2022年的思考与总结
本文摘要：（由ai生成）
作者在2022年深入探讨了智能制造与数字化技术，强调系统边界认知的重要性。他提出工业大数据分析需超越相关性，重视数据质量与模型稳定性，并关注信息集成。他认为数字化技术对各环节影响不同，并强调长期主义与创新。作者还讨论了因果统计、技术经济性与创新，认为关键在于需求认知与持续改进。此外，他分享写作经历，强调独立思考的价值。
令人困惑的2022年就要过去了。这一年受疫情的干扰太多了。但幸运的是：思考问题的时间也多了一些，有了一些新的认识，值得总结一下。对一年的思考进行总结，也是我多年来的习惯。
今年最深刻的认识，或许是对系统论的思考。
我讲智能制造和数字化技术的意义时，一定会谈到间接和长远意义。其实，任何一项技术，如纳米、激光、光伏都有间接和长远意义，数字化技术有什么特殊吗？
回答是肯定的：数字化技术可以作用于各种类型和规模的系统，全面影响与人类相关的各类系统。从系统角度看，一辆汽车、一家工厂、一个国家都是一个系统，数字化技术可以提高任何一类系统的性能。从系统的角度、控制论的角度，能够帮助我们用统一的视角理解各种数字化技术、认识这一技术的不同之处。
对系统边界的认识，是理解科技进步的钥匙。
人们在建立一个理论体系的时候，总是会给出一些“假设”，并在这些“假设”的前提下展开讨论。一个好的理论，往往对多数人、多数情况有指导作用。这就是其普适性。
但是，人们往往并不习惯于“常规”的做法！
比如，人们希望发大财、实现财务自由，而不是日复一日地靠工资生活；有人希望在理论和技术上做出突破，而不是做些传统的工作。这时就会发现：成功的原因往往并不能用常规的规则来解释。要解释这些不同常规的人和现象，要重新审视理论的规则。
《黑天鹅》这本书就讨论了这样的一些问题。人们思考问题时，需要把常规与特殊分开。要认清常规与特殊之间的边界。
从概率统计到工业大数据分析的转化，本质上就是这样的、理论边界的突破。
上海封控期间，我为交大的研究生特别地准备了一堂数据分析课。我用上述思想，系统地构筑了这门课的基本逻辑体系。这个逻辑体系的基础就是：传统的数据分析基础丧失了、边界变化了，需要在新的基础上建立工业大数据分析的理论体系。
这个想法其实很早就有了。5年前，清华大学数学系的老师们请我们几位吃饭。美国宾州大学的林教授说：我们搞了多年的数理统计。大数据时代来了，难道都没用了吗？我当时就和他谈了统计学的边界问题，认为要用大数据的方法重建统计学的边界。林教授听罢，给了很高的评价。
我今年的进展，是对这个想法体系化了。
现实中的数据，往往并不符合概率论或者数理统计理论的前提要求。工业大数据时代的特点：是我们有条件重构统计学的边界。工业大数据的本质并不是数据量大，而是数据的质量高——当然，数据质量是一个比较复杂的概念，最核心的内容是完整性好。从某种意义上说，重构数据分析边界的过程，就是回归科学的过程。而重归科学的过程，就是提升数据分析确定性的过程，是“防止被数据欺骗”的过程。
工业大数据分析应该（也只能）“起步于相关性”，但却“不终止于相关性”。而“起步于相关但却不终止于相关性”这句话，是可以系统展开的：比如，相关性是如何产生的；再如，如何根据现实的条件验证因果性。这样，大数据条件下的数据验证，是个需要系统研究的问题。我突然意识到：我多年来的一些方法积累，就是做这些事情。
当然，这么做是需要基础的，关键是数据质量。数据质量是需要企业自己建立和管理的基础。没有这个基础，数字化应用就是沙漠上的大厦。
从数据分析（或者根因分析）进入数据建模时，我们也遇到同样的问题：模型的边界在哪里？
工业应用用到模型的时候，最头疼的问题是稳定性问题。我把模型的稳定性问题，归纳为几种具体的情况。这种现象的本质原因，是我们在应用模型的过程中，不知不觉地超越了模型适用的边界。
这些问题是如何引起的？又如何处置呢？
