2020年本来打算写一本智能制造方面的书。6月份完成草稿后，恰逢疫情好转，也就没有时间完成了。好在可以回顾2020写的大约170篇笔记，看看今年的认识在哪些地方有所深入。
1、创新理论的完善
我研究了20多年企业创新，距《管中窥道》的出版也十年了。过去每次讲课，总还是觉得逻辑上有些不顺。今年突然意识到：可以用漏斗理论把所有的想法串起来。
所谓漏斗理论就是：1000个想法中，只有100个值得深入思考；100个值得深入思考的想法中，只有10个值得尝试；在这10个值得尝试的想法中，大概只有1个能取得成功。
这个理论告诉我们很多道理。比如，如果企业不鼓励大家提出创意，就难以成为创新的企业；但如果有了创意就蛮干，也难以成为创新型企业。所以，既要鼓励人们产生想法，又要慎重选择和推进。再如，创新的管理会变得特别重要，企业的创新能力极大地依赖于创新管理能力。
创新中有很多矛盾，过去讲课时很难解释：既要胡思乱想、又有认真执着；既有知难而上，又有知难而变、知难而退；既有一切从经济性出发，又有“不惜一切代价”；既需要常识和经验、又需要科学和理论；是“人择难题”，又有TRIZ工具；是技术问题，又是管理和文化问题。
现在，这些观点都可以附着到这个“漏斗”的过程中：在不同的阶段，要求不同。例如，创新起于胡思乱想，成于认真执着——在漏斗前面的阶段要大胆去想，在后面的阶段要认真努力地执行。再如，先要有常识，再要有知识；先要知道“知难而退”、“知难而变”，才有“知难而进”；研发的过程要舍得花钱，优化的过程要经济驱动等等。
过去，我总觉得中国的学术界缺乏工业常识。甚至觉得：在某些领域，90%的国家项目可以直接枪毙。所以，我一直强调常识很重要、要普及常识。但也有很多人质疑我：常识就真的那么重要吗？有了常识就能创新吗？
现在，利用“漏斗”理论就可以解释我的想法和质疑：人们缺乏常识往往表现在筛选的第一阶段，这个阶段确实应该否决90%的项目。但是，仅有这个阶段还是不够的，还要有后面若干个筛选阶段，而且项目运作阶段也有很多技巧。
另外，我过去既强调“条件和需求的改变是创新的机会”，又强调“创新要挖掘潜在需求”。现在，我也可以把这两个要求的关系讲清楚了：超越前辈，要靠条件和需求的改变(天时)；与同代人竞争，要靠挖掘潜在的需求(地利与人和)。
同时，我对需求的潜在性有了更深的认识：除了回归需求本源(解决需求与客观条件的矛盾)，就是认识业务需求和经济需求的矛盾。所谓业务需求和经济需求的矛盾，就是我俗称的“叫花子对御厨没有需求”；或者“穷人对100万元一粒的救命药没有需求”。而潜在需求的理论，又引发出“牵引需求”的实质是什么。
2、深入认识智能化
对于工业的智能，我一直有个说法就是“吴淑珍式的智能”。也就是把人的知识变成计算机的代码、让计算机执行。今年又强调了另外一种智能“小秘书的智能”，也就是为人提供认知的知识（比如设备不稳定、操作不规范等）、帮助人决策的智能。我同时意识到：工业互联网的“高级算法”，很多就是“小秘书的智能”。两种智能的特点都是：让机器用人类容易明白的道理，去做人做不好的事情，是从自动化到智能化的标志之一。在最近的工业互联网大赛中，符合这种理论的项目非常多。
这种智能产生的一个重要背景就是：在工业互联网时代，成千上万的数据上网，导致数据太多、产生速度太快人类没有办法有效地关注和处理。需要让机器帮助我们处理这些信息，从而把人类从数据的海洋中解脱出来。这种模式可以最大限度地发挥人和机器各自的优势。
