数字孪生技术及企业的智能化（三）

04

小时的生活的地方是一个独立初中，学校是农业中学，会长很多农作物包括水果蔬菜。学校最南边是一个公厕，公厕上面长了很多丝瓜，仗着体型小灵活，爬上屋顶摘丝瓜的任务一般都是我的。然而丝瓜太多，有一些来不及吃的，就长成了很大很粗，口感变差甚至无法吃了，那时候就想，如果能让丝瓜只长长，不长粗，岂不是很妙？

现在逛菜场到处都是那种长长细细的丝瓜，然后吃起来却没有以前的丝瓜的味道。小时候长长的细细的丝瓜好吃，短短粗粗的丝瓜不好吃，误以为长长细细就是美味的充分条件，实际上，只有在特定的条件都具备的情况下，长长细细才能等于美味。

数字模型也是一样，数字孪生体通过工程参数等数据来表达模型，一个数字模型会包含很多工程参数，模型的功能和工程参数之间的映射需要从工程原理出发，使用科学和工程技术对数字模型进行演绎，从而展示和预测数字模型能表达的物理意义，并在物理世界去验证。

比如水银或者酒精温度计，用来测量温度，我们看到的是液体体积的变化，利用的是液体的温度和体积膨胀的对应关系，如果这个对应关系不成立（用水银温度计去测量低温，或者用酒精温度计去测量高温），那么结果就不对了。

从这个角度看，数字孪生体是知识的封装方式，建立数字孪生体实际上就是知识管理。虽然我们在实践中运用这些数字孪生体的时候，并不会关注这个数字孪生体背后封装的知识，但我们在建立数字孪生体的方法 论上，就必须首先尊重科学和技术。

这里面有几个层面的知识，第一种是工程技术，直接用来改造物理世界的知识；第二种是技术科学，是提炼一些共性工程技术的理论；第三种就是基础科学了，这也就是任总说的，企业研发要砸数学家，物理学家，化学家等等。

举个栗子，我们设计某一个特定功能的电路图，这个是工程技术，而应用的技术科学是电工学，对应的基础科学是物理。

问题来了，既然数字孪生体是知识的封装方式，那么如何封装不同层次，不同技术领域的知识，封装后的数字模型之间是什么关系，企业又是如何运用这些数字孪生体为企业创造何种价值。

这些问题是企业导入数字孪生体将要面对的难题，不解决这些问题，数字孪生体永远是飘在空中的一些时髦的概念而已。

在尝试探索这些问题背后的逻辑之前，我们先回到企业智能化这个命题上。

企业智能化转型已经成为世界的共识，无论是德国的工业4.0，还是美国的AMP（Advanced Manufacturing Partnership，先进制造合作体），或者是中国的制造业2025，其核心目标都是企业智能化。

智能化的进化轨迹大概是机械化-电气化-自动化-智能化，机械化解决的是手工劳动中的问题，从作坊到工厂；电气化解决的是机械化生产组织无序凌乱的问题，实现了产品和零部件分离；自动化是应用的电子信息技术，实现了大规模的自动控制，生产效率，良品率，分工协作，以及设备的使用和维护等都得到了前所未有的提高；按照这个逻辑，智能化显然是为了解决自动化不能解决的问题，那么都存在什么问题？

