文|江北桑

2019年3月，在今年的全国两会上，“工业互联网网”成为“热词”并写入《2019年国务院政府工作报告》。报告提出，“围绕推动制造业高质量发展，强化工业基础和技术创新能力，促进先进制造业和现代服务业融合发展，加快建设制造强国。打造工业互联网平台，拓展“智能+”，为制造业转型升级赋能。”工作报告明确了工业互联网的两大基本任务，即“重平台”和“智能+”。此外，工业互联网的作用域也被确定，即制造业。

为什么会是制造业？在国家统计局在2018年1月公布的相关数据我们大抵可以找到答案，“2017年全国国内生产总值为827,122亿元，其中制造业为24.3万亿元，占比中国经济的29.34%。”换句话说，中国制造业产值几乎相当美国、日本、德国之和。再进一步分析将会发现，制造业在十个行业中排名第一，而排名第二的产业占比不足10%，这是一个量级巨大的市场，而且在当下是可以被改造且可造性较大，改造之下则是新的增长空间的开辟。

时间演进到5月28日，工业和信息化部信息化和软件服务业司司长谢少锋27日在贵阳参加2019中国国际大数据产业博览会致辞时表示，“总体来看我国工业互联网与“智能+”已步入落地生根阶段，未来前景十分广阔。”这里有一个细节也值得注意，“智能+”作为实现工业互联网的必经路径被单独拎出。与此同时，眼下工业互联网的发展状况得到确认，即“落地生根阶段”；工业互联网未来发展前景得到了充分肯定，即“十分广阔”，这也源于中国在工业制造领域海量级的数据沉淀。

工业互联网，这个最早由美国通用电气提出的概念自诞生之初就注定要承载着厚重的历史过渡使命。根据研究机构Accenture统计，2020年全球工业互联网领域投资规模将超过5000亿美元，而到了2030年，工业互联网将带来超过15万亿美元的增长。在2015至2030的15年年间，工业互联网领域预计将为中国GDP带来约达1.8万亿美元的增长。

需要注意的是，工业互联网并不是一个宽泛而一成不变的综合体，从唯物辩证法来看，工业互联网作为新一代信息技术与制造业深度融合的产物，其实是一个宏大且自身持续发生有机迭代的新兴物种。

狭义的GE，广义的工业互联

“Industrial Internet: Pushing the Boundaries of Minds and Machines。”GE（美国通用电气公司）在2012年11月26日发布的白皮书对工业互联网这样定义到，中文解释则为“工业互联网：智慧赋予机器。”按照GE的战略设想，互联网革命中涌现出的先进计算、分析、低成本传感、控制软件以及高层次的连接能力将带来无数机器、设施、机群和系统网络（指全球工业系统）的工作效率的提升和运行成本的降低。

在这里就要提到GE著名的1%理论——即只要提升1%的制造能力就能为整个制造业带来上万亿的利润。需要强调的是，这只是GE在自身所擅长的高端制造领域取得的成效，并没有给出制造业整体的效益估算，陷入了幸存者偏差怪圈。当淡出高端制造横向整个产业来看，GE的1%理论便失去了理论的广义性。

更进一步来分析，即便该理论能够带来1%制造能力的提升，但当企业在具体的过程中话可能会产生2%的成本（系统部署的全生命周期成本）和3%的风险（系统建设期和磨合期对企业生产效率的降低，系统应用对企业管理、人事以及组织结构可能造成的负面影响），这直接关系着无法精准评估投入产出效益，这也解释了为什么从微观层面来看单个企业（尤其是中小企业）对工业互联网的热情仅仅停留在喊口号的阶段，这也为GE后来折戟工业互联网埋下了伏笔。

