下载掌阅APP，畅读海量书库
立即打开
世界经济论坛（World Economic Forum，WEF）的前身是由瑞士日内瓦大学（University of Geneva）教授克劳斯·施瓦布（Klaus Schwab）于1971年在瑞士达沃斯（Davos，Switzerland）创立的欧洲管理论坛（European Management Forum）。1976年改为会员制组织，成员都是位居全球前1000位的跨国公司（如苹果、微软、沃尔玛等）。1987年更名为世界经济论坛，总部设在瑞士日内瓦。该论坛以研讨世界经济领域存在的问题、促进国际经济合作与交流为宗旨。
麦肯锡公司（McKinsey&Company）是世界领先的全球管理咨询公司，于1926年由美国芝加哥大学（The University of Chicago）商学院教授詹姆斯·麦肯锡（James O’McKinsey）创建。自成立以来，麦肯锡公司的使命就是帮助领先的企业机构实现显著、持久的经营业绩改善，打造能够吸引、培育和激励杰出人才的优秀组织机构。
麦肯锡公司采取“公司一体”的合作伙伴关系制度，在全球52个国家有94个分公司。麦肯锡大中华分公司包括北京、香港、上海与中国台北四家分公司，共有40多位董事和250多位咨询顾问。在过去10年中，麦肯锡公司在大中华区完成了800多个项目，涉及公司整体与业务单元战略、企业金融、营销/销售与渠道、组织架构、制造/采购/供应链、技术、产品研发等领域。
2018年9月，在世界经济论坛与麦肯锡公司合作举办的新领军者年度会议（Annual Meeting of the New Champions，AMNC，又称夏季达沃斯论坛）上公布了9家灯塔工厂（Lighthouse Factory）的名单。2019年1月10日，世界经济论坛与麦肯锡公司联手发布的白皮书《第四次工业革命：制造业技术创新之光》中，公布了入选制造业灯塔工厂的7名新成员，并展示了灯塔工厂项目取得的成果。首批16家全球灯塔工厂分别是拜耳制药部门（Bayer）、宝马（BMW）、博世汽车（Bosch Automotive）、丹佛斯（Danfoss）、UPS Fast Radius、富士康（Foxconn）、海尔（Haier）、强生（Johnson&Johnson）、菲尼克斯电气（Phoenix Contact）、宝洁（Procter&Gamble）、Rold、Sandvik Coromant、沙特阿美（Saudi Aramco）、施耐德电气（Schneider Electric）、西门子（Siemens）和塔塔钢铁（Tata Steel）所运营的工厂。首批灯塔工厂在大规模地应用第四次工业革命的新技术方面走在了世界前列，并且通过一系列的改善非常显著地提升了企业运营效率和经济效益。首批16家全球灯塔工厂的网络状况如表1-1所示。
表1-1 首批16家全球灯塔工厂的网络状况
续表
续表
续表
截至2021年9月，全球灯塔工厂网络共90家。在行业分布方面，电子设备有12家，其次是消费品11家、汽车10家、家用电器8家，其后分别是电子元件、油气各6家，钢铁制品、医疗设备各5家。灯塔工厂的行业分布从2019年第一批11个行业，延伸至2021年22个不同行业，增加了服饰、光电设备、农业设备、采矿、个人护理品等细分行业。由此可见，不仅是电子、汽车、消费品等大体量产业，各行业的制造企业都有实现灯塔工厂目标的潜力和机会。
灯塔工厂所属行业千差万别，90家灯塔工厂共计部署了124个应用案例，有的着眼于生产制造本身，有的侧重打通端到端价值链。根据工业富联发布的2021年度《灯塔工厂引领制造业数字化转型白皮书》中的统计，53%的应用案例已经跨越工厂的制造环节，延伸至端到端价值链，并且这种趋势越来越明显。
全球灯塔网络的成员正在积极开展跨行业学习，生成和分享有关最佳用例、路线图和组织做法的经验，以便在大规模部署先进技术的同时，向着以人为本、兼收并蓄、可持续发展的方向转型。
在2013年4月的汉诺威工业博览会上，德国政府宣布启动“工业4.0”国家级战略规划，意图在新一轮工业革命中抢占先机，奠定德国工业在国际上的领先地位。工业4.0在国际上引起极大关注，尤其在中国。一般的理解，工业1.0对应蒸汽机时代，工业2.0对应电气化时代，工业3.0对应信息化时代，工业4.0则是利用数字化、智能化技术促进产业变革的时代，也就是对应智能化时代，如图1-2所示。
图1-2 工业4.0概念
2015年，我国正式提出了“中国制造2025”战略。表1-2详细对比了中国制造2025+“智能+”、德国工业4.0和美国制造业复兴的战略内容和特征等信息。从这些信息来看，全球工业领域正在经历一场制造业的大变革，并将引领传统制造业逐步迈向数字化、智能化。
表1-2 德国、美国和中国制造业转型升级对照
续表
工业4.0的基本思想是数字世界和物理世界的深度融合，是赛博空间中的通信、计算和控制与实体系统在所有尺度内的深度融合。信息—物理系统（Cyber-Physical System，CPS，又译为赛博—实体空间）从实体空间对象、环境、活动大数据的采集、存储、建模、分析、挖掘、评估、预测、优化、协同，并与对象的设计、测试和运行性能表征相结合，产生与实体空间深度融合、实时交互、互相耦合、互相更新的赛博空间（包括个体空间、环境空间、群体空间、活动空间与推演空间等的结合）；通过对赛博空间知识的综合利用指导实体空间的具体活动，实现知识的积累、组织、成长与应用；进而通过自感知、自记忆、自认知、自决策、自重构和智能支持等能力促进工业资产的全面智能化。
对于CPS的虚实结合，可以用日常生活中常见的事物来解释。正如人们在QQ、微信、脸书里建立的各种关系在物理世界里是不可见的，却可以从中得出个人的生活社群、行为习惯、过往经历等。同样，任何产品都有实体和虚拟两个世界（如iPhone是实体，但App是虚拟），如何将虚拟世界里的关系透明化，正是工业4.0时代需要做的。未来产品如机床、飞机、汽车等都应该有实体与虚拟的价值结合。
