當前，數字化轉型已成為不可逆轉的趨勢，每一個工業企業都應該學習、思考和實踐企業的數字化，這不僅僅是當前復雜市場格局的需要，也是未來企業長期發展、基業長青的基礎。

而思考數字化轉型的核心是需要真正的找到企業數字化的核心驅動力是什么，比如支撐我們過去路徑的核心驅動力是什么？未來的驅動力和路徑是什么？我們應該如何基于過去走好未來的道路？各階段的關鍵要素是什么？以及數字轉型的“奇點”何時到來？等等。

基于這樣有一個角度，也是基于我自己的長期觀察思考和實踐，我比較認可企業數字化的驅動演進邏輯應該按照流程驅動、數據驅動、知識驅動和智能驅動的模型和路徑開展。以下就基于這四個驅動力路徑和關鍵要素進行分析和展開。

流程演進：泰勒主義的產物

我認為流程驅動的起源是工業現場施行的泰勒制。

我們先不談泰勒主義的問題，實際上泰勒制是美國工程師弗雷德里克·泰勒創造的一套測定時間和研究動作的工作方法，其核心內容和原則是：科學分析人在勞動中的機械動作，研究出最經濟而且生產效率最高的所謂“標準操作方法”，嚴格地挑選和訓練工人，按照勞動特點提出對工人的要求。

由于泰勒制的廣泛實施，當時的工廠管理開始從經驗管理過渡到科學管理階段。泰羅認為企業管理的根本目的在于提高勞動生產率，他在《科學管理》一書中說過：“科學管理如同節省勞動的機器一樣，其目的在于提高每一單位勞動的產量”。而提高勞動生產率的目的是為了增加企業的利潤或實現利潤最大化的目標。

泰羅科學管理的特點是從每一個工人抓起，從每一件工具、每一道工序抓起，在科學實驗的基礎上，設計出最佳的工位設置、最合理的勞動定額、標準化的操作方法、最適合的勞動工具。

也就是說，在數字化早期階段，對于工業企業來說，最關注是如何按照嚴格的、既定的流程去按部就班的執行任務，而其中不管是人還是機器等人、機、料、法、環等圍繞生產的因素都要符合某種預制流程和規范，這樣才能更好、更精準的開展生產。

這樣的企業管理方式就要求數字化的業務必須緊密貼合流程，早期我們開展的信息化實際上是數字化的早期形態，國家層面也開展了兩化融合的階段性攻堅去開展以企業流程業務為主的信息化改造。

基于此，在數字化早期的信息化階段，我們可以看到，工業企業實行的基本上都是符合企業業務流程的工業軟件賦能模式，再匹配一些制度、組織和人才體系就基本可以實現業務流程的信息化，這也就是我們經常講的：管理靠制度、制度靠流程、流程靠系統，形成了以流程驅動為主的信息化時代的發展，這也為未來數字化轉型打造了良好的基礎。

這其中的關鍵要素是需要實現各類信息系統的構建，以匹配流程驅動要求的效率和準確性問題。

其中首先需要開展各類信息系統的構建，也就是需要構建以ERP系統為核心的企業信息化整體建設，先配置SAP、用友等ERP系統，解決基本的訂單到生產到財務的基本流程，再之后需要圍繞ERP構建設計、生產、物流、現場管理、原材料、供應鏈以及銷售服務等業務流程，相應的需要構建PLM、PDM、MES、WMS、TMS、CRM等各類信息系統，這些都需要流程和業務系統的全面適配。

再之后，隨著各類系統的構建，業務流程之間需要極大的協同，需要開展基于ESB等企業服務總線的系統構建和再造，主要目的也是為了更好地匹配業務流程，包括構建打通各類系統的接口，以及構建各類的接口標準、業務標準和數據標準等。

隨著數字化的發展，企業由原來以ERP為核心的流程管理，逐漸轉變為以MES為主的生產流程管理，目前也逐漸重視綜合各類系統的MES系統的升級版-MOM系統的構建，這也是傳統以匹配業務流程為主的早期信息化階段的趨勢之一。

數據演進：當前數字化演進的核心

當前，數據的價值越來越重要，甚至會成為未來企業的最重要的資產。

國家層面：數據要素被列為和土地、資本、技術、勞動力并列的五大生產要素之一，成為我國數字經濟改革發展的重要方向。

2020年4月，中共中央、國務院發布《關于構建更加完善的要素市場化配置體制機制的意見》，將數據作為與土地、勞動力、資本、技術并列的生產要素，要求“加快培育數據要素市場”。

