昨天，和同事一起讨论了一个基于工业互联网的技术问题。讨论到后面，解决的思路越来越明确：转化成一种便于决策的逻辑表达方式，让相关人员了解当前的状态并知道该怎么做。

在回家的路上，我突然想到：我们想到的表达方式，和我多年前在钢厂见到的开浇逻辑有点像——现在能否开浇；如果没有开浇，制约开浇的因素是什么；这种制约产生在什么环节.....今天在飞机上我突然想到：这种表达方式其实等价于PLC中的“梯形图”。

绕了一大圈，从智能化回到了几十年前的自动化。这当然不奇怪。我一直认为，智能化是自动化的延续，是借助互联网、大数据产生的一种技术。但是，从技术上看，两者的不同又在什么地方呢？

  虽然智能化和自动化都可以让计算机来完成决策。但现实中的“智能化”技术更多的是人机结合决策的——换句话说，让机器辅助人来觉得。为什么会这样呢？因为智能化问题面对的问题太复杂、涉及因素太多、不确定性因素太多。用数学的与演讲，就是多元、非线性和不确定性。

我刚工作的时候，就知道管理模型（按照现在的说法，应该叫智能决策软件，如计划排程）比较难开发。同样一个课题，一茬一茬地做——一个项目“成功”之后就束之高阁。不久以后，就会换一个名字，由另外一批人来做....每一批人都在检讨前一批人为什么没有做好，都宣称自己有办法：从我会模糊数学、神经网络、遗传算法，到我会大数据、人工智能等等.....

但问题真的在算法上吗？在我看来，这些观点都没有说到点子上。真正的问题大概有三个：1、用户需求难以表述；2、用户需求多变；3、计算量太大。算法在一定程度上能解决第三个方面的问题。但对前面两个问题不好办。而这三个问题都是多元、非线性、不确定性这个三个因素导致的。

智能化问题为什么会面对多元、非线性、不确定性？因为智能化问题，往往是大尺度问题，涉及到多个部门、岗位甚至与企业外部因素有关。涉及的范围越大，需要协调的内容就越多，不确定性因素越多。

比如，生产组织过程可能会涉及到产量、质量、成本的冲突。市场条件不一样、用户或产品不一样时，价值衡量的方式是不一样的。所以，在进行优化时，“目标函数”是不一样的。为了解决这个问题，常见的办法是给各种要求赋予不同的“权重”，并根据实际的变化来修正。但这样做，问题又来了：怎么修正才是合理的？这个问题并不是那么容易解决。自动修正就更难——自动修正就要引入新的变化因素，问题的复杂度又要上升。

我有一个观点：再复杂的问题，人总是有办法的；用数字化的办法帮助人，几乎总能做得最好一点。这个观点，其实是把一个困难的问题拆成两个相对简单的步骤：把人的思维方式搞清楚、让机器帮助人更好地获得信息或者计算。难度降低了，成功的概率也就高了。

具体的做法是：遇到具体问题时，先把人的决策逻辑写出来：PLC的梯形图，其实就容易描述决策逻辑。如果逻辑图中的有些步骤可以自动计算或者决策，那就让计算机去做；如果有些步骤涉及到不可控的因素、尚未数字化的信息、没有模型化的知识，就让人去决策。这样的人机结合，往往能够比人做得更好。

在互联网、数字化时代，计算机能够收集到的信息越来越多，能够智能计算的子模块也就越来越多。在机器的帮助下，人的决策能力会越来越高。我一直强调，GE的《工业互联网》白皮书的副标题是重构人和机器的界面。这是非常有道理的：在条件不成熟的时候，不要强推自动决策，这会“拔苗助长”的。正确的做法是推进渐进的变革，让人机关系逐渐改变，每一步都具有技术和经济可行性。这样的推进，才能健康发展。

谈到GE的《工业互联网》，我又忍不住想多说几句。

前几天有文章说。制造业回归美国的计划遭遇了困难，特朗普才愿意重回谈判桌：工人难招、供应链不完整，厂子开不起来。这个观点，可能有点靠谱。

不久前，我在冶金报上写了一篇文章。提到美国的人均GDP有6万多美元，制造强国日本、德国4万多美元，中国不到1万美元。而且，美国的物价还特别便宜。美国之所以能做到这一点，是因为站到了价值链的高端。这意味着：美国即便把德国、日本的制造业搬回去，也未必容易生存。

我们知道，GE公司的制造板块一直在萎缩，只剩下飞机发动机等为数不多的高端产品。一个重要的原因是：只有高端产品才能维持其高昂的人工成本。美国大河公司最近做的很好，一个重要的原因是他们用智能化技术，使生产率比日本、韩国提高了50%左右。据说有家制造热水器的公司，从中国搬回了美国并且取得了不错的经济效益——原因是采用了众多的智能制造技术。所以，我认为：特朗普很难通过行政手段让美国制造业回归。美国制造业回归的办法只能是通过技术创新，提升制造业的竞争力。

据说，最早提出工业互联往的一位专家曾经设想：通过工业互联网，把设计、管理等高端工作岗位留在美国，直接指挥中国的工厂。这个想法看起来不错，但特朗普估计等不得了。