2021年在线虚拟Connect大会上，脸书的CEO马克·扎克伯格（Mark Zuckerberg）正式宣布将公司名称改为“Meta”，也反映出该公司迈向“元宇宙”（Metaverse）公司的决心。扎克伯格强调脸书已不足以涵盖公司所有业务范围，尽管社群网站仍是Meta未来的重要组成部分，但也限制了公司目前产品和业务的发展。不过，作为应用品牌，脸书将维持其名称Facebook不变。未来几年脸书将由一家社交平台公司转变为Metaverse公司，加上近年该公司积极布局相关技术，包括设置专属研发团队、打造欧洲万人规模Metaverse工作团队等，因此变更名称更符合公司未来的走向。
所谓“元宇宙”是指一个脱胎于现实世界，又与现实世界平行、相互影响，并且始终在线的虚拟世界。此概念最早出现于1992年出版的科幻小说作品《雪崩》中，但很长一段时间仅停留在概念阶段，直到扎克伯格提及“元宇宙”愿景，宣布成立工作小组并接续发表一系列相关技术与应用后，才被大众所关注。
事实上，在一般民众接触元宇宙概念之前，科技业者们就已纷纷投入对其的研发。英伟达（NVIDIA）早于2021年4月便发布Omniverse平台，这是基于通用场景描述的一款云端平台，拥有高度逼真的物理模拟引擎及高性能渲染能力，支持多人在平台共创内容，并与现实世界高度贴合。同年5月，微软（Microsoft）的CEO Satya Nadella宣布正在打造一个“企业元宇宙”。
腾讯CEO马化腾表示，未来将在高工业化游戏、元宇宙等领域扩大投资。事实上，早在2020年年底，马化腾就曾提出“全真互联网”的概念，与元宇宙有着异曲同工之妙。更有报道指出，腾讯已申请注册“王者元宇宙”“天美元宇宙”商标，国际分类含社会服务、通信服务等。
中国阿里巴巴集团也同样积极拓展相关布局，阿里巴巴新加坡控股有限公司已申请注册“阿里元宇宙”“淘宝元宇宙”“钉钉元宇宙”等多项商标，且国际分类涵盖网站服务、教育娱乐、科学仪器等。
2021年，在阿里云云栖大会上，最新设立的达摩院XR实验室负责人谭平阐述了阿里巴巴对元宇宙的理解。谭平认为，元宇宙是AR/VR眼镜上的整个互联网，AR/VR眼镜是即将要普及的下一代移动运算平台，而元宇宙便是互联网产业在新平台上的呈现。谭平进一步提到，元宇宙由四层技术构成。第一层为全像构建，建构出虚拟世界的几何模型，并于终端装置上显示，达到沉浸式的体验。现在市面上的VR看房、VR演唱会等均为此。第二层是全像仿真，建构出虚拟世界的动态过程，让虚拟世界无限近似真实世界，如水要往低处流，或是人物能对环境、事件做出自然反应等。若是能达到此层，就能够建立一个完美的VR世界。目前有些游戏能达到第二层全像仿真。第三层是虚实融合，要将虚拟与真实世界融合在一起，本质上要建构真实世界的三维地图，且在地图中运用精准的定位。到达第三层意味着能够创造出完美的AR世界，也代表着虚拟与真实世界的藩篱被打破。第四层是虚实连动，到此层则能够透过虚拟世界改变真实世界。
产业人士认为，按照阿里巴巴所提到的四个层面，第二层目前尚未普及，要到达第三乃至第四层的技术障碍更高。而目前要谈未来发展仍有太多未知数。
最终等到完美的VR、AR世界被建构出来之后，是否能够将多间科技大厂、不同的技术应用全部纳入同一个世界，所需克服的生态系统藩篱仍然太多，整体发展所需耗费的时间仍无法预料。
让我们再考察和思考一下企业的现实问题。在现今的制造系统中，存在着许多无法被定量、无法被决策者掌握的不确定因素。前三次工业革命主要解决的都是可见的问题，如避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等。这些问题在工业生产中由于可见、可量测，往往比较容易避免和解决。不可见（或隐性）的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险等。由于这些因素很难通过测量被定量化呈现，往往是工业生产中不可控的风险，大部分可见的问题都是由这些不可见（或隐性）的因素累积到一定程度后产生的质变造成的。
企业里存在大量的不确定性问题，如任何企业都必须关注的品质问题。对于一些事先就知道的，确定可能引发质量缺陷的问题，可通过设置相应的工序及自动化手段去解决，这是传统自动化技术所能及的。有很多影响质量的随机因素，如温度、振动、磨损等，虽然预先知道这些因素将影响质量，但只是定性的概念，无法事前设定控制量。这就需要实时监测制造过程中相关因素的变化，且根据变化施加相应的控制，如调节环境温度或者自动补偿等，这就是初步的智能控制。这类引发质量问题的随机因素虽然有不确定性，却是显性的，容易为人们所意识到。还有一类不确定性因素是隐性的，是工程师和管理人员难以意识到的。例如，一个先进、复杂的发动机系统，影响其性能的关联及组合因素到底有多少？影响到何种程度？又如，某种新的工艺，其可能存在的风险性影响了供应性能的参数有哪些？影响程度如何？对工程师而言，这些可能是不确定的。其实，某些因素及关联影响有确定性的一面，只是人们对其客观规律还缺乏认识，导致主观的不确定性。另外，还有一些原本确定的问题，因为未能数字化而导致人们对其认识的不确定性。如企业中各种活动、过程的安排，本来就是确定性的，但因为涉及的人太多，且发生时间各异，若无特殊手段，对于人的认识而言纷繁复杂。此亦即人的主观不确定性或认识不确定性。为何把主观不确定性也视为制造系统的不确定性？因为制造系统本来就应该包括相关的人。还有一类隐性的影响因素本身就是不确定的，如精密制造过程中原材料性能的细微不一致性、能源的不稳定性、突发环境因素等导致质量的不稳定，车间中人员岗位的临时变更而引发的质量问题，某一时期某些员工因特别的社会重大活动（如世界杯足球、奥运会）而导致的作息时间改变引发的质量问题，重大公共卫生安全发生后对企业的具体影响程度等，这些与企业供应链、所处位置、人流、企业人员受感染等各种特殊性有关。目前，人类对此类问题只能有抽象、定性的认识，很难根据具体影响程度进行相对细致的应对。对诸如此类的问题，经典的自动控制技术自然无法应对，即使带有一定智能特征的现代控制技术也无能为力。