对于工业这样的大系统，系统本身的变化是难免的。而针对系统的模型自然也是会变化的。况且，人们原本就很难针对大系统建立准确的模型。于是，我们认识到：工业的传统做法是无比科学的——在不断尝试的基础上，记住成功的做法，在此基础上不断改进。于是，我最推崇的大数据建模思想也就是一种普适性的做法：自动地捕捉、记忆过去的成功做法，并在应用过程中不断地修正。这就是我常说的：打高尔夫球的做法。从某种意义上说，这就是控制论思想的应用啊！
过去我发现：宝钢的引进技术中，用了很多类似的做法。当时认为这只是一些特殊的用法，并没有特别当回事。现在意识到：这才是真正的、普遍适用的办法，是工业大数据建模最基本、最有效、最通用的做法。这种做法，其实是把统计建模、工业机理、控制论思想和软件方法的融合。
做数字化转型需要解决信息集成问题。我很早就注意到：在工业APP和数学模型开发的过程中，似乎与信息集成有密切的关系。今年意识到：按照上面的逻辑，信息集成对建模是必须的：针对复杂大系统建模需要两类信息，即关于场景的信息和关于特定场景下建模的信息。而这两类信息是来源于不同的系统的：前者往往来自于管理系统，后者来自于控制系统。
大家可能注意到：我谈的模型和别人谈的模型不是特别一样。我后来意识到：我谈的模型，其实更多地针对生产过程而不是研发过程。从整个数字化技术的发展来看，数字化技术对研发的影响比对生产的影响大。
我的观点显然与我在宝钢的20年工作经验相关。由此，我把数字化技术的应用分成三大类：生产制造、设计研发、销售采购。数字化技术对这三类问题的影响其实很不一样。相比之下，数字化技术对生产制造过程来说，主要是支持持续改进，提升企业在“红海竞争”时的竞争力；而在设计研发、销售采购等领域，则可能会遇到崭新的“蓝海”。很多人并没有把这个定位想清楚，会导致一些不必要的幻想。另外，推进数字化技术时，离散行业（尤其是研发设计环节）的一个重要瓶颈是计算复杂性；流程行业（尤其是生产制造环节）的重要瓶颈是不确定性。这个差别其实也是蛮大的。
大数据引发了新一代的人工智能。而我谈的人工智能和学术界谈的不一样。这种差别，可以从多个角度看到。
过去，我把工业的智能称为“吴淑珍式的智能”，把学术界关心的智能称为“巴菲特式的智能”。今年，又发现了一种区分的角度：学术界研究的智能往往是针对人的、是“读心术”、是难以用科学原理推导出来的；而工业的智能往往是针对物的，是可以用科学原理解释的。这也导致了商业上的大数据分析和工业大数据分析是不一样的工作。
我觉得：一个人对工业的理解深度，很大程度上体现在对“稳定性”的理解。学院派专家的特点之一，就是对“稳定性”的理解不到位。
从稳定性出发，可以牵引出管理、标准、质量等概念，进一步引出数字化技术的作用：提高管理水平、标准化能力和质量水平。数字化技术，可以让管理水平和能力逼近极限、真正实现端到端地解决问题，可以让“入精微以尽广大”。在这个过程中，可以让企业的管理和技术人员“不做救火队员”、“不犯二次错”作为中间目标。
数字化技术的价值，要长期看。我这里说的“长期看”，是要理解“长期主义”的价值。我们追求的无人化、高质量、远程化、智能化，其实都是要通过长期主义才能实现。搞工业离不开长期主义。可惜的是：真正理解长期主义的人有多少呢？理解了长期主义，才能理解从现实出发，才能做出长期规划。
谈到这里，要提到另外一件事：据说有做因果统计的人获得了大奖（诺奖或图灵奖）。我认为：工业人的做法和这些理论应该是不一样的——我们的工作一定是在有限条件、有限时间内做出的，是要讲究经济性的。所以，工业人的数据分析会强烈地依赖于人的知识和经验，个性化强和通用性弱。
做学术研究的，一定要掌握“边界拓展”的思想。我的朋友老周今年写了一本《估值原理》。我对他说：你做的学问，是把经济学、金融学的边界，拓展到了人类学、社会学。老周是金融学博士出身、祖父周谷成先生是历史学家。他发现：真正的大富大贵其实并不能通过金融学的理论来解释。为什么人们可以靠房子、靠收藏、靠创业致富？茅台为什么会这么值钱？他思考了很久，豁然开朗：估值的本质是估算人的地位。这样一个原理，甚至适合鳗鱼苗的估价。
理解了系统边界拓展的意义，让我明白了很多事情：中国为什么要改革开放？老子的思想为什么会保守？科技发展和技术创新停滞会带来什么？人类为什么要从事基础理论研究？中国的创新和国外有哪些不同？......
