级 IT 系统。很快航宇的凶悍之处就开始显露——他可太沉得住气了——跟着这家电梯企业“上上下下”了4年，期间经历了系统建设思路反复讨论、调整，更迭了好几次，才终成正果。看到这些过往，你大概会对他的“超能力”有点感觉：航宇不仅一直站在制造业身边，庖丁解牛一般理解制造业 IT 系统的技术细节，更稀罕的是，他对制造业企业一路跋涉的“历史足迹”有切身的体感。当时的进度是：A企业刚刚圈定几家意向合作伙伴，奇点云只是其中之一。对方让大家是骡子是马先拿出方案看看。。。要命的是，有一位竞争对手很厉害，它不仅服务过制造业，而且它就是从制造业企业孵化出来的。。。相比之下，奇点云虽然自信在底层技术上无人能敌，但毕竟制造业的行业经验有限——很多术语、数据结构方案团队都得一边学一边弄，压力山大。航宇一看，嚯，这不是撞枪口上了吗？制造业我可太熟了，我来对接！果然，航宇一顿神侃，跟A企业交流完全在一个频率上，加上行在之前画的“饼”比别人都香，最终奇点云有惊无险地从诸多强手嘴里抢下了这块“肥肉”。话说这个项目看上去是肥肉，可一口咬下去。。。里面全是钉子！就在航宇带着奇点云的精锐工程师进驻A企业后，他的头瞬间大了三圈。。。你还记得“数据第一性原理”吧。要想从数据中得出正确的预测，得满足三个先决条件：不吹不黑，这家企业是行业翘楚，在数据方面已经做得很好了，但很多细节仍然没满足这三个条件：某个元器件有两家供应商，互为备份——如果甲供应商交货延迟，就可以用乙供应商来顶上。这个事儿归一位专门的负责人管理，每当他觉得甲供应商要出幺蛾子，就直接联系乙供应商发货。看上去很正常，但你发现问题了没：无论是供应商的数据，还是判断的逻辑，都在这个负责人脑袋里，对于数据系统来说，他是一个“外挂”，是离线的。于是航宇他们赶紧写了好多界面，让相关负责人把脑袋里的数据统统补进系统。有一个零件的库存系统里，设置的安全库存是30件。如果库存少于30件，就会提示补货。航宇就问负责库存的同事，这里为啥是30件。对方说，不为啥，因为上一个同事就填了30件。一圈文下来，居然没人能说明白这里为啥是30。。。航宇他们只好把企业里的供应链专家拉过来，重新讨论这里安全库存的判断逻辑，然后重算新值。新值不仅填的有道理，还能随生产节奏或季节的变化而调节，它被“救活了”。在制造一台手机的过程中，有两道工序都需要同一种原料。可是这两道工序没有“相互通气”，它们分别填写了采购需求，在填写的时候，为了保证生产，自然要留出一些冗余嘛。可问题是，如果两道工序共用一种原料，他们就应该一起订货，并且合用一份冗余就够了呀！因为这两个工序是独立进化出来的，没人做过统筹，所以它俩根本不知道对方的存在。奇点云的老师傅就得在这两个数据库中间建一座桥，打通这些“孤岛”。你发现没：填写数据、改正数据、打通数据，事儿都不难。难的是你得找到该填哪些数据，改那些数据，打通哪些数据。每当这个时候，航宇过去十年的修炼的“超能力”就灵魂附体——因为他曾跟着很多制造业企业一起建设过IT系统，了解它们的“历史包袱”，什么地方容易出现数据错漏，掐指一算，就八九不离十↓↓↓客户看到的是，每天跟航宇商量，他都一副羽扇纶巾，胸有成竹的亚子；客户没看到的是，每天晚上下班以后，才是航宇一身冷汗的时候。。。因为除了航宇以外，奇点云其他的工程师老师傅对制造业都太陌生了。举个栗子，采购订单里有一项参数应该叫PO行（hang），可不熟悉的人会错念成PO行（xing）。你可能又会吐槽，念什么不吃饭啊？把活儿干了就行了呗？并不是这样。你是去服务企业的，理论上你应该比企业更懂才有资格服务人家，可是如果连最基础的词都念错，你后面再说啥人家都不想听了啊。。。比如，制造业的数据库格式也和零售业不同。