搞“制造”，應精于機械、工藝、產品和自動化等工程問題；而搞“智能”應精于工程建模、機器學習（基于在線數據）和智能系統架構開發。

本文從機械化、自動化、數字化和智能化的角度探討各國智能制造現狀，以及中國應有的努力方向。

各國智能制造現狀

30年來，在智能制造領域，各國從早期側重于智能設計的數值模型和離線模型，發展到以智能制造過程優化為目標在線智能系統，從傳統行業進軍新興行業。歐美技術基礎較好，對高端技術的開發相對容易；但是在中國，因技術基礎的薄弱，要達到同樣的效果，并不容易。

計算機在制造業的應用始于二十世紀50年代，到二十世紀80年代分化成多級計算機控制，其中的二級系統具備今天智能制造系統的所有功能。

在工廠智能系統開發中，凱斯凱特公司主導開發了金屬冶煉的電爐、精煉爐和連鑄三套二級系統（智能系統）；美國俄勒岡公司通過智能系統解決其一系列生產過程優化問題，比如消除次品，成功開發出了結合微觀組織模型、智能自學和不間斷升級的新一代二級系統，將硬而薄產品生產過程中的次品，由原來每天都有次品，優化至半年都不曾有同樣的次品。

即使在早先智能制造這一術語尚未在世界范圍流行的時期，這些公司就已經在做高端制造業的數據采集、工程建模、機器學習和智能系統架構開發，通過智能軟件產生出生產過程的最優參數組合，轉給基礎自動化執行。

中國自二十世紀90年代起在鋼鐵業引進了一些智能系統（二級系統）；但是西方在模型方面至今仍對中國禁運（只提供可運行的DLL），導致中國在工程建模方面較弱。8千噸的設備，操作人員看到預報值超過4千噸時便不敢操作了；還有制定生產規程時，會出現以錯湊錯等問題。筆者參加了二級系統優化項目，期間利用本團隊的模型優勢，將南鋼（美國技術）投資一百多億元的智能產線的投資利用率提高了約70%。之后進入新興行業，開發了一系列項目，比如比亞迪鋰電池項目。合作之初，比亞迪用極難建模的極片分切毛刺預報模型對模型水平進行嚴格考察，要求模型命中率85%，而比亞迪鋰電池項目團隊達到了98%命中率，由此成就了項目二期（毛刺預警）和項目三期（刀豁口測量裝置及模型預報），并針對中國制造業數據采集較弱的現狀，成功應用行業上難度極高的軟測量技術。此間，筆者還完成了一系列其他項目，比如在包括創維、TCL和廣業等十余家企業的電子制造項目。

中國企業的智能制造現狀究竟如何？至少在智能制造的核心環節（生產過程的優化），比如工程建模、機器學習和智能系統架構開發方面，情況并不樂觀。

現場智能制造項目中，企業完成了項目的工程問題建模和智能系統開發，以及關鍵工具參數離線測量和在線軟測量，盡管所提供數據基本滿足以數據看板為代表的數字化制造，但是現場提供高質量數據并不容易。這樣智能系統供貨商的成本很大。企業對于現場遺漏數據的問題沒有明確的懲罰制度，導致現場數據完整性較差。小企業往往根本無法采集所需要的高質量數據。

中國與歐美在核心領域智能制造現狀對比

暫不作信息技術和數字制造技術等方面的對比，也不談在工業核心軟件方面的差距，僅從智能制造的核心領域——工程建模、機器學習和智能系統架構開發來看，中國企業相對于歐美的現狀究竟如何？從機械化、自動化、數字化和智能化四個發展階段看，中國企業目前還在哪個階段？

考察智能制造基本要求，從對相關要求的滿足程度可以探測出各國智能制造的基本現狀。目前機器代人是努力方向之一，但這只是在自動化層面上。要實現最優化的機器代人，首先必須對工程問題和工程參數進行建模，然后利用所采集到的高質量數據進行模型的機器學習；此后的模型則與機械設備和生產現狀深度綁定。基于這些可以開發出智能系統，繼而產生出即時可變的、一直是最優化的生產參數，交給基礎自動化執行。這最優化的機器代人正是智能制造。這些，中國目前還不多，主要存在于一些平臺商。

在歐美技術基礎上做的大量優化與擴展（比如開發了新一代二級系統），因系統之龐大（常有百萬行源程序）和邏輯之復雜，在開發中國項目時，主要是基于已有源程序改寫。西方的智能系統通常都經歷過幾十年的技術積累，中國在此領域有待于提高。

當生產過程不夠優化時，首先在無自動化的情況下進行診斷分析；這可以認為是在機械化層面。直到相關的問題都解決了，才對自動化問題進行審核。所有這一切都可以通過數字化加以快速診斷和總體確認，即當現場采集到高質量數據時，可以通過數據鑒別出哪個環節是弱點。現在市面上有一種“IT+OT技術”（信息技術+運營技術），在數字化階段將所有工程問題簡化成OT（盡管這對智能制造有些過于簡化）。通過數據看板，確實可以看出很多問題，但是數據看板的使用者必須對生產過程有足夠的的理解。如果生產線只有數字制造，而沒有智能制造，必須要有工程師對現場的指導，因為操作工人很難從數據上看出很多問題，更難根據復雜的數據找出解決方案。

