我的这些观点不一定对，但不是无的放矢。我认为：工业大数据要用得好，就要设法根据业务的需求，从这个角度去准备数据，而不是有什么数据用什么数据。否则，大数据也可能成为大垃圾。我见过很多成功的案例，都是按照这个逻辑做的。即所谓“预则立、不预则废”。
顺便提一句：工业大数据追求确定性。这决定了其分析方法也有特殊性。特别不能把大数据当成“算命先生”、宣传有多神奇，这就和骗子差不多了。工业追求的是确定性，不是“神奇”这种小概率事件。
有人可能会说：你怎么不提大数据4V的理论呢？说实话，我有点鄙视这种说法。或者说，至多是技术提供方关心的、不是应用技术的人所需要关心的。
现在，我们进入后半部分，再看第一张图的后半部分。做企业的都应该知道：企业采用先进技术的目的是为了获得经济效益。但不幸的是：人们常常发现采用先进技术无法带来效益。比方说，提高自动化水平时，人减少了设备成本却高了，总体上不合算。再比如，推进智能化的时候，机器代替人决策，人的工作量少了，价值却没有增加。我们下面要聊的，就针对这种误区。
导致这种现象的原因，一般是是技术没有用到合适的地方、应用场景不对。IT行业有句话很有名：要雪中送炭不要锦上添花。只有这样才能创造价值，否则可能就是资源浪费。怎样做到这一点呢？我们有位老领导说过一句很有意思的话：“用户决定价值。半杯水放在沙漠里可以救命，放在餐桌上就是垃圾”。所以，我们需要仔细研究技术的使用场景。下面我们给出几个中国企业的例子。
石家庄一家叫做天远的公司，业务是帮助人家监控各种运输设备（如集卡）。汽车出去了，老板不在身边，司机就可能干私活、偷油等等。用了互联网加上数据分析，老板就能时刻远程监控自己的车子。效益就来了。
过去，油田的工人需要在沙漠里面看着设备。远离城市和家人，工作条件非常差。后来，他们用互联网把信号传出来，几千号人就可以离开沙漠、在城镇里生活了。而且，更少的人可以看着更多的设备。对工人来说，生活更幸福了；对企业来说，劳动力成本可以降低了。
河南登封嵩山脚下有家叫做昊南的小公司，生产环保用的耐火材料的。企业虽小，但自动化程度相当高，缺乏设备维护的人才。他们把机器上的数据采集过来，存到计算机上。必要时直接通过互联网传给德国人，让他们决定怎么办，借用了外脑。
这几个例子告诉我们：互联网好的应用，一定与“距离远”有关。
上海有一家叫做优也的公司，是麦肯锡的专家出来创业的。公司最近做了一件事：把某钢企的、与煤气相关的设备联系起来，进行实时控制。让煤气的使用效率大大上升。这件事原理也很简单，但过去没有互联网，技术上就很难做到。过去实时控制回路限于一个设备范围，一般必须在车间里面。现在可以把隔着几公里的不同车间的设备串在一起、形成一个实时闭环控制系统。当然，他们还有个好的想法值得推荐：先算好可能有多少收益再去做，而这是咨询公司擅长的东西。类似地，还有号称“世界上第一家智能化钢厂”的美国大河公司，这里就不展开了。
上面这些场景或许比较特殊。中国有种比较普遍的场景：就是通过互联网提升企业的管理水平。
与发达国家相比，中国企业的管理是比较差的。我曾经调研过一家公司：管理问题导致的成本比企业的利润要高。原因有很多，比如人的素质问题、农业文化问题、私心私欲等。这样，管理的难度就很大。但是，利用互联网和大数据，领导就能够有效地管起来了。刚才说到优也公司的例子：据说系统经常给领导“打小报告”，操作工都不敢乱来了。天远公司的例子其实也有一样啊！
这几件事让我想起十年前我做政协委员时，参观一家豆腐厂：老板把摄像头装在车间里，工人的操作就规范多了、质量和成本都好了。这个例子很形象，但大数据和这个的道理是一样的。就是让互联网促进“透明化”、“扁平化”。这些管理理念，在互联网、大数据的背景下，容易做到了。
