中国4万亿服装生意，正在被人工智能改变

　　广东番禺开发区的一家服装厂内，工人们正在埋头为Shein的快时尚外销服装赶工。吊挂在屋顶上的衣架在工位间穿梭，在一个工位上，工人每次快速完成一个流水线操作后，就拍一下缝纫设备上的大按钮，进行计件。
　　这一幕正渐渐出现在更多服装工厂里。随着人工智能和数字化技术的加入，庞杂的服装加工行业正在发生一些变化。
　　文｜石兆 任晓渔
　　编｜牛慧
　　广东番禺开发区的一家服装厂内，工人们正在埋头为Shein的快时尚外销服装赶工。吊挂在屋顶上的衣架在工位间穿梭，在一个工位上，工人每次快速完成一个流水线操作后，就拍一下缝纫设备上的大按钮，进行计件。
　　这一幕正渐渐出现在更多服装工厂里。在中国服装加工厂中，正在发生一些变化。
　　01
　　从半年到两周
　　一些工厂每天都接到新款服装订单，也会接到一些＂翻单＂需求。＂翻单＂就是对之前一些生产过的服装进行补货。但这些翻单需求通常很急，很多要在7天内交货。这与过去服装厂的情况完全不同。
　　传统上，每年10月是全球各大时装周的忙碌时节。在巴黎时装周、上海时装周上，会发布明年春夏的潮流款式。之后，各种渠道召开洽谈订货会，订单将在品牌方汇集成一个个大订单，再下单到加工厂。
　　从时装周到服装上市，这个周期通常有半年。对工厂来说，这是一种很舒适的状态。每个季度做的款式和数量是确定的，可以有条不紊地组织生产。
　　但现在，快时尚品牌、电商渠道崛起后，连锁品牌影响力在减弱，人们的审美也不再千篇一律，流行趋势更迭加速。如果一款服装再生产几万件，很可能会变成库存。
　　库存是国内外服装巨头们最害怕的问题。快时尚品牌ZARA曾以小批量、多款式上新的方式横扫服装产业。爆款货快速返单，滞销产品打折快速清库存。ZARA创造过行业的新记录，它的新品从工厂到上架，达到了惊人的2周。但即便这样，库存依然是它的心头大患。
　　过去十余年里，服装业销毁库存的案例频发。奢侈品牌Burberry，2018年烧毁的库存多达数千万元；在国内曾经打造了增长神话的美特斯邦威、拉夏贝尔，库存更是高达几十个亿，直接导致企业资金链断裂，拉夏贝尔甚至被迫退市。
　　＂生产大单将会越来越少。＂飞榴科技联合创始兼首席产品官刘珂博士告诉数智前线，＂服装更多会以小批量、多批次的柔性快返生产方式。＂飞榴科技是一家服装行业智能化的企业。
　　不仅那些快时尚的品牌如安踏、海澜之家、太平鸟，包括一些MCN机构新锐设计师的小众设计，都呈现了这样的趋势。企业先下一个只有几千件甚至几百件的小订单，通过消费者的反应，再迅速进行翻单和补货。
　　02
　　服装厂换款的困难
　　小批量、碎片化订单给服装加工厂带来了巨大的挑战。
　　按照传统作业逻辑，新款版样到达工厂后，需要经历一系列复杂的工作流程。首先由成熟的样衣工，将衣服从图样变成一件可以仿制的衣服，工艺工程师把制衣过程拆解成一道道较为简单的工序，一件羽绒服或连衣裙，可能要上百工序，几十个裁片；然后班组长按照工序安排工人，仓库和裁剪房准备物料。
　　这些事要靠人脑来做，跑通人、机、料一个流程通常要一到两周。
　　现在，小单快返的趋势，工厂上新款、翻单的频次越来越密集，从A款服装转到B款，也涉及很多问题，仅靠人脑来安排，变得越来越困难，时间也＂耗费＂不起了。
　　人工智能系统也在这个时候进入了中大型服装厂。AI汲取了大品牌、大工厂的供应链管理经验和精益生产理念，并在交期、人员技能、设备、工序、小组等约束条件下，对全厂范围内进行资源的配置，算出最优的生产和排产规划。
　　＂AI其实模仿了工艺工程师拆款的能力，组长分配工序的能力，裁剪房算料、安排二次工艺的能力，同时监控流水线上的动态波动，解决瓶颈工序，让生产更加顺滑。＂刘珂博士说。比如，一个工序上员工还不熟练，或者生病了，AI会实时算出新的分配方案。