适合于自动化技术解决的问题基本是确定性的。所有的自动线、自动机器，其工艺流程是确定的，运动轨迹是确定的，控制对象的目标是确定的。当然，机器实际的运动可能存在误差，反映在制造物品的质量上也存在误差。也就是说，不确定性并非完全不存在。但就一个自动系统的设计考虑而言，系统的输入输出工作方式、路径、目标等都是确定的，只需要保证产生的误差在允许的范围内即可。
经典的自动化技术面对的基本问题是结构化的问题，能够用经典的控制理论描述的问题是结构化的，如自动调节问题、PID控制等。电子和计算机技术的发展加速了程序控制、逻辑控制在自动化系统中的应用，其针对的问题也是结构化的。在现代的控制系统中，某些场合人们基于知识的系统，类似于IF-THEN，本身就是一种结构，处理的问题还是结构化的。
传统自动化技术针对的问题相对而言是局部的，很少有企业系统层面的问题，如供应链问题、客户关系、战略应对……
企业中有大量的问题是非结构化的（Unstructured）。重大公共卫生安全事件发生后，对企业的具体影响程度很难有定量的分析，这些都是因为环境及问题本身就是非结构化的。企业中有大量的信息并非常规的数值数据或存储在数据库中的可用二维表结构进行逻辑表达的结构化数据，如全文文本、图像、声音、视频等信息，即非结构化数据。这些非结构化数据都是企业有用的信息，传统的自动化技术未能有效利用这些信息。
如何利用非结构化的数据做出正确的判断和决策？
企业中的很多问题是非固定模式的。如今，很多企业为了更好地满足客户需求，实施个性化定制。不同的企业实施个性化定制的方式肯定不一样。即使对同一家企业而言，对不同的产品、不同类型的客户可能也需要不同的方式。数据的收集、处理，数据驱动个性化设计和生产的方式都不尽相同。又如车间或工厂的节能，不同类型的企业节能的途径可能不一样。即使同类产品的企业，其设备不一样，地区环境不一样，厂房结构不一样，都会导致节能模式的不同。从事传统自动控制的技术工作者自然不会问津这类非固定模式的问题。
企业是一个大系统，其中有很多分系统、子系统，有各种各样的活动（设计、加工、装配、检验、包装、仓储、运输等），各种各样的资源（如原材料、工具、零部件、设备、人力、电力、土地等）、供应商、客户……大系统中如此多的因素相互关联和影响吗？对大系统整体效能的具体应用程度如何？对于这些问题，高级管理人员和工程师未必清楚。即使是一个设备系统，对于其部件、子系统、运行参数、环境等诸多要素之间的相互影响，人们同样只能定性地知道某些影响，难以全部清晰地认识其理想的、定量的程度。之所以如此，不仅在于系统大而复杂，还在于系统充满前述的不确定性、非结构化、非固定模式的问题，所以，我们对企业大系统及其分系统的整体联系的认识是有限的。
更清晰地认识整体联系有助于进一步提升企业的整体效能。并不是说以前人们就意识不到整体联系、不确定性等问题的存在，只是苦于缺乏工具而导致力所不及。人类从来不会停止追求“超自然存在”工具的步伐。基于更清晰的认识乃至更精细地驾驭整体联系、不确定性、非结构化、非固定模式等问题的欲求，人类终于创造出适当的工具，即云计算、物联网、大数据分析、机器人、软件、人工智能等。正是有了这些工具和手段，才能让整体联系、不确定性等问题不继续困扰我们，制造领域自不例外。至此，我们可以更深刻地理解智能制造的内涵：智能制造的本质和真谛是利用物联网、大数据、云计算、无线通信、智能控制和人工智能等先进技术认识制造系统的整体联系并驾驭系统中的不确定性、非结构化和非固定模式问题以达到更高的目标。
伴随着第四次工业革命应运而生的灯塔工厂，指的是成功将第四次工业革命技术从试点阶段推向大规模整合阶段，实现了重大的财务和运营效益的工厂。第四次工业革命技术被广泛应用到整个生产网络、端到端价值链，以及支持性职能中，推动组织层面不断转型。工业4.0专家小组遴选出来的灯塔工厂符合下列四项标准。
（1）实现重大影响。
（2）拥有多项成功案例。
（3）拥有可拓展的技术平台。
（4）在关键推动因素方面表现出众。
世界经济论坛认为，推动第四次工业革命范式发生转变的主要动力为三大科技趋势：互联化、智能化和柔性自动化，如图1-3所示。
图1-3 推动生产变革的科技趋势
当你在使用领英（LinkedIn）时会发现它非常好的一个功能，就是能够按照用户的资料去挖掘你与另一个用户可能存在的关系，然后提醒你或许认识这个客户，是否需要与他建立关联。而当与你建立关联的用户状态发生变化时，如升迁或是换了工作，它会及时提醒你去关注他的变化。所以领英给客户带来的重要价值是帮助用户管理自己的职场关系，这种关系的管理在现实生活中可以非常复杂，但是在网络端变得快速和高效。
工业互联网是链接工业全系统、全产业链，支撑工业智能化发展的关键信息基础设施，是新一代信息技术与制造业深度融合所形成的新兴业态和应用模式，是互联网从消费领域向生产领域，从虚拟经济向实体经济延伸拓展的核心载体，是智能制造的重要支撑技术和系统。
工业互联网最早由美国通用电气公司于2012年提出，随后美国五家行业龙头企业（AT&T、思科、通用电气、IBM和英特尔）联手组建了工业互联网联盟（IIC），对其进行推广和应用。工业互联网的核心是通过工业互联网平台把原料、设备、生产线、工厂、工程师、供应商、产品和客户等工业全要素紧密地连接和融合起来，形成跨设备、跨系统、跨企业、跨区域、跨行业的互联互通，从而提高整体效率。它可以帮助制造业拉长产业链，推动整个制造过程和服务体系的智能化。它还有利于推动制造业融通发展，实现制造业和服务业之间的紧密交互和跨越发展，使工业经济各种要素和资源实现高效共享。
