有了系统的逻辑，技术才能真正有用
听人谈些高大上的技术，我的第一反应往往是：没用。要想让技术有用，就要知道它用在哪里。要用业务流程把碎片化的技术串起来形成一个系统，技术才会有用。
昨天我在公 众号发的文章中谈到：智能制造可以把“机器代人”作为切入口。这个切入口有个好处：人的工作原本就是业务中的，通过“机器代人”推动智能制造，技术和业务的结合是很自然的。但“机器代人”的说法一直被人诟病。其原因是：如果仅仅强调代替人，而不管机器的工作质量、花费的代价、获得的收益，就不具备经济性。
如何让技术具备经济性呢？我在公 众号中发过一篇关于创新“两种类型与三个层次”的文章。今天按照这个逻辑，谈谈智能制造的技术体系以及如何与业务结合。
对多数中国企业来说，智能制造与转型互为因果。这就是所谓的“弯道取直”。这意味着：技术创新往往伴随业务创新。技术不是服务于现在的具体业务，而是服务于改革之后的具体业务。技术要服从业务需要，而业务创新要为技术创新创造条件。从某种意义上说，业务也要服从于技术的要求——这种情况就好比马车夫要开出租车，必须先学会开车。这种思维模式和传统的改进型创新是不一样的。
于是，推进智能制造，大体上就要关注两件事情：新的技术体系如何构筑、业务流程和技术如何有机结合。其中，构筑新技术体系涉及“三个层面”，而业务和技术的结合涉及到“两种类型”。
对于智能制造技术体系，社会上谈得很滥：我们知道有哪些技术，但不知道这些技术的逻辑关系。这就好比，我们知道一堆积木，却没有把它们搭建起来。如果让我来“搭积木”，我会首先把它们归类到三个层面。也就是技术原理层面、技术实用化层面、技术经济可行性层面。
第一个层面是技术原理层面。
简单地说，智能制造技术在原理层面体现在感知、决策和执行的统一。只要把该感知什么、如何决策、如何执行的逻辑搞清楚，这个层面的任务就完成了。比如，在无人化的智能工厂中，机器代替了人的劳动：机器自动感知生产和设备的状态，做出决策、操作设备。其中，“执行”是龙头、是业务需求决定的。智能制造的“执行”要代替人、更要做得比人更好，以便为经济性奠定基础。
这个逻辑的适用面很广，可以和各种业务结合，不论是生产操作的智能化、计划组织智能化、研发服务智能化、运行维护智能化、销售采购智能化、企业管理智能化，都是这个逻辑。智能制造可以实现快速响应、机器代人、全局优化，也都是基于这个逻辑。
这个逻辑很简单，深入理解却不容易。比如，逻辑对应的对象范围尺度差异很大：大，可以到企业、供应链尺度；小，也可以到设备、元件尺度。要完整地理解这句话，就要理解从小尺度到大尺度的过度的纽带：流程化、结构化； 以便用小尺度的智能构建大尺度的智能。其中，对于企业的快速响应、全局优化，往往是大尺度智能体现的特征。比如，从自动发现设备问题、计算机会判断是否改变工艺控制目标、判断产品是否符合合同要求、当前的合同是否要改变、是否重新进行生产组织、产品配送方案是否改变.........这样，原本要多个部门的专家来判断的事情，就让机器做了。专家做事的时间，按照工作日算。而机器做事的时间按照毫秒算。于是，响应速度大大加快，而工业4.0所谓的“信息集成”就有必要性了。同时，如果把知识放在计算机中，知识就可以不断优化、传承，直到做得越来越好，超过多数专家的水平。
我们还说，知识管理对智能很重要。知识的作用又体现在什么地方呢？在我看来，至少体现在两个层面：大的层面是结构、流程的知识。可以用流水线来比喻智能制造过程：感知、决策过程，就是数据的流动和加工过程。而结构化、流程化的知识，就是数据加工的流水线。小的层面是每一个环节的感知和决策。这里需要特别强调的是：在智能化阶段，感知是需要知识的。
