下载掌阅APP，畅读海量书库
立即打开
如果观察近十几年，我们会发现生活发生了巨大的变化：天气变化信息不再依赖每天守时看的电视天气预报，而是随时看手机上精确到小时的气象软件；识别方向不再用纸质地图或指南针，了解交通信息也不再靠交通广播，导航软件不仅能提供路线信息，还能根据实时交通状况及时更新路线；黑胶唱片已经成为怀旧的文艺符号，曾经风靡一时的“随身听”已经停产，取而代之的是个性化的音乐推荐与不断更新的流行曲目推送。我们在脸书（Facebook）或微信（Wechat）朋友圈里建立各种关系，我们的朋友圈就是我们的“虚拟生活”，是现实生活的记录和反映，在物理世界里是不可见的，但却可以得出这个人的生活社群、行为习惯、过往经历等。我们生活中的不同时刻在朋友圈中被记录，其内涵和信息量随着我们的成长得到丰富。在网络世界中，我们可以随时随地追溯自己和朋友的记忆，时间旅行在现实生活中或是天方夜谭，但在网络世界中却可以轻而易举地实现。除了这些“看得到”的联系，在网络世界中还可以根据数据建立基于人与人之间关联性和相似性的“看不到”的联系，我们自动被划分为不同的社群，相同社群内部的人由于某些特征的相似性，使其活动具有相互借鉴的意义，从而利用群体的数据对个体的活动进行精准的预测。
谷歌可以从一个人的搜索记录和浏览记录去预测他是否有犯罪倾向，此计划已被列为美国国家安全局的重要反恐手段。亚马逊（Amazon）、天猫（Tmall）、拼多多（PDD）可以根据消费记录对用户的喜好进行预测并精准推送产品广告。同样的，未来的产品如机床、汽车、飞机、船舶等，正如电脑、手机等资讯产品一样，由实体和软体相结合，任何产品都可以存在于虚拟和实体两个世界。虚拟世界代表实体状态和相互关系的模型和运算结果更加精准地指导实体的活动，使实体的活动相互协同、相互优化，实现价值更加高效，准确的传达。显然这一切的变化是第四次工业革命（Fourth Industial Revolution，4IR，或者称为工业4.0）的结果。
近十年来，围绕智能化（Intelligentization）主题的讨论从来没有停止过，从多年前的物联网、大数据、云计算、工业4.0、工业互联网等，到“什么是智能化”“智能化在做什么”“智能化有什么用”等问题一直是大家思考和热议的话题。
在世界工业变革和中国创业的热潮下，各国都将智能化作为其工业发展的关键，同时各国也在寻求对于智能化的理解，但结果往往都是模糊和抽象的。智能化从字面上可以理解为一种感官描述，直观来说就是用“物的智慧”来补充和替代“人的智慧”，让人觉得“物”具备了“人”一样的智慧。这也是很多处于实践中的企业都提出的“只要用户觉得智能就是智能”的理念。
想要理解“智能化在做什么”，需要到智能化的内部寻找答案。从各行业的实践中可以看出，智能化是在信息化的基础上，借助数据分析、数据挖掘等创新的智能化技术，从已有的数据和信息基础上挖掘出有价值的知识，并通过在各领域中的应用来创造出更多的价值。即智能化是“数据—信息—知识—价值”（DIKW）的转化过程，在这个转变过程中，数据和信息是信息时代的产物，知识和价值才是智能化时代的关键。因此，智能化的本质就是通过对知识的挖掘、积累、组织和应用，实现知识的成长与增值，这个过程可称为“知识化”（Knowledgeablization）。
智能化是知识化的应用与表征，知识化是智能化的本质与内涵。能够看清楚这一点，对现今社会大量涌现的智能化方面的概念就不难理解。
（1）当“知识化”与装备相结合，就形成智能装备。
（2）当“知识化”与服务相结合，就形成了智能服务。
（3）当“知识化”与产业相结合，就形成了智能产业。
（4）当“知识化”与城市、工厂、社区、医疗相结合，就形成了智能城市、智能工厂、智能社区、智能医疗等。
这些概念恰恰回答了“智能化有什么用”这一问题，即智能化通过知识化的创新应用，将知识切实地转化为社会生产力，进而带动整个国家在经济、社会、军事等领域的转型发展。
既然知识化是智能化的本质与内涵，那么，知识是什么？怎样实现知识的转化？在哲学中，关于知识的研究称为认识论，而对于“知识是什么”这个问题，在知识论中仍然是一个争论不休的问题。我们尝试从工业领域的角度对知识做出解释。可以被理解为五个“Know”。