对于这种逻辑，一个常见的问题是：老板哪有时间看呢？对于这个问题，我有两个观点：
把历史过程完整地记录下来（形成大数据），即便老板不看，至少也“有据可查”；也能促进管理水平的提高。
在大数据的基础上，推进“智能化”（吴淑珍式的智能）：必要的时候自动推送给老板，让老板用少的注意力获得大的“关注力”。这就是用智能化提高管理效率啊！
实际上，实现这些功能都离不开工业APP和PaaS平台。我在后面会讲到这些内容。
对于某些管理上特别好的公司，可能真的难以找到好的场景。这时，要推进智能化的办法就是对企业进行转型升级。在我看来，提高自动化、智能化水平都属于转型升级：也就是未来的工作方式、场景、市场定位发生变化。
但这种转型升级一定要注意：一般不能仅仅考虑劳动力成本或者劳动量的降低，而要考虑到其他的附加价值。否则，先进技术在经济上可能不划算。比如，通过智能化改造，提高质量、降低成本、进军高端市场，提升设计研发或快速响应能力等等。具备这些能力的原因是：这些改造能够减少人的负面作用和干扰、让机器的反映比人更快，而不是仅仅代替人。
转型升级之后，新的场景就出现了。很多技术由原来的锦上添花变成了雪中送炭。上面这张图是我常说的逻辑：
通过互联网的应用，实现大范围的“协同、共享、重用”。这一方面会提高企业的快速响应能力，也会对技术提出挑战。比如，问题太复杂了、人忙不过来了！但这种挑战，恰恰就是智能化的动力啊！让机器去智能决策啊。当“智能决策”是“逼出来的”，一般就会产生价值了。
这些事还可以产生连锁反应：比如，人离开了生产现场，从事更富有创造性的“知识生产”，从而让人的生活更加美好等等。其实，技术的发展就是像一个“多米乐骨牌”：一件事推推动另外一个事情的发生，技术半步半步往前走，以至于“积跬步以至千里”，导致了工业革命。技术发展就是这样的规律。时间关系就不展开了。
智能化转型说起来容易，做起来是有点难的。如何推动呢？我想是有三类人写作来完成。
1、设计场景与目标。企业家的事。要看企业家的眼界。目标设定的好，会让技术有施展空间。但目标设定一般不需要深入的专业知识。
2、设计好推进步骤。靠总师能力，难点是战略规划。要点是让后续技术工作简单、便于操作、减少风险。
3、做好技术细节。这是科技人员的任务。战术级的难点在处置细节和风险，学术问题其实并不多。
我实践中体会到一种现象：优秀的企业家往往低学历、优秀的CIO很多不是IT相关专业毕业的、好的技术往往少用先进的理论。上面三条大概可以解释这种怪事。
现在再谈谈对平台的看法。有个朋友说各种互联网平台的本质和淘宝差不多：就是促进连接。我觉得这句话是有道理的，但是要考虑工业的特点、工业的要求——怎样然更大家放心地用、更可靠地用。涉及到企业之间的关系时，要涉及更严格的标准、信用等方面的问题。这些方面，呼唤更多的创新——否则，工业互联网的应用就会限制在公司内部、走不出去；相当于企业内部为可靠性和信用背书。
我喜欢从经济性的角度看问题。平台重要的另外一个原因是涉及到成本和质量的问题。一家企业把平台建好，很多家企业都能用。这样，经济性就可以大大提高，小企业就有能力来用。这种共享不仅降低了成本，也可以通过重复使用减少平台的“BUG”、提高可靠性。
最近，工信部推一个工业APP的事情。我觉得这件事非常好。在我看来，这就是要建立一个知识共享的平台。这件事意义非常大，但难度也非常大。需要在探索中逐步明确起来。这张图是几年前我对知识管理平台的一点设想，还非常不成熟。
最后，我再把智能制造、工业互联网等概念的关系串一下。个人的想法，观点不一定对。
GE在工业互联网白皮书上有一个副标题“Pushing the Boundaries of Minds and Machines”。我把这个副标题翻译做“重构人和机器的边界”。我认为，这句话本身就是一个很好的切入点和视角，能够反映工业互联网、智能制造的根本思想。
