專訪李杰教授：工業大數據與工業4.0時代的價值創造
工業4.0是什么?為何是工業4.0?
專訪記者：您好，李教授，歡迎接受我的訪問。首先恭喜您出了第一本著作《工業大數據》，在國內有很多讀者，曾一段時間位列榜首。今天的對話就圍繞本書的核心理論展開，同時給國內關注工業4.0的朋友釋疑答惑。在正式開始對話前，請您先介紹下您的工作經歷和研究領域。
李杰：我在1983-1991年 先后在工業自動化與機器人領域工作。1991-1997在美國自然科學基金會(NSF)擔任先進材料及制造系統、產學研合作項目、工程研發中心等多個部門的主管，在NSF期間曾經資助了包括增材制造(3D打印)與納米制造等多個項目，1995年被派往日本通產省擔任交換官員指導日本企業的創新轉型。
1998年到美國聯合技術公司United Technologies Research Center(UTRC) 擔任研發部門和制造部門的總監，主持了普惠發動機、奧迪斯電梯、綠色工廠等新一代產品和項目的研發。
2000年開始到大學當教授，創辦了美國自然科學基金會智能維護系統中心(IMS)，主要從事工業數據大分析、故障預測與健康管理、預測型制造、和Cyber-Physical System 的研究。
專訪記者：是不是可以將“工業4.0”與第四次工業革命直接化等號?在您看來，“工業4.0”的“革命性”體現在哪些方面?它具有哪些核心特征?
李杰：首先，在新書中并沒有將工業4.0與第四次工業革命化等號，工業4.0只是第四次工業革命在制造業方面轉型的一個方式。第四次工業革命尚未發生但是我們可以定一方向做戰略上轉型?；旧瞎I4.0是一理想世界好比世界和平是我們努力的実現方向。但挑戰是如何克服不可見世界的問題。我們要的話的是生產力、生產關系、生產技術、商業模式、和創新模式等方面的深刻變革，核心是整個工業系統邁向全面智能化的革命性轉變。
工業4.0針對的是制造系統的變革，而第四次工業革命不僅僅關注如何更好地制造一個產品，更在于如何使用好一個產品、如何滿足所有人多樣的需求、如何利用產品產生的集群和社區創造更好的服務、和如何使產品在全生命周期內創造更多的價值。
如果我們講的是制造系統，那么工業4.0的革命性在于：不再以制造端的生產力需求為起點，而是將用戶端價值作為整個產業鏈的出發點，改變以往的工業價值鏈從生產端向消費端、上游向下游推動的模式，而是從客戶端的價值需求出發提供客制化的產品和服務，并以此作為整個產業鏈的共同目標使整個產業鏈的各個環節實現協同優化，本質是工業視角的轉變。
工業4.0的概念有三個支撐點：一是制造本身的價值化，不僅僅是做好一個產品，還要把產品生產過程做到浪費最少、實現制造過程與設計和客戶需求相配合;二是制造過程中根據加工產品和狀況的改變自動進行調整，在原有自動化的基礎上實現“自省 (Self-Aware)”的能力;三是在整個制造過程中達到零故障、零憂慮、零意外、零污染，這就是制造系統的最高境界。
專訪記者：工業4.0體現的是技術突破和生產力的跨越式發展，而這種發展著力解決的問題包括哪些方面?將在哪些方面產生革命性變化?
李杰：工業4.0所要解決的問題主要包括以下幾個：
第一個是讓制造系統更加敏捷和柔性，能夠滿足用戶的客制化要求。
第二個是更加智能，能夠與工人更好地配合，分擔一部分思考和決策的工作，盡可能少地犯錯。第三個是更加協同，實現工廠內各個部門，制造過程的各個環節，以及自身與上下游相互協同，實現更優的資源利用。第四個是更加綠色，更少地消耗能源和資源，達到近于零的派發。
最后，也是最重要的一方面，就是更加透明，使原本不可見的設備衰退、質量風險、資源浪費等問題變得可見，通過預測性的手段加以避免，實現無憂(worry-free) 的生產環境。
專訪記者：書中講到“現在我們分析第四次工業革命已經不再是未雨綢繆，因為這場新的革命已然拉開序幕，甚至已經開始切實地影響你我的生活?！蹦J為工業4.0能夠得以快速向前推進的驅動力是什么?