感知，就是将数据转化成信息的过程在自动化阶段，这个过程很简单：我们很自然地知道仪表测量出来的数据含义是什么；在智能化阶段，我们可能需要判断一段声波是否代表机器出现故障：而这显然需要知识的。也就是说，在智能化阶段的感知，不仅涉及传感器、软测量，还涉及复杂的信息抽取。
在笔者看来，MES、ERP、智能设备、机器人等技术，都可以算作这个层面的技术。
第二个层面是技术实用性的层面。
包括技术的质量和可靠性。在我看来，智能制造的逻辑（原理层面）老早不是什么新鲜事情了。智能制造之所以能够热起来，就是随着ICT技术的发展，我们有条件建立高质量、高可靠性的技术体系。也就是说，技术有条件走向成熟了。
要理解技术的“成熟”，可以看看过去的不成熟：在20多年前的控制计算机上，热传导方程都无法实时计算、只能简化计算；在十多年前算一个大范围的生产组织优化要两天的时间，故而只能分批计算。如果涉及到图像和音频的识别，瓶颈就更多了。所以，即便过去明白智能制造的逻辑，也没办法实现。现在所谓条件成熟，指的就是这个方面的提升。计算机、网络、传感器技术的发展，带动云计算、大数据、5G 等技术，就是具体的表现。
如昨天我在文章中所说，智能制造与无人化、少人化有密切的关联。一个业务一旦实现了无人化，人们就会担心系统运行的稳定可靠。于是，具有自诊断功能的智能设备、透明工厂、物联网、移动监控技术等，就用来解决这些问题。
第三个层次是经济可行性层面。
随着智能制造的发展，机器代替的人的工作：主要是重复性的、物质生产工作。而人类则退居其其后，从事个性化强的、知识生产工作。
越来越多的人转岗成为“知识生产者”。当知识生产者成为企业的主流工作时（华为十多万人，有八万研发人员），“知识生产者”的劳动效率、“知识产品”的质量，知识生产的标准、工具、方法都会变得重要起来了。这种现象发展到一定程度，如果没有搞的办法，工作就可能变得混乱不堪、效率也会变得很低。
于是，相关“工业软件平台”就变得重要了。我个人认为，平台的本质作用，是提高知识生产的效率。其机制包括：促进协同、持续改进、理清知识之间的关系、保证知识的完整性、促进知识的共享.......
在这个层面，大数据变得重要起来。大数据的作用有两点。首先，大数据是企业更好服务用户的媒介，越来越多的企业通过大数据了解用户、实现从制造到服务的转型。其次是把大数据当作知识生产的素材。
当我们把大数据当成“知识生产的素材”时，数据本身的质量就变得重要起来。我们不仅要解决如何从数据中获得知识的问题，还要解决促进知识生产过程和知识应用过程无缝对接的问题，还要解决数据大了如何处理的问题。等等。
以上是智能制造技术“三个层面的问题”。 我曾经指出，技术创新有两种类型：体制内的创新和市场化的创新。在智能制造时代，两种创新类新的边界会发生很大的变化。我们知道，知识的特征之一是“复 制过程的边际成本为零”。所以，知识生产拓展的越大、效益就越高。未来，能够通过知识服务别人的企业可能是最容易盈利的。但知识生产是需要成本的。最好的办法是让大家都参与知识生产，而我仅仅提供承载知识的平台。我感觉，Predix就是干这事的。
开放式创新，关注的是核心竞争力、关注的是间接创造价值、关注的是长期的价值回报。这一点，很多中国企业内部导向仍然是急功近利的。如果研发机制再不改革，可能会被国外先进企业超过两个时代。
我脑子里原本只有几句话，不想写了一个半小时、三千多字，只好匆匆结束。这篇文章的目的就是想把管理与技术的关系、技术之间的关系大体描绘一下。我特别不喜欢“这也要、那也要”的说法，好像把好的技术和管理堆在一起就行了。我们要的东西需要有逻辑关联，要用系统创造价值。关联不上的东西，往往就是没用的。
