对智能制造的思考

    智能制造是以数字化、网络化为特征的生产体系。特别应该提醒的是：这一定义，与传统上理解的“人工智能”是有差距的（3D打印被划归智能制造技术，就是这个原因：其实，本轮智能制造强调的是Smart而不是Intelligent）。广义的智能制造体系包括智能的产品以及企业的各种业务流程，如智能的生产制造、智能供应链、智能的研发和服务。手机、机器人、智能家居等智能产品，能够在使用过程中体现“智能”；但这并不是智能产品的全部。在笔者看来，智能产品之所以重要，一个重要的原因是需要靠智能产品与智能生产制造、智能供应链、智能研发和服务配套，通过信息交互（如通报产品和零件的位置与状态）体现相关过程的智能。否则，离开智能产品，这些过程的智能化是“一个巴掌拍不响”。在此，CAD、PLM等技术是形成、管理智能产品（其实是数字化产品）的支撑工具；ERP、MES则是将产品与智能生产过程融合在一起的技术。

    狭义的智能制造过程即生产制造过程，包括智能的设备、车间、产线、工厂等相关技术。在理想的情况下（设备状态良好、足以保证产品质量的稳定），离散制造业的智能生产过程完成的信息交换包括：（智能）产品相关部件的位置和加工状态、设备的加工进程（忙碌程度）。这两类信息的作用是支持个性化定制的生产组织和能源调度。RFID技术成为热点，大概是因为这个原因。

    理想状态很简单，但现实却往往要复杂得多。现实中，不仅需要知识产品或部件的位置信息，还可能遇到各种麻烦：产品质量问题、设备健康问题以及各种干扰。也就是说，设备可能并不能完全处于正常的工作状态、产品质量也会出现各种问题。这些问题如何解决？显然，要解决这些问题，就不仅靠RFID就不够了。于是，物联网的含义开始拓展到智能设备等方面了。

    对于这种问题，可能有两类场景：一类主要靠人工的巡检、另外一类是无人工厂——在我看来，前面一类是工业4.0的低端，后面一类则是工业4.0的高端。显然，后者的难度要大得多。现在炒作的很多技术，应该主要是针对后者的，如工业大数据平台、设备监测与自诊断技术。当然，在这两类场景之间，可能还会有许多中间状态：有人监控，但却是集中监控、靠移动通信监控等等。我们区分这些状态，是因为困难的程度不一样，面临的问题也不一样。

    过去，生产车间的工人以操作工为主。未来的车间可能以产品的检验、设备的维修维护为主。当然，其前提是企业生产高质量的产品。有人说，精益生产是工业4.0不可逾越的阶段。大体就是这个意思。

    一般来说，产品质量问题越多、设备问题越多，走向智能化的难度一定就会越大。有些行业（如钢铁行业）的特性决定了，其产品质量几乎无法达到理想的6sigema水平。这个时候应该怎么办？现在看来，即便工业4.0的白皮书也没有深入研究这个问题，需要我们自己来考虑。

    要解决这些问题，加强对设备和产品质量的自动检测是肯定的。但除此之外，还要尽量采取其他的手段。包括：通过产品设计（如大规模定制），从源头上减少缺陷产品产生的数量；通过生产环节和参数的重新设定，减少不合格产品的产生；通过产品与用户的合理匹配，减少质量损失。目前，要做到这三点，缺少的是必要的知识和信息。

    所谓信息，包括用户的使用信息、设备的状态信息和产品的质量信息；所谓知识，包括用户需求对质量的要求；设备状态和工艺参数对质量的影响这两个方面。由于各种原因，我国企业对这些知识的积累不够、信息了解不全。而这些问题，应该通过智能制造来推进。

    事实上，人们在口头上一直重视知识积累和信息互联。但行动中却是两码事了。究其原因，一个重要因素是缺乏动力：知识积累与创造价值之间存在一条鸿沟；知识积累与个人评价不能结合起来。也就是说，本质上是缺乏动力的。然而，“智能制造”为解决这些问题提供了动力。

    从工厂的层面来看，上述问题的智能是通过这样的逻辑来实现的：（用户、设备、产品、成本）信息驱动知识（也就是模型），在决策中体现智慧。某种意义上说，这是一种新的智能，我称之为“见多识广”的智能——与传统的“符合学派”、“联接学派”不同的智能，但可以看成“行为学派”的发展与延伸。

    这种智能并不体现在多步骤的深入推理、也不体现在知识的学习：事实上，体系中的知识，是从人的认识中提炼出来的，或者是通过实验研究获得的。虽然知识的推理不深刻，但知识量很多，能够灵活应对各种外部变化，故而显示出智能的特征。

    这种智能的本质，是把人脑总碎片化的知识放在计算机中，让计算机成为一个“超级专家”，让个人的知识变成企业的知识。由于这种知识是直接用来解决具体问题的，所以能够直接产生价值。故而，企业进行知识管理的动力将会大大增加。要实现这种智能，关键是要解决信息和知识的来源和管理问题。

