400-868-1122
根云-工業趨勢分析
返回此文為中國航空工業信息技術中心首席顧問寧振波在近日舉辦的“第九屆航空航天信息化建設合作峰會”上的主題演講，題為《三論智能制造的基礎-數字化和人工智能》。
當我們一步步的把方法、知識和經驗變成軟件和模型的時候，是不是在一步步的走向智能？大家應該很清楚，在過去幾年里，浮躁不是少數人的行為，特朗普讓許多中國人頭腦清醒了起來。2014年到2016年我們講論智能制造，2017年和2018年講再論智能制造，我們必須搞清楚智能制造是什么，智能制造是用軟件來定義控制數據的自動流動，解決復雜產品的不確定性問題。
制造業大而不強，說到底是：研發不強
當然，不僅僅是生產，它既有研發工藝生產交付交付或者維護維修過程，以及整個的綜合管理體系。我來說一個數據，真實的廣東省經濟的數據。廣東省GDP中國第一大省，但是90%的企業單位沒有自主研發能力，大家想一想是不是很可怕？換句話說，我們是代工廠或山寨工廠，是血汗工廠。
主席多次講過，中國制造大而不強在哪？是研發不強。我看了很多材料，我們工業互聯網的優秀案例也好，評價也好，應該是把研發設計放在第一位，生產制造放在第二位，綜合保障和服務大數據采集放在第三位，運營管理和物流放在第四位，但是在全國報上來的材料里，運營管理和物流的項目報的最多，其次是交付維維護，第三是智能制造過程，而最難的研發設計反而報的項目最少。
華為為什么牛？去年我在福州參加了華為全球大會，2018年的專利統計中，歐洲所有專業里，專利數量西門子第一，華為第二。為什么美國舉全國之力來收拾華為？是不是美國人感到害怕？因此我們一定要清楚智能制造是要干什么，智能制造是全員的事，不是某幾個人的事。
我們企業轉型升級相當于做手術，一個人要做手術，首先要做診斷，除非是車禍緊急救援，普通情況下不把病情查清楚你敢下手么？一定是先診斷清楚才開始做，瞎做的結果一定會是投入大量資金后走到溝里去。同理，企業的能力和水平在哪個點上，每個企業的水平不一樣，制造流程中，設計、工藝、制造、生產、設備維修、交付等環節，從哪開始做，先做哪個系統后做哪個，一定要搞清楚。
比如說，中國過去幾十年里在ERP上吃了大虧，為啥？2003年到2005年，聯想和華為先上了ERP系統，當時的生產情況挺好的，結果到了2005年，華為發現了輸入包不完整的問題，華為馬上就換了PLM系統，虛擬的模型包不完整了，吃了很多虧。什么意思呢？ERP和PLM系統緊密關聯，它的MBOM一定來于PLM。很多系統是前面做不好，后面做了就推翻重來，這就是中國的企業大部分吃很多虧的原因。
最典型的案例就是西門子的安貝格城化工廠。他們原先生產PLC控制器，每天生產6萬個，每個都不一樣。首先個性化定制的結構不一樣，接口標準不一樣，總線不一樣，通信協議不一樣，軟件不一樣，印刷板不一樣。原先是千分之五的不合格品率，轉型升級之后，現在是百萬分之五不合格品。
我也碰到很多企業問我，我們花了很多錢上的項目都沒有得到什么效益，我說路線錯了，選型錯了一定不會見效。在第四次工業革命的轉型過程中，一定會有一部分企業發展壯大，形成國家能力，也一定會有大量的企業走錯路。
“云大移物智”
“云大移物智”不是單獨存在的，它有關聯關系的，要是只單獨考慮某一個問題，一定會出大錯誤。
但是在過去幾年里，好像在講智能制造時不講“云大移物智”，整個人就都傻了，是吧？我不知道大家有沒有思考過這樣一個問題，如果我們的集成電路芯片做好了，我們的工業基礎軟件做好了，“云大移物智”完全可以隨便搭建。構成智能制造的基礎是集成電路芯片和基礎工業軟件，必須先解決這兩個關鍵問題，這兩塊如果沒有，“云大移物智”全是空中樓閣！
當然，我不反對推進機器人無人工廠，但核心應該是經濟性，合算不合算，不合算就晚點再上，一定要算好賬。我到德國考察多年，發現德國二戰后的工業發展是一步一個臺階的往上走。我們中國的工業在改革開放的四十年里取得了巨大的成就，但是我們要正確認識我們在哪？反過來說，如果沒有西方國家幾百年工業發展的道路，我們這四十年能走的這么快嗎？跟著走容易，創新難。
用管理簡化技術問題
我們總是試圖用技術來進行管理，很多領導說買ERP，我買了世界上最好的管理軟件，為啥管理上不去？你買個軟件就能解決管理問題了嗎？這是兩件事情。你為啥不向任正非學習呢，看看他們是怎么做的。
西方人思維是，利用管理來簡化技術問題。比如說成飛公司流程檢測項目，當時就是集團數碼幫助做的，做的非常好。把整個生產流程和管理流程簡化了，再做信息化不就簡單了？當時咱們空軍司令員許其亮在豐臺空軍招待所講過，標準化的問題是把復雜問題簡單化，簡單問題流程化，流程問題信息化，用管理來解決很多技術問題。