作为工业智能（Industrial Intelligence）发展的重要基础设施，工业互联网能构建出面向工业智能发展的三大优化闭环。
（1）面向机器设备/产线运行优化的闭环。核心是通过对设备/产线运行数据、生产环节数据的实时感知和边缘计算，实现机器设备/产线的动态优化调整，构建智能机器和柔性产线。
（2）面向生产运营优化的闭环。核心是通过对信息系统数据、制造执行系统数据、控制系统数据的集成融合处理和大数据建模分析，实现生产运营的动态优化调整，形成各种场景下的智能生产模式。
（3）面向企业协同、用户交互与产品服务优化的闭环。核心是通过对供应链数据、用户需求数据、产品服务数据的综合集成与分析，实现企业资源组织和商业活动的创新，形成网络化协同、个性化定制、服务化延伸等新模式。
工业互联网对现代工业的生产系统和商业系统均产生了重大变革性影响。基于工业视角：工业互联网实现了工业体系的模式变革和各个层级的运行优化，如实时监测、精准控制、数据集成、运营优化、供应链协同、个性定制、需求匹配、服务增值等。基于互联网视角：工业互联网实现了从营销、服务、设计环节的互联网新模式、新业态带动生产组织和制造模式的智能化变革，如精准营销、个性化定制、智能服务、众包众创、协同设计、协同制造、柔性制造等。
近年来，围绕智能化主题的讨论从来没有停止过，从多年前的物联网、大数据、云计算至近年来的工业4.0、工业互联网等，但“究竟什么是智能化”“智能化在做什么”“智能化有什么用”等问题一直是人们思考和热议的话题。
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”（Data-Information-Knowledge-Wisdom，DIKW）的转化过程。在这个转化过程中，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、组织和应用来实现知识的成长与增值，这个过程可称为“知识化”。
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了。如当“知识化”与装备相结合，就形成智能装备。当“知识化”与服务相结合，就形成了智能服务。当“知识化”与产业相结合，就形成了智能产业。当“知识化”与城市、工厂、社区、医疗相结合，就形成了智能（慧）城市、智能（慧）工厂、智能（慧）社区、智能（慧）医疗。
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。
人工智能（Artificial Intelligence，AI）概念的提出，始于1956年美国达特茅斯会议。人工智能至今已有60多年的发展历程，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没有达到人们最初的预期，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。
直到今天，人工智能的定义依然存在一定的争议。一般来说，人工智能分为计算智能（Computational Intelligence）、感知智能（Perceptual Computing Intelligence）和认知智能（Cognitive Intelligence）三个阶段。第一阶段为计算智能，是指通过快速计算获得结果而表现出来的一种智能。第二阶段为感知智能，即视觉、听觉、触觉等感知能力。第三阶段为认知智能，即能理解、会思考。认知智能是目前机器与人差距最大的领域，让机器学会推理决策且识别一些非结构化、非固定模式和不确定性问题异常艰难。
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。普华永道提出，人工智能将显著提升全球经济，到2030年人工智能将促使全球生产总值增长14%，为世界经济贡献15.7万亿美元产值。一方面，人工智能驱动产业智能化变革，在数字化、网络化的基础上，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，全面提升经济发展的质量和效益。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（Accenture）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。
智能制造具有自我感知、自我预测、智能匹配和自主决策等功能。为实现这些功能，制造过程中的数据通信面临严峻挑战，包括设备高连接密度、低功耗，通信质量的高可靠性、超低延迟、高传输速率等。5G作为一种先进通信技术，具有更低的延迟、更高的传输速率及无处不在的连接等特点，可有效应对上述挑战。
5G技术使无线技术应用于现场设备实时控制、远程维护及操控、工业高清图像处理等工业应用新领域成为可能，同时也为未来柔性产线、柔性车间奠定了基础。其媲美光纤的传输速率，开启了工业领域无线发展的未来。伴随智能制造的发展，5G技术将广泛深入地应用于智能制造的各个领域。5G+智能制造的总体架构主要包括四个层面：数据层、网络层、平台层和应用层，如图1-4所示。
（1）数据层。数据层依托传感器、视屏系统、嵌入式系统等组成的数据采集网络，对产品制造过程中的各种数据信息进行实时采集，包括生产使用的设备状态、人员信息、车间工况、工艺信息、质量信息等，并利用5G通信技术将数据实时上传到云端平台，从而形成一套高效的数据实时采集系统。通过云计算、边缘计算等技术，对数据进行实时、高效的处理，从而获取数据分析结果，并通过数据层进行实时反馈，一方面指导整个生产过程，另一方面也为智能制造的生产优化决策和闭环调控提供基础。
图1-4 5G+智能制造的总体架构
数据层实现了制造全流程数据的完备采集，为制造资源的优化提供了海量多源异构的数据，是实施分析、科学决策的起点，也是建设智能制造工业互联网平台的基础。