（1）知道是什么的知识（Know What），即关于事实方面的知识。
（2）知道为什么的知识（Know Why），即关于原理和规律方面的知识。
（3）知道何时的知识（Know When），即关于时机和趋势方面的知识。
（4）知道怎么做的知识（Know How），即关于技艺和策略方面的知识。
（5）知识是谁的知识（Know Who），即关于人的能力水平方面的知识。
知识并不是独立存在的，就像信息需要一个载体，知识则需要存在于某种“知识体”中，且知识体的模式决定了知识应用的效率和价值。其实在自然经济时代、农业经济时代和工业经济时代，知识也是作为生产要素存在的，但因为缺乏革命性的技术支撑，知识大多是以人脑或人的经验为载体，很难实现标准化和规模化的应用，使知识向价值的转化存在效率不高、规模有限等局限性，很难转变为主要社会生产力，因此在整个经济增长中，知识只能处于相对边缘化的状态。当然，还有另一个主要的原因在于以前对知识创造的需求并不迫切。
可以看到，智能化时代之前知识的载体是人，而在智能化时代，开始让“物”学会像“人”一样能够自主地发现知识、理解知识和应用知识，即将知识从人的大脑、人的经验等传统载体中，转移到具有更强可操作性和想象空间的机器和计算机等载体中，并在其中实现知识的挖掘、积累、组织、应用等成长与增值行为，从而实现灵活的、标准化的、规模化的知识应用，大大提升知识转化为生产力的效率与能力。
为了实现这种知识在载体之间的转移，机器载体需要具备与人一样的产生知识的智慧，即需要具备以下几个重要的能力。
（1）感知能力。具有能够感知外部世界、获取外部信息的能力，这是产生智能活动的前提条件和必要条件。
（2）记忆和思维能力。能够存储感知到的外部信息及由思维产生的知识，同时能够利用知识对信息进行分析、计算、比较、联想和决策。
（3）学习和自适应能力。通过与环境的相互作用，不断学习和积累知识，使自己的知识和能力不断成长，来适应环境变化。
（4）行为决策能力。即对外界的刺激做出反应，形成决策并传达相应的信息。
人工智能（Artificial Intelligence，AI）概念的提出，始于1956年美国达特茅斯会议。人工智能从诞生至今经历了三次发展浪潮。在前两次浪潮中，由于算法的阶段性突破而达到高潮，之后又由于理论方法缺陷、产业基础不足、场景应用受限等原因而没有达到人们最初的预期，并导致了政策支持和社会资本投入的大幅缩减，从而两次从高潮陷入低谷。近年来，在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，以深度学习、跨界融合、人机协同、群智开放、自主操控为特征的新一代人工智能技术不断取得新突破，迎来了人工智能的第三次发展浪潮。
人工智能是当前科技革命的制高点，以智能化的方式广泛联结各领域知识与技术能力，释放科技革命和产业变革积蓄的巨大能量，成为全球科技战的争夺焦点。世界主要发达国家纷纷把发展人工智能作为提升国家竞争力的主要抓手，努力在新一轮国际科技竞争中掌握主导权，围绕基础研发、资源开放、人才培养、公司合作等方面强化部署。例如，美国为人工智能研发投入了大量资金，确保其人工智能在全球的领先地位；英国利用其在计算技术领域的积累，致力于建设世界级人工智能创新中心；日本以建设超智能社会5.0为引领，旨在强化其在汽车、机器人等领域全球领先优势。
日本“工匠文化”的核心是人，但是以传统全员生产维护（TPM）和精益管理（Lean Manufacturing）的方式将知识固化在人的身上已经慢慢变得不可持续。一方面，这个过程往往要经历很长的时间，随着新知识产生的速度越来越快，其效率已经受到严峻的挑战；另一方面，以人作为知识的载体，对知识的利用效率非常低，因为人的精力和大规模并行处理多个问题的能力非常有限。最后，人最终是要消失的，很多的知识也会随着人的消失而失去。随着日本老龄化问题愈发严重，尤其是选择制造业的年轻从业者数量急剧下降，日本制造的“工匠文化”可持续性正在面临非常严重的挑战。
