首页/文章/ 详情

2020年的思想回顾

3年前浏览2163

元旦将至,又到了回顾的时候了。

 

今年本来打算写一本智能制造方面的书。6月份完成草稿后,恰逢疫情好转,也就没有时间完成了。好在可以回顾今年写的大约170篇笔记,看看今年的认识在哪些地方有所深入。

 

1、创新理论的完善

 

    我研究了20多年企业创新,距《管中窥道》的出版也十年了。过去每次讲课,总还是觉得逻辑上有些不顺。今年突然意识到:可以用漏斗理论把所有的想法串起来。

 

所谓漏斗理论就是:1000个想法中,只有100个值得深入思考;100个值得深入思考的想法中,只有10个值得尝试;在这10个值得尝试的想法中,大概只有1个能取得成功。


这个理论告诉我们很多道理。比如,如果企业不鼓励大家提出创意,就难以成为创新的企业;但如果有了创意就蛮干,也难以成为创新型企业。所以,既要鼓励人们产生想法,又要慎重选择和推进。再如,创新的管理会变得特别重要,企业的创新能力极大地依赖于创新管理能力。

 

创新中有很多矛盾,过去讲课时很难解释:既要胡思乱想、又有认真执着;既有知难而上,又有知难而变、知难而退;既有一切从经济性出发,又有“不惜一切代价”;既需要常识和经验、又需要科学和理论;是“人择难题”,又有TRIZ工具;是技术问题,又是管理和文化问题。

 

现在,这些观点都可以附着到这个“漏斗”的过程中:在不同的阶段,要求不同。例如,创新起于胡思乱想,成于认真执着——在漏斗前面的阶段要大胆去想,在后面的阶段要认真努力地执行。再如,先要有常识,再要有知识;先要知道“知难而退”、“知难而变”,才有“知难而进”;研发的过程要舍得花钱,优化的过程要经济驱动等等。

 

过去,我总觉得中国的学术界缺乏工业常识。甚至觉得:在某些领域,90%的国家项目可以直接枪毙。所以,我一直强调常识很重要、要普及常识。但也有很多人质疑我:常识就真的那么重要吗?有了常识就能创新吗?


现在,利用“漏斗”理论就可以解释我的想法和质疑:人们缺乏常识往往表现在筛选的第一阶段,这个阶段确实应该否决90%的项目。但是,仅有这个阶段还是不够的,还要有后面若干个筛选阶段,而且项目运作阶段也有很多技巧。

 

另外,我过去既强调“条件和需求的改变是创新的机会”,又强调“创新要挖掘潜在需求”。现在,我也可以把这两个要求的关系讲清楚了:超越前辈,要靠条件和需求的改变(天时);与同代人竞争,要靠挖掘潜在的需求(地利与人和)。

 

同时,我对需求的潜在性有了更深的认识:除了回归需求本源(解决需求与客观条件的矛盾),就是认识业务需求和经济需求的矛盾。所谓业务需求和经济需求的矛盾,就是我俗称的“叫花子对御厨没有需求”;或者“穷人对100万元一粒的救命药没有需求”。而潜在需求的理论,又引发出“牵引需求”的实质是什么。

 

2、深入认识智能化

 

对于工业的智能,我一直有个说法就是“吴淑珍式的智能”。也就是把人的知识变成计算机的代码、让计算机执行。今年又强调了另外一种智能“小秘书的智能”,也就是为人提供认知的知识(比如设备不稳定、操作不规范等)、帮助人决策的智能。我同时意识到:工业互联网的“高级算法”,很多就是“小秘书的智能”。两种智能的特点都是:让机器用人类容易明白的道理,去做人做不好的事情,是从自动化到智能化的标志之一。在最近的工业互联网大赛中,符合这种理论的项目非常多。

 

这种智能产生的一个重要背景就是:在工业互联网时代,成千上万的数据上网,导致数据太多、产生速度太快人类没有办法有效地关注和处理。需要让机器帮助我们处理这些信息,从而把人类从数据的海洋中解脱出来。这种模式可以最大限度地发挥人和机器各自的优势。

 

