专访李杰教授：工业大数据与工业4.0时代的价值创造
工业4.0是什么?为何是工业4.0?
专访记者：您好，李教授，欢迎接受我的访问。首先恭喜您出了第一本著作《工业大数据》，在国内有很多读者，曾一段时间位列榜首。今天的对话就围绕本书的核心理论展开，同时给国内关注工业4.0的朋友释疑答惑。在正式开始对话前，请您先介绍下您的工作经历和研究领域。
李杰：我在1983-1991年 先后在工业自动化与机器人领域工作。1991-1997在美国自然科学基金会(NSF)担任先进材料及制造系统、产学研合作项目、工程研发中心等多个部门的主管，在NSF期间曾经资助了包括增材制造(3D打印)与纳米制造等多个项目，1995年被派往日本通产省担任交换官员指导日本企业的创新转型。
1998年到美国联合技术公司United Technologies Research Center(UTRC) 担任研发部门和制造部门的总监，主持了普惠发动机、奥迪斯电梯、绿色工厂等新一代产品和项目的研发。
2000年开始到大学当教授，创办了美国自然科学基金会智能维护系统中心(IMS)，主要从事工业数据大分析、故障预测与健康管理、预测型制造、和Cyber-Physical System 的研究。
专访记者：是不是可以将“工业4.0”与第四次工业革命直接化等号?在您看来，“工业4.0”的“革命性”体现在哪些方面?它具有哪些核心特征?
李杰：首先，在新书中并没有将工业4.0与第四次工业革命化等号，工业4.0只是第四次工业革命在制造业方面转型的一个方式。第四次工业革命尚未发生但是我们可以定一方向做战略上转型。基本上工业4.0是一理想世界好比世界和平是我们努力的実现方向。但挑战是如何克服不可见世界的问题。我们要的话的是生产力、生产关系、生产技术、商业模式、和创新模式等方面的深刻变革，核心是整个工业系统迈向全面智能化的革命性转变。
工业4.0针对的是制造系统的变革，而第四次工业革命不仅仅关注如何更好地制造一个产品，更在于如何使用好一个产品、如何满足所有人多样的需求、如何利用产品产生的集群和社区创造更好的服务、和如何使产品在全生命周期内创造更多的价值。
如果我们讲的是制造系统，那么工业4.0的革命性在于：不再以制造端的生产力需求为起点，而是将用户端价值作为整个产业链的出发点，改变以往的工业价值链从生产端向消费端、上游向下游推动的模式，而是从客户端的价值需求出发提供客制化的产品和服务，并以此作为整个产业链的共同目标使整个产业链的各个环节实现协同优化，本质是工业视角的转变。
工业4.0的概念有三个支撑点：一是制造本身的价值化，不仅仅是做好一个产品，还要把产品生产过程做到浪费最少、实现制造过程与设计和客户需求相配合;二是制造过程中根据加工产品和状况的改变自动进行调整，在原有自动化的基础上实现“自省 (Self-Aware)”的能力;三是在整个制造过程中达到零故障、零忧虑、零意外、零污染，这就是制造系统的最高境界。
专访记者：工业4.0体现的是技术突破和生产力的跨越式发展，而这种发展着力解决的问题包括哪些方面?将在哪些方面产生革命性变化?
李杰：工业4.0所要解决的问题主要包括以下几个：
第一个是让制造系统更加敏捷和柔性，能够满足用户的客制化要求。
第二个是更加智能，能够与工人更好地配合，分担一部分思考和决策的工作，尽可能少地犯错。第三个是更加协同，实现工厂内各个部门，制造过程的各个环节，以及自身与上下游相互协同，实现更优的资源利用。第四个是更加绿色，更少地消耗能源和资源，达到近于零的派发。
最后，也是最重要的一方面，就是更加透明，使原本不可见的设备衰退、质量风险、资源浪费等问题变得可见，通过预测性的手段加以避免，实现无忧(worry-free) 的生产环境。
专访记者：书中讲到“现在我们分析第四次工业革命已经不再是未雨绸缪，因为这场新的革命已然拉开序幕，甚至已经开始切实地影响你我的生活。”您认为工业4.0能够得以快速向前推进的驱动力是什么?
