数字化转型的“奇点”演进

当前，数字化转型已成为不可逆转的趋势，每一个工业企业都应该学习、思考和实践企业的数字化，这不仅仅是当前复杂市场格局的需要，也是未来企业长期发展、基业长青的基础。

 

而思考数字化转型的核心是需要真正的找到企业数字化的核心驱动力是什么，比如支撑我们过去路径的核心驱动力是什么？未来的驱动力和路径是什么？我们应该如何基于过去走好未来的道路？各阶段的关键要素是什么？以及数字转型的“奇点”何时到来？等等。

 

基于这样有一个角度，也是基于我自己的长期观察思考和实践，我比较认可企业数字化的驱动演进逻辑应该按照流程驱动、数据驱动、知识驱动和智能驱动的模型和路径开展。以下就基于这四个驱动力路径和关键要素进行分析和展开。

 

流程演进：泰勒主义的产物

我认为流程驱动的起源是工业现场施行的泰勒制。

我们先不谈泰勒主义的问题，实际上泰勒制是美国工程师弗雷德里克·泰勒创造的一套测定时间和研究动作的工作方法，其核心内容和原则是：科学分析人在劳动中的机械动作，研究出最经济而且生产效率最高的所谓“标准操作方法”，严格地挑选和训练工人，按照劳动特点提出对工人的要求。

 

由于泰勒制的广泛实施，当时的工厂管理开始从经验管理过渡到科学管理阶段。泰罗认为企业管理的根本目的在于提高劳动生产率，他在《科学管理》一书中说过：“科学管理如同节省劳动的机器一样，其目的在于提高每一单位劳动的产量”。而提高劳动生产率的目的是为了增加企业的利润或实现利润最大化的目标。

 

泰罗科学管理的特点是从每一个工人抓起，从每一件工具、每一道工序抓起，在科学实验的基础上，设计出最佳的工位设置、最合理的劳动定额、标准化的操作方法、最适合的劳动工具。

 

也就是说，在数字化早期阶段，对于工业企业来说，最关注是如何按照严格的、既定的流程去按部就班的执行任务，而其中不管是人还是机器等人、机、料、法、环等围绕生产的因素都要符合某种预制流程和规范，这样才能更好、更精准的开展生产。

 

这样的企业管理方式就要求数字化的业务必须紧密贴合流程，早期我们开展的信息化实际上是数字化的早期形态，国家层面也开展了两化融合的阶段性攻坚去开展以企业流程业务为主的信息化改造。

 

基于此，在数字化早期的信息化阶段，我们可以看到，工业企业实行的基本上都是符合企业业务流程的工业软件赋能模式，再匹配一些制度、组织和人才体系就基本可以实现业务流程的信息化，这也就是我们经常讲的：管理靠制度、制度靠流程、流程靠系统，形成了以流程驱动为主的信息化时代的发展，这也为未来数字化转型打造了良好的基础。

 

这其中的关键要素是需要实现各类信息系统的构建，以匹配流程驱动要求的效率和准确性问题。

 

其中首先需要开展各类信息系统的构建，也就是需要构建以ERP系统为核心的企业信息化整体建设，先配置SAP、用友等ERP系统，解决基本的订单到生产到财务的基本流程，再之后需要围绕ERP构建设计、生产、物流、现场管理、原材料、供应链以及销售服务等业务流程，相应的需要构建PLM、PDM、MES、WMS、TMS、CRM等各类信息系统，这些都需要流程和业务系统的全面适配。

 

再之后，随着各类系统的构建，业务流程之间需要极大的协同，需要开展基于ESB等企业服务总线的系统构建和再造，主要目的也是为了更好地匹配业务流程，包括构建打通各类系统的接口，以及构建各类的接口标准、业务标准和数据标准等。

 

随着数字化的发展，企业由原来以ERP为核心的流程管理，逐渐转变为以MES为主的生产流程管理，目前也逐渐重视综合各类系统的MES系统的升级版-MOM系统的构建，这也是传统以匹配业务流程为主的早期信息化阶段的趋势之一。

数据演进：当前数字化演进的核心

当前，数据的价值越来越重要，甚至会成为未来企业的最重要的资产。
 

国家层面：数据要素被列为和土地、资本、技术、劳动力并列的五大生产要素之一，成为我国数字经济改革发展的重要方向。

 