而德国的“器匠文化”在利用效率和可复制性方面都胜于“工匠文化”，所以德国的制造系统，能够变成一种产品成为德国出口的重要引擎。但是，“器匠文化”的一个突出弱点是在使用智能装备的过程中，人自身的技能却在慢慢退化。德国的双元制教育模式虽然受到许多国家的推崇，但是在德国内部却越来越少的被年轻人选择，所以德国正在逐渐丧失高水平的工程师和技术人员。现在的德国汽车工厂内，已经有超过一半的工人是移民。以取代人作为结果的“器匠文化”也面临可持续性的挑战。
无论是“工匠”模式还是“器匠”模式，都是为了获得知识。知识的定义是对已发生事情的内在逻辑进行洞察的过程，并能够依此去管理未来相似的事情。在实现知识的自成长过程中，我们仍然要填补一些技术上的缺口，首先是认知科学方面的突破，从算法层面实现比较性学习（Comparative Learning）、竞争性学习（Competitive Learning）与逻辑性学习（Logistic Cognition）的内在机制。其次是要理解知识的本质目的，信息—物理系统（Cyber-Physics System，CPS）在知识管理方面的目的是帮助人而非取代人，在人与人的交互过程中去帮助人获得知识，通过人在回路（Human-in-loop）的方式，使人的智能与机器的智能相互启发地增长，内在是认知学习算法的突破，外在是新的人机交互形式的产生。所以，去评价阿尔法狗（Alpha Go）的成功并不能仅局限在它能够挑战人类，更在于它能够帮助人类在围棋中领会更深的哲学。
当前，以智能家居、智能网联汽车、智能机器人等为代表的人工智能新兴产业加速发展，经济规模不断扩大，正成为带动经济增长的重要引擎。一方面，人工智能驱动产业智能化变革，在数字化、网络化基础上，重塑生产组织方式，优化产业结构，促进传统领域智能化变革，引领产业向价值链高端迈进，全面提升经济发展质量和效益。另一方面，人工智能的普及将推动多行业的创新，大幅提升现有劳动生产率，开辟崭新的经济增长空间。据埃森哲预测，2035年人工智能将推动我国劳动生产率提高27%，经济总增加值提升7.1万亿美元。
人工智能在教育、医疗、养老等民生服务领域应用广泛，推动服务模式不断创新，服务产品日益优化，创新型智能服务体系逐步形成。在医疗方面，人工智能不断提升医疗水平，特别是在新冠肺炎疫情期间，人工智能在疫情监测、疾病诊断、药物研发等方面发挥了重要作用。在教育方面，人工智能的应用加快了开放灵活的教育体系的建设工作，能够实现因材施教，推动个性化教育发展，进一步促进教育公平和提升教育质量。在养老方面，人工智能在助残养老领域的应用不断丰富和创新，在帮助残疾人和老人提升生活自理能力和尊严感方面发挥重要作用。例如，护理型机器人通过与照护对象进行交互性治疗，可以降低老年人的孤独感，极大地改善老年人的生活。
创新视点5
从“AI+”到“+AI”：以技术创新重构中国经济
“AI+”和“+AI”区别是什么？在“AI+”时代，AI公司是以技术为主，以天才科学家为核心创业。这类公司非常少，毕竟懂得AI的科学家有限，他们被资本追捧，成为第一批AI公司。四五年前，随着懂AI的人才越来越多，工具也越来越普及，所以更多传统公司开始思考该怎么融入AI。因此，我们逐渐进入“+AI”时代，即传统公司主导的AI应用。当然，再过五年，我相信AI会进入下一阶段——无处不在。AI应用会变得越来越简单，传统公司也能够用更简单、更接地气的模式把AI引入公司，就像今天的IT状态一样。可以看到几个更具体的例子：“AI+公司”早期以语音、视觉、芯片等方面为主，而“+AI”公司则聚焦在零售、金融、制造、交通、能源等领域。据普华永道（PWC）预测，人工智能在2030年将给世界带来100万亿元人民币的经济价值，这些价值将主要由“传统企业+AI”的模式创造。
为什么“传统企业+AI”可以创造这么大的价值？有以下几个重要的理由：
第一，传统行业体量大，新增价值更显规模化效应。例如，一家银行或一家造车公司，如果AI可以帮助它提升3%、5%的效率，产生的价值就已经很巨大了。