今年对技术经济性的认识更加深入了。
我意识到：推技术数字化技术的根本难点，几乎都可以归结到技术经济性；而工业APP、工业大数据等技术的爆发，最根本的因素也是技术经济性发生了改变。也就是说：这些技术成为热点，主要不是技术可行性发生了变化，而是经济可行性发生了变化。所以，我们看到很多成功的应用，算法和方法上几乎毫无新颖之处，却创造了价值。
把技术问题转化成技术经济性问题，是一件非常有艺术性、有思想性的工作。我意识到：提升数字化技术的经济可行性，一定要关注知识的复用。最近国内工业互联网技术发展的一些亮点，往往可以归结到知识复用。商品化是知识复用的重要形式。我国许多企业做技术时，会做工程项目而不会做产品、更不会做商品，这会导致技术经济性下降。做产品和商品的重点，不是实现功能，而是促进通用性和稳定性。
商品化的基础是市场，但没有足够大的市场就不会形成商品。我国经常是有需求无市场。另外，在发展中国家，高科技很容易面对市场失灵。这个问题值得执政者深思。当然，所有过去的不足，都可能成为未来的机会。
我对技术经济性的偏爱，很可能与我在宝钢的经历有关。注重经济性的人，评价一个技术的标准往往和别人不一样：不是关注技术本身的巧妙，而是关注价值发现的巧妙、需求认知的巧妙。喜欢用最简单、最经典的办法，解决一个巧妙的问题。我们后面会谈到，巧妙地地认识需求，是创新的关键。
在生产过程，智能化与精益思想的结合是一个必然的发展方向。我现在意识到：这个方向发展的关键，也是技术经济性：只有当数字化基础相对较好的时候，这件事的技术经济性才能较好地实现。现在看来，在许多地方还需要等待和沉淀。
谈智能制造时，人们头脑中的思想常常是无人化、远程化（我今年特别意识到远程化的长期意义）。过去，我们总是急于否定这种认识。其实，这确实是人类的理想。但是，在通往理想的道路上，人们首先要服从的是经济性。长远看，两者必然实现统一。打个比方：“无人化、远程化”就像“大河向东流”的趋势；而“经济性”则是“水往低处流”的具体动力。一般来说，只有经济发展到一定的程度，人们才关注自身的劳动舒适性；无人化和远程化的经济价值也才会提升。
对创新的思考
多年来，我一直强调机会的重要性：抓不住机会，基本上不会成功；抓住机会，可以用很简单、成熟的方法取得成功。所谓的抓机会，就是抓住前人没有的条件、针对过去没有的需求。这样可以避免与前人竞争。
与抓机会相比，我特别讨厌追热点：一个新概念、新名词来了，一大堆人就拥了上去。在我看来，赶热点的人往往抓不住机会，往往只能做肤浅的工作。事实上，伟大的成功往往都不是出现在聚光灯下。所以，强调创新要抓机会而不能赶热点。
但仔细想想，这个观点其实很容易让人产生困惑：机会一旦产生，很容易形成热点。比如，数字化、网络化的机会产生后，它就就会变成大家追逐热点。所以，抓机会与赶热点往往针对同一类问题。如何解决这类矛盾呢？
我意识到：解决这个矛盾的出发点在于：创新往往起源于个性化需求。凡是与个性化需求相关的问题，往往很少人去做。所以，针对个性化需求的创新，往往可以同时做到“抓机会而不是赶热点”。
创新起源于个性化需求。了解个性化需求的前提就是要深入实际。这一点又与我们一直强调的深入现场、深入实践是一致的。特别有意思的是：数字化技术的一个重要作用，就是帮助我们发现现场的个性化需求。
创新是起源于个性化需求，却不止步于个性化需求。从个性化场景产生的需求，经过提炼、升华，可以形成真正的创新。我很早就发现：数字化转型和创新有很多相似之处。后来终于想明白了：制造企业的数字化转型，往往是个性化非常强的。