制造业有很多“大宽表”，在建索引时用标准的探测器直接去探测，效率就很低，得专门为制造业调整参数后才好用。总之当时的局面是：老师傅虽然“铸剑”技术一流，但是必须得学会制造业的领域知识，才能让铸出的剑更顺手。于是那几个月，航宇每天白天带着老师傅在客户现场部署，到了晚上就拿出小本本开始“制造业大讲堂”——今天学的知识明天就考，还不能错，压力简直比高考还大。功夫不负苦心人，老师傅死去活来三个月后，突然发现自己可以跟A企业的同事谈笑风生了。别忘了他们是干啥来的，把数据打通只是基础，怎么在上面做出对生产的预测，缩短“从订单到交货”的周期，才是摆在他们面前真正的考题！这事儿，地球上就几乎没人干过，老师傅也得摸石头啊。。。当时航宇坐镇帐中苦思冥想，把脑袋里十多年的经验又榨取了N遍，想出的方案总是不太满意。不过在他和技术老师傅聊天时，总听到他们张口闭口都在讲一个词——“埋点”。简单来说就是：在系统产生关键数据的地方，放一颗探针，用探针把这些关键数据“扎”上来，系统就能对它们进行联合分析了。既然“埋点”的思路在互联网、新零售、金融领域都成了通用玩法，那在制造业能行得通吗？“从订单到交货”本质上也可以抽象为一个工作流，其中包含了运营、计划、生产、仓储物流、财务结算等等模块，每个模块在运转过程中又可以分解为很多固定的“动作”。在这些动作里都“埋上点”，不就能构建出流程的全貌了吗？这个思路表面通顺，但仔细一看有个 Bug：制造业企业在进化过程中遗留了一个“缺陷”，由于数据长期分散在各个系统里，导致每个系统对同一个“动作”的定义不一定相同。比如“客户下单”，有的是通过线上下单，有的是邮件，还有电话、传真下单；比如车辆发货，仓库系统认为出了仓库大门就算发货，运输系统认为装到车上就是发货，财务系统认为客户确认才是发货。
“但无论怎样，只要各个部门坐在一起商量，总能定义出一个动作，就叫“订单生效”，也能定义出一个动作，就叫“发货成功”！”航宇想。他想办法把流程中涉及到的7个部门的经理都请到一起开会，就干一件事儿——把上百个关键“动作”都摆在桌面上，挨个统一定义。话说，7个部门的大佬聚在一起掰扯，那场名蔚为壮观。但只要他们“打”成一致后，接下来植入探针的工作就是洒洒水了——整个制造流程中的关键数据被密布的探针穿成一个渔网，只要提纲挈领，不就能一把抓起了吗？！没有数据平台时，7个部门经理的眼里只能看到自己的那部分系统，想替整个流程操心都操不了；现在有了数据平台，他们的视野一下子拉开，所有人眼里都看到同一张“大图”，各自负责的那部分在大图中所处的位置也清晰可辨！在同一张图的基础上继续探讨，就很容易发现“全局策略”：比如，X订单突然要加急，加塞在Y订单前面，那么不仅是制造排期要调整，X订单用到的原材料也得赶紧进货，哪怕价格稍高一点儿也能接受；比如，有一个元件的库存目前比较高，按理说应该降低库存以节省成本，但Z订单优先级突然调高，要保证100%按时交货，此时就不能降库存，而应该用库存冗余来换取交期时间缩短。
只要把策略都编成代码，放在数据平台上，让机器人（在专家监督下）执行，不就能实现“订单交期”和“成本”的智能平衡了吗？更厉害的是，这些策略在平台上运行是完全透明的，7个部门的老师傅都可以看到。他们可以根据策略运转的情况，结合自己部门的经验继续改进这些策略，从而让策略“循环迭代”，交期越来越短。话说，本来这个项目几个月就能干完。可是，奇妙的化学作用发生了：随着每天开会讨论，7个部门经理对数据平台理解越来越深入，逐渐意识到这玩意儿比他们想象中强大得多，于是自发想出了很多新点子，希望在自己负责的系统内部多加一些组件，以便观察更细致的指标。一位经理说得很实在：“如果不把这些指标搞出来，我怕跟不上我们老板数字化的节奏啊。。。”