第二，传统公司积淀深、门槛高。AI从业者可能认为技术门槛是最高的，但其实正如前面所说，AI的门槛已经在逐渐降低。现在，一家银行想融入AI变得相对容易，但AI公司想做一家银行是非常困难的。
第三，传统行业能带动技术升级的生态链裂变。传统行业已经形成规模化的上下游生态，技术变革将牵动整个生态链价值提升，带来裂变效应。
第四，传统公司转型需求各异，定制化程度高。AI虽然强大，但普及性有限，目前并没有AI能成为一个平台直接拿来使用。每一家企业都需要根据自身需求进行相当高程度的定制化，比如，有些独特的数据需要收集、清理，有的公司可能要增加更多传感器。
今天中国面临一个非常重要的时刻，传统行业面临很多挑战，特别需要降本增效。作为世界的制造大国，我们现在面临着人力成本越来越高、生产力和效率不足、人口与全要素生产率下降的问题，使中小企业生存不易。我们虽然有发达的前端，消费者界面的效率得以大幅提高，但后端依然落后，效率欠缺，与发达的前端极不匹配。还有很多线下商业业态落后，中国目前仍然有700万家传统的“夫妻店”。很多传统行业亟待提升效率，如教育、医疗，而人工智能可以做到。
从产业发展的角度来说，过去10年巨大的价值创造，主要来源于前端创新。而未来10年，我们看到的最大机会是传统行业的“+AI”赋能，效率提升。此外，还有两个因素让我们看好“+AI”：第一，新冠肺炎疫情对世界是个灾难，但它改变了我们的使用习惯，让更多的业务从线下转移到线上，加速了AI的落地。第二，新基建传统企业拥抱AI需要在计算、通信、数据方面都有非常好的基础，数据中心、5G、IOT、大数据都是非常重要的基础设施。所以，我们相信“+AI”在新基建之下，对重构、提升中国经济将扮演一个重要的角色。
资料来源：改编自李开复（创新工场董事长兼首席执行官）2020世界人工智能大会云端峰会主题演讲。
从上游到下游，工业生产系统的价值链（Value Chain）关系依次是设计创新与需求创造、原材料与基础赋能技术、关键装备与核心零部件、生产过程与生产系统、产品和服务。这样的价值链是由第二次工业革命后的分工体系所决定的，并一直延续至今。
这种价值链关系下的生产系统以产品的买卖关系为主，并由最终用户对产品的需求状态决定价值链的话语权。客户对产品的需求所遵循的规律通常是“从无到有”（From Zero to One），然后“从有到精”（From A to Extract），最终到需求饱和的过程。在“从无到有”的过程中，价值链上的各个角色在分享市场红利的同时，也以产能的制约因素决定话语权。在“从有到精”的过程中，价值链上各个角色的市场红利受到挤压，由技术积累形成的竞争优势（Competitive Advantage）差异开始显现，以质量和成本的制约因素决定话语权。而当整个市场对某个特定的需求达到饱和时，整个价值链都将会受到冲击，终端客户的价格压力将会一层一层地传递到产业链的上游，话语权的掌控者能够定义客户新需求，也能够为客户创造价值，同时还能分享红利给服务提供商。
在传统的价值链关系下，价值链上的各个角色存在着对利益追逐的根本矛盾。在经济快速增长期，制造企业和用户企业之间的矛盾会被大量的订单和充裕的现金流掩盖，随着产品与市场的成熟，市场经济增速放缓，二者之间的矛盾会日趋显著。在市场压力和资金压力下，制造企业势必会采取生产线升级、管理系统信息化等措施提高生产效率，降低生产成本。然而，无论设备制造企业如何提升制造端的智能化，其成本最终会转移给客户，对于现金流同样紧张的用户企业来说，任何上游生产要素的投入都会产生成本，也会向下传递到用户企业从而增加他们的成本。而对于用户来说，对价格的期望永远是越低越好，当最终用户向制造商提出降价要求时，这个要求会一层层地传递给产业链的上游，彼此在相互挤压价值空间后形成新的妥协。在这种价值链关系下，“智能制造”（Intelligent Manufacture）都不应该成为最终目的。如何为用户创造新的需求和价值才是目的。用户不会因为一辆汽车是智能工厂生产就会去为多余的价格买单，他们关注的是性能、质量、时尚、安全和舒适，还有更重要的如“无忧驾驶”这些不可见的价值空间。