GE作为早期工业互联网倡导者和资深玩家，初衷在于复刻其高端装备制造领域取得的成功经验和软硬件成果，通过提炼相关共性进而研发出类似计算机操作系统通用平台（Predix），为本行业或其他行业的客户服务。其次再借鉴互联网的发展模式，催生出开放式平台，聚集起数以百万计的用户以及第三方软件开发者或解决方案供应商，继而像互联网公司那样，坐收流量带来的巨额红利，这是典型的互联网思维。需要补充说明的是，在GE打出工业互联网大旗之前，其支撑平台Predix就已经存在了。但Predix平台并没有取得像Google或者Amazon等互联网公司的爆发式增长，反而屡次传出GE准备将Predix卖掉、GE Digital裁员以及部门独立运营的消息，最新的消息则停留在平台业务将会更集中。从这些新闻背后的决策逻辑判断，Predix依然有价值，但短期内难以取得高额投资回报。

其实，GE的构想从一开始在通用性上就存在严重的误判，以中国为例，根据统计局数据，我国工业分为41个大类行业、上百个小类，而每个小类应用场景千奇百怪，场景之纷繁复杂程度更是难以想象，单以简单的电厂巡检就要考虑到不同的介质、工况，采用通过泄漏电缆、声压计、射频识别和红外测温技术。于此之下，Predix平台的适配性则显得捉襟见肘。

具象到GE在工业互联网的战略分析，问题的脉络会更加清晰。GE在工业互联网三步走的战略。第一步在于设备的智能化改造，也就是通过加装仪表或传感器、嵌入式CPU以及控制软件从而感知设备的运营状态；第二步则在于建立数据中心，将设备产生的数据，利用网络收集起来，数据中心的大小取决于数据量级的大小；最后一步在于做出分析决策。

在智能化改造的过程中我们首先要思考一个问题，为什么这些设备在出厂之前没有加装测控设备？事实上，低价值设备改造投入回报比不尽人意，高价值设备改造眼下还侧重于设备本身自动化水平的改造，提供设备运行状态以及相关参数仅仅作为一种附加功能，若用户自行改造的话，成本只会比制造商高，而GE是原始设备制造商，对设备运行的原理、专业知识的掌握，无人项背。从GE FOR GE层面来看，GE对高端设备的改造是成功的，而对于互联网厂商而言，想要进军工业，就要翻越OT（操作技术）和IT（信息技术）之间的巨大鸿沟，然而，这几乎是不可能的。

其次，在建立数据中心的过程中一般会涉及两个问题：第一个是互联的问题，第二个是数据方面的问题。首先聚焦于互联方面，对于工业互联网来说，工业生产设备的互联眼下最大的挑战是没有标准的通讯协议，好在开源的工业通讯协议例如MTConnect已经越来越多地被工具机制造商所兼容，也就是说协议的标准化已经逐渐成为业界共识，但是这种演化需要一定的时间性，尤其对于保守的传统制造行业来说。

就广义工业互联网而言，意义绝非仅在于达成一种连通性，而在于潜在解决诸多传统方法无法解决的工业痛点的可能。就这方面来分析，工业互联网又至少分为内部互联和外部互联两个维度。

从内部互联维度来分析，通常指将机器运维过程中的隐性问题显性化，核心在于将相似的单元聚类，寻找一种特征值进而进行对等互联，缘由单体分析无法发现问题的一般性。但这其中也存在一些问题，当企业聚焦于利用工业互联网提升运营效率时，衡量的最重要方式则是“质量与成本比”，以及提升了多大幅度“单位小时利润率”。但用户并不会为了这一部分成本买单，如若不能有效的证明工业互联网如实的改善这两个指标，那么这方面的投入将转接成企业的负担，这也正是德国工业4.0工厂折戟关键所在。

从外部互联维度来分析，工业生产场景中的每个单体首先要对自己透明，随之上升至群体的资源优化。资源趋向将逐步减小，资源的有效性运营将放弃一部分自我利益驱动因素，进而上升至整个产业链的优化。例如钢铁行业的“找钢网”，根据市场拉动生产和调整供应链降低成本，盘活了整个钢贸产业链。

于下游来说，链接传统工业关注的是各种指标、规格以及性能等，容易造成产品本身与用户需求之间的鸿沟。这一问题在上游得到很好的解决，互联之下的供应链的能力与业主的需求完成匹配。通过对数据的分析，就可以更加有得放矢地管理供应链以及选择合适的厂商。比如高盛带锯机床所反应的“针对不同工料的刀具寿命特征”信息管理，则是这方面的典型案例。

