我一直对朋友说：研究工程创新，本质就是研究技术经济性。特别地，与智能制造、工业互联网、工业大数据等相关的技术问题背后，几乎都是经济问题。看不到技术背后的经济原因，创新就是瞎子摸象。这几天和诗万谈ThingsWise，发现也是这个道理。

我读数学系的时候，发现数学家常常“先证明解的存在性，再去找求解的方法”。在创新活动中，我亲眼见过很多人把目标定位在“做不成的事情”上，白白浪费了大量的时间和金钱。经济性极差。这种现象是一种常态——即所谓创新是有风险的。

所以，上述思维方式非常值得每一个创新者借鉴。采用这种思维方式时，先把人的能力问题放在一边，集中精力考虑技术可行性和经济可行性。两者可行了，创新活动的“解”才存在；“解”存在了，才有体现个人和团队能力的机会。其实，所谓智者就是不做做不成的事情。

我讲创新课时，经常强调：现实中的创新和学生“做作业”是不同的。学生做作业时，题目是容易读懂的、题目中的条件不多也不少、解一定是存在的。学生的水平体现在谁能尽快找到合适的方法。创新过程中，目标常常是不清晰的、条件和约束也不确定，提出的问题不一定能解决。创新的水平体现在提出一个容易解、又有价值的问题。这其实就是要论证技术和经济可行性。

不论是做工业大数据、智能制造、工业互联网，都可以从网上找到大量的案例。我们发现：理解这些案例并不难。但是，别人成功的案例很容易理解，却往往不适合我。或者是：值得做的东西都做了，剩下的往往是不值得做的、投入产出不划算、不值得冒险。所以，企业直接遇到的困难往往是经济可行性的问题，而不是原理是不是理解。

另外一方面，影响技术可行性的原因，也往往也与经济因素有关：技术经常遇到的困难是：数据采集不充分、实时性差、检测频度不够、自动化程度低等。这些困难的本质，往往就是投资少。所以，除了近乎“不计成本”的高端行业，企业推进智能化相关工作的时候，遇到的本质困难，几乎都与经济因素有关。

有些人认为：很多技术应用的瓶颈在于算法不好。比如：认为预测式维护做不好，就是因为算法有问题。在我看来，真正的原因是人们对算法提出了不切实际的幻想——论文读多了，就习惯于幻想奇迹了。我把这种期望比喻为：“问大夫要长生不老药”。然而，学术界实践少的书生聚在一起，把错误的“奇迹”相互欺骗，以至于“三人成虎”、“以假乱真”了。

总之，推进技术创新，关键往往在于找到合适的问题。我把这件事称之为“找兔子”。我们常说：新技术要“雪中送炭”而不要“锦上添花”，要针对“痛点”问题。既然是痛点，需求应该比较清楚，为什么还要强调去“找”？ 

这并不奇怪。《第四代研发》这本书强调的是潜在需求。过去的SUV、现在的5G技术几乎都是面对潜在需求。理解这个问题可以从两个角度去看。一个是从“幸存者偏差”的角度看：好的项目往往都是潜在的、否则别人老早就做了。另外一个角度是：需求与可行性之间往往存在冲突，技术和经济可行性难以判断。所以，问题归结到前面提到的“寻找合适问题”的方法论。

“如何寻找合适的问题？”这个问题其实可以进一步转化。

我们前面提到：技术可行性的问题，本质往往是经济性的问题。所以，解决这个问题的思路就是：如何用尽量少的投入、尽量小的风险、取得更大的收益。当我们找到一个投入产出的转折点，问题也就解决了。

很多看似技术问题，本质上就是经济问题。下面举几个例子：

l “我们原来就有很多系统，现在怎么办？”。这个问题的经济本质是：不想花更多的钱、也不想承担更换系统带来的损失风险。

l “工业互联网的局限性会不会太大？”。这个问题其实是担心工业互联网能带来的价值太小。

l “有哪些功能，过去是没办法做的？”这个问题其实是：过去没法做的事情，才容易带来真正的附加值。否则，过去可能老早就做了。

我们常说：智能化的前提是精益化、基础是知识的数字化。这些观点都是对的。但为什么大家不愿意做、推动起来这么难？其实，大家也都是在“算经济账”：这些事需要花多大的代价、能带来多少好处啊？CEO和CTO的心里面没有底，自然就缺乏推动力。

这样一来，要推动这些事情的关键是：先把经济账算清楚，然后再去做，也就是孙子说的“胜兵先胜而后求战”。当然，账算清楚之后，决策可能是做、也可能是不做，但却不会是蛮干。

需要注意的是：“把经济账算清楚”是有“边界”的——在现有组织流程下改变，还是包含企业的转型升级、业务流程再造？一般来说，包含企业的业务流程再造时价值会更大，但风险也会更大。这时就需要企业家想办法了。比如我过去提到的：把临近退休的专家集中起来，进行系统策划；聘请外部咨询团队等。这些做法的本质，都是经济性问题——降低失败的风险、聚焦价值最大化的业务。

智能化的前提是精益化、基础是知识的数字化——这句话好说，但推进起来有个困难：精益化是持续改进、是集小胜为大胜、以时间换空间。这显然就会出现一个问题：信息系统怎么办呢？信息系统持续变革吗？

我们设想一种场景：一旦有了一个想法，就从控制和信息中拉数据。这种做法可行吗？如果总在厂子里面做这种事情，风险极大，人要被骂死了。怎么办呢？

我们的主张是：用工业互联网平台解决这个问题。

首先，企业部署工业互联网平台时，用来承担过去的系统不做的新功能，不要对原有系统更改，以减少对正常生产的冲击。降低风险就是提高经济性。

其次，工业互联网平台要做得灵活，便于随时增加新功能、修正老的功能。关键问题之一，是避免不断地对原有系统提出过多的新的采集要求，同时又要避免数据的混乱。这一点能做到吗？我发现：诗万在开发ThingsWise系统时考虑的就是这个问题，而数字孪生、工业APP技术其实是用来解决这个问题的。

过去，上一个新的信息系统往往要大动干戈：从需求分析到初步设计、详细设计、编码要一步步地来，前面一定要计划好后面才能做。我们这种做法比喻为“建大楼”、耗时很长，必须有详细计划。而ThingsWise的做法则像“搭帐篷”——有新的需求来了，搭一个帐篷就是了。这种做法，特别适合把每一个小的、精益改进的结果转化成智能化的实现。当然，这种做法是有代价的：数据的存储量可能会有一定的冗余。但在ICT技术高度发达的时代，这个缺点可以忽略。

所以，ThingsWise的优势，本质上也是经济上的优势：把精益的结果沉淀下来的风险和代价变小了。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。