李杰：這里的驅動力主要有兩個方面，一方面是內在需求的驅動要素，另一方面是外在技術的驅動要素。
內在需求的驅動是最根本的要素，第一次工業革命實現了機械化，在很大程度上解放了人力。第二次工業革命實現了規?；蜆藴驶?，使得生產效率和生產成本得到了極大的改善，使普通老百姓也能夠獲得工業產品帶來的便利。第三次工業革命實現了自動化，不僅僅使生產效率進一步提升，產品的質量也得到了質的改善。在不斷刷新更好、更快、更低成本的期待的同時，人們又希望更加智能、更加透明、更加便利，于是就開始了第四次工業革命。
另一方面是技術紅利積累到了一定的程度。經過了過去幾十年的積累，計算機技術、傳感器技術、驅動器技術、互聯網等技術飛速發展，這些技術都是第四次工業革命的基礎。很多創新的想法過去并非沒有想到過，而是基礎技術還不成熟，現在大家看到第四次工業革命仿佛是‘忽如一夜春風來’，但其實很早就已經開始了技術積累。比如3D打印，國內最近兩年才開始關注，但是這是我在擔任NSF項目主管時資助的項目，在美國已經研究了二十多年了。
專訪記者：第一次工業革命是以蒸汽機為標志的，1765年首先在珍妮紡紗機實現應用，繼而瓦特改良的蒸汽機大規模使用帶來相關產業的聯動和發展。第二次和第三次依然具有相似的特征。如果我們從這個角度去定義，第四次工業革命的核心是CPS(Cyber-Physical System)，您預測它會在哪個行業或產業大規模應用，發揮帶動效應?
李杰：與蒸汽機、生產線、計算機不同，CPS并不是一個單一的技術產品，而是一個技術體系，有著豐富的變化性，所以幾乎可以利用在每一個行業。例如德國提出的工業4.0，核心就是CPS在制造系統中的應用(又稱，Cyber-Physical Production System)，現在看來在制造系統中的使用更加迫切。CPS也有在其他行業的應用，例如GE的飛機發動機管理，利用飛機在飛行時發動機產生的數據判斷每一臺發動機的狀態，然后自動進行運維排程的優化和各個機場維護資源的調配。
專訪記者：Cyber-Physical System(CPS)，由美國NSF(美國國家科學基金會)于2006年提出，它是通過網絡虛擬端的數據分析、建模和控制對實體活動內容的深度對稱性管理。目前美國和德國對于CPS核心技術發展方面，有不同的側重嗎?各自最新進展到什么程度了?
李杰： 美國與德國在CPS的技術發展上面最大的區別是應用對象和目標的不同，德國更傾向于將CPS應用在制造系統中，所提出的智能設備主要是制造設備，仍然是以設備為主軟件為輔，因此德國的CPS更合理的名稱應該是Cyber-Physical Production System (CPPC)。
相比之下，美國的CPS的定義和應用更加廣泛，主要側重于智能產品與智能服務。是以智能硬件搭配Smart ICT為主的，這與美國領先的芯片及軟件技術密不可分。比如GE提出的工業互聯網，面向的對象包括航空、能源、醫療設備、交通、制造等多個領域，在CPS的應用上更加突出集群和社區的理念，是更加廣泛的CPS?；蛘哒f，德國的CPS主要在于生產端，而美國的CPS則側重于使用端，以面向用戶創造價值為核心目的。
專訪記者：國內對工業4.0的熱潮有幾種觀點，其中有一種叫“陰謀論”和“陽謀論”，就是德國在全球大力倡導的工業4.0的主要目的就是發揮其原有核心優勢發展成智能裝備供應商，大批量向中國售賣智能設備。而國內制造產業確實急迫需要轉型升級，表面上看這確實是“一個坑”。您如何回應這種觀點?中國如何發展走出自己的智能裝備供應商的道路?
李杰：德國是一個工業產品外向型的國家，由于國內市場較小和自身需求的薄弱，其工業產品幾乎全部用于出口，然而從2006-2011年德國的工業出口總值上來看，這5年幾乎沒有任何的增長，也從一定程度上影響了德國的發展。所以德國從2012年開始在全球推廣工業4.0，核心目標是為了刺激工業出口，為德國經濟制造新的增長點。除了努力向新興國家出售智能設備以外，德國也改變了以往只賣設備而服務性收入不足的模式，除了賣制造裝備外，還努力賣工廠管理軟件和服務，增強持續盈利的能力。
中國的裝備制造能力雖然還比較薄弱，但是中國有一個得天獨厚的優勢，那就是有全世界最大的裝備使用數據，這些數據當中有許多珍貴的經驗，只是過去我們從來不去挖掘。制造設備雖然是德國人生產的，但是我們要更懂得如何使用，如果我們的工廠雖然用的是德國人的設備，但是中國企業通過對使用數據的分析能夠比德國的工廠更加高效、高質量、低成本、和低污染，那么德國人就要向中國學習如何使用設備去創造價值。
工業大數據：從創新到價值創造
專訪記者：工業大數據來源于供應鏈和制造流程等眾多環節，相比于互聯網大數據，兩者有何差別?工業大數據具有哪些獨有特征?
