一雙皮鞋的AI改造計劃——白洞戰報

哪怕你並不是科技愛好者，想必也會在各種渠道看到“某某銀行引入了智慧機器人”“某服務由人工智慧演算法推薦”，“AI+”的故事每天都在我們眼前上演。

在無數佈道師亦真亦假的推崇下，企業應用AI已經成了轉型升級的“路徑正確”。但可能被忽略掉的是，類似服裝製造這樣的傳統行業，在應用AI時還有大量的困境與難題亟待解決。

因此，白洞企業喚醒計劃的第三期節目，我們邀請了深圳極視角科技的市場合夥人劉若水，與四川大學輕紡與食品學院生物質與皮革工程系副教授，紅蜻蜓院士工作站研究員周晉博士，與我們一起聊了聊，一雙皮鞋需要跨過哪些關卡，才能從AI中真正獲益。

四處散落的巨坑：傳統制造企業應用AI的典型問題

與場景集中度高、產業鏈條短、數字化程度高的網際網路行業相比，傳統制造企業應用AI的環境顯得格外艱難。

以周博士負責的紅蜻蜓專案為例，作為一家老牌服裝廠商，紅蜻蜓的產業鏈條佈局十分完整。從上游的原輔料供應鏈管理，中游設計生產與製造，再到下游銷售環節，無不考驗著企業綜合經營管理的能力。

也正是因此，想要在這樣的龐大機體之上部署AI，並致用見效，也變得格外困難。對此，兩位嘉賓都感受頗深，在他們看來，傳統制造企業體系應用AI的典型問題主要體現在三個方面：

1.有目標，沒路徑。很多傳統企業在進行產業升級時，需求表達往往不夠清晰，諸如提高全球競爭力、降本增效等等，但由於既往的業務環境與AI技術幾乎是兩個世界，因此在融合時的每一步應該如何部署與執行，往往缺乏清晰的路徑規劃。

2.有概念，沒認知。 由於自身有盈利能力，又缺乏前期研發投入等理念，整個傳統制造業的從業人員對AI等前沿技術普遍缺乏瞭解。而這種對於AI技術細節，以及對於如何將AI效用最大化的認知匱乏，很可能導致要麼不用AI，用了也是在做無用功。

3.有技術，難持續。有的傳統企業比較懂AI，也很早就開始建立自己的AI開發團隊，但運營一段時間後，會發現演算法模型開發完成後還需要工程化團隊來進行部署，後期隱形成本巨大，最終不得不選擇放棄，導致企業資源被大量浪費。

4.有產出，不實際。當然，也有傳統企業選擇了尋找技術合作平臺來共同完成AI化改造，但對於製造業這種長而碎片化的產業鏈來說，有著許許多多細節工程問題，比如普通智慧攝像頭無法採集到可用的皮革影像資料，通用資料集與門店真實使用者資料存在誤差等等，很難使用通用演算法或模型來解決，否則即使上了AI也無法給業務帶來實際幫助。

總體而言，能夠從開發環節走到市場交付階段的製造型AI，幾乎是鳳毛麟角。

幸運的是，紅蜻蜓這個我們耳熟能詳的皮鞋品牌，一直對技術保持著開放而敏銳的重視。早在AI革命到來以前，就完成了前期的資訊化工作。

據周博士介紹，紅蜻蜓早在90年代就引入了ERP系統來進行企業管理， 2014年就設立了博士後工作站進行智慧門店專案研究。而AI的種子，也從那時起就在紅蜻蜓的產業鏈沃土上開始播種。

一雙皮鞋的全能AI改造，總共分幾步?

在交流中，透過兩位嘉賓的講述，逐漸為我們拼出了傳統企業進行AI改造的完整拼圖。

簡單來說，需要將產業鏈場景進行垂直細分，再分別與不同的AI技術進行適配。體現在紅蜻蜓上，可以從三個關鍵場景來理解。

準備階段：AI的“磨刀工”

在我們將AI作為“路線正確”併為之鼓與呼的時候，如何讓企業在這條技術高速路上長遠而安全地“飆車”， 合理的預期與適當的夥伴，必須從準備階段就引起重視。

以紅蜻蜓為例，對於技術的接受度一直都很強，在24年的發展歷史中，企業管理者能夠切實地感受到技術所帶來的價值空間，因此在面對人工智慧浪潮時，對於新技術的應用沒有猶豫。

但是用AI做什麼，做到什麼程度，取得怎樣的效果，就需要管理者對技術的能量有合理的認知和預期。

周博士分享道，2014年紅蜻蜓博士後工作站成立，在與錢金波董事長交流時，他被問到：紅蜻蜓的使用者畫像是什麼?