与传统的信息化相比,过去厂子出了问题时,是“人找数”:人到信息系统中寻找问题发生的原因。在智能化时代,出了问题时,是“数找人”:有问题需要关注时,机器自动推送给人。产生这种想法并不奇怪,但过去不容易实现。在数字化网络化时代,计算机有更多的能力自动地找到原因。“小秘书”的作用,也体现在这个地方。

 

从哲学的角度讲,从自动化到智能化是“尺度变化”引发的“量变到质变”的变化。

 

引发量变的“自变量”有两个:一个是网络化、一个是数字化。这两化的本质作用,是让就算计具备决策(或辅助决策)的基本条件——这个基本条件就是:计算机必须得到决策所需的信息、知识和计算能力。这两个变化带来的结果,是智能化程度的提升——也就是自主决策(吴淑珍式的智能)和辅助决策(小秘书智能)的发展。

 

这个观点,我称之为“智能化发展的三条线索”。这三条线索,其实对应工程院智能化发展的“三个范式”。但是,从三条线索的角度看问题,更容易用实践来印证。过去和现在,我们都可以找到大量的案例。

 

智能化时代,为什么是“吴淑珍式的智能”、“小秘书式的智能”,而不是过去那种复杂算法呢(如最优控制算法)?

 

最近,我对这个问题进行了分析。我的解释是:随着系统变大、算法的使用时间变长,(理论)模型误差往往是难以避免的(当然,这与行业有关)。这种变化,会导致标准化变得重要(拷贝不走样)、定性的知识变得重要。

 

两种知识的重要性增加,使得人类通过经验得到的知识变得重要。而数字化,可以进一步让人类定性的经验知识变得精确化。并且,交给计算机以后可以更加快速、准确、标准化地响应。

 

在定性知识应用的过程中,往往与现代工业传统的做法结合起来。如标准化方法、PDCA、FEMA、Checklist。我在一篇文章中,谈到孔师傅对“声音浑厚”的认识,就是这个道理。

 

从这意义上讲,先有标准化,才会有智能化。这种结合方式可能不是最优的,但可以比过去做得更好。特别地,由于前面提到的原因,智能化系统的误差是变化的。所以,系统的矫正就变得必不可少(实践也证明了)。但是,矫正过程绝对不是某些人说的复杂的自学习。而是机器学习与人工的结合、是有套路的。这种结合经常与标准和经验结合在一起。所以,PDCA的做法需要更加深入地引起重视。

 

另外,系统变大以后,多个学科的工作都融合起来了。比如,IT与OT的融合等。不久前,我分析了这种融合的特点:基于标准化的思想。只有这样做,才是靠谱的。

 

从自动化到智能化的过程中,一个重要的变化是“从感知到认知”。认知的知识变得特别重要。而所谓的“认知”与“标准”结合。用数据、曲线定义标准,分场景定义标准等。所谓的认知,往往就是判断是不是“超标”——因为往往只有超标,才是需要人类关注的。在数字化时代,很多工作都是可以用数字“标准化”的。所以,数字化时代有能力提高认知能力,促进从感知到认知,从自动化到智能化。

 

从这个角度看,AI的主要作用其实也是提高认知能力、尤其是与图像相关的认知能力。

 

3、认识现代工业

 

我觉得,很多专家的观点不靠谱,是因为他们不理解现代工业。现代工业的特点,是通过持续不断地改进,实现对质量、效率、成本的追求。而这些问题,最后卡脖子的往往是安全、稳定、可靠性问题。而为了解决这些问题,又引入了标准化、PDCA等概念。而标准化、PDCA等概念,才容易与数字化的方法对接、与现有的工业做法融合。

 

我经常嘲笑的一些专家,本质是不理解安全、可靠、稳定性的价值和难度;不理解质量与高科技的关系;不理解标准化的作用;不理解PDCA持续改进的意义。而不理解这些,也就难以理解数字化转型和智能化的具体做法。

 

我国工业界对数字化的认识也存在误区。这种误区形成的原因是:过去中国企业的竞争力,本质上是靠劳动力成本低(否则,企业可以尝试到国外招人试试)。人们习惯于低的质量水平、低的管理水平、对标准化的意义认识不到位,高端研发服务的业务少。落后企业不理解数字化转型,就像叫花子能够想到的理想就是天天有馒头吃,而想象不出皇帝吃什么。