于是，在第一期底层数据平台还没搞完时，A企业就直接揪住奇点云续签了两个新项目，“采购数据子平台”和“质量管理数据子平台”。三件事儿加在一起，从2020年12月，一直干到2021年10月。好家伙，老师傅去的时候是冬天，回来的时候又快冬天了。这一年打了无数“怪兽”，不仅是航宇，还有项目团队的所有老师傅，经验值都飕飕地飙升。项目验收的时候，行在也跑去了现场，一是为了感谢客户信任，二是要亲眼见证“项目最终效果比他2020年画的大饼还要大”是一种怎样的体验。。。目睹A企业同事们脸上的激动，行在意识到一个严肃的事情：制造业即将涌起的“数据智能”大潮，可能比之前预计的还要凶，这种史诗级的历史关头，奇点云决不能当配角，而是要做主演！于是行在火速成立了“制造业产品线”，航宇也顺理成章地成为这条产线的负责人。按理说，在A企业里锻炼了一身腱子肉，后面再服务别的企业，应该能轻松加愉快了吧？其实技术的魅力恰在于此，它有点像我们脚下的大地。每次老师傅们费尽气力建设一个新的技术地层，用户都会迅速爬到上面，提出新的需求。你建设地层的速度越快，用户新需求产生的也越快，这是一个永无止境的轮回。这不，刚站在浪潮之巅的奇点云，马上就得学会在浪尖上“跳芭蕾”。2022年春天，几枚凄厉的导弹划破夜空，俄乌战争拉开帷幕。由于石油价格疯涨，全球对光伏能源的需求暴增，B企业疯狂扩产。一只手数钱数到手抽筋，另一只手却掂着一个“甜蜜的烦恼”：出口到欧洲和美国的产品，有非常严格的标准，其中有一条要求就是：每一件产品都必须能追溯到原料的产地和批次。话说，B企业也是行业大佬，质量追溯体系本来就有。但问题是，2022年他们新建了很多工厂，产能突然打着滚地往上翻，加之国外的追溯要求突然加码，原来自己搭建的数据平台“爆仓”了，算不出来。。。情况危急，他们直接在上海成立了数字化转型办公室，招聘顶尖的技术人才，血本投入。即便是这样，尝试了大半年之后，数据平台的性能还是距离期望有好大一截。航宇去的时候，对方说得很明白：“去年我们自己做了一波数据平台，没做成；后来找了一家公司帮我们做，也没做成。你们是第三波，你们要是失败了，我们还会找第四波。反正什么时候干成什么时候算！”一听这话，航宇马上就明白了：自己遇到了“顶级客户”。首先，光伏是制造业皇冠上的明珠，在所有制造业中它的自动化程度是最高的（之一），数据密度和数据质量无人能出其右；其次，中国大力鼓励光伏产业，企业手握最好的政策资源，往前冲就完事儿了，没有后顾之忧；最后，由于石油价格暴涨，光伏产业刚好站在全球工业的浪潮上，愿意大笔投资未来。
这家企业就像是制造业里的“黄山”。如果它的所有需求都能搞定，奇点云就妥妥的神功练成独孤求败了！他和团队赶紧把之前在企业A里打磨的数据平台拿过来复用。这时才发现，之前的平台还是太糙了。。。如果数据平台只用来“管理订单”，那么它的最小颗粒度就是“一批产品”，只需要在产品批次的“流转动作”上埋点就够了；
但如果用来“追溯原料”，它的最小颗粒度就是所有的原材料，于是除了原有的埋点以外，还需要在每个产品的具体“生产动作”上也都埋点。
这么说吧，如果之前的埋点密度像是纵横的渔网，那现在的埋点密度就像是细密编织的布料。咱们都学过《核舟记》，如果在一块一人来高的木头上雕出个关二爷，那一般的匠人都行，但要在一个核桃上雕刻出苏子鲁直佛印泛舟，那非得“奇巧人王叔远”才行。在某个生产环节上，有三台上料机，两条组装线——任何一台上料机都可以给任何一条组装线上料。要解决这个问题，要么就再加两条生产线，让上料机一对一服务；要么就在三台上料机和五条生产线上全部埋点，精确记录每一次供料的详情。