當時很多紅蜻蜓的營銷高管，對使用者的認知就是年輕、男女均衡等非常主觀且基本的概念。周晉等人的研究證實，這種認知與市場的真實情況是有錯位的。因此，經由董事長一把手認可，透過人工智慧等技術手段去捕捉和分析使用者資料， 指導產品研發和營銷工作，就成為紅蜻蜓最開始接觸AI的契機。

而2015年，專注於計算機視覺演算法的極視角才剛剛成立。之所以會被紅蜻蜓AI專案所選中，據周博士說，主要得益於他們的三個特質：

一是落地能力。 極視角在前期不賺錢的條件下，為紅蜻蜓量身打造了智慧門店的落地方案模式，順利闖過了金字塔尖技術與底層傳統制造業之間的應用鴻溝。

二是吃苦精神。原本應該在電腦前揮斥方遒的極視角創始人與技術負責人，能夠親自到現場去除錯攝像頭的角度、燈光等，從而切實發現門店部署可能存在的問題。

三是個性與務實。周博士感慨，2014年剛接觸極視角團隊，他們就表現出了一種與傳統企業打交道、技術賦能企業的渴望，從企業需要的角度去不斷挖掘和強化自身的能力。

正是這種互相之間的認可與信任，讓紅蜻蜓與極視角的AI探索之路，順利踏平了各種荊棘。

頂層有共識，資料有邊界，應用有場景，部署有夥伴，於是，皮鞋AI的第一步正式邁出了。

零售階段：門店改造與體驗升級

我們知道，資料、演算法、算力，構成了智慧的三要素。在零售環節的門店部署階段中，這也是掣肘AI應用的關鍵因素：

1.在資料收集過程中，確定邊界和範圍至關重要。比如紅蜻蜓的一百多家門店改造，核心就是為了幫助企業瞭解使用者畫像並支援決策。因此，在資料維度上，極視角確定了客流量、消費、年齡等多維度的資料，並透過混合交叉的分析模組，讓門店一目瞭然地規劃改進方向。

除了設計的可行性之外，具體的實施環節也需要控制，如何保證資料採集終端的有效性和持續性，比如門店節慶放氣球把攝像頭擋住了，有時還需要特殊的補光等等，這些處理不好都會直接影響資料的完好度與質量，難以構建出一個完整的消費模型。

2.演算法的個性化。在實際應用中， 對演算法效能的要求不再像實驗室或競賽中追求的那樣越高越好，一來是會帶來龐大的裝置與計算成本，二來透過演算法的模組化功能，將資料轉換成有價值的商業資訊，以視覺化的效果提供給門店管理人員，這才是演算法更重要的價值所在。

比如目前極視角的計算機視覺演算法，在畫面壓縮後能保持90%左右的識別精準度，足夠在整體趨勢上把握性別、年齡、運動軌跡等關鍵資訊，保證門店識別使用者和商業決策了。

3.算力的成本問題。在實際部署中，相對於演算法開發，大規模實時計算的成本反而是更難承受的。

針對這一現實需求，極視角在於紅蜻蜓的合作中，選擇了將資料上傳到雲端進行非同步分析，由於不用實時反饋， 能夠在雲端透過分散式最佳化把分析成本降下來。

未來還可以透過5G將影片轉換成圖片這種相對耗流量比較小的形式去做分析，將算力成本下降到一個新的層面上。

總而言之，終端AI應用尤其獨特的需求和場景，設計更加細分的技術解決方案，不能“人云亦云”“貴就是好”，而是需要建立在企業對自身場景和業務目標清晰的理解和實戰基礎上的。

那麼，完成了門店的基礎設施改造，AI就可以為企業和使用者所感所用了嗎?問題又來了， 只有將技術與使用者連線在一起，打造前所未有的體驗，才能真正讓AI為產業創造價值。