（2）网络层。网络层的作用是给平台层和应用层提供更好的通信服务。作为企业的网络资源，大规模连接、低时延通信的5G网络可以将工厂内海量的生产信息进行互联，提升生产数据采集的及时性，为生产优化、耗能管理、订单跟踪等提供网络支撑。
网络层采用的5G技术可以在极短的时间内完成信息上报，确保信息的及时性，从而确保生产管理者能够形成信息反馈，对生产环境进行精准调控，有效提高生产率。网络层还可以实现对远程生产设备全生命周期工作状态的实时监控，使生产设备的维护突破工厂边界，实现跨工厂、跨区域的远程故障诊断和维护。
（3）平台层。基于5G技术的平台层，为生产过程中的分析和决策提供智能化支持，是实现智能制造的重要核心之一。在平台层中主要包括以GPU为代表的高性能计算设备，以云计算、边缘计算为代表的新一代计算技术，以及以云存储为代表的高性能存储平台。平台层通过关联分析、深度学习、智能决策、知识推理等人工智能方法，实现制造数据的挖掘、分析和预测，从而为智能制造的决策和调控提供依据。
（4）应用层。应用层主要是承担5G背景下智能制造技术的转化和应用工作，包括各类典型产品、生产与行业的解决方案等。基于5G网络的大规模连接、大宽带、低时延、高可靠等优势，研发一系列生产与行业应用，从而满足企业数字化和智能化的需求。应用场景包括状态监测、数字孪生、虚拟工厂、人机交互、人机协同、信息跟踪与追溯等。与此同时，随着5G技术的进一步深入，依托数据与用户需求，应用层还可以为用户提供精准化、个性化的定制应用，从而使整个生产更加贴合用户的实际需求。
自动化的概念是一个动态发展过程。过去，人们对自动化的理解或者说自动化的功能目标是以机械的动作代替人力操作，自动地完成特定的作业。这实质上是自动化代替人的体力劳动的观点。后来，随着电子和信息技术的发展，特别是随着计算机的出现和广泛应用，自动化的概念已扩展为用机器（包括计算机）不仅代替人的体力劳动，而且还代替或辅助脑力劳动，自动地完成特定的作业。
自动化技术及应用的发展经历了三个重要的里程碑。
第一个里程碑是机械控制器的诞生，核心部件是机械控制元件。代表是瓦特（J.watt）发明的蒸汽离心式调速器，利用飞球的离心力与角速度的比例关系达到反馈控制的效果，第一次出现被控量的自动调节，可以实现简单的PID控制，失效方式为机械部件。
1788年，瓦特为了解决工业生产中提出的蒸汽机的速度控制问题，把离心式调速器与蒸汽机的阀门连接起来，构成蒸汽机转速调节系统，使蒸汽机变为既安全又实用的动力装置。瓦特的这项发明开创了自动调节装置的研究和应用。在解决随之出现的自动调节装置稳定性的过程中，数学家提出了判定系统稳定性的判据，积累了设计和使用自动调节器的经验。
第二个里程碑是20世纪20年代电子管控制器的诞生，核心部件是电子管控制元件。由各种电子式控制器（电阻、电容、电感、二极管、三极管等）在各种机械与电子装置中的广泛应用，实现了机构和系统的自动化工作。其代表是20世纪“新媒体”收音机与电视机的诞生，有了“信号”的概念，以频率振幅为代表的模拟信号为主，可以实现较为复杂的PID控制，控制失效方式为电子管元件损毁。
1946年，美国福特公司的机械工程师D.S.哈德首先提出用“自动化”一词来描述生产过程的自动操作。1952年，J.迪博尔德出版了第一本以自动化命名的《自动化》图书。他认为，自动化是分析、组织和控制生产过程的手段。20世纪50年代以后，自动控制作为提高生产率的一种重要手段开始推广应用，它在机械制造中的应用形成了机械制造自动化；在石油、化工、冶金等连续生产过程中应用，对大规模的生产设备进行控制和管理，形成了过程自动化；电子计算机的推广和应用使自动控制与信息处理相结合，出现了业务管理自动化。
20世纪50年代末到60年代初，大量的工程实践，尤其是航天技术的发展，涉及大量的多输入多输出系统的最优控制问题，用经典的控制理论已难以解决，于是产生了以极大值原理、动态规划和状态空间法等为核心的现代控制理论。现代控制理论提供了满足发射第一颗人造卫星的控制手段，保证了其后的若干空间计划（如导弹的制导、航天器的控制）的实施。控制工作者从过去那种只依据传递函数来考虑控制系统的输入输出关系，过渡到用状态空间法来考虑系统内部结构，是控制工作者对控制系统规律认识的一个飞跃。
20世纪60年代中期以后，现代控制理论在自动化中的应用，特别是在航空航天领域的应用，产生了一些新的控制方法和结构，如自适应和随机控制、系统辨识、微分对策、分布参数系统等。与此同时，模式识别和人工智能也发展起来，出现了智能机器人和专家系统。现代控制理论和电子计算机在工业生产中的应用使生产过程控制和管理向综合最优化发展。
第三个里程碑是从20世纪70年代开始，计算机控制技术诞生，并逐步形成基于数字计算机控制与管理的一系列先进（柔性）自动化模式与理念。
20世纪70年代中期，自动化的应用开始面向大规模、复杂的系统，如大型电力系统、交通运输系统、钢铁联合企业、国民经济系统等。它不仅要求对现有系统进行最优控制和管理，而且还要对未来系统进行最优筹划和设计，运用现代控制理论方法已不能取得应有的成效，于是出现了大系统理论与方法。20世纪80年代初，随着计算机网络的迅速发展，管理自动化取得较大进步，出现了管理信息系统（MIS）、办公自动化（OA）、决策支持系统（DSS）。与此同时，人类开始综合利用传感技术、通信技术、计算机、系统控制、人工智能等新技术和新方法来解决所面临的工厂自动化、办公自动化、医疗自动化、农业自动化及各种复杂的社会经济问题。研制出柔性制造系统、决策支持系统、智能机器人和专家（智能）控制等高级自动化系统。20世纪90年代以来，随着智能技术和知识工程的普遍应用，现代的自动化装置及系统具有极强的环境适应能力和交互能力、复杂行为的控制能力、高智能的决策行为。
