人们可以从很多视角理解智能化。其中一个视角是让机器代替人的劳动。然而,从这个视角看问题,一定会遇到困惑:企业原本想通过智能化提高效益,结果却是人少了、员工舒服了、成本却上升了效益下降了。总之,智能化在经济上就是不合算。
企业推动智能制造时,往往想兼顾几个方面的要求:企业赚钱、员工舒服、收入提高。这三个要求,就像我们找工作时要求“钱多、事少、离家近”一样。明白人会批评你:别痴心妄想了,哪有这样的公司啊?同样,我们也要批评一下那些想推动智能制造的公司:别挖空心思到处找“高招”了,天下哪有这种好事!
但你再仔细想想:难道真的没有“钱多、事少、离家近”的岗位?有的!
王石拿着1000多万的年薪、爬山游学;马云每个月赚20亿,到处讲学报告。多舒服啊?所以,岗位是有的、关键是你找不到。要找到这样的岗位,前提是要努力工作、创造条件,让自己有能力成为好公司的老板或高管。当然,那时你干的工作,和你现在要找的工作不一样!
这个道理同样适合公司的智能化建设。要想让公司兼顾以上三点,关键是要花很大的功夫推进企业转型升级、变成高大上的公司:谷歌不就做到这样了吗?
怎样转型升级呢?
我们换个角度看,智能化建设其实是你有了大批的“机器员工”,为你的企业打工。这些“机器员工”武装了高级的工业软件,可以干很高级的活。你企业的人类员工,实际上成了管理着这些“机器员工”的高管。换句话说,那时企业的人类员工,干的是和现在不一样的活。
下一个要去思考的问题就是:面向什么样的市场、生产什么样的产品,才需要这么多智能的“机器员工”呢?
有一点是肯定的:让这些智能“机器员工”把优势才能发挥出来。这就好比:诸葛亮很聪明,但要给他找军师的位置——如果让他像张飞一样拿着丈八蛇矛枪去杀人,肯定不合适。机器员工的优势是算得快、适合处理复杂问题。所以,适合它们的场景是复杂、要求反应速度快。所以,德国人为工业4.0找个一个比较复杂的场景:流水线上的个性化生产——复杂到人类员工忙不过来了,需要“机器员工”来做。
“工业互联网”则找了另外一个场景。互联网来了,上面挂了很多很多的用户、设备和资源需要处理。网上可以找到的资源越多,寻找“最优”资源的难度就越大。这时,人就忙不过来了,需要让“机器员工”来帮着你忙;发挥机器员工处理速度快、不知疲倦、做事规范的优势。所以,网上挂的东西越多,“机器员工”的优势和能耐就越大。由于互联网可以跨越时空,这种潜在的可能性当然是有的。但是,把“潜力”变成现实的生产力是有困难的:工业界要求员工做事要靠谱才行。所谓的靠谱,就是我常说的“确定性要求高”。所以,工业互联网要干得好,要资源整合、要安全、要实时、要稳定、要标准化、要诚信........这些东西干得好了,网上的资源就多了,“机器员工”就嗨了。
“机器员工”有一个大的能耐,就是记忆力特别好。有了互联网,就有了大数据;“机器员工”记下来的东西越来越多了、变成知识。只要把这些知识用对地方,就会比人类专家还厉害。“机器员工”的记忆力强、做事一丝不苟,但缺点是有点“傻”:搞不好会把知识用错地方! 咋办呢?就要让他的上级——人类员工来管。人类员工的工作,就是监督着别让“机器员工”做傻事。
大数据是好,但数据的质量也要高。如果数据质量不高,“机器员工”就会总做错事。以至于他的“上级”人类员工要花太多的时间给“机器员工” 做“擦屁股”的事情,甚至还不如自己干。所以,工业大数据的质量是关键。
怎样才能把工业大数据的质量搞好呢?经验告诉我们:如果一个数据不和业务相结合,数据出多少问题都没人知道。所以,做工业大数据平台的时候就要让这些数据“有用”才行。数据有用了,数据质量才会持续改进;数据质量高了,数据问题惹得麻烦才少,推动智能化才合算。数据涉及的面越广,“机器员工”的优势就越大。所以,智能化的推进过程,某种意义上是网上资源越来越多的过程,而这个过程的基础,是数据质量越来越好的过程。
到这里就有个“鸡蛋悖论”发生:数据质量不好,机器员工就没法用;数据不发挥作用,数据质量好不了。
解决这个悖论是有办法的。大体的思路就是:数据先让“人类员工”来用。把数据用好了以后,再逐步地交给“机器员工”去用、实现智能化。否则,“机器员工”刚上手的时候,肯定不靠谱。
所以,智能化不是一朝一夕就能完成的,有些代价必须要付出——这就好比一个人想成为企业老板或者高管,哪有那么容易的事情啊!我一直说,国外企业推进智能制造比中国容易——这与富二代容易当老板是一个道理。今天时间太晚,就不说了。
联系客服