在数据部分，缘由这一步骤所涉及到的行业特殊性较低，具备较高的通用性，这也是互联网玩家能发挥其主观能动性的地带，也间接导致工业互联网在初期是互联网公司的动作最为积极。

但需要指出的是，工业数据的存储（实时性、周期、海量）与社交、消费数据的存储，存在着巨大的差异性。由此我们会发现，工业互联网的网络将不再拘泥于当下互联网范式，当数据安全保密性要求较高时，例如企业的重要资产数据、重工军工隐蔽式数据，至多采用TCP/IP技术链接至企业内网上（专网）。因而互联网思维中的“重资本、快扩张”在这种情境之下已然失效，各路玩家纷纷涌入又纷纷碰壁退出，这也让GE的工业互联网平台梦告一段落。

而GE的最终决策层面，其实也是实施工业互联网最困难的部分，缘由设备的种类繁多、设备的运行方式不一，所涉及到问题的行业性十分复杂（行业的数量与工业产品的种类数量成正比）。在高强度的专业性之下，必然需要分析人员具备相当的现场工作经验以及多学科的背景知识（例如设备运行的原理，数据处理技能和分析方法论），想要取得一定的成效，必然要经历一个迭代优化的过程。

而对OT掌握的严重匮乏犹如一道坚硬的壁垒直接隔断了大多数想要进入工业互联网的玩家，这其中还波及了知识结构有限和不熟悉工业互联网技术、产品和提供商大多数中小企业。于这方面来说，只停留供应链层面的打通和技术教育的缺失性是阻挡工业互联网前进的原罪，GE的工业互联网“三步走”战略看似层层递进，实际上三个层面却各自存在着严重的问题。

除此之外，GE还存在一个不可忽略的弊端，即GE往往利用机器运转之后的数据来进行对机器运转状态的预测，举个简单的例子，GE通过数据分析得出一个结论——5年之后零件出错的概率是70%，实际上这个预测对于工业类的企业来说几乎毫无价值。工业互联网真正要连接的并不是物理的互联网，而是由“价值”所构建的网络，其中包括用户的使用价值、生产协同价值以及机器运行、检修效率提升价值等，正如任正非先生所言，“我们不要炫耀锄头，而忘记了锄地。”这也解释了中国工业互联网在平台之上还加持“智能+”，缘由工业互联网是一个相当慢热型的物种。

特征值，工业互联网的进阶抓手

Predix的落寞让各方失去了标榜，从摸着石头过河到无迹可寻，工业互联网发展陷入浑水区。梳理市场现状，国际企业包括西门子、卡特彼勒、博世、PTC、思科等，国内企业如华能集团、航天云网、三一重工、海尔、富士康、用友网络、东方国信、宝信软件等。去年8月，阿里云也推出了“飞象工业互联网平台”;而在此前的7月，阿里云还与西门子就工业互联网的发展达成了战略合作。工业互联网没有领袖，竞争者已沦为过江之鲫。

众多企业对工业互联网趋之若鹜，欲在其中挖掘一份属于自己的红利。种种迹象，唯一能证明的是工业互联网是大势所趋，各家企业想象属于自己的工业互联网。对重资产设备的远程控制，甚至对MES系统与ERP系统基于供应链的互联互通都被广义归属于工业互联网范畴。但上述应用只浮于表面，仅仅体现了工业的互联网的特征而已，

在这里我们首先要厘清一个问题，即究竟是工业互联网还是互联网工业？主次之差，差距甚大。其次，我们要搞懂什么是供应链，供应链是个微观概念，最早来源于彼得·德鲁克提出的“经济链”，而后经由迈克尔·波特发展成为“价值链”，最终日渐演变为“供应链”。在2019年2月由工业互联网产业联盟发布的《工业互联网术语和定义（版本1.0）》中，未找到对于“供应链”的解释，但找到了对于“供应链管理”的解释，即“供应链管理是在满足一定的客户服务水平的条件下，为了使整个供应链系统成本达到最小而把供应商、制造商、仓库、配送中心和渠道商等有效地组织在一起来进行的产品制造、转运、分销及销售的管理方法。”