李杰：这里的驱动力主要有两个方面，一方面是内在需求的驱动要素，另一方面是外在技术的驱动要素。
内在需求的驱动是最根本的要素，第一次工业革命实现了机械化，在很大程度上解放了人力。第二次工业革命实现了规模化和标准化，使得生产效率和生产成本得到了极大的改善，使普通老百姓也能够获得工业产品带来的便利。第三次工业革命实现了自动化，不仅仅使生产效率进一步提升，产品的质量也得到了质的改善。在不断刷新更好、更快、更低成本的期待的同时，人们又希望更加智能、更加透明、更加便利，于是就开始了第四次工业革命。
另一方面是技术红利积累到了一定的程度。经过了过去几十年的积累，计算机技术、传感器技术、驱动器技术、互联网等技术飞速发展，这些技术都是第四次工业革命的基础。很多创新的想法过去并非没有想到过，而是基础技术还不成熟，现在大家看到第四次工业革命仿佛是‘忽如一夜春风来’，但其实很早就已经开始了技术积累。比如3D打印，国内最近两年才开始关注，但是这是我在担任NSF项目主管时资助的项目，在美国已经研究了二十多年了。
专访记者：第一次工业革命是以蒸汽机为标志的，1765年首先在珍妮纺纱机实现应用，继而瓦特改良的蒸汽机大规模使用带来相关产业的联动和发展。第二次和第三次依然具有相似的特征。如果我们从这个角度去定义，第四次工业革命的核心是CPS(Cyber-Physical System)，您预测它会在哪个行业或产业大规模应用，发挥带动效应?
李杰：与蒸汽机、生产线、计算机不同，CPS并不是一个单一的技术产品，而是一个技术体系，有着丰富的变化性，所以几乎可以利用在每一个行业。例如德国提出的工业4.0，核心就是CPS在制造系统中的应用(又称，Cyber-Physical Production System)，现在看来在制造系统中的使用更加迫切。CPS也有在其他行业的应用，例如GE的飞机发动机管理，利用飞机在飞行时发动机产生的数据判断每一台发动机的状态，然后自动进行运维排程的优化和各个机场维护资源的调配。
专访记者：Cyber-Physical System(CPS)，由美国NSF(美国国家科学基金会)于2006年提出，它是通过网络虚拟端的数据分析、建模和控制对实体活动内容的深度对称性管理。目前美国和德国对于CPS核心技术发展方面，有不同的侧重吗?各自最新进展到什么程度了?
李杰： 美国与德国在CPS的技术发展上面最大的区别是应用对象和目标的不同，德国更倾向于将CPS应用在制造系统中，所提出的智能设备主要是制造设备，仍然是以设备为主软件为辅，因此德国的CPS更合理的名称应该是Cyber-Physical Production System (CPPC)。
相比之下，美国的CPS的定义和应用更加广泛，主要侧重于智能产品与智能服务。是以智能硬件搭配Smart ICT为主的，这与美国领先的芯片及软件技术密不可分。比如GE提出的工业互联网，面向的对象包括航空、能源、医疗设备、交通、制造等多个领域，在CPS的应用上更加突出集群和社区的理念，是更加广泛的CPS。或者说，德国的CPS主要在于生产端，而美国的CPS则侧重于使用端，以面向用户创造价值为核心目的。
专访记者：国内对工业4.0的热潮有几种观点，其中有一种叫“阴谋论”和“阳谋论”，就是德国在全球大力倡导的工业4.0的主要目的就是发挥其原有核心优势发展成智能装备供应商，大批量向中国售卖智能设备。而国内制造产业确实急迫需要转型升级，表面上看这确实是“一个坑”。您如何回应这种观点?中国如何发展走出自己的智能装备供应商的道路?