这还仅仅是最容易理解的例子，真实的生产过程充满了各种难与人言的“数据断点”。搞这种事情，几乎没有好办法，只能是奇点云的老师傅和B企业的工程师们每天坐在一起开会，像做卷子一样一个问题一个问题地解。航宇记得很清楚，他们驻场在B企业的几个月，经常在一个大会议室里讨论。会议室有三面墙都是整块的玻璃，可以用马克笔写字。每次开会都是所有玻璃从左上角写到右下角，密密麻麻全部写满。等到两周以后下一次开会，又是所有玻璃都写满。有趣的是，就在这个项目进行的2022年，奇点云团队的老师傅们早已不是那个不会读“OP行”的行业小白了，而是个顶个的满级专家，跟对方讨论的时候专业性一点不落下风。有时候人家说了个什么意见，奇点云的老师傅直接站起来，给人家来一顿科普，争得面红耳赤。。。这种情况一多，B企业的工程师都懵了，到底谁是甲方啊？！我开会总跟大家说，我们帮人家做事情，“思考”是很重要的。但有比“思考”还重要的，其实是“驱动”。“思考”大多是被动的，客户提出一个什么问题，我们来思考怎么解决。但“驱动”是我把我能想到的问题也摆出来，和客户一起解决。当你把驱动力展现出来的时候，表面上可能是和客户争论，但本质上，这表明了你懂行业，你不仅有和客户对话的资格，更有帮助他转型的资格，这恰恰是客户对你产生信心的一刻！
回到我们的故事，奇点云和B企业的老师傅手拉手埋头苦干，终于把沉甸甸的数据平台搭建完成，大伙儿像火箭点火一样，眼含热泪郑重启动。瞬间，平台上的数据像春天原野上的草一样，疯狂生长，细密编织，每一件产品的前世今生都能被看得清清楚楚。萦绕在B企业心头一年多的产品追溯难题，终于解决了！就在大家欢呼雀跃时，很多人都注意到了一个“One more thing”：过去一个工单下达之后，老师傅就只能在一旁“看热闹”了，只能等到所有工序走完再来“拆盲盒”一样复盘效果。现在由于所有中间节点的数据都完全透明，仿佛车间里突然有了“X光”，原来笼罩在黑盒子里的“生产细节”都在大屏幕上一览无余。如此一来，在生产的过程中就能介入调整，从而提高生产效率。这可不是开玩笑：产线效率每提升一点儿，就是多赚一笔钱啊！很快，B企业的几位生产负责人就组团找到航宇，提出一个紧急要求：我们能不能提高数据更新的频率，从一天一次，变成一小时一次啊？！这样就能做更多的“微操”啦！生产负责人就把数据收集和计算的频率直接调高了24倍。话说，DataSimba 在设计的时候是非常考究的——为了保证绝对稳定，会在工作载荷的基础上留下10倍的冗余量。可是。。。10倍的冗余量，架不住24倍的计算提升啊。。。最先发现有点不对劲儿的，是B企业的几位工程师：咦，以前这时候数据已经出来了，今儿怎么还都没看到？找奇点云同学一看，我勒个去！！！凌晨时分出现一波计算任务的超大高峰，现在后面的任务已经拥塞，排队能绕了地球三圈了——数据平台分分钟有种想躺平的意思。。。这显然超出了现场团队的能力范围，紧急任务直接怼到了 DataSimba 平台的开发团队负责人，也就是奇点云的技术一号位，地雷眼前。如果你质疑他长得不帅，他虽然完全不同意你的看法，但也能呵呵一笑不跟你计较。但，如果你胆敢质疑他和团队的手艺不到位，他能几天不睡觉来证明你是错的！！这不，当时正赶上2022年12月疫情放开，地雷刚阳了，躺在床上额头烫得能煎鸡蛋，就听到前线传来消息——DataSimba 快顶不住了。地雷直接“垂死病中惊坐起”，爬到电脑前面，用“含着刀片”的嗓子跟大家开会。因为 DataSimba 是奇点云部署在各行各业的通用底层平台，地雷之前并不会特别把注意力倾斜在制造业上。这次紧急支援，他分析了一下B企业体内 DataSimba 的运转情况，然后直接惊了：“制造业的数据量居然这么大！