智能制造是以數字化、網絡化為特征的生產體系。特別應該提醒的是：這一定義，與傳統上理解的“人工智能”是有差距的（3D打印被劃歸智能制造技術，就是這個原因：其實，本輪智能制造強調的是Smart而不是Intelligent）。廣義的智能制造體系包括智能的產品以及企業的各種業務流程，如智能的生產制造、智能供應鏈、智能的研發和服務。手機、機器人、智能家居等智能產品，能夠在使用過程中體現“智能”；但這并不是智能產品的全部。在筆者看來，智能產品之所以重要，一個重要的原因是需要靠智能產品與智能生產制造、智能供應鏈、智能研發和服務配套，通過信息交互（如通報產品和零件的位置與狀態）體現相關過程的智能。否則，離開智能產品，這些過程的智能化是“一個巴掌拍不響”。在此，CAD、PLM等技術是形成、管理智能產品（其實是數字化產品）的支撐工具；ERP、MES則是將產品與智能生產過程融合在一起的技術。

    狹義的智能制造過程即生產制造過程，包括智能的設備、車間、產線、工廠等相關技術。在理想的情況下（設備狀態良好、足以保證產品質量的穩定），離散制造業的智能生產過程完成的信息交換包括：（智能）產品相關部件的位置和加工狀態、設備的加工進程（忙碌程度）。這兩類信息的作用是支持個性化定制的生產組織和能源調度。RFID技術成為熱點，大概是因為這個原因。

    理想狀態很簡單，但現實卻往往要復雜得多。現實中，不僅需要知識產品或部件的位置信息，還可能遇到各種麻煩：產品質量問題、設備健康問題以及各種干擾。也就是說，設備可能并不能完全處于正常的工作狀態、產品質量也會出現各種問題。這些問題如何解決？顯然，要解決這些問題，就不僅靠RFID就不夠了。于是，物聯網的含義開始拓展到智能設備等方面了。

    對于這種問題，可能有兩類場景：一類主要靠人工的巡檢、另外一類是無人工廠——在我看來，前面一類是工業4.0的低端，后面一類則是工業4.0的高端。顯然，后者的難度要大得多。現在炒作的很多技術，應該主要是針對后者的，如工業大數據平臺、設備監測與自診斷技術。當然，在這兩類場景之間，可能還會有許多中間狀態：有人監控，但卻是集中監控、靠移動通信監控等等。我們區分這些狀態，是因為困難的程度不一樣，面臨的問題也不一樣。

    過去，生產車間的工人以操作工為主。未來的車間可能以產品的檢驗、設備的維修維護為主。當然，其前提是企業生產高質量的產品。有人說，精益生產是工業4.0不可逾越的階段。大體就是這個意思。

    一般來說，產品質量問題越多、設備問題越多，走向智能化的難度一定就會越大。有些行業（如鋼鐵行業）的特性決定了，其產品質量幾乎無法達到理想的6sigema水平。這個時候應該怎么辦？現在看來，即便工業4.0的白皮書也沒有深入研究這個問題，需要我們自己來考慮。

    要解決這些問題，加強對設備和產品質量的自動檢測是肯定的。但除此之外，還要盡量采取其他的手段。包括：通過產品設計（如大規模定制），從源頭上減少缺陷產品產生的數量；通過生產環節和參數的重新設定，減少不合格產品的產生；通過產品與用戶的合理匹配，減少質量損失。目前，要做到這三點，缺少的是必要的知識和信息。

    所謂信息，包括用戶的使用信息、設備的狀態信息和產品的質量信息；所謂知識，包括用戶需求對質量的要求；設備狀態和工藝參數對質量的影響這兩個方面。由于各種原因，我國企業對這些知識的積累不夠、信息了解不全。而這些問題，應該通過智能制造來推進。

    事實上，人們在口頭上一直重視知識積累和信息互聯。但行動中卻是兩碼事了。究其原因，一個重要因素是缺乏動力：知識積累與創造價值之間存在一條鴻溝；知識積累與個人評價不能結合起來。也就是說，本質上是缺乏動力的。然而，“智能制造”為解決這些問題提供了動力。

    從工廠的層面來看，上述問題的智能是通過這樣的邏輯來實現的：（用戶、設備、產品、成本）信息驅動知識（也就是模型），在決策中體現智慧。某種意義上說，這是一種新的智能，我稱之為“見多識廣”的智能——與傳統的“符合學派”、“聯接學派”不同的智能，但可以看成“行為學派”的發展與延伸。

    這種智能并不體現在多步驟的深入推理、也不體現在知識的學習：事實上，體系中的知識，是從人的認識中提煉出來的，或者是通過實驗研究獲得的。雖然知識的推理不深刻，但知識量很多，能夠靈活應對各種外部變化，故而顯示出智能的特征。

    這種智能的本質，是把人腦總碎片化的知識放在計算機中，讓計算機成為一個“超級專家”，讓個人的知識變成企業的知識。由于這種知識是直接用來解決具體問題的，所以能夠直接產生價值。故而，企業進行知識管理的動力將會大大增加。要實現這種智能，關鍵是要解決信息和知識的來源和管理問題。