　　这样，即使换款，人工智能还是能及时算出新款服装的方案。而且，它还能根据员工的＂学习曲线＂，安排员工最擅长的工序，生产效率能有所提升，员工的工资还会提高。
　　在人工智能的帮助下，这些工厂逐渐具备了应对复杂生产状况的能力，从而适应小单快返。
　　03
　　工人的态度
　　传统上，企业的管理信息系统都是从上到下推动的。无论是企业资源计划ERP，还是流程管理BPM，都被称为＂一把手工程＂。
　　对于工人来讲，他们没有感受到信息化的实惠，反而是工作量的增加。＂我原来只管做衣服，现在还要在这个地方输一个数，那个地方再输一个数，这会很烦。＂工人们说。
　　现在，在数字化和智能化中，一些行业人士达成了共识，它应尽量是无声无息的，不给一线人员添麻烦，而最重要的是，它要能让一线多赚钱。
　　在一家服装厂，飞榴科技的工程师们遇到了一位做了30年的老员工，她非常焦虑。当工厂开始了小单快返业务后，她被分配了一道新工序，她觉得自己不会做，又学得慢，＂我手心里都是汗＂。
　　现在，在工厂进行了AIOT改造后，每位工人面前配备了一个平板电脑，通过看标准动作视频，她开始起步。系统根据她的进度，最初安排了三个人一起做这道工序。过了几天，当熟练度上升后，她一个人就能做这道工序，满足整个流水线的节拍时间。
　　根据每位工人的产量、质量、返修量数据，系统会生成每个人的学习曲线，不同员工构成一个学习矩阵。系统会按照员工技能进行工序分配。之前那种靠与班组长的关系吃饭的状况，也不复存在。
　　一位00后＂社恐的＂年轻人，也因为工厂智能化，获得了内心的自由。她不喜欢去跟班组长套近乎。现在，如果她的干完了自己的工序，系统会自动推给她其他工序，避免了要找班组长要活的尴尬。这算得上是应用了数字技术之后的意外之喜。
　　＂这就像NBA打篮球一样，教练原来想的只有这么两三种方案。AI能提供更多的调整方案，板凳队员也可以打中锋，还可以试试前锋和中锋。＂刘珂说。
　　刘珂他们最近对广东一个新工厂进行了改造，这个工厂有4条产线、100多号工人。由于智能化的系统，不再设立班组长岗位，由一个车间主管，使用系统进行资源分配，这也解决了原先跨组之间的扯皮和内卷。工厂的招工迅速就满员了，一些想要试工的人，也只能等待其他机会了。
　　系统也会发现了一些隐藏的问题，比如识别出那些划水或期望清闲一点的员工。＂这种员工也不是不可用的。比如有时系统也可以把这些效率低的员工排到晚班，搭配那些愿意多挣钱的员工。＂刘珂说。
　　不过，除了生产效率提升，收入增加，在工厂忙碌又嘈杂的流水线上，以效率最大化来架设的软硬件产品，也容易遭遇一些舆论上的挑战。
　　例如，工人的工作状态并非始终能保持最高效率，数智前线在某知名的应用数字化手段的服装厂里就见到了一位厌恶智能技术的工人。他忧心忡忡，充满不满，＂厂里给做得最快的人发了奖金，做得最慢的人计件工资比正常工资打了点折扣。几年下来系统里记住的都是最快的记录，手慢的人慢慢都被淘汰了。＂
　　在记录了个体最优表现后，如果未来状态下滑，对企业主而言，这些人将被如何对待？新技术进入生产环节，提升了生产效率后，能不能更大限度保护工人的利益，人能否在技术应用之后有尊严、有出路呢？这些也是业界需要思考的问题。
　　04
　　工厂的不同路径
　　不同类型的工厂，对智能技术的接受速度和能力并不一样。
　　大巨头们通常自成体系。以优衣库在国内的代工厂申洲国际为例，它是基于品牌内部的供应链体系来运转的，外界很难有借鉴和调用的可能性。这也是多数大型服装巨头走的路径，它们自成体系，智能化技术不会对外输出，产业里的其他中小玩家，难以汲取到他们的先进经验。
　　此外，中国的服装产业里还分布着大量的腰部工厂和百人以下的小企业，他们是这个行业里的大头，甚至很多年收入不足10万元。