从灯塔工厂身上，世界经济论坛找出了五种价值创造方式。这些差异化因素改变了企业利用技术的方式、人与科技的互动方式，以及科技对商业决策和商业结果的影响方式。
（1）大数据决策。企业决策的基础是大数据，而不是假设；大数据的解读由模式识别算法进行，而不是人类。从技术的角度看，商业决策的执行过程是：企业决策人员以企业数据库为基础，通过利用联机分析处理和人工智能技术及决策相关的专业知识，从数据中提取有价值的信息，然后根据信息做出决策。从应用的角度看，商业决策可以协助用户对商业数据进行处理和分析，并以此帮助管理者做出决策。从数据的角度看，商业决策将内部事务性数据、供应链上下游数据及外部竞争数据通过抽取、转换和加载后转移到数据库中，然后通过聚集、切片、分类和人工智能技术等，将数据库中的数据转化为有价值的信息，为决策提供支撑。
博世汽车柴油系统有限公司（以下简称博世）从2015年起便开始运用大数据分析。当时，博世缺乏各类可直接利用的车间运行数据，如设备的运行周期、零备件故障数据等。这些数据的收集耗时耗力，需要大量的人工收集和预处理。由于缺乏可用数据，博世的车间优化工作计划不断被延后，即使收集了数据，质量也欠佳，有些静态数据因为只涉及某一时间，会因过时而很快失去可用性。
灯塔工厂博世（无锡）的员工认识到实时数据的重要性，通过分析这些数据可以帮助他们更快、更好地做出决策。这又进一步提高了企业的业务敏捷性。而要在中国市场中保证竞争力，敏捷的业务模式至关重要，博世决定先在机械加工工艺上应用大数据分析。在上百台设备上运用大数据分析后，博世发现该方法有着巨大的推广潜力。
以博世其他工厂最佳实践为基础，无锡工厂利用标准化工具，在半年内构建了一套工业物联网框架，链接了所有新装的设备状态传感器和切削工装。数据分析师与机械加工专家相互配合，他们将数据可视化，利用日益强大的数据分析（包括诊断性分析、预测性分析和规范性分析）来生成个性化的报告。例如，通过分析，工厂员工深刻地理解到切削工装的成本动因，能自动识别可延长使用寿命的工具类型，还能根据未来的需求自动调整库存。
（2）科技民主化。为了更好更快地完成任务，一线员工开始开发自己的应用和解决方案来实现自动化和便利化，生产车间里的技术正在改变人们的工作方式。
Fetch Robotics公司首席执行官Melonee Wise认为，第四次工业革命的技术能让车间员工找到改进的地方，并采取具体措施。采用自主移动机器人，负责材料的运输，将零部件从备料站运送到装配区，其等待零件的时间变短了，有些机器人会在两项任务的间隙进入等待状态，于是车间员工要求在他们的工区也部署机器人。Melonee Wise这样说：“AMR系统运用云技术部署机器人，车间主任只需要在简单的界面中点击几下，即可在备料区和其他工区之间设置和安排额外的工作流程，既不用编写任何程序，也不必求助于IT部门。通过独立与协作的工作，厂里的员工提高了工作效率及机器人的利用率，实现了共赢。”
（3）敏捷的工作模式。灯塔工厂采用敏捷的工作模式，以便在短时间内验证概念，并根据所学知识和经验改进方案，迅速从试点阶段进入扩展阶段。这一过程只需数周，而非数年。在某些情况下，模范工厂或试点技术部门会充当孵化器的角色。正如亚马逊创始人杰夫·贝佐斯（Jeff Bezos）所说：“你能拥有的唯一可持续的优势就是敏捷性，仅此而已。因为没有别的东西是可以持续的，你所创造的一切，其他人都能复制出来。”
创造敏捷的工作环境需要灵活而聪明的团队、流程及技术，并在学习中不断优化。灯塔工厂Fast Radius是一家位于美国芝加哥的增材制造公司，他们懂得敏捷性对于制造业未来发展的重要性，对增材制造行业尤其如此。该行业的环境发展迅速，颠覆性技术层出不穷，要求团队具备更强的适应力。
为了达到该目标，Fast Radius启动了一套敏捷的工作模式，让其团队可以不断迭代，提高效率。敏捷的工作模式有两大驱动力：一是灵活而扁平的组织结构；二是全组织可用的大规模学习平台。有这两大驱动力做支撑，Fast Radius可以通过以下方式适应灵活的工作环境。
赋能团队网络：Fast Radius选择了高度扁平化的组织结构。在客户服务方面，他们组建了灵活的客服团队，可快速按需改变。在运营方面，则采用了非典型的制造企业团队结构，所有的运营都围绕价值流而展开，而不是各个职能各自为政。每条价值流的领导在设计质量、工程、设备使用和生产上拥有端到端的决策权。这些跨职能团队会快速部署新技术，完成优化，从开发最小可行性产品（Minimum Viable Product，MVP）开始，然后逐步迭代，增加功能，并不断吸收各种研究发现和一线人员提供的反馈。
建立软件的快速决策和学习周期：促成Fast Radius拥有敏捷能力的关键是其专有的技术平台。敏捷模式引发了软件开发的革命，而该平台把敏捷模式的各种原则引入实体产品开发领域。在该案例中，软件会从Fast Radius虚拟仓库里存储和制造的每个零件设计中收集数据。Fast Radius会对数据进行集中化和工业化处理，然后分享给各个团队，帮助其成员根据性能表现实现快速迭代和规模化，最终将产品开发周期缩短了90%。
（4）使新增用例的成本最小化。用最低的附加成本部署用例，以便工厂可同时在多个领域推进。
2017财年，微软两款著名硬件产品的业务规模超过了80亿美元。如此大的业务规模，对制造的监控和优化、信息共享就变得尤为重要。为了确保产品和客户服务的竞争力，微软通过三大举措调整了江苏苏州工厂的生产流程：一是设备联网；二是大数据预测；三是通过机器学习打造认知制造生产线。
微软认为，设备联网最大的好处之一，是能用最少的资源设置新的用例。以前，项目经理和开发团队需要编写代码和后台查询请求，才能将新的数据源引入流程，需要几天、几周，甚至几个月。现在只需要一个人花大约15分钟就能整合新的数据源。有了联网设备，且短时间内能增加新用例，微软便根据各个组件的生产流程数据，加入了能够预测产量提升的机器学习算法。这些预测模式重点关注产品缺陷、材料浪费等因素，每完成一个用例，产量将大幅提升30%。新的解决方案为制造流程带来了诸多好处：简单的初始设置、可定制性、快速从数据中获取信息、省时、降本、增效等。微软的工厂和供应商实现了前所未有的整合，员工惊讶于自己能非常快速地获取重要信息，并找到工厂存在的问题。微软预计这些好处会随着其云解决方案的发展而不断增加。
