2020年本來打算寫一本智能制造方面的書。6月份完成草稿后，恰逢疫情好轉，也就沒有時間完成了。好在可以回顧2020寫的大約170篇筆記，看看今年的認識在哪些地方有所深入。
1、創新理論的完善
我研究了20多年企業創新，距《管中窺道》的出版也十年了。過去每次講課，總還是覺得邏輯上有些不順。今年突然意識到：可以用漏斗理論把所有的想法串起來。
所謂漏斗理論就是：1000個想法中，只有100個值得深入思考；100個值得深入思考的想法中，只有10個值得嘗試；在這10個值得嘗試的想法中，大概只有1個能取得成功。
這個理論告訴我們很多道理。比如，如果企業不鼓勵大家提出創意，就難以成為創新的企業；但如果有了創意就蠻干，也難以成為創新型企業。所以，既要鼓勵人們產生想法，又要慎重選擇和推進。再如，創新的管理會變得特別重要，企業的創新能力極大地依賴于創新管理能力。
創新中有很多矛盾，過去講課時很難解釋：既要胡思亂想、又有認真執著；既有知難而上，又有知難而變、知難而退；既有一切從經濟性出發，又有“不惜一切代價”；既需要常識和經驗、又需要科學和理論；是“人擇難題”，又有TRIZ工具；是技術問題，又是管理和文化問題。
現在，這些觀點都可以附著到這個“漏斗”的過程中：在不同的階段，要求不同。例如，創新起于胡思亂想，成于認真執著——在漏斗前面的階段要大膽去想，在后面的階段要認真努力地執行。再如，先要有常識，再要有知識；先要知道“知難而退”、“知難而變”，才有“知難而進”；研發的過程要舍得花錢，優化的過程要經濟驅動等等。
過去，我總覺得中國的學術界缺乏工業常識。甚至覺得：在某些領域，90%的國家項目可以直接槍斃。所以，我一直強調常識很重要、要普及常識。但也有很多人質疑我：常識就真的那么重要嗎？有了常識就能創新嗎？
現在，利用“漏斗”理論就可以解釋我的想法和質疑：人們缺乏常識往往表現在篩選的第一階段，這個階段確實應該否決90%的項目。但是，僅有這個階段還是不夠的，還要有后面若干個篩選階段，而且項目運作階段也有很多技巧。
另外，我過去既強調“條件和需求的改變是創新的機會”，又強調“創新要挖掘潛在需求”?，F在，我也可以把這兩個要求的關系講清楚了：超越前輩，要靠條件和需求的改變(天時)；與同代人競爭，要靠挖掘潛在的需求(地利與人和)。
同時，我對需求的潛在性有了更深的認識：除了回歸需求本源(解決需求與客觀條件的矛盾)，就是認識業務需求和經濟需求的矛盾。所謂業務需求和經濟需求的矛盾，就是我俗稱的“叫花子對御廚沒有需求”；或者“窮人對100萬元一粒的救命藥沒有需求”。而潛在需求的理論，又引發出“牽引需求”的實質是什么。
2、深入認識智能化
對于工業的智能，我一直有個說法就是“吳淑珍式的智能”。也就是把人的知識變成計算機的代碼、讓計算機執行。今年又強調了另外一種智能“小秘書的智能”，也就是為人提供認知的知識（比如設備不穩定、操作不規范等）、幫助人決策的智能。我同時意識到：工業互聯網的“高級算法”，很多就是“小秘書的智能”。兩種智能的特點都是：讓機器用人類容易明白的道理，去做人做不好的事情，是從自動化到智能化的標志之一。在最近的工業互聯網大賽中，符合這種理論的項目非常多。
這種智能產生的一個重要背景就是：在工業互聯網時代，成千上萬的數據上網，導致數據太多、產生速度太快人類沒有辦法有效地關注和處理。需要讓機器幫助我們處理這些信息，從而把人類從數據的海洋中解脫出來。這種模式可以最大限度地發揮人和機器各自的優勢。