李杰：工業大數據與互聯網大數據最大的區別在于工業大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發散的一種分析。除此之外，兩者在數據的特征和面臨的問題方面也有不同。有別于互聯網大數據，工業大數據的分析技術核心要解決“3B”問題：
1)Below Surface —— 隱匿性，即需要洞悉背后的意義
工業環境中的大數據與互聯網大數據相比，最重要的不同在于對數據特征的提取上面，工業大數據注重特征背后的物理意義以及特征之間關聯性的機理邏輯，而互聯網大數據則傾向于僅僅依賴統計學工具挖掘屬性之間的相關性。
2)Broken —— 碎片化，即需要避免斷續、注重時效性
相對于互聯網大數據的量，工業大數據更注重數據的全，即面向應用要求具有盡可能全面的使用樣本，以覆蓋工業過程中的各類變化條件、保障從數據中能夠提取以反映對象真實狀態的信息全面性。因此，工業大數據一方面需要在后端的分析方法上克服數據碎片化帶來的困難，利用特征提取等手段將這些數據轉化為有用的信息，另一方面，更是需要從數據獲取的前端設計中以價值需求為導向制定數據標準，進而在數據與信息流通的平臺中構建統一的數據環境。
3)Bad Quality —— 低質性，即需要提高數據質量、滿足低容錯性
數據碎片化缺陷來源的另一方面也顯示出對于數據質量的擔憂，即數據的數量并無法保障數據的質量，這就可能導致數據的低可用率，因為低質量的數據可能直接影響到分析過程而導致結果無法利用，但互聯網大數據則不同，其可以只針對數據本身做挖掘、關聯而不考慮數據本身的意義，即挖掘到什么結果就是什么結果，最典型的就是經過超市購物習慣的數據挖掘后啤酒貨架就可以擺放在尿不濕貨架的對面，而不用考慮他們之間有什么機理性的邏輯關系;
換句話說，相比于互聯網大數據通常并不要求有多么精準的結果推送，工業大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多?；ヂ摼W大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統計顯著性，其中的噪聲和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的準確性就會大打折扣。比如當我覺得有70%的顯著性應該給某個用戶推薦A類電影，即使用戶并非真正喜歡這類電影也不會造成太嚴重的后果。但是在工業環境中，如果僅僅通過統計的顯著性給出分析結果，哪怕僅僅一次的失誤都可能造成嚴重的后果。
專訪記者：工業大數據在分析技術要求上會更高，它的核心分析技術體系如何?
李杰：工業大數據的分析技術需要根據使用環境中的分析和決策要求設計，其特征主要體現在以下幾個方面：
1)智能的感知：從信息來源、采集方式、和管理方式上上保證了數據的質量和全面性，建立支持分析體系上層建筑的數據環境基礎。
2)數據到信息的轉化：可以對數據進行特征提取、篩選、分類、和優先級排列，保證了數據的可解讀性。
3)網絡的融合：將機理、環境與群體有機結合，構建能夠指導實體空間的網絡環境，包括精確同步、關聯建模、變化記錄、分析預測等。
4)自我的認知：將機理模型和數據驅動模型相結合，保證數據的解讀符合客觀的物理規律，并從機理上反映對象的狀態變化。同時結合數據可視化工具和決策優化算法工具為用戶提供面向其活動目標的決策支持。
5)自由的配置：根據活動目標進行優化，進而通過執行優化后的決策實現價值的應用。
專訪記者：由于企業對工業大數據的認知誤區，在智能感知層沒有按照一定的邏輯和規則搜集多種層面的大量數據，然后進行堆積和分析。這勢必造成這些存量數據得不到很好的開發利用。應該按照什么樣的邏輯和步驟開展數采?