（5）新商业模式。灯塔工厂借助第四次工业革命技术开发了新的商业模式，对传统商业模式和价值链形成了补充或颠覆。在数字化时代，每个运营组织都必须全面、持续地审查商业模式并进行重新规划——何时、何处及如何通过数字化技术来创造价值，向客户展示新的数字化商业模式。
在当今的数字时代，客户习惯了厂商24小时在线，他们希望自己的订购体验简单、有个性化。为了保持竞争力，传统制造商必须在设计阶段就与客户互动，把生产周期从几周缩短到几小时，以量产的价格完成单件订单。与此同时，还要提供流畅的接口、便捷的配送和退货服务。没有数字化技术，这些要求根本不可能实现。面对这些要求，某著名公司发现自己面临着传统产品和供应链上的挑战。该公司需要对工装的注塑成型工艺生产部件进行大量投资，且工装的生产周期很长；以传统制造工艺为导向的产品设计系统优化，限制了设计的自由度，产生了很多需要组装的零件，所有这些因素结合在一起，导致新产品上市速度过慢。
为了攻克这些挑战，为消费者提供新的价值主张，该公司创办了一家可完全客制化、低成本生产产品的新公司。新公司构建了一个增材制造生产网络，借助更多的数字化制造用例，直接在物流中心进行生产活动。该公司拥有一体化的数字化制造能力，确保制造业务的快速规模化，并利用机器学习实现了质量控制与自动化的和谐统一。它还提供一套网页程序供客户自由配置、完全定义、就近生产、体验无限设计的个性化的产品，从而降低配送成本，缩短交付周期。
该项目成果颇丰，完全颠覆了现有的价值链，且在一年后斩获了数百万欧元的销售额。它还在现有的运营条件下为公司带来了诸多优化：新产品推出时间减少90%；库存占用资本减少75%；每件产品的人工组装时间减少80%；对设计专用工具的投资减少100%；二氧化碳排放减少50%。
这家公司为我们提供了借鉴，告诉了我们如何根据市场变化创造新的商业模式。最近几年涌现出很多颠覆性的数字化技术，它们已经对供应链、产品设计、制造流程及市场营销产生了持续影响。企业（尤其是大企业）要成功地捕捉市场变化，必定要走一条充满机遇与荆棘的路。我们从该公司获得的启示如下。
预期管理在公司每个层面都很重要。目标过高往往只会带来失望，与最终目标契合且有意义的短期结果比过高的目标更可取。
经验表明，在初期成立一个与公司其他部门分离的独立团队有颇多好处。该独立团队可随时获取公司资源，助其取胜（如品牌、投资资金、人才、销售渠道）。
面对颠覆力量，企业文化需要随之变革才能取得成功。只有高管层由衷地支持变革，才能解决所有的潜在冲突，确保在成熟前能够获得必要的资源。
虽说这些灯塔工厂已处第四次工业革命前沿，但企业转型升级是个永不停歇的过程，还有进一步提升的潜力。工厂的理想与现实之间存在差异，尤其是新产品的上市速度最为明显。例如，虽然有54%的灯塔工厂认为上市速度很重要，但只有21%的工厂在这方面表现优异，很多工厂还需要不断地提升新产品的上市速度。
灯塔工厂是“数字—智能化制造”和“全球化4.0”的示范者，它们拥有第四次工业革命的所有必备特征。它们验证了一个假设，即产生价值驱动因素的全方位改进可以催生新的经济价值。这些驱动因素包括：提高生产效率、提升敏捷性、加快产品上市速度、满足客户的定制化需求和提升企业可持续发展能力。改进传统企业的生产系统、创新设计价值链、打造具有颠覆潜力的新型商业模式等举措都能创造价值。
世界经济论坛指出了制造业先锋在规划未来时，可供选择的两条扩展路径。
一是生产系统创新（Production System Innovation）。通过卓越的运营，旨在优化生产系统，提高运营效率和质量指标，企业可以扩大自身竞争优势。企业通常会在一个或几个工厂先行试点，然后逐步推广。
二是端到端价值链创新（Innovation in the End-to-end Value Chain）。灯塔工厂并非仅运用数字技术改善工厂的营运流程，更重要的是能否有效达成以价值为导向、有效链接消费者与生产端的应用。灯塔工厂应将创新部署到整个价值链中，通过推出新产品、新服务、个性化定制、更小的批量或者更短的生产周期，为客户提供全新或者改良的价值主张。企业首先在某一个价值链上实施创新和转型，然后将其经验和能力逐步延伸至其他部门。
制造业的第四次工业革命成为经济增长新引擎，帮助我们以全新的方式来学习和创造价值。只要领导层有远见卓识，企业无论规模大小，都可以踏上一场创新之旅，从数字—智能化转型中获益。若能本着包容性的态度去善用技术，以打造一个更美好的世界，我们的社会将会变得更强大、更清洁、更互联。世界经济论坛对灯塔工厂的分析颇具意义，为如何实现第四次工业革命的大规模部署指明了方向。这些灯塔工厂的光芒可以刺透迷雾，照亮前路。
仔细地观察宝洁（Procter&Gamble）的拉科纳工厂（Rakona Plant）有助于我们深入了解深刻变革的制造环境。行业领先者可从这些细致观察中学习第四次工业革命的展开方式，了解其中蕴含的收益、机遇和挑战。拉科纳工厂可以证明，利用第四次工业革命提高生产率，可以从容面对不断变化的客户需求和不断上升的市场竞争压力。
1.工厂历史
拉科纳工厂距离布拉格（Prague）60千米，建成于1875年，是宝洁历史上第二悠久的工厂。每天，这里可以生产约400万瓶洗碗液、洗碗粉和织物增强剂。在2010年至2013年，随着人们对洗涤产品的需求从干粉转向液体，宝洁的销售额大幅下滑。面对这一挑战，该工厂启动了一个大幅压缩成本的新项目。该项目实施后，这座工厂的成本不断降低，需求却逐渐攀升，并在2014年和2016年决定扩张。为了能够成功地实施这种扩张，全方位地利用第四次工业革命技术，就需要拥抱数字化和自动化，并以此来预测和满足新兴需求。