與傳統的信息化相比，過去廠子出了問題時，是“人找數”：人到信息系統中尋找問題發生的原因。在智能化時代，出了問題時，是“數找人”：有問題需要關注時，機器自動推送給人。產生這種想法并不奇怪，但過去不容易實現。在數字化網絡化時代，計算機有更多的能力自動地找到原因?！靶∶貢钡淖饔茫搀w現在這個地方。
從哲學的角度講，從自動化到智能化是“尺度變化”引發的“量變到質變”的變化。
引發量變的“自變量”有兩個：一個是網絡化、一個是數字化。這兩化的本質作用，是讓就算計具備決策(或輔助決策)的基本條件--這個基本條件就是：計算機必須得到決策所需的信息、知識和計算能力。這兩個變化帶來的結果，是智能化程度的提升--也就是自主決策(吳淑珍式的智能)和輔助決策(小秘書智能)的發展。
這個觀點，我稱之為“智能化發展的三條線索”。這三條線索，其實對應工程院智能化發展的“三個范式”。但是，從三條線索的角度看問題，更容易用實踐來印證。過去和現在，我們都可以找到大量的案例。
智能化時代，為什么是“吳淑珍式的智能”、“小秘書式的智能”，而不是過去那種復雜算法呢(如最優控制算法)？
最近，我對這個問題進行了分析。我的解釋是：隨著系統變大、算法的使用時間變長，(理論)模型誤差往往是難以避免的(當然，這與行業有關)。這種變化，會導致標準化變得重要(拷貝不走樣)、定性的知識變得重要。
兩種知識的重要性增加，使得人類通過經驗得到的知識變得重要。而數字化，可以進一步讓人類定性的經驗知識變得精確化。并且，交給計算機以后可以更加快速、準確、標準化地響應。
在定性知識應用的過程中，往往與現代工業傳統的做法結合起來。如標準化方法、PDCA、FEMA、Checklist。我在一篇文章中，談到孔師傅對“聲音渾厚”的認識，就是這個道理。
從這意義上講，先有標準化，才會有智能化。這種結合方式可能不是最優的，但可以比過去做得更好。特別地，由于前面提到的原因，智能化系統的誤差是變化的。所以，系統的矯正就變得必不可少(實踐也證明了)。但是，矯正過程絕對不是某些人說的復雜的自學習。而是機器學習與人工的結合、是有套路的。這種結合經常與標準和經驗結合在一起。所以，PDCA的做法需要更加深入地引起重視。
另外，系統變大以后，多個學科的工作都融合起來了。比如，IT與OT的融合等。不久前，我分析了這種融合的特點：基于標準化的思想。只有這樣做，才是靠譜的。
從自動化到智能化的過程中，一個重要的變化是“從感知到認知”。認知的知識變得特別重要。而所謂的“認知”與“標準”結合。用數據、曲線定義標準，分場景定義標準等。所謂的認知，往往就是判斷是不是“超標”——因為往往只有超標，才是需要人類關注的。在數字化時代，很多工作都是可以用數字“標準化”的。所以，數字化時代有能力提高認知能力，促進從感知到認知，從自動化到智能化。
從這個角度看，AI的主要作用其實也是提高認知能力、尤其是與圖像相關的認知能力。
3、認識現代工業
我覺得，很多專家的觀點不靠譜，是因為他們不理解現代工業?，F代工業的特點，是通過持續不斷地改進，實現對質量、效率、成本的追求。而這些問題，最后卡脖子的往往是安全、穩定、可靠性問題。而為了解決這些問題，又引入了標準化、PDCA等概念。而標準化、PDCA等概念，才容易與數字化的方法對接、與現有的工業做法融合。
我經常嘲笑的一些專家，本質是不理解安全、可靠、穩定性的價值和難度；不理解質量與高科技的關系；不理解標準化的作用；不理解PDCA持續改進的意義。而不理解這些，也就難以理解數字化轉型和智能化的具體做法。
我國工業界對數字化的認識也存在誤區。這種誤區形成的原因是：過去中國企業的競爭力，本質上是靠勞動力成本低(否則，企業可以嘗試到國外招人試試)。人們習慣于低的質量水平、低的管理水平、對標準化的意義認識不到位，高端研發服務的業務少。落后企業不理解數字化轉型，就像叫花子能夠想到的理想就是天天有饅頭吃，而想象不出皇帝吃什么。