以往面向用户提供售后市场服务的角色，主要是产品的原始设备制造商（OEM），提供的服务大多集中在设备应用场景的解决方案和维护方面，且越接近价值链的上游，为最终用户服务的机会就越少，造成这种现象最主要的原因是产业链的上下游信息不对称，越是上游的角色为最终用户提供知识服务的成本也就越高，其最大的成本来自信息成本和渠道成本。而智能化能够将整个价值链上的各环节衔接，使位于产业链之间的协作成本大幅降低。未来的新型产业链关系不再仅仅是制造一个产品，而是集合整个产业链的知识为最终用户提供增值服务，通过提供服务的方式参与到用户企业的使用场景中，解决用户使用场景中的隐形风险、浪费和焦虑，共创业态融合的分享型价值链关系（Shared Value Chain）。
智能化时代的新型价值链关系如图1-11所示。
图1-11 智能化时代的新型价值链关系
这种新型价值链关系更加具有可持续性（Sustainability），因为在以往的模式下，卖产品只能赚一次钱，对产品的需求一旦开始减少，价值链上的各个环节都会受到损失，各方为了保证自己的利益最大化，都会想方设法挤压上下游的价值空间；而在分享型价值链关系下，只要用户仍然使用产品，价值服务（Value Service）所带来的收入就会源源不断，而价值链上各个角色的关系，也会变成以提升用户价值为导向的紧密合作与价值共享（Value sharing）。这种分享型价值链也决定了知识作为生产要素的边际生产力，如何实现知识要素高效率和规模化的利用，也是智能制造所面临的新要求和新挑战。
如果智能制造能够成为新工业革命的赋能技术，必须满足以下两个要求：
（1）提升知识作为核心生产要素的边际生产力（Marginal Productivity），使知识的产生、利用和传承过程中的效率和规模得到跨越性提升。
（2）重新优化生产组织要素的价值链关系，使整个产业链中的各个环节围绕最终用户的价值并以高效的协同方式为其提供服务。
总体来说，智能制造需要重新定义生产要素的价值，在解释智能制造如何实现过程之前，我们以了解产品价值的本质作为切入点。
任何工业产品的价值都可以从两个方面去理解：作为生产要素的价值和作为消费品的价值。两者虽然都需要通过买卖关系才能实现其自身价值的转换，但两者在买卖结束后所起的作用却是不一样的。对于消费者来说，用户得到产品以后就进入了该产品的消费环节，通过消费该产品满足其特定需求的程度就是其消费价值。而将产品当作生产要素的用户不是把生产要素用来消费的，而是将其投入生产过程中；同时，生产要素在进入生产过程之前仅仅是可能的生产能力，只有在它们进入生产过程中并与其他生产要素协作进行生产活动，创造了产品和服务之后，才变为现实的生产价值。也只有在此时，生产要素才能体现其价值，生产要素的所有者才能获得相应的收入。因此，生产要素所有者所获得的价值决定了生产要素的价值。
人类社会在经历了200多年的科技革命后，已经积累了巨大的存量，工业的基础设施和大量基本生产要素，如机床、电力设施、动力设施、制造装备、交通装备等需求都已趋于饱和。以德国为例，其工业出口产值从2006年开始已经连续15年没有增长，根本原因就在于发展中国家已逐渐完成工业化升级，对工业装备的需求已经基本饱和。同样意识到这个问题的还有美国通用电气公司（GE），它们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务，客户需要的价值也远不止对产品状态的保持，更在于如何去使用这些能力来实现更高效的价值再创造。
在对存量能力的应用中，起关键作用（Key Effect）的就是知识和经验。使用同样的机床，有些企业能够以很低的成本生产精密度很高的产品，而有的企业却不能，所以受到的限制并不在于可见的功能，而在于不可见的知识因素。传统对知识的消费模式（Consumption Model）主要有两种方式：一种是将知识固化到设计、控制、专家系统（Expert System）和管理制度中，这种模式的问题在于从知识产生到投入生产的周期非常长，且迭代的灵活性不足，难以适应当今复杂动态的工业环境；另一种是以人作为知识服务的载体，熟练的技工、远程专家诊断（Telemedicine）和专家咨询服务等都是这类模式，虽然能够满足灵活性要求，但是效率非常低。