2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，将数据作为与土地、劳动力、资本、技术并列的生产要素，要求“加快培育数据要素市场”。

 

2021年3月，“十四五”规划中提出“迎接数字时代，激活数据要素潜能”，“充分发挥海量数据和丰富应用场景优势，促进数字技术和实体经济深度融合”；2022年12月，财政部要求在企业会计报表附注中对确认为无形资产、存货及其他的数据资源相关会计信息进行披露，数据要素市场化加速推进。

 

企业层面：数据也已经成为企业生产经营的核心要素。

 

数据在工业领域帮助用户实现需求精准分析、生产过程改进优化、营商管理智能决策等方面的运用。工业数据作为新的生产要素资源，有力驱动制造业转型升级、助力供给侧结构性改革持续深化。用好工业数据，有助于推动制造业实现质量变革、效率变革、动力变革。

 

具体来看，企业能够通过数据来提高资源配置的效率，提高市场响应能力与应急保障能力，持续优化生产方式，促进供需匹配与创新。同时，还能够减少浪费、降低成本，提高产品质量，提供更多个性化产品与服务。这些都能有效提高企业的生产率和竞争力。

 

很显然，谁解决了数据的问题，谁拥有了数据，谁就拿到了走向更广阔数字化未来的船票，数据正成为工业企业未来发展的核心驱动力。

 

但事实上，根据Forrester的数据显示，一个企业中60%到73%的数据从未成功地用于任何战略目的。结果是公司错失了精简运营和发展业务的关键机会。

 

我认为实际上这里面有一些数据驱动的核心问题需要解决，包括：数据的获取、数据的存留、数据的价值再造以及支撑以上数据采集存储利用的技术平台。

 

这其中，工业互联网平台的价值逐渐凸显，我们可以构建企业的工业互联网平台，平台一定要提供数据处理的各项技术，包括数据采集、存储、清洗、存留、利用等能力，企业通过平台采集企业各类数据，包括向下的生产过程数据，如设备数据、生产现场数据、控制系统数据、视频流的数据等，向上的一些经营管理数据，如各类已有软件系统的数据，各类APP的数据，其他一些多源异构的数据等。

 

这些数据的汇集，需要进行清洗和再加工（当然过程中有些可能已经被边缘端的设备过滤），之后在数据湖数据仓中进行存储，然后就可以基于业务需求进行数据的再加工和再利用，包括基于数据的各类接口的开发、业务流程的APP的开发、各类数据报表分析的支撑等，当然平台需要提供支撑数据利用的能力，包括数据的分类、数据标签的分配、大数据模型的构建、算法模型的打造，数据信息的组合分析工具等。

 

完成基于工业互联网平台的数据汇聚，是当前数字化转型的关键，这是走向未来数字智能化阶段的必经之路。

知识演进：开启工业大模型时代

我认为，人工智能的发展会带来知识驱动的大发展，尤其是工业。

chatGPT带火了大模型和AI人工智能，实际上早在2011年《奇点临近》一书中表述：强人工智能是21世纪最重要的变革，其中狭义人工智能将变得不那么狭隘，会逐渐增强，人工智能将会走向更广阔的领域，大模型将会逐渐成为趋势。

 

但是，当前也有很多专家也在质疑大模型人工智能在工业场景的价值。

 

我们总是质疑当前技术的难度，忽略未来技术的强大，我个人其实很早以前就接触了人工智能，2004年左右，我在大学时就和团队一起参加了山东省大学生软件设计大赛，当时大赛的题目是：人工智能之自然语言接口，我记得当时人工智能的资料非常少，只有零散的找到国内外一些专家的资料，当然组委会也提供了一些参考资料，后来凭借着这些资料，我们还是完成了比赛，获得了三等奖，现在再来看我们的软件设计会发现，这是一款非常基础的、受限场景的基于模式匹配的人工智能软件。

 

但是，随着这么多年人工智能的发展，在过去的几十年里，人工智能大模型经历了快速的演进和提升，从最初的简单线性回归和支持向量机到后来的卷积神经网络、循环神经网络和变换器，这些大模型的诞生为人工智能的进展提供了强大的推动力。

 