在我看來，搞高科技并不需要搞天翻地覆的大事。只要在一定基礎上做持續改進就行了，尤其是質量的改進。持續改進的結果，就是積跬步以至千里。一件事做久了、越走越好，就是高科技。
在我看來，國外卡我們脖子的技術，本質上都是質量不過關。質量不過關是因為我們持續改進的能力差、甚至基本停止。持續改進的能力差的原因很多：市場的原因、驅動力的原因、重視程度的原因、改進知識的原因。我們在推進轉型時，要注意改變這些觀念。
比如，我國企業，對研發工具開發的重視程度嚴重不夠。從某種意義上說，我們絕大多數企業的研發還處在手工勞動階段，而別人的研發卻處在現代化大生產階段。如果這個問題不解決，我國怎么能和別人競爭研發能力？
不重視工具，是急功近利的結果。工具的價值一直都是面向未來的。所謂“磨刀不誤砍柴工”。工具的開發，一定會耽誤一點功夫。急功近利的企業，就不會在乎。甚至根本意識不到研發工具的重要性。
其中，數字化技術，是研發工具的重要組成部分。而數字化轉型，應該為數字化研發工具的發展奠定基礎。
再如，企業的“優化”和持續改進，是需要有人員配置的。在我國的很多企業，并不把“優化”當成一種必要的工作，而是可有可無的。如果這樣，對數字化研發的拉動就是不足的。
另外，高科技發展的前提，是用戶和市場驅動。用戶驅動，指的是用真實的需求；市場驅動，指的是有足夠大的現實市場、賺到足夠的錢。我國高科技產業落后的本質原因，都可以從這里找到。如果市場不足以養活一個高科技企業，這個企業就難以生存，也就必然堅持不下去。
市場大是我們的優勢，而市場被非市場因素分割，是我們的隱患。現在，這種情況非常嚴重。
4、其他的一些想法
今年，我突然意識到把設計過程與選材、生產、采購、銷售過程聯系起來的重要性。我相信，未來的幾十年，在這個領域會有重大的突破。我擔心，我們國家會在這個領域落后。這類問題，國外沒有人炒作——人家真正重視的東西，往往是悶頭去做。等我們知道了，也就晚了。
數字化的價值為什么這么大？ 我讀書的時候，人們說：數學是上帝描寫宇宙的符號。我認為，這句話說出了數學的偉大。而現在，人們用數字化模型描述世界。這也就是數字化的偉大之處?，F在，我們具備了用數字化手段描述世界的能力，從而帶動了世界的數字化轉型。但用數字化過程描述世界的時候，會存在誤差——處理和應對誤差的學問，是一門大學問。其實，控制論的產生，就與思考這個問題有關。
數字化的思維和我們日常的思維方式不一樣。這種差別就像司機選路的思維方式和步行不一樣。要用好數字化的手段，就要學會數字化的思維方式。也就是把我們遇到的問題，轉化成一個計算的問題。問題轉化好了，辦法總是有的。在數字化背景下，仿真和枚舉的價值都是非常大的。因為這些算法具備一般性。
另外，今年還考慮了幾個問題：工業大數據的收集，應該有什么要求? 工業APP是否一定是基于平臺的？智能技術與工藝技術、設備技術、控制技術的關系如何？數字孿生到底有什么用處？......這些問題的答案，是呼應前面的想法。
今年特別高興的是，我年底當了幾次大賽的評委。項目實踐證明：這些成功的應用，往往符合我的設想和邏輯。過去， 我用自己的實踐產生自己的想法；現在，我用別人的實踐，印證自己的邏輯。
“我思故我在”。今年思考了一點問題，說明我還活著.....
作者：郭朝暉(工學博士，教授級高工。企業研發一線工作20年；優也科技信息公司首席科學家；東北大學、上海交大等多所院校兼職教授。國內知名智庫、走向智能研究院的發起人之一。原寶鋼研究院首席研究員)