以知识为核心使生产要素发挥最大的能力，归根结底是在精准的状态评估前提下，对管理和控制活动进行实时的决策优化，并协同和调度相关的活动参与者，进行高效率执行的过程。
其中的三个关键词分别是“状态评估”“决策优化”和“协同执行”，也是实现上述能力中最大的挑战。
（1）状态评估（Condition Assessment）。要了解活动相关的个体和环境的实时状态，其中许多状态是不可测量，需要利用建模的手段从可测的相关参数中进行预测，更重要的是还要对个体之间的相互影响关系进行精准的评估和预测。
（2）决策优化（Decision Optimization）。要在精准掌握状态的基础上，对各种决策所带来的影响进行精准的分析推演，并在多目标并存的环境下充分考虑之间的交换，以实现整体目标的最大化价值。
（3）协同执行（Collaborative Execution）。现有的工业系统将主要精力放在以信息驱动执行的协同上面，于是有很多的成本投入到数字系统、信息渠道、管理系统和控制系统上。但是，进行状态评估和决策优化的主体依然是人，这些执行协同系统只能够按照特定的模式和规则，或是按照人的指令执行。这里所说的决策是一个非常广义的概念，大到一个公司战略的决策，小到一个工人对某一个参数的调整，各种决策无时无刻不发生在生产系统中。于是又产生了一个新的挑战，即受制于对状态评估精准性的限制，以及对多维信息源和多决策目标分析复杂度的处理能力不足，人的决策在最优性和实时性方面都难以适应工业系统的复杂度和动态性要求。
然而，一些新技术的产生为解决这个挑战带来了新的机会。首先，物联网（IoT）和先进传感技术（Advanced Sensing Technology）的普及，使原本相互独立的装备和个体连接起来，获取信息的广度、深度和及时性已经不再是难题，更重要的是数据的获取变得低成本且简单。于是，大数据（Big Data）环境在工业系统中开始逐渐形成，在这些数据中隐藏着丰富的隐匿性问题的线索，如经历数十万次在各种环境下进行操作行为的飞机发动机，它的数据中蕴藏着发动机油耗效率与环境参数、状态参数和操作参数之间的关系。在对这些相关性进行充分挖掘和建模后，就能够对油耗进行更加科学和透明化的管理。
这些技术也使人类获取知识的途径产生了革命性的变化。过去，人们去理解物理世界规律的方式是首先提出假设，然后从理论进行论证，再通过大量实验进行验证，最后对其中普遍的规律和限制进行总结，这样才能够获取被认为是可用的知识。从18世纪的欧洲文艺复兴开始，这一套理解事物和获取知识的方式已经统治了学术界和工业界300年之久。然而，物联网和大数据环境为我们获取知识提供了一个新的途径，即每一次的使用对我们来说都是一次有价值的实验，实验的环境也从实验室移到了真实世界中，我们可以充分地认可和拥抱世界的多元性、丰富性和不确定性，因此并不需要去追求普适和确切性的结论，更重要的是以目的和价值为导向，每一次的使用都成为对工业系统认知和经验的一次正向反馈。在过去的几十年中，人类一直在追求具备人脑认知和计算能力的技术，深度学习神经网络（Deep Learning Neural Network）和认知计算（Cognitive Computing）等算法框架从20世纪70年代就已经提出，但在当时却找不到能够达到其运算性能要求的计算器。现在计算器的计算能力不但得到了大幅度提升，云计算（Cloud Computing）和边缘计算（Edge Computing）等丰富的架构形式也增加了计算资源使用的灵活性，如图1-12所示。在这些条件下，融合了网络通信、大数据环境、云计算和管理控制的智能革命就有可能去辅助甚至代替人成为精准状态评估和优化决策的主体。在这种情况下，制造企业才能够面向最广大的用户，尤其是中小企业用户，可以以较低成本提供与大企业相同的定制化服务。
图1-12 云+边缘计算：构建制造价值转型的三个生态
资料来源：李杰.工业大数据：工业4.0时代的工业转型与价值创造[M].北京：机械工业出版社，2015.