与传统的信息化相比，过去厂子出了问题时，是“人找数”：人到信息系统中寻找问题发生的原因。在智能化时代，出了问题时，是“数找人”：有问题需要关注时，机器自动推送给人。产生这种想法并不奇怪，但过去不容易实现。在数字化网络化时代，计算机有更多的能力自动地找到原因。“小秘书”的作用，也体现在这个地方。
从哲学的角度讲，从自动化到智能化是“尺度变化”引发的“量变到质变”的变化。
引发量变的“自变量”有两个：一个是网络化、一个是数字化。这两化的本质作用，是让就算计具备决策(或辅助决策)的基本条件--这个基本条件就是：计算机必须得到决策所需的信息、知识和计算能力。这两个变化带来的结果，是智能化程度的提升--也就是自主决策(吴淑珍式的智能)和辅助决策(小秘书智能)的发展。
这个观点，我称之为“智能化发展的三条线索”。这三条线索，其实对应工程院智能化发展的“三个范式”。但是，从三条线索的角度看问题，更容易用实践来印证。过去和现在，我们都可以找到大量的案例。
智能化时代，为什么是“吴淑珍式的智能”、“小秘书式的智能”，而不是过去那种复杂算法呢(如最优控制算法)？
最近，我对这个问题进行了分析。我的解释是：随着系统变大、算法的使用时间变长，(理论)模型误差往往是难以避免的(当然，这与行业有关)。这种变化，会导致标准化变得重要(拷贝不走样)、定性的知识变得重要。
两种知识的重要性增加，使得人类通过经验得到的知识变得重要。而数字化，可以进一步让人类定性的经验知识变得精确化。并且，交给计算机以后可以更加快速、准确、标准化地响应。
在定性知识应用的过程中，往往与现代工业传统的做法结合起来。如标准化方法、PDCA、FEMA、Checklist。我在一篇文章中，谈到孔师傅对“声音浑厚”的认识，就是这个道理。
从这意义上讲，先有标准化，才会有智能化。这种结合方式可能不是最优的，但可以比过去做得更好。特别地，由于前面提到的原因，智能化系统的误差是变化的。所以，系统的矫正就变得必不可少(实践也证明了)。但是，矫正过程绝对不是某些人说的复杂的自学习。而是机器学习与人工的结合、是有套路的。这种结合经常与标准和经验结合在一起。所以，PDCA的做法需要更加深入地引起重视。
另外，系统变大以后，多个学科的工作都融合起来了。比如，IT与OT的融合等。不久前，我分析了这种融合的特点：基于标准化的思想。只有这样做，才是靠谱的。
从自动化到智能化的过程中，一个重要的变化是“从感知到认知”。认知的知识变得特别重要。而所谓的“认知”与“标准”结合。用数据、曲线定义标准，分场景定义标准等。所谓的认知，往往就是判断是不是“超标”——因为往往只有超标，才是需要人类关注的。在数字化时代，很多工作都是可以用数字“标准化”的。所以，数字化时代有能力提高认知能力，促进从感知到认知，从自动化到智能化。
从这个角度看，AI的主要作用其实也是提高认知能力、尤其是与图像相关的认知能力。
3、认识现代工业
我觉得，很多专家的观点不靠谱，是因为他们不理解现代工业。现代工业的特点，是通过持续不断地改进，实现对质量、效率、成本的追求。而这些问题，最后卡脖子的往往是安全、稳定、可靠性问题。而为了解决这些问题，又引入了标准化、PDCA等概念。而标准化、PDCA等概念，才容易与数字化的方法对接、与现有的工业做法融合。
我经常嘲笑的一些专家，本质是不理解安全、可靠、稳定性的价值和难度；不理解质量与高科技的关系；不理解标准化的作用；不理解PDCA持续改进的意义。而不理解这些，也就难以理解数字化转型和智能化的具体做法。
我国工业界对数字化的认识也存在误区。这种误区形成的原因是：过去中国企业的竞争力，本质上是靠劳动力成本低(否则，企业可以尝试到国外招人试试)。人们习惯于低的质量水平、低的管理水平、对标准化的意义认识不到位，高端研发服务的业务少。落后企业不理解数字化转型，就像叫花子能够想到的理想就是天天有馒头吃，而想象不出皇帝吃什么。