回到工业领域，在《从AI通用大模型到工业大模型》一文中指出，工业大模型是指在实际生产环境中应用的大型人工智能模型，旨在提高生产效率、优化决策和改进产品质量，工业大模型的概念源于对人工智能在工业领域的应用需求的深入理解。通常情况下，这些模型需要处理大量的实时数据，并在复杂的环境中做出准确的预测或决策。相较于通用大模型，工业大模型更加注重模型的鲁棒性、可扩展性和实时性。

 

随着人工智能的快速发展，大规模模型的应用已经逐渐从研究领域扩展到工业实践中，其在许多领域都有广泛的应用。在制造业中，大模型可用于预测设备故障、优化生产计划和质量控制。在物流和供应链领域，大模型可以用于优化路径规划、库存管理和需求预测。在金融领域，大模型可以应用于风险评估、信用评分和欺诈检测。

 

这其中，实现工业大模型的知识驱动关键要素是需要基于工业互联网平台构建各类小模型，然后不断训练小模型，逐渐形成大模型，然后全面支撑工业企业的生产运营，甚至可以做一些预测指导和干预，实现的基础就是前面提到的数据的全面汇聚和工业互联网平台的建立，基于此类能力的演进可以支撑工业大模型的构建。

 

这也许就是我提出的知识驱动体系，通过数据积累产生数据价值，通过工业大模型对于数据形成的知识体系，反向指导工业各类业务场景，这也是未来走向无人工厂或黑灯工厂的基础路径。

智能演进：数字化的美好未来

我想我们有必要做针对演进路径的总结和畅想。

 

在《第二次机器革命》一书中，埃里克？布莱恩约弗森和安德鲁？麦卡菲指出，第一次机器革命时代是18世纪末期伴随着蒸汽机诞生的工业革命。这一时期“几乎所有的动力系统都在延展人类的肌肉力量”，麦卡菲在一次接受采访时说：“在那个时代，每一种后续的发明都在释放越来越强大的动力。但它们的动力都需要人类做出决定和发出指令。”因此，这个时代的创造实际上是由人类控制的，劳动力也因此显得“更有价值、更重要”，人类劳动力和机器是互补的关系。

 

然而，在第二次机器革命时代，布莱恩约弗森认为：“我们正在开始对更多认知性的工作，以及更多的动力控制系统进行自动化。”在很多情况下，今天的人工智能机器能够发出比人类“更优化”的指令。因此，人类和受软件驱动的机器可能正在日益变成替代关系，而不是互补关系。两位作者认为，促使这一切成为可能的是三个刚好达到引爆点的巨大技术进步，他们把这些技术进步描述为“指数级的增长、数字化的进步和组合式的创新”。

 

这其中提到的“更优化”的指令可以归结为基于数据和人工智能形成的知识体系。而其中提到的“巨大技术引爆点”实际上是一个技术不断迭代演进后实现的技术升级，这个关键要素基于数据-工业互联网平台-工业大模型-知识等体系形成的工业智能。

 

我想，如果工业企业真正实现了智能驱动，那将是一幅多么美好的数字化未来：生产现场优美如画，污染极低，人员极少甚至无人，没有脏乱差，只有机器、系统优雅的、高效的运转，客户订单、计划、生产、原材料、库存、物流等关键业务流程全部实现自动化、无人化，工厂的关键工艺参数后台AI机器大脑根据需求和实际现状自动配置，产品质量极好、生产效率极高、物流配送极快、安全问题极少，整个人类社会都会生活在各类商品高效配置、生活环境美好以及供需合理匹配的美好时代......

结语

数字化转型的“奇点”演进路径，是核心驱动的演进路径，本质上是工业企业从数字化走向智能化的实现路径，整个过程肯定不会一帆风顺，我们需要解决数据采集汇聚的问题、工业互联网平台搭建和支撑问题、工业大模型的积累优化训练问题以及知识体系的构建问题等等，只有实现了这些，才能够在一定程度上促进工业走向数字化、智能化。

实现工业智能化的整个过程是漫长和痛苦的，但是，我们不能拘泥于我们线性思维，人类创造技术的节奏正在加速，技术力量也正以指数级的速度增长会被每一个普通人所感知和利用到。

 

我们都在期待并致力于打造一个工业的“奇点”，或许，正如库兹韦尔在《奇点临近》所说：整个人类都在加速地向奇点方向进发，我想随着奇点的临近，工业的数字化美好时代一定可以到来！

 

审核编辑 黄宇