现在制造业四大关键部门，研发，生产，市场，销售，我们可以以每个部门的角度先罗列一下。

研发部门面临的挑战，可以分为几大类。

战略问题：

²  研发战略不清晰，是否有技术路线图？

²  技术进化方面研究很少，无法准确预测未来的技术；

²  知识产权战略，如何屏蔽竞争对手，如何规避专利风险？

客户端的问题

²  难以理解客户需求；

²  难以发掘和引导客户潜在需求；

²  市场反应速度不强；

能力问题：

²  需求定义，难以转化成工程参数；

²  关键技术突破，缺乏有效的方法，主要依靠试错，但是试错法效率偏低；

²  解决问题是为了应付销售或者其他部门，没有解决所有问题，没有从根本上解决问题，甚至没有系统的分析，存在潜在风险；

²  研发团队缺乏降本意识，降本也是依靠试错，缺乏方法 论；

²  缺少资源分析，或者没有把资源分析提升到公司层面。

知识管理方向：

²  数据整理，方案评价，数据重用等还比较初级，甚至融入感情因素；

²  企业知识来源比较单薄，存在思维定式；

团队协作问题：

²  实验室-生产，科技成果转化过程中，成本偏高，且不可控。甚至不能量产；

²  缺乏系统思考，甚至研发团队内部，存在资源冲突；

²  技术尤其是优势技术的产品化，横向推广缺乏有效的方法。

生产部门面临的问题。

²  如何编制工艺方案；

²  如何从技术经济角度去评价现有工艺方案，缺乏有效的改进方法；

²  原材料物流控制和损耗控制；

²  生产排程；

²  生产计划执行，质量管控；

²  人员培训，考核和激励；

²  人机交互；

²  设备运行状况监控，预测与维护；

²  安全管理。

市场部门面临的问题。

²  变成职能部门，受限于日常事务，缺乏创造力；

²  对外的窗口展示陈旧老套，缺乏有冲击力，创造力的企划方案；

²  客户需求的理解和引导，受限于技术瓶颈；

²  停留在显性信息的收集和整理，缺少对未来预测的能力；

²  缺乏市场应变能力；

²  缺乏综合处理来自各方面信息的能力。

销售部门面临的问题。

²  缺乏系统的理论支撑；

²  关系型销售，未来将面临前所未有的挑战；

²  很难制定公平的销售激励机制，开拓性不强；

²  缺乏全局视野，销售行为短期目的性太强；

²  缺乏构建双赢或者多赢结果的能力；

²  销售模型缺乏，过程管理不科学；

²  缺乏量化的监控指标，销售结果难以预测；

²  自我积累缺乏，跨部门运作能力不够；

当然这还是当中问题的一部分，可能还存在其他的问题。企业的自动化实际上已经解决了生产部门大部分的问题，然后自动化不能完全替代人，在生产过程中很多和人相关的问题，还是没有办法得到有效的解决，而研发的问题基本上是自动化无法解决的，而市场和销售的问题，其中的大部分是智能化现阶段也不能完全解决的问题。

图一，企业智能化

自动化聚焦于生产，着眼于管理，用信息化技术通过流程定义实现自动化，解决的是效率的问题。智能化聚焦于研发，着眼于创新，用数字化技术通过数字孪生体实现智能化，解决的是能力的问题。

智能制造的核心是研发。

一个巨大变化将会发生，现在的企业，研发工作主要集中于研发部门，研发部门的员工相对去其他部门，平均学历更高，工资也更高。由于研发工作的不确定性，大家都把研发比做“烧钱”的部门，这也使得众多企业在投入研发的时候，态度并不积极，而是小心谨慎，如履薄冰。而未来的企业，没有像现在这样一个专门的研发部门，研发工作融入到企业的设计，生产，销售，维护等其他部门中，研发无所不在。

对未来企业的数字布局做了一些修改，企业私有云和公众云之间不断有数据交互，甚至有合作形成混合云，而企业的数据中台支持企业的所有的运作部门，知识在企业活动中，被产生，挖掘，规范，存储，流转，推送，重用，并不多产生组合成新的知识。

图二 未来企业数字布局

整个企业的数字架构，并不是突然形成的，而是循序渐进的。企业准备做数字化转型，必须面对如何处理企业自身的数据，而这些数据大概可以分为几类。

Ø  历史数据，知道其来源，也知道其去向(知道是什么，也知道怎么用)

Ø  历史数据，知道其来源，不知其去向，或者不完全知道其去向（知道是什么，不知道该怎么用，或者把这些数据用好）

Ø  历史数据，不知道来源，不知道去向；

Ø  未知数据，企业未来解决问题，需要从哪里采集，并送到那里去。

而这些数据之间的关联和逻辑，就很少有人去关心这些问题了。而数字孪生体的作用，就是可以把这些数据规范化，结构化，这样便可以在企业的实际活动中，运用这些数字孪生体去解决自动化不能解决的问题。而构建这些数字孪生的两大关键技术，便是仿真和人工智能。

图三 数字孪生体的两大关键技术

因为仿真产生的是未知的知识，而AI可以让知识得到最大限度的挖掘。

（未完待续）