 

在我看来,搞高科技并不需要搞天翻地覆的大事。只要在一定基础上做持续改进就行了,尤其是质量的改进。持续改进的结果,就是积跬步以至千里。一件事做久了、越走越好,就是高科技。

 

在我看来,国外卡我们脖子的技术,本质上都是质量不过关。质量不过关是因为我们持续改进的能力差、甚至基本停止。持续改进的能力差的原因很多:市场的原因、驱动力的原因、重视程度的原因、改进知识的原因。我们在推进转型时,要注意改变这些观念。

 

比如,我国企业,对研发工具开发的重视程度严重不够。从某种意义上说,我们绝大多数企业的研发还处在手工劳动阶段,而别人的研发却处在现代化大生产阶段。如果这个问题不解决,我国怎么能和别人竞争研发能力?

 

不重视工具,是急功近利的结果。工具的价值一直都是面向未来的。所谓“磨刀不误砍柴工”。工具的开发,一定会耽误一点功夫。急功近利的企业,就不会在乎。甚至根本意识不到研发工具的重要性。

 

其中,数字化技术,是研发工具的重要组成部分。而数字化转型,应该为数字化研发工具的发展奠定基础。

 

再如,企业的“优化”和持续改进,是需要有人员配置的。在我国的很多企业,并不把“优化”当成一种必要的工作,而是可有可无的。如果这样,对数字化研发的拉动就是不足的。

 

另外,高科技发展的前提,是用户和市场驱动。用户驱动,指的是用真实的需求;市场驱动,指的是有足够大的现实市场、赚到足够的钱。我国高科技产业落后的本质原因,都可以从这里找到。如果市场不足以养活一个高科技企业,这个企业就难以生存,也就必然坚持不下去。

 

市场大是我们的优势,而市场被非市场因素分割,是我们的隐患。现在,这种情况非常严重。

 

4、其他的一些想法

 

今年,我突然意识到把设计过程与选材、生产、采购、销售过程联系起来的重要性。我相信,未来的几十年,在这个领域会有重大的突破。我担心,我们国家会在这个领域落后。这类问题,国外没有人炒作——人家真正重视的东西,往往是闷头去做。等我们知道了,也就晚了。

 

数字化的价值为什么这么大? 我读书的时候,人们说:数学是上帝描写宇宙的符号。我认为,这句话说出了数学的伟大。而现在,人们用数字化模型描述世界。这也就是数字化的伟大之处。现在,我们具备了用数字化手段描述世界的能力,从而带动了世界的数字化转型。但用数字化过程描述世界的时候,会存在误差——处理和应对误差的学问,是一门大学问。其实,控制论的产生,就与思考这个问题有关。

 

数字化的思维和我们日常的思维方式不一样。这种差别就像司机选路的思维方式和步行不一样。要用好数字化的手段,就要学会数字化的思维方式。也就是把我们遇到的问题,转化成一个计算的问题。问题转化好了,办法总是有的。在数字化背景下,仿真和枚举的价值都是非常大的。因为这些算法具备一般性。

 

另外,今年还考虑了几个问题:工业大数据的收集,应该有什么要求?  工业APP是否一定是基于平台的?智能技术与工艺技术、设备技术、控制技术的关系如何?数字孪生到底有什么用处?......这些问题的答案,是呼应前面的想法。


今年特别高兴的是,我年底当了几次大赛的评委。项目实践证明:这些成功的应用,往往符合我的设想和逻辑。过去, 我用自己的实践产生自己的想法;现在,我用别人的实践,印证自己的逻辑。


“我思故我在”。今年思考了一点问题,说明我还活着.....

版权声明:原创文章,作者郭朝晖,来源蝈蝈创新随笔,本文已经授权,欢迎分享,如需转载请联系作者。

创新方法智慧+理论科普仿真体系工厂
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2021-01-07
最近编辑:3年前
仿真圈
技术圈粉 知识付费 学习强国
获赞 10228粉丝 21737文章 3589课程 222
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