随着工业互联网在工业界的广泛应用和机器、产品的智能化，将会形成一个巨大的Cyber Space。人类越来越多地通过Cyber Space 同物理对象打交道。换句话说：Cyber Space 能够让人体离开所控制的物理对象。
随着Cyber Space 越来越复杂、数据描述越来越完整，越来越多的工作可以通过机器自动决策来实现，这其实就是智能决策（虽然不一定要AI）。从这种意义上讲，智能的本质就是能够让人体有条件离开Cyber Space，获得更大的自由。当然，人体离开Cyber Space 是有条件的，最好能让智能决策做得比人更好。
这个Cyber Space运行的痕迹，就构成了工业大数据。利用工业大数据，人类可以获得更多的知识。虽然有些知识可以让机器自动产生，但人类的灵活性是机器难以比拟的。所以，未来人类的一项重要工作，是丰富完善Cyber Space，尤其是丰富其中的知识。而这些知识，又会进一步促进智能化的发展。
当然，推进这些想法的时候，都要注意渐进发展的原则；不要搞基于“大跃进”、“放卫星”，还要遵从技术发展的规律。比如，要根据实际情况，不一定急于把人踢到控制回路之外。有经验的专家，不会无谓地冒险。人与机器的边界，一般是渐变的。
根据前面的观点。我画了一张图，以平台为核心描述了智能制造、大数据、工业互联网、AI等概念之间的关系。这里想谈几个碎片化的想法，可能有点片面，但大的路数可能是这样的：
1、新一代人工智能在工业中的应用。这里说的“新一代人工智能”，就是“吴淑珍式的智能”之外的东西，如图像识别。这些技术也会很有用。我认为主要作用可能是解决感知的问题（就是我画眼睛的地方）。工业界中很多地方需要人靠眼睛、耳朵、鼻子等感觉器官来检验质量。我发现，自动化程度高、质量要求越高的工厂，人工检验员的比例往往就越大。这严重影响了自动化程度的提高。而新一代AI本质上是让计算机具有了“感知的知识”、“感性认识”；而不是像“吴淑珍式的智能”那样说得清楚、可以用人来编码的显性知识。这一点，经济意义非常重大。从技术上说，可以让更多的人离开控制回路，意义也很大。
2、从大数据到大知识。无论是人说的清楚的、“吴淑珍式的智能”所需的显性知识，还是说不清楚、需要机器自学习的“感性知识”，以及成功的案例、失败的教训，也可以归结到知识的范畴。我觉得，大数据的关键作用就是形成知识，并通过知识推进智能（人体逐渐离开Cyber空间）。这个就是DIKW体系给我们的启示。在此基础上转型升级。所以，“大知识”才是个关键的环节。企业一定要为形成大知识多动些脑筋，做平台的人更应该注意这个。这件事不能等待、要自己思考，因为问题不会自己解决。
3、知识的数字化、模型化、工业APP。很多企业都重视工业知识管理，但往往没有管好，成了形式主义。一个原因就是：工业知识的应用、掌握不容易。其实，即便给你一本书，一般也要花很长时间去学、搞不好还会用错。但变成数字化和模型化知识以后，应用就方便了，甚至可以被机器直接来用！所以，知识的数字化、模型化、工业APP本质上是解决了知识应用的困难、让知识复用的难度降低。一旦知识复用的比例提升，“知识生产”的经济性就会发生巨大的变化，就会有越来越多的资源投入“知识生产”。当然，这些观点也不是新的，只是现在推动这件事的意义变得巨大了。
最后说明一下：我是站在一个工程师的角度来思考问题的——也就是怎么做事、做什么事情。这个角度和方法与有些人研究的角度和方法是不一样的。我这些观点不一定对。我吃不准的时候，就结合历史发展、结合实际背景去考虑一下，怎奈自己的见识很有限，难免以偏概全，更欢迎各位专家批评指正！
谢谢大家！
专业
专注
省心
放心