    如前所述，這些知識是從人腦中來的——不能倚重于從數據中提煉知識：其實，數據的作用是驗證、矯正、精細化人的知識，是知識系統的必要補充，而不是主體。這時，可能會遇到一個瓶頸：擁有知識的技術人員，不知道怎么把自己的知識沉淀到機器當中。要解決這個問題，恐怕需要做兩件事：第一件事是建立知識沉淀的標準，便于領域技術人員標準化的描述自己的知識；第二件事是組建專職的部門，負責知識的沉淀。這樣，在未來的企業中，就要有兩類“知識工作者”：負責產生知識和沉淀知識——沉淀成計算機能夠懂的知識。這種做法，很可能需要企業進行組織結構的改造：原來的部分研發、服務和現場技術人員，主要用來解決具體問題，現在則專職從事“知識生產”。這樣的組織設計，既解決了人的知識如何向計算機沉淀的問題，又解決了人的主動性問題。事實上，如果一個企業的很多人員都是從事這類工作的，這個企業就自然完成了向“研發”和“服務”的轉型。這樣做，很可能會增加人力資源的投入。其實，這是一個必然的選擇。我們不妨設想：如果10，000人的企業，只有幾十個人從事“知識生產”，能叫做“完成轉型”嗎？華為被稱為研發型企業，因為華為的十多萬員工中，有8萬多人從事與研發相關的工作。當然，能否做到這一點，關鍵是看企業創造知識的價值有多大。這應該與行業的特點有關。

    過去人們也談到知識管理。但這些知識主要是給人看的。對智能制造過程，知識是給計算機用的、計算機必須懂得這些知識。人們經常問：計算機怎么能懂呢？其實，“計算機懂得”是個擬人化的說法，說的專業一點，就是：這些知識是軟件化的模型。這樣，計算機自然就會懂了。模型需要輸入變量，這些變量就是前面所說的“信息”。也就是說，信息是根據模型的需求來取得、規范的，而不是先有了信息再考慮怎么去用。獲得相關信息的過程，可以理解為工業4.0所說的“信息集成”：注意，這個集成是有針對性的，是為模型服務的，而不是信息的隨意堆砌。而信息和模型，應該就是工業4.0所反復強調的、CPS中“CYBER”的重要組成部分。

    在獲取信息的過程中，我們很可能還會遇到一個問題：用戶的信息怎么獲得？用戶憑什么給你他的信息？用戶怎么知道該告訴你什么？這兩個問題其實蠻關鍵的。要解決第一個問題，需要有商業模式的設計和創新：用戶把信息告訴你，需要獲得利益——或者說，需要我們將獲利適度地分給用戶。也就是說，獲取用戶的信息是要有成本的。其次，用戶其實并不知道該告訴你什么，需要我們去引導用戶提出問題——如何引導用戶，這也是需要認真考慮的問題。

    另外，這個體系如果能夠正常運行，可能會沉淀成千上萬條知識。這些知識可能會有沖突、可能會包含不合適、過時的知識。同時，如果商業模式設計不合理，企業不僅不會賺錢，還會虧錢。如何解決這些問題呢？筆者認為，或許應該采用“知識自動化”的思路。顯然，我這里說的知識制動化，和傳統的提法不同：不是自動地獲得知識，而是自動地管理知識。這或許是個工作量非常大的工作。

    為什么要智能地管理知識和信息呢？道理是：信息社會其實不缺少知識和信息，但是：信息和知識太多，人的關注能力卻有限；信息和知識之間互相矛盾，難以取舍。這個問題不解決，就很難把知識用在流程中。例如：筆者搞過多年的數據建模，遇到的困難就是：很多結果似是而非、模型和公式很多但應用范圍模糊。從某種意義上說，“知識”和“信息”的質量很差，就難以大規模、自動化、系統性地用到智能化的過程中。

    那么，如何做知識自動化呢？在我看來，知識自動化首先要將知識標準化：這就像安卓系統上要做APPSTORE。這些APP必須具有一定的“自治”性，自己知道什么時候啟動自己；這些APP還要“守規矩”，不要互相打架，要符合系統的要求；當然，系統不僅要訂規矩，還要有“監察”，要剔除那些可能產生問題的知識：特別地，要在知識運行之前剔除，盡量避免在運行過程出現問題。當然，事先避免是比較難的，故而需要對知識的運行過程加以監控、評價。如果運行中一旦出現問題，要交給人類專家進行“仲裁”。

    當然，智能制造中的“知識管理”和手機APP管理不一樣。這些“知識”都是有一定位置的：比如，每個知識可能對應特定工藝參數的影響，而這些工藝參數又附著在特定的工藝流程中。同樣，知識也可以附著在設計流程、服務流程中。事實上，只有在流程中的知識，才能被日常的業務所驅動，才能創造價值。

    附注：按照本文的思想，應該重新定義DIKW體系的關系：智慧（W)體現在依靠知識（K)的決策過程中；知識是信息（I)驅動的、是針對知識而收集的；數據（D)的收集，是為了滿足信息（I)的完整性和驅動知識的需要。顯然，這個解釋和傳統的不一樣，是從上向下的。因為只有這樣考慮，體系的建立才是價值驅動的。