2021年3月，“十四五”規劃中提出“迎接數字時代，激活數據要素潛能”，“充分發揮海量數據和豐富應用場景優勢，促進數字技術和實體經濟深度融合”；2022年12月，財政部要求在企業會計報表附注中對確認為無形資產、存貨及其他的數據資源相關會計信息進行披露，數據要素市場化加速推進。

企業層面：數據也已經成為企業生產經營的核心要素。

數據在工業領域幫助用戶實現需求精準分析、生產過程改進優化、營商管理智能決策等方面的運用。工業數據作為新的生產要素資源，有力驅動制造業轉型升級、助力供給側結構性改革持續深化。用好工業數據，有助于推動制造業實現質量變革、效率變革、動力變革。

具體來看，企業能夠通過數據來提高資源配置的效率，提高市場響應能力與應急保障能力，持續優化生產方式，促進供需匹配與創新。同時，還能夠減少浪費、降低成本，提高產品質量，提供更多個性化產品與服務。這些都能有效提高企業的生產率和競爭力。

很顯然，誰解決了數據的問題，誰擁有了數據，誰就拿到了走向更廣闊數字化未來的船票，數據正成為工業企業未來發展的核心驅動力。

但事實上，根據Forrester的數據顯示，一個企業中60%到73%的數據從未成功地用于任何戰略目的。結果是公司錯失了精簡運營和發展業務的關鍵機會。

我認為實際上這里面有一些數據驅動的核心問題需要解決，包括：數據的獲取、數據的存留、數據的價值再造以及支撐以上數據采集存儲利用的技術平臺。

這其中，工業互聯網平臺的價值逐漸凸顯，我們可以構建企業的工業互聯網平臺，平臺一定要提供數據處理的各項技術，包括數據采集、存儲、清洗、存留、利用等能力，企業通過平臺采集企業各類數據，包括向下的生產過程數據，如設備數據、生產現場數據、控制系統數據、視頻流的數據等，向上的一些經營管理數據，如各類已有軟件系統的數據，各類APP的數據，其他一些多源異構的數據等。

這些數據的匯集，需要進行清洗和再加工（當然過程中有些可能已經被邊緣端的設備過濾），之后在數據湖數據倉中進行存儲，然后就可以基于業務需求進行數據的再加工和再利用，包括基于數據的各類接口的開發、業務流程的APP的開發、各類數據報表分析的支撐等，當然平臺需要提供支撐數據利用的能力，包括數據的分類、數據標簽的分配、大數據模型的構建、算法模型的打造，數據信息的組合分析工具等。

完成基于工業互聯網平臺的數據匯聚，是當前數字化轉型的關鍵，這是走向未來數字智能化階段的必經之路。

知識演進：開啟工業大模型時代

我認為，人工智能的發展會帶來知識驅動的大發展，尤其是工業。

chatGPT帶火了大模型和AI人工智能，實際上早在2011年《奇點臨近》一書中表述：強人工智能是21世紀最重要的變革，其中狹義人工智能將變得不那么狹隘，會逐漸增強，人工智能將會走向更廣闊的領域，大模型將會逐漸成為趨勢。

但是，當前也有很多專家也在質疑大模型人工智能在工業場景的價值。

我們總是質疑當前技術的難度，忽略未來技術的強大，我個人其實很早以前就接觸了人工智能，2004年左右，我在大學時就和團隊一起參加了山東省大學生軟件設計大賽，當時大賽的題目是：人工智能之自然語言接口，我記得當時人工智能的資料非常少，只有零散的找到國內外一些專家的資料，當然組委會也提供了一些參考資料，后來憑借著這些資料，我們還是完成了比賽，獲得了三等獎，現在再來看我們的軟件設計會發現，這是一款非常基礎的、受限場景的基于模式匹配的人工智能軟件。

但是，隨著這么多年人工智能的發展，在過去的幾十年里，人工智能大模型經歷了快速的演進和提升，從最初的簡單線性回歸和支持向量機到后來的卷積神經網絡、循環神經網絡和變換器，這些大模型的誕生為人工智能的進展提供了強大的推動力。