比如在建智能產線時，因為不明確什么是智能制造，而將只建成了具有基礎自動化、MES和ERP的產線，誤認為是智能產線。此類產線缺乏的正是智能制造的核心：智能系統。這類只有數據看板的產線只有工程師可以運行，問題較多，甚至出現了對此類智能產線投入則“快死”，不投入則“慢死”的兩難境地。

機械化確保產品能生產出來，自動化使得產品能自動生產出來（機器代人），數字化以大量數據便于審核，以確保機械化和自動化的實現，而智能化確保最優化和無人操作（最優化的機器代人）。

中國和歐美國家所處的機械化、自動化、數字化和智能化階段目前國內很多較弱的企業仍然在機械化階段，較好的企業則在機械化、自動化和數字化階段。雖然通過數據看板能看出很多問題，但這只是在自動化和數字化領域的“補課”。中國企業數據質量是各家的軟肋。歐美國家的機器代人階段早已完成，生產線主要依賴于自動化而非人工；而且絕大多數歐美國家數字化的需求已經基本上得到滿足。在智能化方面，很多較好的歐美企業有較好的智能系統，稍微差的企業也正在努力嘗試智能系統。

目前中國的智能制造主要在制造過程的首尾兩端，比如智能倉儲、來料及成品的運送等等，而對智能制造的主體過程，比如生產過程的優化，涉及的不是很多。歐美國家正在努力推進智能制造。在智能制造中，大量工作都編入智能系統中了，工程師或技術人員主要在后臺持續優化此系統；優化后的系統由現場人員操作以完成生產；同時經理人員注重觀察此系統。這樣大家勁往一處使，生產持續優化。

政府資金應扶持數據質量達到要求的企業

在這樣的現狀下，中國政府應該出臺怎樣的扶植政策？

兩化貫標之后，政府的產業扶持資金更多轉移到智能制造領域。政府對智能制造的扶持，應該考慮到下述的幾點。

側重于扶持智能化（對于自動化，數字化和智能化的扶持加以區別。很多企業在自動化和數字化方面已經嘗到了甜頭，縱然在這些領域扶持力度不夠，他們也會為著自己的利益而努力；但是中國的智能化剛剛開頭，智能化的要求除了計算機系統和數據采集之外，更需要很深入的工程背景，所以智能化的難度要比數字化高很多；同時，由于中國技術基礎的薄弱，在智能化領域的努力，在短期內投入產出比相對來說比較低，就更需要政府的扶持，否則中國的智能化將發展緩慢。

側重于扶持核心領域生產過程的優化（有別于外圍領域比如智能倉儲）。核心領域智能制造技術含量高，作用大，需要的投入巨大，因而目前較少；外圍領域比如智能倉儲、AGV小車等，目前已漸成氣候，已經可以為企業帶來較好利潤，縱使不重點扶持，企業也會努力推進此領域。

依據數據滿足智能制造高要求的程度進行資金扶持。促使企業注重數據質量：數字化只有在達到智能制造的數據質量要求時才應該得到資金扶持；如果數據不齊全，甚至有假數據等，不應該扶持。

培訓資金注重扶持有智能制造經驗的培訓方。只有做過智能制造的人才會搞智能制造，才可能教會學員智能制造；政府的智能制造培訓基金，只應該扶持具有相關培訓資質的培訓方；不懂智能制造的人，也可以百度出一堆介紹智能制造重要性以及介紹別的公司“做了什么”的素材；要杜絕這方面，使得政府的培訓基金真正起作用。

中國應建立嚴格數據質量獎懲制度

歐美在智能化階段，中國智能化剛開始。大多數中國企業的機械化階段已基本完成，正在自動化和數字化階段。

機器代人是典型的自動化。數字化的數據看板，能夠使得機械化和自動化的狀況一目了然，因而具有強大的應用前景。歐美國家的機械化和自動化早已完成，因此機器代人已不是主要問題。除了極少數企業外，歐美國家的數字化也已經完成。

數字化中，數據質量是關鍵。中國企業數據質量不足是關鍵障礙。除了技術之外，管理是阻礙數據質量的主要因素，多數企業對數據丟失沒有足夠的懲罰力度。智能化是凌駕于機械化、自動化和數字化之上的最高級制造過程，對數據質量的要求遠遠高于數字化。

首先需要對一系列待研究的工程問題或工程參數建立模型，這就需要對工藝、產品、設備和自動化等工程領域極為熟悉；其次，需要采集高質量的在線數據，并基于此數據對工程模型進行機器學習，使之與生產線充分綁定。然后建立智能系統，將生產線的模型和大量的場景用例結合到智能系統中，并產生出即時可變的最優化的生產參數組合，交給基礎自動化執行。

可見，智能制造是最優化的機器代人。目前中國只在制造的頭尾部分比如智能倉儲方面進行了一定的智能制造，而在制造過程甚為稀少，主要是一些平臺開發商。歐美國家技術較好的公司已經成功應用了智能制造，而技術一般的公司尚在努力中。

中國推進智能制造的主要策略是在數字化、自動化甚至在機械化方面的補課，鼓勵自動化和數字化，同時鼓勵智能化的開發與實施。中國各個企業要嚴格在技術和管理層面重視數據質量，在數據質量方面要有嚴格的獎懲制度。應該減少智能產線建設中忽視智能系統的行為。中國當前在何為真正的智能制造方面誤解頗多，很多作為智能制造必要基礎的數字制造甚至自動化制造，被當成了智能制造。
編輯：lyn