所谓的机器换人，“无人工厂”，并不是完完全全不需要人手。机器的运行过程中难免出现种种故障，机器人的系统设计和改造也需要有专业知识的技工。据统计，汽车行业平均10台机器人需要一名技术服务人员;非汽车行业平均5-6台机器人需要一名技术服务人员。

但是，我国在人才培育的工作上向来不足以满足市场。一方面，机器人技术含量高，专业知识涉及广，加上各个行业各种机器人的差异明显，跨越较大，导致机器人的人才培养困难而长久。另一方面，国家和个人对机器人的知识储备不够重视，近几年来虽然开始倡导发展高新技术，但是企业的人才培养机制依旧不够健全，经常导致人才流失。

机器人行业的技术服务人员缺乏，也间接地提高了机器人换人的代价，导致机器换人难上加上。

大数据的理念已经广为大众所接受，其核心都强调价值。目前，除了大数据的基础建设之外，从数据到信息的工作，更多的是停留在社交或商业数据挖掘上。例如，销售预测、用户关系挖掘与聚类、推荐系统、观点挖掘等。这些研究都非常重要，也极具创新意义，特别是对拉动消费很有帮助。但是，这些实践都只关注了“人为数据或与人相关的数据”，而忽略了“机器数据或工业数据”，如设备控制器、传感器、制造系统等。

产品做出来之后，到底如何使用它?以前关心的是如何生产最好的产品，现在关心的是产品怎么去用，消费体验在哪里?第一，我们现在对工业价值的认知必须从后往前移，从消费端走到生产价值链前端。第二，从关注机器与机器的数据或工业环境数据，到全面协同优化，关注这个价值体系，实现我们对工业4.0的完整理解。

在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几个矛盾。在这三大矛盾的背后，我们要通过工业大数据看到我们以前看不到的因素，处理好这些数据，就像Jay Lee教授讲的，让数据成为有价值的信息。工业4.0的五个支撑力值得我们关注。一是降低生产过程中的浪费。生产过程中的消耗来源于组织与组织之间、人与人之间、材料与工艺之间、流程之间，所以我们首先要考虑的问题是，如何降低消耗、浪费。二是制造工业环保与安全。没有碳排放是不现实的，但排放怎么转移，怎么去消费它是问题。三是根据生产状况，实现系统自我调整。在工业大数据里，我们称之为自适应。整个工业4.0讲的就是自适应、自感应、自调理。大数据分析到最后有很大程度取决于人工智能，指的是自适应能力的强弱，机器自我学习能力的强弱。四是实现制造业的价值化。五是实现用户需求、产品设计、制造和营销的配合。

智能分析和网络物理系统的出现，为我们实现生产管理和工厂转型提供了新的思路。我们今天卖的已经不再是一个产品，卖的是为客户创造价值的能力。这里包含三方面：

管理优化的综合价值链：管理是一门艺术，一定是融合的产物。综合价值链体现于信息自动性和主动性到一定的量化后，帮助管理者自动形成生产系统的决策，需要大量的数据交叉模型分析，同时需要全方位地对设备进行综合管理。

数字化：数字化是全产业链各个环节相互合作的一种新纬度，这是信息物理系统框架的信息虚拟空间的体现。粗放式制造管理的主要表现是订单式的管理。订单多了，我就生产;订单没有，就假设下个季度它会继续有，继续生产。结果发现产品更新换代了，市场已经对所生产的产品不感兴趣了，企业倒闭的风险就骤然升高。所以工业大数据对工业链的管理能为企业带来价值。数字化就是如何把物理空间全面对应到数字虚拟空间，把整个产业链目前的状态通过数字描述出来，知道消费者在干什么，厂商在干什么，客户心态又是什么样子，甚至可能早于供应商、原厂商掌握这些数字，从而改变产品的设计。

颠覆性商业模式：应该关注商业模式，尤其是商业模式引导下的服务价值体系创新。德国的战略就是要改变只卖一次设备、挣到一笔钱的现状。通过产品的服务，可以一直跟随着消费者。在全产业环节中，做好做强产品的服务升级换代，能享受更多的服务利润。

