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
