越来越多的人认识到：智能制造的重点是优化、特别是去全局性的优化。

怎么优化呢。学术界有个办法，就是“建模”。然而，现实中的数据是不完整的、精度是有限的、误差是漂移的。根据模型计算出来的做法，可能还没有实际摸索出来的好。如果按照模型去做，“优化”可能会变成“劣化”。

所以，“模型”往往不能太当真。论文上写的东西，可能会误导企业。

现实中有效的“优化”，前提是知道现在是“不优”的。有的时候，确认“不优”都不容易：每个岗位上的人，都认为自己做的是“优”的。试想：连“不优”都发现不了，哪来的“优化”？

发现“不优”的办法之一，就要树立一个标杆。比如，给出理论上的最优值或者标杆企业的最优值。但是，理论上的最优值可能是无法实现的、标杆企业的最优值可能是不可比的。所以，这样的“最优指标”可能没有操作性、在实施的过程中容易遇到抵触。

我们需要接受这样一种现实：我们不知道最优到底是什么。但是，我们却能知道现实中曾经达到过得“最优”。如果整个生产过程，都能保持历史上的最优，这样的企业一定是非常优秀的。

然而，现实中的“最优”也是不容易得到的：不同场景下的最优是不一样的。比如，轧钢的最大产量与产品和规格有关。而且，影响最优值的“相关因素”有非常多。人们往往搞不清楚现在能够达到的最优是什么。

可喜的是：在大数据时代，这个问题容易解决。数据是生产的实际结果。如果我们能够建立与场景有关的最优模型，就有可能时时刻刻地告诉人们现实可以实现的最优是什么。这样，与最优的差距也就能看出来了。

企业一般有各种KPI指标。很多企业根据这些指标，进行考核。但是，考核是事后的事情。KPI计算出来的时候，损失已经产生了、无可挽回。随着数字化的推进，我们有可能实时地计算这些指标。这样，就可以树立一个标杆，让我们有能力实时地优化生产。

如果一个企业的生产，能够时刻保持历史的最优，并通过PDCA持续改进。这个企业一定是伟大的。PDCA就是用现实的信息进行反馈，是理论与实践的结合。PDCA可以解决理论模型不准确的问题。PDCA是工业界行之有效的管理思路。在智能化的时代，这个逻辑可以用计算机来实现，让PDCA的效果倍增。

在何老看来，推进这个方面的工作，就是工业思维与IT思维的结合。我感觉，对许多企业来说，通过推进PDCA企业的数字化转型就会变得非常容易：我相信“量变到质变”的力量。

工业互联网平台，要帮助企业解决这个问题、为其提供工具和手段。

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。