智能革命是互联网和新一代信息通信技术与现代工业技术深度融合所形成的产业和应用生态。其本质是以机器、原材料、控制系统、信息系统、产品以及人之间的网络互连为基础，通过对工业数据的全面深度感知、实时传输交换、快速计算处理和高级建模分析，实现智能控制、运营优化和生产组织方式变革。
智能革命与制造业的融合将带来三方面的智能化提升：一是智能化生产（Intelligent Production），即实现从单个机器到产线、车间乃至整个工厂的智能决策和动态优化，显著提升全流程生产效率、提高品质、降低成本。二是网络化协同（Networked Collaboration），即形成众包众创、协同设计、协同制造、垂直电商等一系列新模式，大幅度降低新产品开发、制造成本，缩短新产品上市周期。三是个性化定制（Personalized Customization），即基于互联网获取用户个性化需求，通过对产品运行的实时监测，提供远程维护、故障预测、性能优化等一系列服务，并反馈优化产品设计，实现企业服务化转型。
智能革命驱动的制造业变革将是一个长期过程，构建新的工业生产模式、资源组织方式也并非一蹴而就，将由局部到整体、由浅入深，最终实现信息通信技术在工业全要素、全领域、全产业链、全价值链的深度融合与集成应用。
创新视点6
尚品宅配的创新矩阵
尚品宅配是国内第一家采用数字科技为用户提供定制化家居服务的公司。尚品宅配将实体的卖场搬到了网上，并且通过数字技术将顾客“家的空间”也搬到了网上，用户可以在高度仿真的3D成像技术的帮助下选择不同的家具摆放在“虚拟的家”中，挑选符合自己生活哲学和品位的搭配风格。尚品宅配为用户提供服务的方式也是多种多样的。第一种方案是用户在网上预约，由服务人员上门测量尺寸并设计解决方案，设计人员会根据所采集的数据建立房屋空间的立体模型。随后用户可以到体验门店在自己的房屋模型中放入虚拟的家具，从而感受不同风格和不同布置下的效果，用户也可以选择设计师推荐的设计方案。在完成在线的设计后，用户可以立即在线下单，订单立刻传送到工厂开始生产，用户还可以在线跟踪生产进度和修改订单，真正做到从测量、设计、生产到布置的完全定制化解决方案。第二种方案是用户可以下载“我家我设计”APP，利用手机测量房间尺寸后快速绘制出自家的平面户型图，软件随后自动生成家居的三维立体环境，用户可以轻松选用海量家具建材，在立体环境中进行虚拟装修和在线下单。如果用户想偷懒，尚品宅配还提供上百个房间的经典户型图供用户选择。第三种方案是在线寻找设计师帮用户完成新家的定制，在报名成功后将自动生成需求点，用户可以解说需要的设计要求并上传户型图，然后设计师会在线与顾客沟通共同制定设计方案，三个工作日后一个完整的方案就会提供给用户，待用户确认后即可由设计师完成网上下单。
使用这样的方式，尚品宅配消减了昂贵的卖场租赁和管理费用，将库存基本降到了零，用最小的成本提供了居家体验，并且最大限度地满足了用户的定制化需求。除此之外，每一个用户都为尚品宅配贡献了一份设计方案和数据，从这些数据中进行深度挖掘就可以更好地了解用户的不同需求，从而为未来的用户提供更加精准的服务。尚品宅配的创新矩阵如图1-13所示。
图1-13 尚品宅配的创新矩阵
从冰山理论来看，产品所创造出来的商机，其实只是浮出水面的冰山一角而已，隐藏在水面下的、来自服务所带来的商机才是无穷庞大的。过去制造业习惯以产品制造导向看市场变化，现在必须反过来，制造出以客户需求为导向的产品，才能支配市场；未来谁能从硬件转移至软件、将数据转化成信息、将销售产品转换成销售服务，谁就会是下一波市场的赢家。
对于企业而言，转型提供服务化产品不是凭空跳跃的改变，而是以自己现有的核心产品与技术为中心，向外延伸相关配套服务。必须建立在顾客的立场思考才能设计出具有商业价值的产品和服务的理念；同时为了提高同行的进入障碍，创新技术与企业管理的规划亦不可忽略。随着科技的快速发展，企业及社会整体已从机械化、自动化的年代进入数字化、智能化的年代，企业所能提供的产品亦将不再是一个单纯的、孤立的商品，而是会与外部信息连接的智能产品和服务组合。
资料来源：改编自杨汉录等.工业互联网转型与升级[M].厦门：厦门大学出版社，2020.