李杰：幾年以前物聯網的概念非常流行，于是很多企業開始建設物聯網采集數據，但那個時候大多數是為了采集數據而采集數據，至于為什么要采集并沒有想清楚。我認為物聯網數據采集只是一個手段，最終目的應該是創造服務和創造價值。
因此在做數據采集事前應該首先弄清楚數據采集的目的，比如設計一個服務產品為客戶創造價值，或是使生產更加透明為企業節省成本，這個目的應該被確認成為一個明確的功能。接下來要根據這個功能去制定技術路徑，需要什么數據分析手段。然后再根據技術路徑對輸入的要求去確定該采集哪些數據，以及采集的頻率和精度等要求。最后還需要分析實現這個功能所帶來的經濟效益是否高于數據采集的成本，明確之后再加以實施。這樣可以保證所采集到的數據都是需要的，避免成本的浪費。
專訪記者：從設備和制造流程上采集的大量數據本身如果沒有經過“清洗”、關聯、融合等環節，就沒有應用價值。那從數據到信息到價值的轉化，是一個怎樣的邏輯過程?
李杰：工業大數據與互聯網大數據最大的區別在于具有很強的目的性，因此其分析的邏輯也要服務與這個分析目的。IMS 很早就提出了工業數據分析的5S方法論：
1. Streamlining 數據流程化管理: 包括對數據采集系統的設計，傳感器的布置，以及實施數據分析工作之前的所有準備工作。避免Garbage in , Garbage out 的現象。這里面所包括的數據處理過程包括：數據過濾、數據優先級排序、和數據降維等。
2. Smart Processing (智能分析)：從高維的數據中提取有用的特征，比如人臉識別中的三角定位法就是對面部特征點相對位置的計算，這樣能夠過濾掉原始數據中不需要的信息。在進行完特征提取后，可以用特征建立數據模型，比如用邏輯遞歸的模型計算設備的健康值。
3. Synchronization (同步化)：第3個S的主要目的是將現場級與上級公司，特別是產品級連接起來。這種信息傳遞的連接滿足了第一環路。這里我們要強調一個理念就是 “Only Handle Information Once”，通過這種方式，公司可以達到盡量減少信息收集和復制數據項的費用的目的。在同步化的過程中，決策支持工具也需要根據實時數據分析的結果同步給出相應的決策。
4. Standardization (標準化)： 包括信息的標準化、決策的標準化、和執行的標準化。
5. Sustainability (不斷改善): 包括不斷完善和更新分析工具、人在回路的嵌入式自學習能力、友好的人機交互和部署方式、以及閉環的全生命周期信息管理。
專訪記者：對于工業4.0的智能制造轉型而言，工業大數據的核心價值目標是什么?它是如何顛覆原有商業體系的?
李杰：工業大數據本身并不是目的，而是一個技術手段。與其他技術手段的目的相同，工業大數據的核心目標是創造價值，這里的價值體現在去避免和解決不可見的問題，并且從不可見的世界中創造新的知識。舉例來說，輪胎的壓力問題，以往我們只能看到輪胎癟了車子不能開了，這是可見的問題。但是輪胎壓力不平衡造成的額外油耗是不可見的。固特異輪胎跟IMS合作推出了FuelMax產品就利用分析輪胎壓力提醒用戶如何保養輪胎更加省油，每年可以給一輛集裝箱客車節省3000美元的油耗。所以工業大數據的價值在于從以往看不見的空間里挖掘價值。
專訪記者：要發揮工業大數據對于實體活動的效能和最大價值，非常有必要建立智能信息體系。由于涉及企業經營的核心數據及保密性，另外加上相對復雜利益糾葛，企業一般很難將這種數據讓其他任何機構知曉和共享。行業龍頭企業作為“帶頭大哥”能否玩得轉?您有沒有好的建議消除這種擔心?
李杰：企業的上下游之間適當地分享一些信息是非常有意義的，比如豐田在對其產業鏈進行管理的時候會向自己的供應商開放很多信息以幫助他們進行需求預測，因此豐田可以做到零庫存，且供應鏈的延遲控制在15分鐘以內。離辛辛那提不遠的TMMK工廠里，部件到達組裝車間后直接運上產線。但是豐田只去分享對自己有幫助的信息，并不是把所有的原始數據都開放。因此在進行信息分享的時候首先要明確一個共同的目標，要對大家都有利，然后再去討論各自應該分享哪些信息和信息的管理問題。
專訪記者：我看到您所描述的未來工業4.0工廠——是一種透明化的無憂工廠，它與現在的工廠相比較，實現了自省(Self-Aware)和自我預測(Self-Predict)的新功能，除了智能設備之外，還有哪些核心要素的推動實現了這種根本轉變?