和零售、金融完全不在一个量级。”你想想看，B企业是光伏制造企业，光伏企业的特色是“垂直整合”，意思是从原材料开采，到半成品切方，到成品制造它都干。每个工序都有专门的工厂负责，每个工厂的制造、仓储、运输又几乎全部是自动化的，而每个自动化设备都在24小时源源不断地产生数据，加在一起，这数据量能不逆天么？“既然数据比想象中多，那加几台机器不就得了？”我问地雷。并不是每个小时的计算量都超过系统负载，而是只有凌晨3:00-4:00、5:00-6:00两个时间段超过了负载。这就意味着，如果能够巧妙地削平一天当中计算量的波峰和波谷，现有计算力还是够的↓↓↓地雷曾经供职阿里巴巴，在他看来，这个事情和“双11”有点像。如果土豪不计成本，买几十万台服务器，肯定能扛住双11那天的峰值。但如果当年阿里巴巴那样干，不仅服务器的成本直接爆棚，更失去了对阿里云、数据库、大数据平台等等一系列技术进行磨炼的机会。况且，过去几年，DataSimba 还有个主线任务——要不断减少单位任务需要的计算力。2021年时 DataSimba 部署在企业里，最少都要11台服务器；2022年中，已经变成了最少6台；这件事儿发生时，地雷他们正在尝试把最小服务器数量压缩到2-3台。虽然问题很棘手，但地雷摆出一副蔑视的表情。这一方面是因为他阳了眼睛不大睁得开，另一方面，其实他手里有个“大杀器”。简单来说，元仓体系就像是数据平台的神经系统，它可以对平台自身各个细节指标进行观测，然后汇总起来进行健康分析。（你也可以把元仓理解为“数据生产线”自己的埋点和指标）话说，以往的数据平台根本是没有“神经系统”的，因为不需要——反正平台上跑的数据都没那么重要，即便出点儿问题也不会死人，修好就行了，为啥要煞有介事搞一整套神经系统嘞？！他老早就断言，数据平台一定会进驻越来越重要的场景，有朝一日，数据平台挂一秒都会要命，不允许“先坏再修”。这不，就在2022年底，“元仓体系”刚刚开发完成，正在秘密测试中。新鲜出炉的“元仓”接入B企业，很快，“神经系统”返回了很多指标，真相随之一点点勾勒出来。为了让你感受到这里的硬核技术之美，我决定给你讲几个真实的细节：1、比如“作业最晚执行时长”这个指标，它能找出成千上万个作业里，最后做完的那一个。通过这个指标，地雷他们发现，在1:00-2:00这个时间段内，最晚一个搞定的作业居然拖到了2:15——和下一批作业重叠了。但拖延的原因并不是因为这个作业真的很难，而是调度过程中策略有些松散，给了它机会“摸鱼”。2、还有“等待资源的作业数”和“执行中的作业数”这两个指标。这两个指标对比一看，地雷他们很快发现，有个别任务一直在门口排队。仔细一排查，原来是这个任务和某项配置“八字不合”，导致它每次都会卡顿。过去计算没那么密集的时候，它卡半个小时一使劲也就过去了，现在计算密集，它再卡半个小时，后面的队伍都憋疯了。。。3、再比如“调度执行时长”和“作业执行时长”，这两个指标分别显示了一个任务“单纯在调度阶段的耗时”和“总耗时”。显然对于所有任务来说，调度花的时间都不应该占总时长太大的比例。但查看指标，发现有一些任务的主体计算早就做完了，但是系统对它的调度却一直没停。这太反常了。根据这个线索，地雷发现问题出在了“交作业”这一步——提交结果的时候，一个日志接口优化不够，出现了给老师交完作业还得在学习委员那排队“登记”的情况。地雷告诉我，当时大部分的问题改起来不困难，但也有个别问题很棘手，他们甚至得进入 Java 虚拟机，把人家内存释放的算法都给魔改了一通，才终于搞定。话说，回到历史的现场，“技术的困难”倒还在其次，主要的问题是“身体的困难”。问题排查前后经历了10天，可是，在那个特殊的时期，却没有一个人能撑过10天。。。