所以智能化的意義在于從管理入手，實際上很多問題不用解決。實際上現在的工業已經不是傳統工業，傳統工業是基于實物的，質量管理體系只管實物?，F在航空工業的質量體系，比如在一架飛機研制過程中，首先定義的是軟件采用什么版本，同一個飛機幾十家甚至上百家場所參與，用同一個軟件同一個版本，送來的模型不僅有幾何外形，還有材料數據，可以在計算機上算飛機的功能和性能，減少了大量的轉換。這就是用管理來減少轉換技術。
對人工智能的認識
實際上，對人工智能的認識，西方講的是從數據到信息到知識再到智慧。數據是過去過程，通過信息知識關聯，再到知識形成整體，最后進行系統整合。關于人工智能的建議，現有的所有科學方法和原理都解讀不了人的大腦，對人的智能認識，我們現在是一片空白。
我們人類有1000億個腦神經細胞，但是世界最領先的團隊也只能模擬52個腦神經細胞的連接關系。大家可以思考一個關于大腦和電腦的問題，電腦有CPU，每個CPU有很多核，如果一個核相當于一個人腦細胞的話，有個最大的問題就是新陳代謝。
人的一個腦細胞死亡了，可以自動從腦神經網絡上剝離，通過靜脈血液排出人體。人還有干上的腦細胞，干上的腦細胞不但可以制造新的腦細胞并自動連接上腦神經網絡，還可以把原來腦細胞的知識自動傳遞到新的腦細胞中來。
再看集成電路，14nm的集成電路是目前最經濟性最好的，可能有人會告訴我，現在美國已經推出7nm的集成電路了，它的經濟性其實不好。集成度越高、內部線條越細，其內部的效應使集成電路到了天花板，當然還有耗能問題。AlphaGo耗能300kW，一千多顆CPU，170多個GPU。
我后來開玩笑說，我們輸給AlphaGo，但我們一碗豆漿兩根油條就能工作。所以仔細考慮之下，人工智能問題沒有那么簡單。中科院人工智能研究的幾個頂尖專家告訴我，人工智能現在還達不到三歲的水平。
正確理解智能制造
接下來，我們要正確理解智能制造，一個復雜的組織體制應該怎么樣？智能工廠的大腦在哪？它是在決策層還是管理層。五年前有個領導跟我說，我知道什么叫智能制造，我說那你說一下吧，他說機器換人就是智能制造，我就笑了，我說先用機器把你換掉，他傻了。
我是什么意思呢？意思是所謂的機器換人只是低端工作，高端工作的智能絕大部分決策管理還是靠人來完成。
因此我個人認為什么是智能制造呢？是在正確的決策管理下形成的自主研發體系。再多的機器人、再多的數控數控設備、再多的智能倉庫和智能物流，也還是停留在操作層面的，仍然是自動化的傳承，不是智能制造。
如果把智能制造比作一場馬拉松比賽的話，我們中國智能制造作為其中一名運動員正在熱身，尚未上場?，F在這些工廠搞的僅僅是生產線上的小事，還是過去的自動化。
我再說一個常識性的東西，可能大家都沒有想過。大家都看到工業4.0發展或四次工業革命發展的圖了，大家反思一下，第一次第二次第三次工業革命，哪一次不是幾十年甚至上百年的歷史。如果以大家公認的2013年4月份漢諾威博覽會，德國人發布工業4.0作為第四次工業革命的開始的話，滿打滿算到現在不到六年，你就智能工廠智能制造了？這是句玩笑話！
數字化才是基礎
我們目前要努力去做的是數字化制造，數字化就已經非常困難了。過去我們講的就是實物到實物，中國的傳統制造是二元系統HPS，H是human，P是physical，S是system。新的發展方向是HCPS，這是我們中國的創新，H是人，P是物理空間，C是網絡空間（cyber）。
1991年波音777研制的時候用了七八百種工業軟件，互不關聯，形成了14個報表。2005年787的研制上了一個大臺階，形成了波音的全球研制體系，用了8000種工業軟件。波音現在有8500種工業軟件，它還只敢說是數字化，不敢說智能化。
我們在思考，如果我們把數字化制造做到了，智能制造離我們還遠嗎？當我們把大部分成熟的工作一步步變成軟件和模型并交給電腦來干的時候，我們是不是走向智能了？當我們絕大部分步驟都由電腦完成的時候，是不是一腳就能踹開智能的大門了？實際上，智能制造的基礎就是數字化。
我們需要有高速工業互聯網的連接，有大量的工業APP的支持，才能夠在虛擬空間中完成產品的全壽命周期的設計制造實驗，反復考核，反復檢查，發現設計的問題，工藝的問題，制造的問題。發現問題之后，改模型要比改實物容易吧？最后沒有問題了，我想造就可以造，從虛擬空間映射到物理空間去。
過去的生產線是手工的，現在我們要建成數字化生產線，未來還要成為智能化生產線。我們還要把網絡空間中的虛擬實驗和仿真驗證映射到實物實驗過程中，在網絡空間中大量的仿真，大量的數據實驗。做了大部分工作之后，實物實驗可以只做驗證性的實驗，減少了很多工作量。
總結
最后我想小結的是，智能制造的本質，是軟件化的工業技術，由軟件控制數據的自動流動，解決復雜產品的不確定性。軟件化的工業技術，軟件定義的生產體系，肯定會帶來生產關系的優化和重構，必然會有一部分企業發展壯大，也有一部分企業大浪淘沙跟不上潮流，這是歷史的必然。
如果您想了解更多樹根科技為工業企業提供的工業互聯網解決方案，可以直接點擊網頁右方彈框的“聯系我們”，或者直接撥打樹根科技的熱線：400-868-1122.