李杰：除了智能設備之外最重要的是需要有一個強大的分析中樞來協同和指揮這些智能設備。這個分析中樞中的核心是先進的分析算法和工具。比如peer-to-peer comparison(集群內對比)、協同診斷、趨勢預測、影響評估、協同優化等工作都要在這個中樞里實現。因為智能設備所解決的是對自己的評估和預測，凡是需要集群數據和其他流程內數據的分析都要考這個中心來分析。
專訪記者：從工業4.0的目標來看，最終還是要實現和滿足大規模用戶的個性化定制化需求。而這不僅有賴于對現有的傳統剛性生產模式轉變為柔性生產模式，同時要依靠復雜流程的管理、龐大數據的分析、決策過程的優化和行動的快速執行，請問對已有的控制與信息技術進行改良和升級是否可以解決上述問題?為什么?
李杰：傳統的控制與信息技術主要解決的是對個體的控制，主要解決的問題是如何更加精確、快速、復雜、和高效。但是工業4.0對生產系統升級目標是更加柔性、協同、和智能，傳統的控制與信息技術在設計之初并沒有考慮到這些。因此我們才要花大力氣研發智能設備和更加智能的數據分析工具。
專訪記者：回望工業發展史，工業領域的價值源泉不斷進化，單純賣設備為主的模式越來越難以贏取高額利潤。工業3.0時代就凸顯了軟硬結合的重要性，工業4.0時代的價值源泉會來源于解決方案與深度服務。從商業模式來說，切入點在哪里?實現這種轉變的難點是什么?
李杰：我在主控式創新(Dominant Innovation)中提出，產品服務最有效的切入點應該是用戶的使用場景，從用戶的使用場景中找到價值的GAP(需求缺口)。通過發現GAP來推動的創新與其他幾種創新模式是不一樣的。這種方式不是以人(消費者)的需要為出發點的，也不是都聽客戶的?？蛻粢话愣际亲非蟾蟮牡包S，很少告訴企業潛在的、外圍的需求，很可能他們還沒有這種意識或根本就不知道。比如汽車，買車子的人更關心的是耗油情況，但很少人知道司機開車的習慣可能影響20%的油錢。所以這里的GAP不是車子，而是司機的開車習慣。
如果僅僅按照客戶的直觀需求來做車，那制造商會努力生產更省油的汽車、更舒適的汽車，在過去的汽車技術上不斷精進。這是一種傳統工業時代的思維方式。而采用GAP式創新，則是通過數據來模擬情景，不斷發現客戶根本沒有注意到的產品新功能。這是一種新工業時代的思維轉變。以往我們把很多注意力都放在了創新上，但是創新并不僅僅是為了創造新技術或產品，最重要的是創值。
專訪記者：在煎蛋模型中，6M(包括材料、機器、方法、測量、維護、數據和知識建模)好比蛋黃，這是前三次工業革命企業改善和競爭的主要方面;6C(連接、云、虛擬網絡、數據內容與來源背景、社群、定制化)相當于蛋白，具有明顯的互聯網時代的特征。企業如何順利跨越6M到6C的鴻溝，進入工業4.0時代?最急切的步驟是什么?
李杰：6M與6C的理念與中國提出的工業化與信息化量化深度融合的理念不謀而合，也是《中國制造2025》規劃的兩點之一，在通往工業4的道路上中國應該在6S方向投入更多的資源和精力：
Sensing: 新型的傳感器研發，使數據采集成本更加低廉。
Software Platform：數據分析和功能應用平臺，分析軟件。
Security：網路安全
Standard： 數據的格式、接口、傳輸的標準化、以及數據可視化的標準化
Speed： 數據的分析速度，數據不是靠volume，反而要通過數據的reduction來提高數據的分析和應用速度，使數據流迅速運轉起來。
Service: 以為顧客創造價值為目標，將數據與服務相連接。
專訪記者：根據“煎蛋模型”理論，為尋找新的藍海，通過尋找價值的“GAP”(即需求缺口)，實現主控式創新的突破。這與傳統工業時代的更注重產品技術開發的思維方式不同，主控式創新思維的核心是什么?它是一種怎樣的全新價值創造過程?