需要补充说明的是，供应链概念早已存在，并不是一个新鲜的事物，新连接技术的出现总会浮现一大批呼喊供应链升级的企业。举个很通俗的例子，工业互联网就好比一个手机，芯片正是“智能+”，是最为核心的地方，而供应链层面只是停留在互联层面，从工业互联网架构图中亦可看出端倪，供应链是独立于“工厂内网”层面的，并不涉及核心层。 

当下入局工业互联网的企业大多仍集中在打通供应链层面，处于工业互联初级阶段的业务，而不是真正用智能化做工业互联网。以富士康拥抱工业互联网为例，作为全球第二大智能手机生产商的富士康拥有着极为强大的供应链体系，纵使其“整合上游供应链、打通供应链到客户端、创造新的消费需求、降低系统成本、打通每个人的个性化需求与工业化大生产之间的壁垒。”其市值仍只为29.44亿美元，反观掌握核心技术的苹果市值则是9137亿美元，高出前者300余倍。于此，我们会深刻认知到一件事，供应链是供应链，工业智能互联是工业智能互联，两者不能相提并论，就如同富士康永远成为不了苹果一样，这是对概念理解的误区。从实际角度出发，工业智能互联则大抵趋向于“工厂间高协同”或“机器全周期生命探索”。

回归工业互联网的长期目标，构建“数字双胞胎”是为重中之重。只有工业数据越来越丰富、全面，质量越来越高，“双胞胎”才可能长得像，进而通过数字世界里的计算、分析、预测和优化手段，来指导物理世界的最优运行，从而开辟新的增长空间。纵深之下，则演进为数字双胞胎构建之难，而数字双胞胎的首要任务则是寻找蕴藏在机器内部深处的特征值。局势突转，即谁掌握了核心特征值，谁就打通了未来的潜在市场。

未曾想到，这个最早由希尔伯特提出并应用在线性代数的概念，如今似乎却成为构建工业互联网架构中的重要组成部分。其原理十分简明，即通过发现计算设备的特征值缓慢的变化率，进而计算出临界点，并由此解决问题。一般来说，眼下绝大多数企业进行机器状态检修往往依靠温度、流量等报警参数是否出现异常来判断设备是否存在故障，这是典型的点报式检修。但这种在设备出现故障之后才从控制学理论去报警进行状态检修等却无法反映真正设备本身机理的变化，不具备系统性和预测性且要消耗大量的人力成本。而在工业制造领域，人工智能需要寻找设备的内在逻辑，这也正是工业智能化的关键所在，在此之下，特征值应用而生。

接下来就是工业互联网这盘棋局的重要一步，寻找特征值。对于工业互联网来说，这是一个过于抽象的概念。在这里举个简单的例子，物理学告诉我们电阻是物体的固有属性，也是一个相对抽象的概念。而欧姆定律则告知我们，我们可以通过测算电压和电流，通过两者之比来感知物体本身的电阻大小。而电压和电流以及欧姆定律在这里则充当了物体所固有且有价值的特征值，我们可以通过这些特征值的变化来界定物体本身所处的状态，明确了其新的特征值——“电阻”。过去人们认为大数据是只计算相关性，不计算逻辑性。

但这在工业里面并不适用，机器出现故障并不是一蹴而就的，而是一个过程，要想要找属于机器本身的特征值，就要历经庞大的数据采集工程和数据分析工程，需要强大的算力排除非相关数据，进而探寻出一种相关性的数据，再通过研究数据的共性得到特征值。由此可见，特征值的界定犹如“定义新标准”一般，是一个庞大而复杂的系统性工程。

未来世界只需要对数字模型进行相关调整就能找到实体变革的方法，过去仿真机的方程式大都按照固定的方程式，忽略了工业设备运行过程当中磨损、相关系数的变化特性，偏向于一种理想的仿真模型，“如果用数字双胞胎的方法做仿真机可以100%与实际相吻合。”华能集团首席信息师朱卫列表示到。