從這個角度看，極視角與紅蜻蜓的智慧推薦平臺鞋履Home+，或許就是一個零售體驗升級的關鍵樣板。

2018年，周博士所在的專案組和紅蜻蜓、德利歐一起，改變了延續數千年的購鞋邏輯。

透過極視角的人臉識別系統， 門店快速識別出消費者的性別、年齡等資訊，線上上完成產品的篩選工作。然後，和智慧終端夥伴合作，對消費者的腳型進行掃描，再結合服裝風格AI模組，形成一個個性化的專屬產品推薦服務，裡面包含了消費者可能最感興趣的10%產品。

這樣做的結果是，消費者一進店就能感受到前沿技術所帶來的體驗升級，迅速被連線到最大可能購買的商品，提高門店的轉化率與成交，而品牌的科技感與未來感也被直接傳達到了消費端。

當然，要保證使用者體驗的驚喜感，就需要多方面集體做功。

比如在門店上，紅蜻蜓迅速請了義大利的設計師完成了上海門店裝修，適配更具科技感的購物環境;在技術層面，就要求演算法要儘可能地有效、精準，幸好極視角長期儲備了500多種演算法，其中就包括了多人識別、服裝風格識別等等，再結合門店的真實資料進一步定製開發，在13天的時間內就完成了除錯上線。

眾所周知，引入AI就意味著成本增加與資源消耗，如何讓技術叢集在預期時間內創造效益，對很多企業來說都是一個未知數。正如紅蜻蜓和極視角所做的那樣，在完成了智慧化基礎建設之後，讓AI與使用者發生一些故事，或許應該成為企業應用AI的常識。

生產階段：數字工廠的獨特邏輯

一雙皮鞋的AI故事到此還沒有結束。更後端的生產環節，是製造企業的立身之本，也是應用AI的最大變數。

更關鍵的是，生產階段與零售階段所需要的AI核心能力大相徑庭。比如在零售領域有銷售生命週期，大部分時候不需要對資料進行實時處理與決策，資料的雲端處理可以大大減輕計算負擔。但這在生產端就變得非常重要，畢竟工廠裡的機器如果在質檢環節慢上幾秒鐘，就有可能讓一雙有瑕疵的鞋子流向市場。

同時，傳統的製造模式M2C(工廠-消費者)模式正在被C2M(消費者-工廠)所取代，以解決庫存積壓、消費需求變化等問題。

那麼，面對這些情況，在生產階段應用AI，又需要避免哪些坑呢?

在交流中，周博士讓我們闡述了生產端的特殊之處：

1.硬體問題， AI在生產環境上難以發揮效果，很可能不是演算法的問題，而是硬體條件限制了效率升級。比如普通攝像頭精度不足，很難捕捉到皮革上幾毫米的傷殘，這對專業的老師傅就不是問題。

2.流水線作業。生產線往往有著固定的節拍，每個工序之間用了幾秒鐘，都需要有精確的卡點。但在流水線環境中部署這樣的攝像頭來實現管控，就比門店要難很多，因為空間太大，還有噪音以及電磁的干擾。

3.成品質檢。產品的瑕疵識別，這種計算機視覺演算法已經相當成熟了，但在實際應用中，很可能遇到個性化標註資料匱乏的問題。極視角的劉若水說到，工業場景的資料都是專業人士才能去進行採集以及標註的，這是工廠AI應用很大的瓶頸所在。

對於這些問題，極視角的解決辦法是，先利用工廠給到的一些樣本，在一個很快的週期內(目前是八週左右)就給到一個初步可用的版本，讓工廠先部署在生產環境當中。然後AI模型再不斷地與真實的使用環境磨合並進行最佳化，就能避免因為資料量不足而沒辦法馬上開發演算法的困境，從而實現AI系統在工業檢測上的高效落地。

說了這麼多，一雙皮鞋終於走完了它從一塊皮革到消費者腳上的AI改造之路。

今天，AI與大部分行業的連線密度都在飛速增長，而傳統企業也超乎我們想象地渴望觸碰它、擁抱它。但我們無法忽視的是，傳統企業自身的獨特性，也往往束縛著它在技術浪潮中大師拳腳。

目前看來，看清自身獨特的商業邏輯，找到靠譜的技術盟友，才能真正撬動AI，碰撞出真實可感可用的應用方案。

在抵達AI的旅途中，自知與夥伴是最難的關卡，也是最美麗的站點。