2.包容性愿景
尽管面对着经济压力和各种不确定性，拉科纳工厂还是希望打造一个有弹性且可持续的发展未来。他们清晰地阐述了自身的愿景：“我们是拉科纳，我们创造未来。”厂长Aly Wahdan说：“这一愿景是所有员工一起敲定的。它既表达了我们对拉科纳满满的自豪感，也表明了我们亟须开发有吸引力的解决方案的迫切性。我们会在工厂内积极探讨这一愿景，将所有员工纳入这场创新之旅，通过降低损失来提升竞争力。”
有了这一愿景，拉科纳工厂在两个关键推动因素的支持下，成功开展了第四次工业革命创新。一是利用外部数字环境。拉科纳的领导层发现，内部团队缺乏促进第四次工业革命技术创新的必备技能，因此他们以多种方式从外部获取数字化和自动化知识，包括与布拉格的大学建立直接联系，与创业公司展开合作，并且通过学生交流项目让受过数字化教育的学生与拉科纳员工并肩工作。二是提高员工的技能水平，塑造未来工作模式。该工厂开发了一个对所有员工开放的项目，旨在加深他们对数据分析、智能机器人和增材制造等新技术的理解，并拉近与这些技术的距离。通过这种方式，员工学会了一些专业技能，如“网络安全主管”这样的新职位也得以建立。这种“拉”的方式有别于自上而下实施的“推”的做法，是打造包容性创新文化的关键。其目标是让整个组织100%地参与数字化转型。
3.五大用例
灯塔工厂可以从各不相同的用例中获益。对拉科纳工厂来说，前五大用例分别是数字化系统设置、工艺品质控制、通用包装系统、端到端供应链同步，以及建模和仿真。
数字化系统设置是一套数字化绩效管理系统，在技术和管理系统中都可产生影响。它既能解决数据收集流程艰难且耗时的问题，又能避免根据不精确的数据来制定决策的情况。数字化系统设置工具会直接在生产车间的触摸屏上实时显示KPI，让用户得以在多个层面研究数据，以便了解推动绩效改善和造成偏差的根本原因，及时调度和追踪一线员工的改善行为。这样，整套系统的严格执行就会提升流程的可靠性和设备的综合效率（OEE）。采用高频测试和迭代的敏捷开发方法后，整个工厂都能成功实施数字化转型。
工艺品质控制可以解决之前人工取样过程中存在的问题，后者无法保证同一批次的产品每一个质量都达标，后期如果发现偏差，整个批次都要报废和返工。此外，工艺品质控制还解决了与实验室分析有关的产品发布延迟问题。其可对来源于多个传感器的多种数据展开实时分析，这些数据会监控pH值、颜色、黏度、活动程度等信息。如果发现偏差，对应的生产线就会停工，一线员工会查明批次质量，并撰写报告。这套由宝洁开发的业内首款系统在IT/OT的整合促进下，首先在新生产线上进行了测试，接着再向整个系统推广，既减少了重复性手工劳动，又使员工的工作更为轻松。就结果来看，由于实现了实时产品发布，产出时间大大缩短，返工和投诉比率减少了一半，报废和次检数量也大幅减少。
有了名为UPack的统一包装系统后，即便生产线处于运行过程中，也能轻易实施任何配方变化。以前，只有生产线彻底停工才能完成转换，这就意味着一线员工需要花费很多时间手动设置机器并等待。这套宝洁集团开发的系统现已经部署到了所有包装生产线上。该系统完全整合了传感器、摄像头、扫描器和包装材料，可以检视和验证每个区域的现状。不同于纸质数据的记录模式，UPack采用的是自动化生产线检查技术，包装生产线的每个区域都能处于不同阶段（如启动、生产、空载或转换）。基于系统存储的配方数据和制程质检，Upack还能自动配置机器，一线员工交接任务的时间缩短了50%，最小订单量也降低了40%。
端到端供应链同步已经解决了几个问题，包括每次活动结束后过量产品的报废、库存资本约束、上市速度缓慢，以及艰难而费时的手动供应链分析。基于不断变化的用户需求，宝洁对产品进行不断改良，这个全球化工具应用于工厂管理层面，与中央规划团队进行协调。宝洁会用这个基于互联网的工具进行分析建模和模拟，通过模拟不同情况下整个供应链的状况，识别出问题所在，以便清晰地观察供应链的端到端情况，从而提升供应链的敏捷性。该工具能够在每个节点显示供应链全信息，并深入分析和优化每个产品和生产线，对标不同工厂和生产线，以便相互比较。这套工具应用于所有产品和生产线，三年间库存减少了35%，库存效率比前一年提升了7%，减少了退货和缺货数量，并提高了新产品推出后的上市速度。
建模和仿真能解决很多问题，包括了解调整生产线带来的影响、减少生产设置的测试成本，以及在运营前就识别出新产品缺陷，以避免高昂的纠错费用。这个用例涉及多种大规模使用的描述性和诊断性建模应用，以及部分预测性试点建模应用，上述建模应用都以达到规范性建模能力为目标。样本建模应用包括与新产品发布有关的制造产出（如向生产线推荐SKU分配和存储罐数量）、选择最佳传送带速度、确定理想包装尺寸、模拟生产线的变化、提前预测失败及识别未达标的根源。直观的模型和工程师的操作水平是重要的推动因素。这种方法能将失败扼杀在摇篮中，从而改良产品设计、提炼问题陈述，以及优化测试方法。
4.成就、影响和未来
拉科纳工厂的创新经验向我们表明，一家灯塔工厂在拥抱第四次工业革命后可以产生怎样的实质性影响，如三年内生产率提升了160%，客户满意度提升了116%，客户投诉减少了63%，工厂整体成本降低了20%，库存降低了43%，不合格产品减少了42%，转换时间缩短了36%……
该工厂并未满足于当前取得的显著成就，而是立足未来，制定了更加宏伟的目标。其中包括“无人值守”运营、实时自动维护、低成本的协作机器人，以及端到端供应链同步。全球产品供应官Yannis Skoufalos说：“我们的目标是创造端到端同步的供应网络，让零售客户、宝洁和供应商都能高效地无缝运营，让宝洁的产品在24至48小时内就能出现在商店的货架上。”要实现拉科纳工厂的愿景，就要持续不断地创新和改良。这家灯塔工厂始终在努力践行自己的使命——我们创造未来。