李杰：德国是一个工业产品外向型的国家，由于国内市场较小和自身需求的薄弱，其工业产品几乎全部用于出口，然而从2006-2011年德国的工业出口总值上来看，这5年几乎没有任何的增长，也从一定程度上影响了德国的发展。所以德国从2012年开始在全球推广工业4.0，核心目标是为了刺激工业出口，为德国经济制造新的增长点。除了努力向新兴国家出售智能设备以外，德国也改变了以往只卖设备而服务性收入不足的模式，除了卖制造装备外，还努力卖工厂管理软件和服务，增强持续盈利的能力。
中国的装备制造能力虽然还比较薄弱，但是中国有一个得天独厚的优势，那就是有全世界最大的装备使用数据，这些数据当中有许多珍贵的经验，只是过去我们从来不去挖掘。制造设备虽然是德国人生产的，但是我们要更懂得如何使用，如果我们的工厂虽然用的是德国人的设备，但是中国企业通过对使用数据的分析能够比德国的工厂更加高效、高质量、低成本、和低污染，那么德国人就要向中国学习如何使用设备去创造价值。
工业大数据：从创新到价值创造
专访记者：工业大数据来源于供应链和制造流程等众多环节，相比于互联网大数据，两者有何差别?工业大数据具有哪些独有特征?
李杰：工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决“3B”问题：
1)Below Surface —— 隐匿性，即需要洞悉背后的意义
工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。
2)Broken —— 碎片化，即需要避免断续、注重时效性
相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。
3)Bad Quality —— 低质性，即需要提高数据质量、满足低容错性
数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系;
换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70%的显著性应该给某个用户推荐A类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。
专访记者：工业大数据在分析技术要求上会更高，它的核心分析技术体系如何?
李杰：工业大数据的分析技术需要根据使用环境中的分析和决策要求设计，其特征主要体现在以下几个方面：
1)智能的感知：从信息来源、采集方式、和管理方式上上保证了数据的质量和全面性，建立支持分析体系上层建筑的数据环境基础。
2)数据到信息的转化：可以对数据进行特征提取、筛选、分类、和优先级排列，保证了数据的可解读性。
3)网络的融合：将机理、环境与群体有机结合，构建能够指导实体空间的网络环境，包括精确同步、关联建模、变化记录、分析预测等。
4)自我的认知：将机理模型和数据驱动模型相结合，保证数据的解读符合客观的物理规律，并从机理上反映对象的状态变化。同时结合数据可视化工具和决策优化算法工具为用户提供面向其活动目标的决策支持。
5)自由的配置：根据活动目标进行优化，进而通过执行优化后的决策实现价值的应用。
专访记者：由于企业对工业大数据的认知误区，在智能感知层没有按照一定的逻辑和规则搜集多种层面的大量数据，然后进行堆积和分析。这势必造成这些存量数据得不到很好的开发利用。应该按照什么样的逻辑和步骤开展数采?
李杰：几年以前物联网的概念非常流行，于是很多企业开始建设物联网采集数据，但那个时候大多数是为了采集数据而采集数据，至于为什么要采集并没有想清楚。我认为物联网数据采集只是一个手段，最终目的应该是创造服务和创造价值。
因此在做数据采集事前应该首先弄清楚数据采集的目的，比如设计一个服务产品为客户创造价值，或是使生产更加透明为企业节省成本，这个目的应该被确认成为一个明确的功能。接下来要根据这个功能去制定技术路径，需要什么数据分析手段。然后再根据技术路径对输入的要求去确定该采集哪些数据，以及采集的频率和精度等要求。最后还需要分析实现这个功能所带来的经济效益是否高于数据采集的成本，明确之后再加以实施。这样可以保证所采集到的数据都是需要的，避免成本的浪费。
专访记者：从设备和制造流程上采集的大量数据本身如果没有经过“清洗”、关联、融合等环节，就没有应用价值。那从数据到信息到价值的转化，是一个怎样的逻辑过程?