    如前所述，这些知识是从人脑中来的——不能倚重于从数据中提炼知识：其实，数据的作用是验证、矫正、精细化人的知识，是知识系统的必要补充，而不是主体。这时，可能会遇到一个瓶颈：拥有知识的技术人员，不知道怎么把自己的知识沉淀到机器当中。要解决这个问题，恐怕需要做两件事：第一件事是建立知识沉淀的标准，便于领域技术人员标准化的描述自己的知识；第二件事是组建专职的部门，负责知识的沉淀。这样，在未来的企业中，就要有两类“知识工作者”：负责产生知识和沉淀知识——沉淀成计算机能够懂的知识。这种做法，很可能需要企业进行组织结构的改造：原来的部分研发、服务和现场技术人员，主要用来解决具体问题，现在则专职从事“知识生产”。这样的组织设计，既解决了人的知识如何向计算机沉淀的问题，又解决了人的主动性问题。事实上，如果一个企业的很多人员都是从事这类工作的，这个企业就自然完成了向“研发”和“服务”的转型。这样做，很可能会增加人力资源的投入。其实，这是一个必然的选择。我们不妨设想：如果10，000人的企业，只有几十个人从事“知识生产”，能叫做“完成转型”吗？华为被称为研发型企业，因为华为的十多万员工中，有8万多人从事与研发相关的工作。当然，能否做到这一点，关键是看企业创造知识的价值有多大。这应该与行业的特点有关。

    过去人们也谈到知识管理。但这些知识主要是给人看的。对智能制造过程，知识是给计算机用的、计算机必须懂得这些知识。人们经常问：计算机怎么能懂呢？其实，“计算机懂得”是个拟人化的说法，说的专业一点，就是：这些知识是软件化的模型。这样，计算机自然就会懂了。模型需要输入变量，这些变量就是前面所说的“信息”。也就是说，信息是根据模型的需求来取得、规范的，而不是先有了信息再考虑怎么去用。获得相关信息的过程，可以理解为工业4.0所说的“信息集成”：注意，这个集成是有针对性的，是为模型服务的，而不是信息的随意堆砌。而信息和模型，应该就是工业4.0所反复强调的、CPS中“CYBER”的重要组成部分。

    在获取信息的过程中，我们很可能还会遇到一个问题：用户的信息怎么获得？用户凭什么给你他的信息？用户怎么知道该告诉你什么？这两个问题其实蛮关键的。要解决第一个问题，需要有商业模式的设计和创新：用户把信息告诉你，需要获得利益——或者说，需要我们将获利适度地分给用户。也就是说，获取用户的信息是要有成本的。其次，用户其实并不知道该告诉你什么，需要我们去引导用户提出问题——如何引导用户，这也是需要认真考虑的问题。

    另外，这个体系如果能够正常运行，可能会沉淀成千上万条知识。这些知识可能会有冲突、可能会包含不合适、过时的知识。同时，如果商业模式设计不合理，企业不仅不会赚钱，还会亏钱。如何解决这些问题呢？笔者认为，或许应该采用“知识自动化”的思路。显然，我这里说的知识制动化，和传统的提法不同：不是自动地获得知识，而是自动地管理知识。这或许是个工作量非常大的工作。

    为什么要智能地管理知识和信息呢？道理是：信息社会其实不缺少知识和信息，但是：信息和知识太多，人的关注能力却有限；信息和知识之间互相矛盾，难以取舍。这个问题不解决，就很难把知识用在流程中。例如：笔者搞过多年的数据建模，遇到的困难就是：很多结果似是而非、模型和公式很多但应用范围模糊。从某种意义上说，“知识”和“信息”的质量很差，就难以大规模、自动化、系统性地用到智能化的过程中。

    那么，如何做知识自动化呢？在我看来，知识自动化首先要将知识标准化：这就像安卓系统上要做APPSTORE。这些APP必须具有一定的“自治”性，自己知道什么时候启动自己；这些APP还要“守规矩”，不要互相打架，要符合系统的要求；当然，系统不仅要订规矩，还要有“监察”，要剔除那些可能产生问题的知识：特别地，要在知识运行之前剔除，尽量避免在运行过程出现问题。当然，事先避免是比较难的，故而需要对知识的运行过程加以监控、评价。如果运行中一旦出现问题，要交给人类专家进行“仲裁”。

    当然，智能制造中的“知识管理”和手机APP管理不一样。这些“知识”都是有一定位置的：比如，每个知识可能对应特定工艺参数的影响，而这些工艺参数又附着在特定的工艺流程中。同样，知识也可以附着在设计流程、服务流程中。事实上，只有在流程中的知识，才能被日常的业务所驱动，才能创造价值。

    附注：按照本文的思想，应该重新定义DIKW体系的关系：智慧（W)体现在依靠知识（K)的决策过程中；知识是信息（I)驱动的、是针对知识而收集的；数据（D)的收集，是为了满足信息（I)的完整性和驱动知识的需要。显然，这个解释和传统的不一样，是从上向下的。因为只有这样考虑，体系的建立才是价值驱动的。