为了验证其可行性，华能团队以水电站作为实验对象，当水电站3颗连接栓全部断裂时，通过控制学理论出发发现设备并没有发生自动报警行为，但当用人工智能算特征值的方法却能轻易的感知水电站轴承损坏。这其中的关键就在于通过提取定子铁芯轴向极频振动数据，由经机器学习建立定子铁芯轴向振动极频3D模型图，再从3D模型中提取状态检测指标，其中包括极频振动特征值和缓变率，而设备机组的状态就可以通过特征值和缓变率以显性的形式表现出来，通过完成特征值提取再进行的数字建模让检测的准确率高达95%，这种全周期的检测方式是较于GE的宽泛预测优势所在。

无独有偶，近期由TCL集团孵化专注工业互联网的格创东智平台在发布其工业智能应用平台时也运用到了“特征值”量测，TCL控股副总裁何军表示，“在通过平台IoT模块数据采集和监测过程后，我们通过多因子分析工具对逾千个相关因子清洗、降维和拟合修正才从原来依赖物理’测量值’量测转变成可以实时全检的’特征值’量测。”而转为特征值量测之后，带来的直接改变是大幅降低工厂的抽检比例和批量异常损失，与此同时，也创造了千万级/年的经济效益。

值得一提的是，机器状态检修作为所有流程行业都绕不开的最大命题，就以现阶段来看，全球仍局限于定期的设备维护和巡检，这也是工业互联网高阶价值所在。

然而，特征值的测算需要大量的工业数据作为地基，就目前来看，工业大数据的发展仍面临着一些挑战。其一，工业数据存储量虽然庞大但有用的却十分稀少，根据中国信息通信研究院和工业互联网产业联盟2018年年底对国内74家工业企业的调研，我国工业企业的数据资源存量普遍不大，66%的企业数据总量都在20TB以下，还不到一个省级电信运营商日增数据量的1/10，而这其中还包含大量的无用数据需要剔除。在一些只有极短的时间内采集测量数据（如每秒上百万个测点）场景中，则要求时序数据库和流处理平台等专用的新一代数据存储软件提供支撑。

其二，在数据管理方面依然相对落后，从信息化程度较高的金融、电信、互联网等行业经验来看，如果不开展专门的数据治理，就难以确保数据质量。而根据信通院调查显示，我国工业企业只有不到1/3的企业开展了数据治理，51%的企业仍在使用文档或更原始的方式进行数据管理。数据领域的专家通过测算预估，每年低质量的数据会给企业带来10%~20%的损失，而对数据分析的可靠性要求更高的工业领域来说，损失将会是只多不少。

其三，按照工业大数据的纵向发展逻辑可分为三个阶段：基础阶段为根据数据来描述工业产线、营销和企业经营活动的历史与现状；发展阶段为基于数据预测设备、车间和整个企业的未来状况；高级阶段则是根据数据分析结果，绕过人工干预，自动地直接指导企业运作，形成智能化的数据闭环。反观当下，工业数据应用仍停留于浅层阶段，数据孤岛仍旧普遍。

纵观工业互联网发展的历程，其大致有以下几个关键节点：大数据应用的早期探索期（2012年）；数据汇聚标准化试点项目阶段（2013年）；数据计算标准化试点项目阶段（2015年）；应用功能验证启动行业联盟阶段（2017年）和“全面推广+体系化设计+智能工业”阶段（2018年）。而工业互联网作为建立在工业智能生态系上的互联网，与互联网相比更注重对数据、分析和建模上的建设。可以预见的是，未来这一庞大物种将继续沿着“构建更高层次的智能生态体系”的范式演进，而特征值在其中不可或缺。

“尽管我国工业互联网开局良好，但产业基础并不牢固，核心技术能力和生态掌控能力与发达国家相比还有相当差距，工业互联网的规模化应用仍面临较高壁垒，在一些领域探索出的融合应用新模式、新业态还只是星星之火，建立并巩固优势的任务十分艰巨。”工业互联网研究院院长徐晓兰客观分析到。

于此，我们必须清醒的认识到，工业互联网领域的竞争才刚刚开始，真正意义上的工业互联网绝不仅仅止步于供应链层面上的优化，而是技术形态、产业状态以及商业模式的交融发展，于此之下，特征值的探索便成了重要突破口之一。