李杰：工业大数据与互联网大数据最大的区别在于具有很强的目的性，因此其分析的逻辑也要服务与这个分析目的。IMS 很早就提出了工业数据分析的5S方法论：
1. Streamlining 数据流程化管理: 包括对数据采集系统的设计，传感器的布置，以及实施数据分析工作之前的所有准备工作。避免Garbage in , Garbage out 的现象。这里面所包括的数据处理过程包括：数据过滤、数据优先级排序、和数据降维等。
2. Smart Processing (智能分析)：从高维的数据中提取有用的特征，比如人脸识别中的三角定位法就是对面部特征点相对位置的计算，这样能够过滤掉原始数据中不需要的信息。在进行完特征提取后，可以用特征建立数据模型，比如用逻辑递归的模型计算设备的健康值。
3. Synchronization (同步化)：第3个S的主要目的是将现场级与上级公司，特别是产品级连接起来。这种信息传递的连接满足了第一环路。这里我们要强调一个理念就是 “Only Handle Information Once”，通过这种方式，公司可以达到尽量减少信息收集和复制数据项的费用的目的。在同步化的过程中，决策支持工具也需要根据实时数据分析的结果同步给出相应的决策。
4. Standardization (标准化)： 包括信息的标准化、决策的标准化、和执行的标准化。
5. Sustainability (不断改善): 包括不断完善和更新分析工具、人在回路的嵌入式自学习能力、友好的人机交互和部署方式、以及闭环的全生命周期信息管理。
专访记者：对于工业4.0的智能制造转型而言，工业大数据的核心价值目标是什么?它是如何颠覆原有商业体系的?
李杰：工业大数据本身并不是目的，而是一个技术手段。与其他技术手段的目的相同，工业大数据的核心目标是创造价值，这里的价值体现在去避免和解决不可见的问题，并且从不可见的世界中创造新的知识。举例来说，轮胎的压力问题，以往我们只能看到轮胎瘪了车子不能开了，这是可见的问题。但是轮胎压力不平衡造成的额外油耗是不可见的。固特异轮胎跟IMS合作推出了FuelMax产品就利用分析轮胎压力提醒用户如何保养轮胎更加省油，每年可以给一辆集装箱客车节省3000美元的油耗。所以工业大数据的价值在于从以往看不见的空间里挖掘价值。
专访记者：要发挥工业大数据对于实体活动的效能和最大价值，非常有必要建立智能信息体系。由于涉及企业经营的核心数据及保密性，另外加上相对复杂利益纠葛，企业一般很难将这种数据让其他任何机构知晓和共享。行业龙头企业作为“带头大哥”能否玩得转?您有没有好的建议消除这种担心?
李杰：企业的上下游之间适当地分享一些信息是非常有意义的，比如丰田在对其产业链进行管理的时候会向自己的供应商开放很多信息以帮助他们进行需求预测，因此丰田可以做到零库存，且供应链的延迟控制在15分钟以内。离辛辛那提不远的TMMK工厂里，部件到达组装车间后直接运上产线。但是丰田只去分享对自己有帮助的信息，并不是把所有的原始数据都开放。因此在进行信息分享的时候首先要明确一个共同的目标，要对大家都有利，然后再去讨论各自应该分享哪些信息和信息的管理问题。
专访记者：我看到您所描述的未来工业4.0工厂——是一种透明化的无忧工厂，它与现在的工厂相比较，实现了自省(Self-Aware)和自我预测(Self-Predict)的新功能，除了智能设备之外，还有哪些核心要素的推动实现了这种根本转变?
李杰：除了智能设备之外最重要的是需要有一个强大的分析中枢来协同和指挥这些智能设备。这个分析中枢中的核心是先进的分析算法和工具。比如peer-to-peer comparison(集群内对比)、协同诊断、趋势预测、影响评估、协同优化等工作都要在这个中枢里实现。因为智能设备所解决的是对自己的评估和预测，凡是需要集群数据和其他流程内数据的分析都要考这个中心来分析。
专访记者：从工业4.0的目标来看，最终还是要实现和满足大规模用户的个性化定制化需求。而这不仅有赖于对现有的传统刚性生产模式转变为柔性生产模式，同时要依靠复杂流程的管理、庞大数据的分析、决策过程的优化和行动的快速执行，请问对已有的控制与信息技术进行改良和升级是否可以解决上述问题?为什么?