回到工業領域，在《從AI通用大模型到工業大模型》一文中指出，工業大模型是指在實際生產環境中應用的大型人工智能模型，旨在提高生產效率、優化決策和改進產品質量，工業大模型的概念源于對人工智能在工業領域的應用需求的深入理解。通常情況下，這些模型需要處理大量的實時數據，并在復雜的環境中做出準確的預測或決策。相較于通用大模型，工業大模型更加注重模型的魯棒性、可擴展性和實時性。

隨著人工智能的快速發展，大規模模型的應用已經逐漸從研究領域擴展到工業實踐中，其在許多領域都有廣泛的應用。在制造業中，大模型可用于預測設備故障、優化生產計劃和質量控制。在物流和供應鏈領域，大模型可以用于優化路徑規劃、庫存管理和需求預測。在金融領域，大模型可以應用于風險評估、信用評分和欺詐檢測。

這其中，實現工業大模型的知識驅動關鍵要素是需要基于工業互聯網平臺構建各類小模型，然后不斷訓練小模型，逐漸形成大模型，然后全面支撐工業企業的生產運營，甚至可以做一些預測指導和干預，實現的基礎就是前面提到的數據的全面匯聚和工業互聯網平臺的建立，基于此類能力的演進可以支撐工業大模型的構建。

這也許就是我提出的知識驅動體系，通過數據積累產生數據價值，通過工業大模型對于數據形成的知識體系，反向指導工業各類業務場景，這也是未來走向無人工廠或黑燈工廠的基礎路徑。

智能演進：數字化的美好未來

我想我們有必要做針對演進路徑的總結和暢想。

在《第二次機器革命》一書中，埃里克？布萊恩約弗森和安德魯？麥卡菲指出，第一次機器革命時代是18世紀末期伴隨著蒸汽機誕生的工業革命。這一時期“幾乎所有的動力系統都在延展人類的肌肉力量”，麥卡菲在一次接受采訪時說：“在那個時代，每一種后續的發明都在釋放越來越強大的動力。但它們的動力都需要人類做出決定和發出指令。”因此，這個時代的創造實際上是由人類控制的，勞動力也因此顯得“更有價值、更重要”，人類勞動力和機器是互補的關系。

然而，在第二次機器革命時代，布萊恩約弗森認為：“我們正在開始對更多認知性的工作，以及更多的動力控制系統進行自動化。”在很多情況下，今天的人工智能機器能夠發出比人類“更優化”的指令。因此，人類和受軟件驅動的機器可能正在日益變成替代關系，而不是互補關系。兩位作者認為，促使這一切成為可能的是三個剛好達到引爆點的巨大技術進步，他們把這些技術進步描述為“指數級的增長、數字化的進步和組合式的創新”。

這其中提到的“更優化”的指令可以歸結為基于數據和人工智能形成的知識體系。而其中提到的“巨大技術引爆點”實際上是一個技術不斷迭代演進后實現的技術升級，這個關鍵要素基于數據-工業互聯網平臺-工業大模型-知識等體系形成的工業智能。

我想，如果工業企業真正實現了智能驅動，那將是一幅多么美好的數字化未來：生產現場優美如畫，污染極低，人員極少甚至無人，沒有臟亂差，只有機器、系統優雅的、高效的運轉，客戶訂單、計劃、生產、原材料、庫存、物流等關鍵業務流程全部實現自動化、無人化，工廠的關鍵工藝參數后臺AI機器大腦根據需求和實際現狀自動配置，產品質量極好、生產效率極高、物流配送極快、安全問題極少，整個人類社會都會生活在各類商品高效配置、生活環境美好以及供需合理匹配的美好時代......

結語

數字化轉型的“奇點”演進路徑，是核心驅動的演進路徑，本質上是工業企業從數字化走向智能化的實現路徑，整個過程肯定不會一帆風順，我們需要解決數據采集匯聚的問題、工業互聯網平臺搭建和支撐問題、工業大模型的積累優化訓練問題以及知識體系的構建問題等等，只有實現了這些，才能夠在一定程度上促進工業走向數字化、智能化。

實現工業智能化的整個過程是漫長和痛苦的，但是，我們不能拘泥于我們線性思維，人類創造技術的節奏正在加速，技術力量也正以指數級的速度增長會被每一個普通人所感知和利用到。

我們都在期待并致力于打造一個工業的“奇點”，或許，正如庫茲韋爾在《奇點臨近》所說：整個人類都在加速地向奇點方向進發，我想隨著奇點的臨近，工業的數字化美好時代一定可以到來！

審核編輯 黃宇