DataSimba 的首席架构师鱼飞最先扛旗，可是才扛了两天，他就阳了，高烧不退，眼看就有烧糊涂的趋势。二号位的架构师明瑞赶紧自告奋勇：“我来！”明瑞扛了一周，解了无数 Bug，眼看胜利在望，他也阳了。。。赶紧把没解决的问题“托孤”给第三位架构师。眼看元旦假期到了，可事关B企业的生产效率，分分钟几百万上下，客户非常着急，两边老师傅谁都没放假，一边线上开会，一边咳嗽此起彼伏。就这样，这场从一天算一次到一小时算一次的“地狱升级”终于被扛下来。B企业领导非常开心，揪着地雷问：接下来我们准备把计算密度再提升12倍，从每小时一次变成每五分钟一次。再给你们10天，能干完吗？如果计算密度再提升12倍，那连底层的计算引擎都要从离线引擎换成流式引擎，所有查询语句都要针对新引擎重写。虽说技术上没有不可逾越的难度，但毕竟相当于把汽车改飞机，肯定不是10天能搞定的了。劝了半天，对方领导才同意稍微缓缓再干。那天加班到很晚，地雷坐在空荡荡的办公室里，心底却突然涌上甜蜜。你看，无论啥行业，数据平台上必然有很多计算任务是每天一次的，只有在夜里12点以后数据才凑齐，才能开始算。所以，负载高峰一般都出现在后半夜，万一出毛病。。。也很可能在后半夜。。。每当这时，蝙蝠侠就来活儿了，他们昼伏夜出，半夜帮客户平事儿，清晨第一抹阳光照耀大地，数据平台恢复如常，蝙蝠侠们事了拂衣去。因为数据平台嵌入了生产的“黄金流程”里，生产一秒不停，数据平台也一秒不能停。这种情况下，就算蝙蝠侠凌晨三点“起夜”也没戏。数据平台必须从“起夜级”变成“企业级”——不仅不允许分秒卡顿，还要有超强的自愈能力，最好像太阳一样，永远热烈，永远照常升起。为了实现这个 Mission Impossible，2023年5月，地雷团队把“元仓体系”正式挂载在数据平台中，可以通过“体征”变化而提前发现异常，治于未病，争取达到扁鹊他大哥的效果。拿着闪闪发光的数仓，航宇他们终于可以放心大胆地用各种姿势征服一个又一个客户了。航宇告诉我，截止2023年夏天，奇点云已经累积服务了几十家制造业企业，这种“遍插红旗”的速度，比当年攻克其他行业都更迅猛。但另一个烦恼也随之而来：客户太多，行业专家不够分了。航宇干脆牵线搭桥，把自己的良师益友，也是另一位“远征军”云风介绍给了奇点云。当年航宇之所以坚定地投身制造业，就是因为校长去学校做宣讲招聘，让他深受鼓舞。校长1998年加入汉得，很快就在公司内部开设了“黄埔军校”，专门对新来的同学进行“魔鬼训练”。在他手中，一批批制造业的专家被培育出来，源源不断进入了中国的各大企业，成为制造业数字化建设的重要力量，可谓桃李满天下。行在三顾茅庐，邀请校长加盟，他对校长郑重地说：“你是老革命了。但老革命要装备新武器！在奇点云，你手上会一直有最先进的武器。”后来行在告诉我，他其实跟每一位行业专家都是这么说的。。。这倒不是行在不走心，而是因为这是一句郑重的承诺。用岁月去践行的承诺，有一句足矣。校长坐镇，开始为奇点云培养大批行业专家，这些行业专家进入不同的制造企业，各自发掘出各种更深的数据应用场景。在我们之前提到的A、B两个企业中，数据平台的作用都是提高“效率”。但是，如果把数据的触角再深入一层，到达每一台机器里的每一个参数设置，就可以直接提高生产的“良率”。其实，每一条生产线在生产一批产品前，都需要请来一个神秘的老师傅，让他根据现场情况对机器里成百上千的参数进行“调参”。这些参数如果配合合理，能让产品良率大大提升。但是调参是个手艺活儿，主要凭手感，经验来自于老师傅几十年的积累。如果人工智能学会老师傅的调参技巧，再利用数据平台接管这些参数，就可以直接成为AI老师傅，虽说和人类顶尖高手还有差距，但是比肩2-5年的师傅是很有希望的。