李杰：传统的控制与信息技术主要解决的是对个体的控制，主要解决的问题是如何更加精确、快速、复杂、和高效。但是工业4.0对生产系统升级目标是更加柔性、协同、和智能，传统的控制与信息技术在设计之初并没有考虑到这些。因此我们才要花大力气研发智能设备和更加智能的数据分析工具。
专访记者：回望工业发展史，工业领域的价值源泉不断进化，单纯卖设备为主的模式越来越难以赢取高额利润。工业3.0时代就凸显了软硬结合的重要性，工业4.0时代的价值源泉会来源于解决方案与深度服务。从商业模式来说，切入点在哪里?实现这种转变的难点是什么?
李杰：我在主控式创新(Dominant Innovation)中提出，产品服务最有效的切入点应该是用户的使用场景，从用户的使用场景中找到价值的GAP(需求缺口)。通过发现GAP来推动的创新与其他几种创新模式是不一样的。这种方式不是以人(消费者)的需要为出发点的，也不是都听客户的。客户一般都是追求更大的蛋黄，很少告诉企业潜在的、外围的需求，很可能他们还没有这种意识或根本就不知道。比如汽车，买车子的人更关心的是耗油情况，但很少人知道司机开车的习惯可能影响20%的油钱。所以这里的GAP不是车子，而是司机的开车习惯。
如果仅仅按照客户的直观需求来做车，那制造商会努力生产更省油的汽车、更舒适的汽车，在过去的汽车技术上不断精进。这是一种传统工业时代的思维方式。而采用GAP式创新，则是通过数据来模拟情景，不断发现客户根本没有注意到的产品新功能。这是一种新工业时代的思维转变。以往我们把很多注意力都放在了创新上，但是创新并不僅僅是为了创造新技术或产品，最重要的是创值。
专访记者：在煎蛋模型中，6M(包括材料、机器、方法、测量、维护、数据和知识建模)好比蛋黄，这是前三次工业革命企业改善和竞争的主要方面;6C(连接、云、虚拟网络、数据内容与来源背景、社群、定制化)相当于蛋白，具有明显的互联网时代的特征。企业如何顺利跨越6M到6C的鸿沟，进入工业4.0时代?最急切的步骤是什么?
李杰：6M与6C的理念与中国提出的工业化与信息化量化深度融合的理念不谋而合，也是《中国制造2025》规划的两点之一，在通往工业4的道路上中国应该在6S方向投入更多的资源和精力：
Sensing: 新型的传感器研发，使数据采集成本更加低廉。
Software Platform：数据分析和功能应用平台，分析软件。
Security：网路安全
Standard： 数据的格式、接口、传输的标准化、以及数据可视化的标准化
Speed： 数据的分析速度，数据不是靠volume，反而要通过数据的reduction来提高数据的分析和应用速度，使数据流迅速运转起来。
Service: 以为顾客创造价值为目标，将数据与服务相连接。
专访记者：根据“煎蛋模型”理论，为寻找新的蓝海，通过寻找价值的“GAP”(即需求缺口)，实现主控式创新的突破。这与传统工业时代的更注重产品技术开发的思维方式不同，主控式创新思维的核心是什么?它是一种怎样的全新价值创造过程?
李杰：主控式创新思维的核心哲学是“有之以为利，无之以为用”。 “有”指的是可见的、固定的、有区别于其他的实体;“无”则是隐藏的、变化的、发挥效用的无限可能性。“利”代表的是可占有、可收获、可使用的基础条件，而“用”则是可供发挥和可作为的空间和方向。简而言之，商家卖的是产品，客户用的是产品带给生活的价值。现在我们谈创新，还是将重点放在有形的物件上，将重心放在技术的突破和引进上，但缺乏这种“无”和“用”的概念。
一切的技术或是产品都只是手段，其核心目的是在使用中创造价值。创值的值是无边界的，未来整个创新创值的观念正是取决于企业怎么看一个产品的价值。这里，可以通过一个摊开的手掌做比喻，如果从产品出发，那就只能看到这5根手指;但如果从产品的客户价值来看，好比是手指间的4个间隙，正是客户在使用产品时未被满足的需求，可称作“Gaps”(即需求缺口);填补这个需求正是可以创造客户价值之所在。
这其中，最重要的是需要改变以往从技术端出发看问题的思维(有形的手指)，而是反向思考从顾客的价值端寻找潜在的需求(无形的Gaps)，学会思维的转变。
专访记者：在创新方式上，主控式创新模式主张以“情景模拟”的方式，而以往的主流创新方式是通过大量样本的客户调研，发现未被满足的需求，然后针对性的开发对应产品。您认为这两种创新方式有何本质差别?