　　刘珂博士告诉数智前线，继大品牌转型后，这些腰部工厂的转型也非常有价值。他们面临的生存压力也最典型。受疫情影响，外贸订单萎缩，用工成本增加，市场竞争又最为激烈，转型对他们已不是可有可无的事，而是生死问题。
　　有数字化人士给数智前线粗略的算了一笔账，进行数字化智能化转型，这些工厂付出的成本从十几万元、数百万到上千万元不等。有些工厂进行了完整的工业互联网改造，有些则进行了局部的调整。
　　一位互联网大厂的行业数字化人士称，工厂非常关注投资回报和回收成本。＂工厂对于投入能够回收的周期，容忍度差不多是两年。＂这位人士告诉数智前线。
　　针对效率提升多少，能够让工厂赚到钱，业界也有计算，但仍有一些差别。比如，工厂年产量原本是100万件，进行了数字化、智能化后，效率提升了20%，年产做到120万件，每件收入10元，就多入账200万元。再扣除物料、人员等成本，剩下的是工厂多赚到的。＂一般而言，效率提升10%，是一个能赚钱的临界点。＂有业内人士粗略估算。
　　更小的工厂则没有能力购买系统化的技术，这是数字化和技术目前难以达到的＂蛮荒之地＂。业界也在探索一些其他的模式。
　　＂基础款式的数字化是一个突破口。＂广州的一家数智化服务商智衣链创始人钟凌云称。基础款衣物，如黑白T恤版型等被设定为标准化知识，积累到版单管理知识库里，成为一个SKU。知识库在逐渐积累完善。客户需求来了，能基于选定版型作定制，版单管理系统会基于知识库和客户的需求，自动裁剪布料和计算辅料。
　　最终订单生产会分配到小工厂里。小工厂无需以很高的成本去完成换款，只需完成最基础的缝制环节。
　　某种程度而言，这样的方案是将数字化的架设，从小企业剥离。整个订单流程里小工厂需要用到的软件支持，基于现成的沟通聊天应用搭设。这样，珠三角、长三角大量的小工厂闲散的制造能力，能够得到应用，也最大限度降低了这些小企业智能改造的成本。
　　05
　　技术如何深入行业
　　AI进入行业，离不开人工智能科学家的智慧。
　　关于传统行业与AI能不能结合，一直是一个有争议的话题。当年IBM的人工智能业务沃森落地出现问题时，AI科学家山景博士对数智前线分析，其中一个重要原因是科学家不太能躬身于行业实践，＂两腿不沾泥＂。
　　山景博士曾在阿里负责开拓了工业领域的智能化，这让他对下一线有深刻体验。
　　从IBM回国创业的飞榴科技刘珂博士则一直在服装领域从事智能化。她看到服装行业的一些AI团队，缺乏＂下沉精神＂。很多场景，在家里思考，是很难去理解的。
　　比如，明明从工序的角度说，是一道道往下走的，为什么有的又回流到前面的员工？到了现场，工程师才发现，那个员工的缝纫机后面有一个风扇正好对着他吹。＂他坐在这里心情很好，能完成复杂的工作。＂刘珂称，＂这时候，你自然而然就会做出符合工厂的最好设计。＂
　　在这样的背景下，她和团队团队，一年基本上有超过300天的时间在工厂。他们住工人的宿舍，＂没有碗的，要么自己买个饭盒，要么找工人要个大瓷碗＂。
　　相比而言，中国工厂的智能化，比起欧美企业要复杂得多，甚至有时＂状况百出＂。一些工人想多挣钱，只要我在流水线上，就不能让手上空着。他们做完自己的活，会跑到别的工人那里抱走一些裁片继续做，或者要求班组长给他增加一道工序。工序会被打乱，这是坐在办公室里想不到的场景。
　　在系统设计中，科学家们要思考怎么来管理这样的场景，让它成为＂规范操作＂。
　　目前，在中国服装行业核心产业带，如珠三角的东莞、深圳、番禺、中山，长三角的江浙一带，华北、东北和山东一带，工厂中正在发生变化。全面应用这些创新之后，消费者的需求能否被更好地顾及？工人们能否获得更好的回报？相比国际服装巨头们动辄千亿美元的市值，中国服装行业整体竞争力能否得到提升？从事智能化企业的价值是否可以体现？业界正在一点点地等待这些多赢局面的出现。