李杰：主控式創新思維的核心哲學是“有之以為利，無之以為用”。 “有”指的是可見的、固定的、有區別于其他的實體;“無”則是隱藏的、變化的、發揮效用的無限可能性?！袄贝淼氖强烧加?、可收獲、可使用的基礎條件，而“用”則是可供發揮和可作為的空間和方向。簡而言之，商家賣的是產品，客戶用的是產品帶給生活的價值?，F在我們談創新，還是將重點放在有形的物件上，將重心放在技術的突破和引進上，但缺乏這種“無”和“用”的概念。
一切的技術或是產品都只是手段，其核心目的是在使用中創造價值。創值的值是無邊界的，未來整個創新創值的觀念正是取決于企業怎么看一個產品的價值。這里，可以通過一個攤開的手掌做比喻，如果從產品出發，那就只能看到這5根手指;但如果從產品的客戶價值來看，好比是手指間的4個間隙，正是客戶在使用產品時未被滿足的需求，可稱作“Gaps”(即需求缺口);填補這個需求正是可以創造客戶價值之所在。
這其中，最重要的是需要改變以往從技術端出發看問題的思維(有形的手指)，而是反向思考從顧客的價值端尋找潛在的需求(無形的Gaps)，學會思維的轉變。
專訪記者：在創新方式上，主控式創新模式主張以“情景模擬”的方式，而以往的主流創新方式是通過大量樣本的客戶調研，發現未被滿足的需求，然后針對性的開發對應產品。您認為這兩種創新方式有何本質差別?
李杰：我覺得傳統的通過大量樣本的客戶調研并不能很有效地發現未被滿足的需求，而更多是調查客戶對已被滿足的需求的滿意程度。
主控式創新是將自己想象成客戶，拋開產品和解決手段不談，從用戶的角度分析真正的價值缺口是什么。一個是從產品或功能出發，一個是從價值需求出發，這是兩者最本質的區別。
未來啟示錄：如何構建新競爭優勢?
專訪記者：目前國內有一些觀點提出，中國整體推進工業4.0還為時過早，推進工業4.0還是少數企業的事情，應該把更多精力去補工業2.0和3.0落下的課。爭議的焦點在于制造基礎差，自動化和信息化應用水平低，本身的產品質量和生產效率水平很有很大提升空間。對于這種觀點您怎么看?
李杰：工業4.0是一理想世界也是全世界工業努力的方向。不同國家不同企業所注重的地方會不一樣。但是我們一定要了解我們社會與工業發展的目的進而從基本上做起。就好比我們不應該等我們有錢了或有能力了才汪注重品格與品德 。
我們不妨用6M和6C的煎蛋模型來深入探討一下。
首先，傳統制造的6M并不是智能制造6C的先決條件，兩者的接口在于第六個M(Modeling，通過數據分析的建模能力)，這一部分中國的能力還比較薄弱。除此之外，6C和6M并非此消彼長，而是相輔相成的關系，6C 是中國制造業的一個機會，一方面可以通過6C產生的增值服務去彌補6M較為薄弱的競爭力缺口，另一方面還可以利用使用過程中的數據分析和創值服務作為新的視角去改善6M中的薄弱環節。
德國的經驗也已經告訴我們，蛋黃并不是核心競爭力，因此德國提出的工業4.0戰略是在努力去彌補蛋白方面的薄弱，這是一個對大家而言都較為陌生的領域，還并沒有產生明顯的差距，我們恰恰需要以6M+6C的觀念去布局中國制造業的機會空間，通過在6C空間中的服務轉型反向彌補原本薄弱的環節，或許將會為中國提供一個彎道超車的機會。
專訪記者：智能化也是德國推進工業4.0的核心目標，這將是一個復雜而艱難的過程。智能化過程包括了自動化與信息化的深度融合、物聯網和CPS技術的運用，以及龐大數據量的分析和價值挖掘能力。德國在智能化方面的戰略推進思路和路徑是怎樣的?
李杰：在智能化技術布局上，德國提出了“本地的智能化”和“連接的智能化”協同發展的戰略，一方面在設備的智能化、傳感技術、通信技術、信息與控制技術等方面加大研發力度，使德國的企業成為世界領先的智能設備供應商。另一方面，加快物聯網和CPS技術的研發，實現智能設備的整合，并利用CPS平臺技術實現設備、人、和服務的連接。
在實施方案的規劃上，德國提出了“二維戰略”的發展思路，從橫向和縱向這兩個維度推進工業體系的智能化進程?？v向的應用指的是企業內部“端到端的信息整合(end-to-end digital integration)”，實現從最底層的驅動器和傳感器信號到最高層的企業資產管理系統的無縫連接，其核心是物聯網技術和CPS技術。橫向的應用主要指面向企業之間和產業鏈上下游信息和服務的整合，實現整個產業鏈的價值鏈整合和協同優化，面向全產業的全價值鏈提供智能化服務。
專訪記者：社會上也存在工業4.0的路線之爭，即技術優先還是商業價值優先。前者著眼于技術進步，通過導入先進技術(如CPS技術、工業大數據智能算法)來改造傳統企業生產模式和商業模式;還是從投入收益比來決定是否導入、以及導入的進程。您的觀點呢?