李杰：我觉得传统的通过大量样本的客户调研并不能很有效地发现未被满足的需求，而更多是调查客户对已被满足的需求的满意程度。
主控式创新是将自己想象成客户，抛开产品和解决手段不谈，从用户的角度分析真正的价值缺口是什么。一个是从产品或功能出发，一个是从价值需求出发，这是两者最本质的区别。
未来启示录：如何构建新竞争优势?
专访记者：目前国内有一些观点提出，中国整体推进工业4.0还为时过早，推进工业4.0还是少数企业的事情，应该把更多精力去补工业2.0和3.0落下的课。争议的焦点在于制造基础差，自动化和信息化应用水平低，本身的产品质量和生产效率水平很有很大提升空间。对于这种观点您怎么看?
李杰：工业4.0是一理想世界也是全世界工业努力的方向。不同国家不同企业所注重的地方会不一样。但是我们一定要了解我们社会与工业发展的目的進而從基本上做起。就好比我们不应该等我们有钱了或有能力了才汪注重品格与品德 。
我们不妨用6M和6C的煎蛋模型来深入探讨一下。
首先，传统制造的6M并不是智能制造6C的先决条件，两者的接口在于第六个M(Modeling，通过数据分析的建模能力)，这一部分中国的能力还比较薄弱。除此之外，6C和6M并非此消彼长，而是相辅相成的关系，6C 是中国制造业的一个机会，一方面可以通过6C产生的增值服务去弥补6M较为薄弱的竞争力缺口，另一方面还可以利用使用过程中的数据分析和创值服务作为新的视角去改善6M中的薄弱环节。
德国的经验也已经告诉我们，蛋黄并不是核心竞争力，因此德国提出的工业4.0战略是在努力去弥补蛋白方面的薄弱，这是一个对大家而言都较为陌生的领域，还并没有产生明显的差距，我们恰恰需要以6M+6C的观念去布局中国制造业的机会空间，通过在6C空间中的服务转型反向弥补原本薄弱的环节，或许将会为中国提供一个弯道超车的机会。
专访记者：智能化也是德国推进工业4.0的核心目标，这将是一个复杂而艰难的过程。智能化过程包括了自动化与信息化的深度融合、物联网和CPS技术的运用，以及庞大数据量的分析和价值挖掘能力。德国在智能化方面的战略推进思路和路径是怎样的?
李杰：在智能化技术布局上，德国提出了“本地的智能化”和“连接的智能化”协同发展的战略，一方面在设备的智能化、传感技术、通信技术、信息与控制技术等方面加大研发力度，使德国的企业成为世界领先的智能设备供应商。另一方面，加快物联网和CPS技术的研发，实现智能设备的整合，并利用CPS平台技术实现设备、人、和服务的连接。
在实施方案的规划上，德国提出了“二维战略”的发展思路，从横向和纵向这两个维度推进工业体系的智能化进程。纵向的应用指的是企业内部“端到端的信息整合(end-to-end digital integration)”，实现从最底层的驱动器和传感器信号到最高层的企业资产管理系统的无缝连接，其核心是物联网技术和CPS技术。横向的应用主要指面向企业之间和产业链上下游信息和服务的整合，实现整个产业链的价值链整合和协同优化，面向全产业的全价值链提供智能化服务。
专访记者：社会上也存在工业4.0的路线之争，即技术优先还是商业价值优先。前者着眼于技术进步，通过导入先进技术(如CPS技术、工业大数据智能算法)来改造传统企业生产模式和商业模式;还是从投入收益比来决定是否导入、以及导入的进程。您的观点呢?