在我看来，搞高科技并不需要搞天翻地覆的大事。只要在一定基础上做持续改进就行了，尤其是质量的改进。持续改进的结果，就是积跬步以至千里。一件事做久了、越走越好，就是高科技。
在我看来，国外卡我们脖子的技术，本质上都是质量不过关。质量不过关是因为我们持续改进的能力差、甚至基本停止。持续改进的能力差的原因很多：市场的原因、驱动力的原因、重视程度的原因、改进知识的原因。我们在推进转型时，要注意改变这些观念。
比如，我国企业，对研发工具开发的重视程度严重不够。从某种意义上说，我们绝大多数企业的研发还处在手工劳动阶段，而别人的研发却处在现代化大生产阶段。如果这个问题不解决，我国怎么能和别人竞争研发能力？
不重视工具，是急功近利的结果。工具的价值一直都是面向未来的。所谓“磨刀不误砍柴工”。工具的开发，一定会耽误一点功夫。急功近利的企业，就不会在乎。甚至根本意识不到研发工具的重要性。
其中，数字化技术，是研发工具的重要组成部分。而数字化转型，应该为数字化研发工具的发展奠定基础。
再如，企业的“优化”和持续改进，是需要有人员配置的。在我国的很多企业，并不把“优化”当成一种必要的工作，而是可有可无的。如果这样，对数字化研发的拉动就是不足的。
另外，高科技发展的前提，是用户和市场驱动。用户驱动，指的是用真实的需求；市场驱动，指的是有足够大的现实市场、赚到足够的钱。我国高科技产业落后的本质原因，都可以从这里找到。如果市场不足以养活一个高科技企业，这个企业就难以生存，也就必然坚持不下去。
市场大是我们的优势，而市场被非市场因素分割，是我们的隐患。现在，这种情况非常严重。
4、其他的一些想法
今年，我突然意识到把设计过程与选材、生产、采购、销售过程联系起来的重要性。我相信，未来的几十年，在这个领域会有重大的突破。我担心，我们国家会在这个领域落后。这类问题，国外没有人炒作——人家真正重视的东西，往往是闷头去做。等我们知道了，也就晚了。
数字化的价值为什么这么大？ 我读书的时候，人们说：数学是上帝描写宇宙的符号。我认为，这句话说出了数学的伟大。而现在，人们用数字化模型描述世界。这也就是数字化的伟大之处。现在，我们具备了用数字化手段描述世界的能力，从而带动了世界的数字化转型。但用数字化过程描述世界的时候，会存在误差——处理和应对误差的学问，是一门大学问。其实，控制论的产生，就与思考这个问题有关。
数字化的思维和我们日常的思维方式不一样。这种差别就像司机选路的思维方式和步行不一样。要用好数字化的手段，就要学会数字化的思维方式。也就是把我们遇到的问题，转化成一个计算的问题。问题转化好了，办法总是有的。在数字化背景下，仿真和枚举的价值都是非常大的。因为这些算法具备一般性。
另外，今年还考虑了几个问题：工业大数据的收集，应该有什么要求? 工业APP是否一定是基于平台的？智能技术与工艺技术、设备技术、控制技术的关系如何？数字孪生到底有什么用处？......这些问题的答案，是呼应前面的想法。
今年特别高兴的是，我年底当了几次大赛的评委。项目实践证明：这些成功的应用，往往符合我的设想和逻辑。过去， 我用自己的实践产生自己的想法；现在，我用别人的实践，印证自己的逻辑。
“我思故我在”。今年思考了一点问题，说明我还活着.....
作者：郭朝晖(工学博士，教授级高工。企业研发一线工作20年；优也科技信息公司首席科学家；东北大学、上海交大等多所院校兼职教授。国内知名智库、走向智能研究院的发起人之一。原宝钢研究院首席研究员)