今天工业数据并没有给企业带来竞争力，因为数据本身没有竞争力。 要实现数据竞争力，系统自我学习能力很重要，数学模型就是不断自我学习和发展的产物。大数据给数据打上标签就是一个行业模式的数字化体现，标签是跟着管理思路走而不是数据。如何形成全信息空间与物理空间的映射，然后做分析才是我们面临的挑战。

工业大数据给了我们一个看世界的新角度。通过360度全景的数字视角，可能给我们带来些新的优势，这就是所谓信息技术成为创新驱动核心动力的来源。

那么工业数据来源于内源数据和外源数据。企业内部在运行中，积累了大量的内源数据。互联网的今天，外源数据更多。事实上，很多企业不缺数据，主要问题是数据质量低下以及采集手段不科学。

工业数据到底在哪里?我们要什么样的数据?对于生产价值来讲，核心就是工业物联网(IOT)。从智能设备角度，普适计算有很大的空间，现代工人可以带一个普适感应器等设备来参加生产和管理。所以工业数据源是大量设备(250亿左右)之间的关联，这才是我们未来真正需要去采纳的数据。

从今天的制造业现代化转型到未来的智能工厂，我们要把管理员与操作员互动的数据、设备机群的数据、流程质量相关的数据，通过传感器与控制器网络整合。大数据和云技术是整合的核心科技。大数据环境中的数据管理与分配对实现自我意识设备和自学设备至关重要。

数据丰富，但我们的信息很贫乏。目前存在两个问题：第一个就是数据的有效利用率很低。数据80%在过滤，80%的时间在洗数据，80%的数据是在收集又在重复被洗。由于垃圾数据过多，捕获数据的效率有时候更低。第二个就是缺乏分析能力，需要大量的好工具。

我们再看大数据2.0的概念，要做到三个“实”，那就是实时、现实和真实。我们今天的大数据工作大多还在基础建设。要真正形成工业“大数据”，我们需要一个集成平台、预测分析工具和虚拟化工具作为核心的三大构件。

决策的价值随着做出决策的时间的增加而削弱。洞察能力时效性非常重要，更好的商业决策，包括确定决策、收集数据、分析和探索、可视化和交流、执行和提高，都离不开洞察力。

第四次工业革命已在全球爆发，为各行业提供了机遇。其商业模式的特征在于价值链横向合作大幅增长，通过全产业的数字化互连与设备的实时监控，综合利用分析数据与预见分析，从而更好地满足客户的要求。

一般的供应链与全数字供应链的区别在于企业是否有能力高效地对全供应链实现监控、报警、预测及优化。面对庞大的数量以及日益复杂的数据分析任务，通过工业大数据来建立智能工业，其本质是利用自适应机器人与先进传感器等先进技术融合，实现一个数字化制造环境的发展，形成全方位综合优化管理价值链。通过在全供应链的数字优化按需定制和信息实时访问，供应链将变得更灵活。

未来智能供应链可以从生产、需求、服务的三个大方面来实现。首先从市场需要着手，通过工业大数据，分阶段实现需求预测，做好需求与库存对接的优化工作，实现分配最优。其次，加大生产质量生命周期的分析，对生产设备做好实时的预测性自维修以提高生产的质量，实现最大化产量和可靠性。最终，产品以服务的方式在市场上流通，实现供应链配件的优化、售前到售后的服务运营优化、保值分析以及建立增值的售后服务盈利模式。

智能供应链应该建立在高度自动化的分析技术和管理平台上，通过信息技术与运营技术结合形成，来帮助供应链的厂商从繁琐低效的手动工作中解放出来，实现供应链智能中心。未来的更智能的供应链除了实现智能的支出分析、物料数据分类等主要功能外，其核心旨在加速发展移动互联网、大数据、云计算、物联网及其相结合的制造业。利用先进数据分析和预测工具，对实时需求进行预测与分析，增强商业运营及用户体验，战胜更复杂的供应链挑战。