李杰： 我觉得这两者并不矛盾，技术和商业价值并不存在谁优先，而是要协同发展。中国的最大问题是在考虑商业价值的时候往往只考虑短期的价值，这其实导致了中国的技术红利积累不足。比如GE最近刚刚推出了用陶瓷材料制作的飞机发动机叶片，具备更好的散热性和更轻的材质，将发动机的能耗提高了大约0.25%。这背后是十数年的研究和几千万美元的投入，这个技术红利能够保证GE在航空发动机领域继续领先几十年。这只是一个成功的案例，但是在GE里面还有许许多多没有直接转化成为产品的研究，这些研究从商业价值上来看是失败的，但是也积累了许多技术红利，不一定未来哪一天就用得上了。
专访记者：从国家竞争力的发展阶段来看，中国已从“需求驱动”迈入“效率驱动”阶段，并在这个阶段深耕多年，应该说总体拥有了很好的制造基础。在进入第三个“创新驱动”阶段上，我们面临哪些明显的短板?工业大数据的发展能起到什么样的作用?
李杰：
从世界竞争力报告中的这幅雷达图中我们可以看出，中国目前的短板主要在创新能力、高等教育、人力效率、和基础技术可用性这几个方面。而中国最大的机会在于市场，因为中国的市场不仅够大，而且是弹性增长的，这样弹性的市场其实给了中国企业很好的创新环境，因为市场的包容性特别大，人们对于新鲜事物的接受能力和购买欲望远远高于发达国家。
工业4.0中的各类核心技术，如传感器技术、物联网、云计算、控制器、和3D打印等技术都可以找到相应的供应商，但是仅仅引进这些技术还是远远不够的，因为其中最核心的两个部分，智能化的数据分析以及服务和模式的创新是需要修炼的内功，而这恰恰是中国企业最欠缺的。工业大数据分析能够帮助中国去避免和解决以往不可见的问题，进一步减少制造成本和提升产品质量。也可以帮助我们去发掘用户不可见的需求，从产品创值的角度提升中国制造的竞争力。
专访记者：德国是工业4.0的首先倡导的国家，也是利用工业4.0平台集中发力的国家。而您认为，工业4.0的中心将会在中国，这让德国“情何以堪”。这背后的依据是什么?如何充分工业4.0的产业机会，促使鲜花和果实落地在中国?
李杰：无论是发现用户价值的缺口、发现和管理不可见的问题、实现无忧的生产环境、以及为用户提供客制化的产品和服务，都离不开对数据的分析挖掘。我相信工业4.0 的中心将会在中国，是因为中国不仅仅是世界制造大国，更是世界第一的使用大国，无论是从制造设备还是从终端消费品来看，中国都拥有最庞大的使用数据。然而这只是从潜力的角度去分析的，意思是中国应该成为工业4.0的核心，但是这些数据还并没有被很好地分析利用，并没有成为真正的竞争力。德国的内需市场小缺乏大量使用数据，中国可以提供好的设计改善建设如果中国能有效的分析這些数据。
专访记者：从工业4.0的微观实施主体来看，企业家和企业将是主力军。面对大多处于产业竞争低端/低附加值的企业格局，有中国特点的互联网+制造的解决模式能否帮助企业实现突围?真正的难点在哪，有没有可行的路径?
李杰：中国的互联网+更多的注重的是商业模式和销售渠道，对制造本身的关注还明显不足，并不能解决中国制造的根本问题。中国工业4.0道路需要遵循科学的规律，继续推进和完善合理化与标准化，同时注重挖掘制造的意义和价值。
工业4.0为中国制造业的转型升级带来的契机，其核心并不是互联网+制造，而是关注制造业对客户、人类以及环境的价值，以零故障保障设备运行性能，以零浪费体现对效率的追求，以零意外彰显对生命的尊重，以零污染表达对社会的关切。
中国制造需要以6M+6C的观念去布局中国制造业的机会空间，通过在6C空间中的服务转型反向弥补原本薄弱的环节，更多地去创造原始的创新想法，摆脱位于产业链低价值环节的现状。
专访记者：未来的工厂将实现具备自省性、自预测性、自比较性和自重构能力的无忧生产环境。您预测在2030年，传统的生产系统将转型为生产智能产品的智慧工厂，您认为哪些行业可能会率先实现智慧工厂?