李杰： 我覺得這兩者并不矛盾，技術和商業價值并不存在誰優先，而是要協同發展。中國的最大問題是在考慮商業價值的時候往往只考慮短期的價值，這其實導致了中國的技術紅利積累不足。比如GE最近剛剛推出了用陶瓷材料制作的飛機發動機葉片，具備更好的散熱性和更輕的材質，將發動機的能耗提高了大約0.25%。這背后是十數年的研究和幾千萬美元的投入，這個技術紅利能夠保證GE在航空發動機領域繼續領先幾十年。這只是一個成功的案例，但是在GE里面還有許許多多沒有直接轉化成為產品的研究，這些研究從商業價值上來看是失敗的，但是也積累了許多技術紅利，不一定未來哪一天就用得上了。
專訪記者：從國家競爭力的發展階段來看，中國已從“需求驅動”邁入“效率驅動”階段，并在這個階段深耕多年，應該說總體擁有了很好的制造基礎。在進入第三個“創新驅動”階段上，我們面臨哪些明顯的短板?工業大數據的發展能起到什么樣的作用?
李杰：
從世界競爭力報告中的這幅雷達圖中我們可以看出，中國目前的短板主要在創新能力、高等教育、人力效率、和基礎技術可用性這幾個方面。而中國最大的機會在于市場，因為中國的市場不僅夠大，而且是彈性增長的，這樣彈性的市場其實給了中國企業很好的創新環境，因為市場的包容性特別大，人們對于新鮮事物的接受能力和購買欲望遠遠高于發達國家。
工業4.0中的各類核心技術，如傳感器技術、物聯網、云計算、控制器、和3D打印等技術都可以找到相應的供應商，但是僅僅引進這些技術還是遠遠不夠的，因為其中最核心的兩個部分，智能化的數據分析以及服務和模式的創新是需要修煉的內功，而這恰恰是中國企業最欠缺的。工業大數據分析能夠幫助中國去避免和解決以往不可見的問題，進一步減少制造成本和提升產品質量。也可以幫助我們去發掘用戶不可見的需求，從產品創值的角度提升中國制造的競爭力。
專訪記者：德國是工業4.0的首先倡導的國家，也是利用工業4.0平臺集中發力的國家。而您認為，工業4.0的中心將會在中國，這讓德國“情何以堪”。這背后的依據是什么?如何充分工業4.0的產業機會，促使鮮花和果實落地在中國?
李杰：無論是發現用戶價值的缺口、發現和管理不可見的問題、實現無憂的生產環境、以及為用戶提供客制化的產品和服務，都離不開對數據的分析挖掘。我相信工業4.0 的中心將會在中國，是因為中國不僅僅是世界制造大國，更是世界第一的使用大國，無論是從制造設備還是從終端消費品來看，中國都擁有最龐大的使用數據。然而這只是從潛力的角度去分析的，意思是中國應該成為工業4.0的核心，但是這些數據還并沒有被很好地分析利用，并沒有成為真正的競爭力。德國的內需市場小缺乏大量使用數據，中國可以提供好的設計改善建設如果中國能有效的分析這些數據。
專訪記者：從工業4.0的微觀實施主體來看，企業家和企業將是主力軍。面對大多處于產業競爭低端/低附加值的企業格局，有中國特點的互聯網+制造的解決模式能否幫助企業實現突圍?真正的難點在哪，有沒有可行的路徑?
李杰：中國的互聯網+更多的注重的是商業模式和銷售渠道，對制造本身的關注還明顯不足，并不能解決中國制造的根本問題。中國工業4.0道路需要遵循科學的規律，繼續推進和完善合理化與標準化，同時注重挖掘制造的意義和價值。
工業4.0為中國制造業的轉型升級帶來的契機，其核心并不是互聯網+制造，而是關注制造業對客戶、人類以及環境的價值，以零故障保障設備運行性能，以零浪費體現對效率的追求，以零意外彰顯對生命的尊重，以零污染表達對社會的關切。
中國制造需要以6M+6C的觀念去布局中國制造業的機會空間，通過在6C空間中的服務轉型反向彌補原本薄弱的環節，更多地去創造原始的創新想法，擺脫位于產業鏈低價值環節的現狀。
專訪記者：未來的工廠將實現具備自省性、自預測性、自比較性和自重構能力的無憂生產環境。您預測在2030年，傳統的生產系統將轉型為生產智能產品的智慧工廠，您認為哪些行業可能會率先實現智慧工廠?
