我从骨子里鄙视一些喜欢咬文嚼字、卖弄学问的人。但有时候，不追究一下概念的内涵还真的不行。有位损友，常欺负我没哲学功底。他常念叨的德国某大学者的话，却让我深感认同：“语言是一团迷雾”。语言表达不清楚，常常让人误入歧途。最近越来越多的人意识到：“智能制造”的提法容易让非专业人士望文生义，不如叫做“数字化制造”更容易让人明白。大概就有这样的味道。

可悲的是：虽然语言很不“给力”，我们却只能用语言来思考和表达。澄清一个概念的目的，应该是为了搞清楚做什么、怎么做？重点是什么、难点是什么？安筱鹏博士主张用“数据流动”的观点理解智能制造的过程。我觉得这个切入点很好，但进一步需要搞清楚：流到哪里？有什么要求啊？

且不说这个问题如何回答，回答的方式也会有所不同。一种回答的方式是给出与具体业务挂钩的答案。比如，数字化可以用于数字化设计、生产智能化、销售采购的智能化等等。但我不太喜欢这种“扫盲”式的答案：很多人搞数字化研发、智能化生产也是误入歧途了啊。他们为什么会“误入歧途”呢？我个人觉得，多数的失败是因为没有做到“需求驱动”。

上周我给交大的研究生上创新课时，问他们一个问题：你们有没有觉得“需求驱动”是句废话？我的意思是：几乎人人都自称“需求驱动”。

但是，现实中却很少有人做到。不信的话，去分析一下失败的项目，有多大的比例是掉在这个坑里了？“需求驱动”作为原则是好说的，做起来却不那么容易。事实上，所谓的“需求驱动”，指的是技术的正面价值大于负面价值。

大约10年前，我有了一种认知：最好能把研究成果变成在线控制软件（宝钢叫做模型、可以看做CPS）。原因是这种软件直接给机器下设定值；如果现场愿意把它切换上去，一定是有用的。当然，前提是你把技术搞好：满足稳定可靠、精度、实时性等反面的要求。

在制造领域，所有的价值都是在执行中创造的。我认为：数据流动，一定要以执行为目标。在前面这种情况下，数据是直接流向机器——就是命令机器“执行”的指令。

除了上述情况，其他应用会有更多困难：距离“执行”的环节越多，“执行”的重要性越低、推动“执行”的频度越低，价值创造的风险就越大。例如，如果流过来的数据是间接地帮助人来执行的（如感知、决策指导），创造价值的难度就会变得很大；特别地，如果信息是不完整的、数据质量是不可靠的、混杂无用的信息太多、可替代的方法更好、本身的价值不大，创造价值的难度又会进一步扩大。特别地，如果人是数字化信息的接受者，“用户感受”将变得非常重要。

回到前面的问题：数据流到哪里、怎么做。要回答这个问题，一个较好的观察角度是：数据流向人、还是流向设备（含计算机）。流向不同，要求是不一样的。与信息化、自动化阶段相比，调跨环节、跨区域、跨层级、跨部门地从设备流向设备，是智能制造的一个相对显著的特征。当然，很多环节最终的决策者，还是人。这时，人接受到的信息也极大增加、甚至会导致量变到质变的变化。

我一直认为，谈论数字化是否困难，要和具体应用的环节挂钩。也就是说，我们不应说某某行业的数字化是否困难，而是要看这个行业的某个业务环节、某个具体应用是否困难。

从制造环节看，钢铁行业的数字化比很多离散制造业容易。离散制造业当前推进的“个性化定制”，钢铁行业早在30多年前就实现了。但是，当数字化涉及到模拟仿真时，钢铁行业就落后了——大家注意到：模拟仿真的数字化，往往是以人为信息接收端的。所以，钢铁行业的数字化落后在于新产品开发、外设计（针对用户的设计）、服务等环节上。如果说钢铁行业在“智能制造”领域落后，针对的就是这些方面。

我认为：在钢铁这种龙头行业落后的技术大体可以分成三种：没有价值的、价值被隐藏的、特别困难的。没有价值的技术，有时可以通过产业升级变成有价值的技术；被隐藏的价值要通过管理的改革将价值显性化；而特别困难的技术没有别的办法：只能拼死拼活去做了。

钢铁行业的数字化困难是本质性的——我称之为“本质多维度”。对于这样的行业，我们不能指望像离散制造业那样，有特别完美的解决方案——“本质多维度”是人类遇到的真正难题。但是，如果我们能够通过知识的数字化，让错误不犯第二次，又能把数字化与特定的“执行”有效地联系起来，钢铁生产的技术水平肯定应该有飞跃式的发展。

钢铁行业该如何推进智能制造，我大概已经说清楚了。当然，不明白的人或许永远不明白。

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。