李杰：现在信息化和智能化水平最高的应该是半导体工厂，半导体产线中的传感器数量恐怕也是最多的。我们现在已经跟美国的许多半导体工厂和半导体制造设备厂商开展了合作，能够精确地预测出产线上的设备和生产工具的健康状态和剩余寿命，以及各种因素对产品的影响，离预测型制造已经非常接近。
专访记者：实现智慧工厂或者智能工厂，有两条路径：一是从现实出发，将传统工厂进行信息化与智能化改造;二是着眼于未来，在新建工厂的时候直接系统化构建智慧工厂。两种方式从投资和受益来看，各有优劣。对此，您倾向于哪种主张?
李杰：我对这两者并没有倾向性，或者说决定使用哪一种方式恐怕不是取决于我们更喜欢哪种方式，而是客观条件的问题。国内有大量的已经建成的工厂不可能脱胎换骨进行系统化改造，但是依然有很大的提升空间。首先要做的是去管理和避免可见的问题，这些可以从更科学的管理辅助一些信息化工具来实现。
另外也可以根据需要对一些设备进行智能化升级，比如加装一些传感器或是直接从控制器中获取数据，再建立一个分析中心搭载先进的分析工具进行分析和决策支持，依然可以管理和避免原本不可见的问题。因此两者并没有绝对的优劣，而是要从需求出发去判断。
专访记者：大众汽车“尾气门”持续发酵，据天津大学内燃机燃烧学国家重点实验室副主任、教授姚春德分析，这种作弊软件的运作原理是，“所谓的’失效保护器’是通过软件感知方向盘位置、车速、周围气压等参数来判断车辆是否在实验室环境，从而向发动机发动指令，用来改变NOx(氮氧化物)的排放，以实现检测达标的假象”。这是不是利用CPS技术进行的技术作假和恶意欺诈?这将对“德国制造”的整体品牌产生什么样的不利影响?
李杰：不得不承认的是这个软件确实具备了很强的智能化，也具备了自省性的特点，但是很遗憾实现这些的最终目的是为了在尾气排放测试中作弊。技术就好像是把双刃剑，运用得当才能够真正造福人类。
最近也有新闻报道许多企业在竞相购买大众的这项软件技术，说明这个技术本身是有价值的，比如通过感知周围环境的变化调节发动机的控制策略来实现最佳的油耗和最小的排放，技术都是可以通用的。
这个事件无疑会对大众汽车甚至德国制造带来不小的负面影响，因为在消费者的印象中德国制造就是品质和诚信的代表，而德国“隐形冠军”的企业价值观也是被世界所推崇的。但是我相信这只是个例，这是德国的民族性格所决定的。
专访记者：工业4.0的推进离不开工业大数据等行业专才，而且对跨界人才的质量会越高，因为这本身就是跨学科技术的融合，涉及数学、物理、IT、智能硬件等，目前来看，还没有很好的应对人才需求的方法。您有什么建议?
李杰：我觉得工业4.0人才的培养离不开学校与企业的合作培养，还应该形成一个很好的社区文化使学校和工业界的人能够分享和交流。在美国我们有类似于PHM Society的许多组织，他们每年都会举办数据竞赛，数据的贡献者都是美国的企业，学校和企业的研究人员都可以参加来交流和切磋。
我们不久前也刚刚成立了工业大数据俱乐部，种子俱乐部设立在上海交通大学。这个俱乐部的目的是人才培养，有许多企业都跟我们合作成为了俱乐部的会员，这使得我们除了能够给学生提供大数据分析工具的理论培训外，还可以利用工业界的真实数据训练他们解决问题的能力，还可以到企业去实习，这种与工业界互动的模式能够保证培养出来的人才是企业真正想要的。
专访记者：随着工业4.0及工业大数据的深入探讨，目前国内民间力量开始崛起，比如工业4.0俱乐部就是围绕工业4.0和智能制造开展的线上线下互动及合作平台，您如何看待工业4.0俱乐部的崛起?如何构建一个基于工业4.0的产业生态体系?
李杰：在工业4.0这个全新的领域中我相信合作的空间是远远大于竞争的，因此希望能够建立一个有学校、企业、政府、和各方面人士共同参加的平台，核心的原则是分享各自的经验，保守各自的秘密。
（转载）