在外部机会出现以后，创新的重点就是认识（个性化）需求。这一点其实特别不容易。我意识到：创新的需求往往是潜在的。也就是说，创新的直接困难就是需求的清晰化。为了高清“需求清晰化”的内涵，需要研究“什么导致了需求的潜在性”。事实上，导致这种现象的原因很多。比如，需求的综合性、需求描述的复杂性、利益的冲突、人的见识等等。
人的见识为什么重要？我意识到：人们提出需求的时候，其实都是潜伏者解决问题的思路和方法——如果缺乏思路，也就提不出合适的需求。需求的潜在性还有一个重要的原因：就是需要解决根本问题。而根本问题，往往是被表面问题所掩盖的。另外，当需求涉及到利益冲突的时候（比如个人、部门利益与整体利益冲突），人们就会设法掩盖真实的需求。这是数字化转型中常见的问题。
善于创新的人往往比普通人想得更深一些。那么，什么叫“想得更深一点”呢？我发现：所谓“想得更深一点”，往往就是能够发现潜在价值、间接价值、长远价值、综合性的价值。总之一句话：别人看不到的价值，他能看得到。要做到这一点往往对技术之外的场景有更深刻、更加综合的认识，甚至要对经济和社会发展要有一定的认知。这也算一种“突破边界”的思维吧！
创新要想得长远，但不是鼓励胡思乱想。我喜欢引用一个典故：叫花子捡到一个鸡蛋。他想让这个鸡蛋孵化成鸡，并继续下蛋；再把这些蛋孵化成鸡、并继续下蛋；鸡蛋多到一定程度就卖掉；用卖鸡蛋的钱买牛马让它们生崽，并把上述逻辑持续下去，直到成为大富翁。真正的创新者，不是这么无厘头地无限联想：创新者的联想往往是需求驱动的，要考虑各种困难和意外。创新者需要工程思维。否则，所谓的创新就会沦为游戏或闹剧。我发现：很多缺乏创新经验的人往往就是这么做的。他们思维的特点之一是没有数量的概念、数据分析能力弱。我发现：疫情期间几位著名的“砖家”，都是不擅长分析和使用数据的。
从某种意义上说，需求的清晰化更像艺术，充满智慧。而创新的巧妙之处，恰恰就在这里。很多人认为创新的难点在技术本身：这其实是技术跟随时代留给人们的印象。真正的创新，关键在于对需求的认知。
我曾经研究过国外的创新，比如美国和日本企业的研发管理。我先后发现过两类问题：第一类问题是我们学习国外先进经验的时候经常走样、没有学到精髓；第二类问题就是：国外的经验很先进、值得我们学习，但他们后来却都失败了！过去，我关注第一类问题比较多，主要原因是我们的许多学院派专家缺乏常识。今年才意识到第二类问题。
第二类问题让我意识到：像中国这样的发展中大国，创新和国外是不一样的。比如，有人说日本人创新能力差、因为他们只关注持续改进。事实上，日本人失败的东西，或许正是我们现在最需要学习的东西。日本人靠持续改进无法支撑技术进步，是因为日本的人均GDP高、市场相对较小。但中国目前的发展阶段，恰恰应该注重持续改进。我曾经打了一个比方：1000两银子对荣国府是远远不够的，但却够刘姥姥吃几辈子的。
所以，研究创新切忌从理论到理论，一定要真正地理解实际。
今年的疫情给我带来的最大收获之一，就是逼着自己反复确认：要靠自己把问题想清楚、要做自己的第一负责人。大家也应该认识到：这个社会上，许多专家的话是完全不可信的。要“扼住命运的咽喉”，必须有能够独立思考的脑子。我们能够信任的是逻辑、是常识、是数据。我们要把握这三点，才能在激流和动荡中把握自己的命运。
今年三月，我把酝酿了七、八年的一本书交稿了。上面这些思考，也与这个写作过程相关。几经周折，估计距离出版的时间不远了。写书太累了。我不知道：这一生还会不会写出第三本？
l