如此一来，机器就可以把各种产品灵活地混搭在一起生产，根据当前的产品类型和自己的工作状态实时调整自己的参数，每一个刀锋和齿轮都仿佛有了灵魂。你还记得吧，奇点云服务的大多是“顶级客户”——各个细分领域的龙头企业。这当然是因为龙头企业敢想敢试，也有试错的勇气和成本。但反过来看，如果期待中国制造业整体飞跃，只有龙头企业往前冲是肯定不够的。有朝一日，“金字塔”腰部和底座的中小企业能够享受数据智能的荣光，中国制造业才能告别浓烟和汗水，迎来真正意义上的产业升级。中小企业一般利润不多，预算有限，肯定不能让工程师驻场几个月来一场“脱胎换骨”。他们需要的是更简单的，拆盒就用的数据产品。为了做出这样的产品，校长正带着一群人闭关修炼，试着把来自几十家制造企业的经验汇总起来，抽象成一个个“乐高积木块”。期待有朝一日，所有中小企业需要的数据平台，都可以用其中一部分积木拼插而成。为了打磨数据产品，校长会经常找机会和各家企业的CIO（首席信息官）聊天。原来， CIO 只负责 IT 系统建设，所以只研究代码就够了；现在，新一代 CIO 肩负企业数据智能转型的使命，他们不仅要懂代码，更要懂数据，而要想理解数据，首先要深刻理解业务。
这群又懂业务，又懂技术，又懂数据价值的人，正在每一个制造企业崭露头角，成为中国制造业的中坚力量。从天空俯瞰，两支分头出发了20多年的远征军正在会师。左边，中国企业家们用微薄的利润不断滚动，逐渐装备了最先进的生产线和制造工艺，让“中国制造”成为优质的代名词；右边，“数据远征军”们去各行各业卧薪尝胆，带回最强的数据平台和智能技术。出走半生，他们重又相逢。航宇告诉我，即便他站在制造业最前沿，也没办法望断数据技术的尽头。后来数据平台帮能预测交期，大家又在想如何优化交期？交期优化了，大家又想预测两个订单摆在一份产能面前，我该接哪个更好？能够匹配订单之后，大家又在想能不能让系统自动排列订单？
然后大家又会想，下游的物流应该怎么调度才能效率最高？如果这个也能做到，大家又会想，能不能把良品率提高万分之一？再提高万分之一？
你看，从“数据第一性原理”出发，对未来预测的准确度如果达到90%，还可以向99%进发，然后还可以向99.9%进发。即便你手上有海量的数据，预测的准确度也永远不可能达到100%，因为那是上帝的领地。但每精进一点点，你都会得到应有的回报，并为此欢欣鼓舞。临近告别时，我随口问地雷：“你们为什么能做成这件事儿？”我有一个朋友，当初跳槽到 Google，他设计系统的架构让美国工程师感到很惊讶。对方问他为什么这么设计，他说，因为我见过“双11”。我们首先生在中国，然后才有机会面对这么完整的工业体系，面对这么大量的自动化产线，面对这么丰富的数据场景，才有机会遇到这么多愿意出钱探索数据智能的企业，才有机会遇到这么多极致的需求。
他语气很平静，显然这是经过无数次思考后的最终答案。为了置身绝美的风景，他们有时会迷路，靠手里小小的指南针猜测方向。但终究他们一次次远行，又一次次安然返航。25年前，他身边几乎所有的数据都属于外企，而如今，数据平台技术、数据本身、数据所栖息的数据库，甚至产生数据的生产线 MES 系统也都在一点点被中国人理解和掌握。这是另一场更漫长的，用生命时光才得以丈量的中国数据技术的远行。两千年后，一群赤子正带着有关中国数据的一切，赶回故乡。《你在被窝里刷手机岁月静好，一个引擎却在远方和时间赛跑》
回首向来萧瑟处
再自我介绍一下吧。我叫史中，是一个倾心故事的科技记者。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。也可以关注微信公众号浅黑科技：qianheikeji。