李杰：現在信息化和智能化水平最高的應該是半導體工廠，半導體產線中的傳感器數量恐怕也是最多的。我們現在已經跟美國的許多半導體工廠和半導體制造設備廠商開展了合作，能夠精確地預測出產線上的設備和生產工具的健康狀態和剩余壽命，以及各種因素對產品的影響，離預測型制造已經非常接近。
專訪記者：實現智慧工廠或者智能工廠，有兩條路徑：一是從現實出發，將傳統工廠進行信息化與智能化改造;二是著眼于未來，在新建工廠的時候直接系統化構建智慧工廠。兩種方式從投資和受益來看，各有優劣。對此，您傾向于哪種主張?
李杰：我對這兩者并沒有傾向性，或者說決定使用哪一種方式恐怕不是取決于我們更喜歡哪種方式，而是客觀條件的問題。國內有大量的已經建成的工廠不可能脫胎換骨進行系統化改造，但是依然有很大的提升空間。首先要做的是去管理和避免可見的問題，這些可以從更科學的管理輔助一些信息化工具來實現。
另外也可以根據需要對一些設備進行智能化升級，比如加裝一些傳感器或是直接從控制器中獲取數據，再建立一個分析中心搭載先進的分析工具進行分析和決策支持，依然可以管理和避免原本不可見的問題。因此兩者并沒有絕對的優劣，而是要從需求出發去判斷。
專訪記者：大眾汽車“尾氣門”持續發酵，據天津大學內燃機燃燒學國家重點實驗室副主任、教授姚春德分析，這種作弊軟件的運作原理是，“所謂的’失效保護器’是通過軟件感知方向盤位置、車速、周圍氣壓等參數來判斷車輛是否在實驗室環境，從而向發動機發動指令，用來改變NOx(氮氧化物)的排放，以實現檢測達標的假象”。這是不是利用CPS技術進行的技術作假和惡意欺詐?這將對“德國制造”的整體品牌產生什么樣的不利影響?
李杰：不得不承認的是這個軟件確實具備了很強的智能化，也具備了自省性的特點，但是很遺憾實現這些的最終目的是為了在尾氣排放測試中作弊。技術就好像是把雙刃劍，運用得當才能夠真正造福人類。
最近也有新聞報道許多企業在競相購買大眾的這項軟件技術，說明這個技術本身是有價值的，比如通過感知周圍環境的變化調節發動機的控制策略來實現最佳的油耗和最小的排放，技術都是可以通用的。
這個事件無疑會對大眾汽車甚至德國制造帶來不小的負面影響，因為在消費者的印象中德國制造就是品質和誠信的代表，而德國“隱形冠軍”的企業價值觀也是被世界所推崇的。但是我相信這只是個例，這是德國的民族性格所決定的。
專訪記者：工業4.0的推進離不開工業大數據等行業專才，而且對跨界人才的質量會越高，因為這本身就是跨學科技術的融合，涉及數學、物理、IT、智能硬件等，目前來看，還沒有很好的應對人才需求的方法。您有什么建議?
李杰：我覺得工業4.0人才的培養離不開學校與企業的合作培養，還應該形成一個很好的社區文化使學校和工業界的人能夠分享和交流。在美國我們有類似于PHM Society的許多組織，他們每年都會舉辦數據競賽，數據的貢獻者都是美國的企業，學校和企業的研究人員都可以參加來交流和切磋。
我們不久前也剛剛成立了工業大數據俱樂部，種子俱樂部設立在上海交通大學。這個俱樂部的目的是人才培養，有許多企業都跟我們合作成為了俱樂部的會員，這使得我們除了能夠給學生提供大數據分析工具的理論培訓外，還可以利用工業界的真實數據訓練他們解決問題的能力，還可以到企業去實習，這種與工業界互動的模式能夠保證培養出來的人才是企業真正想要的。
專訪記者：隨著工業4.0及工業大數據的深入探討，目前國內民間力量開始崛起，比如工業4.0俱樂部就是圍繞工業4.0和智能制造開展的線上線下互動及合作平臺，您如何看待工業4.0俱樂部的崛起?如何構建一個基于工業4.0的產業生態體系?
李杰：在工業4.0這個全新的領域中我相信合作的空間是遠遠大于競爭的，因此希望能夠建立一個有學校、企業、政府、和各方面人士共同參加的平臺，核心的原則是分享各自的經驗，保守各自的秘密。
（轉載）
