移动互联网的大潮方兴未艾，它所改变的不是需求个性化趋势的本身，只是使这种自古以来就有趋势得以集中爆发，以前所未有的加速度颠覆各种行业，让新的模式以革命的力量得以弯道超车。

人们对个性化的美好追求自古以来就有，私人定制永远意味着高端、品味和优雅。各种行业也都有历史悠久传承数代的作坊。但可以把个性化定制规模化和工业化，才可以称得上是软性制造。”

在移动互联网时代，腾讯CEO马化腾曾研判，新一代信息技术正从“价值传递环节(前台)”向“价值创造环节(后台)”渗透，对原有传统行业起到很大的升级换代作用。“后台”的价值创造环节，包括供应链、设计、流水线、库存等。冷冰的“后台”曾离消费者很远，如今不但距离在拉近，而且有了情感与温度。

互联网和移动互联网产生的另一革命是倒逼价值创造环节，即制造环节不断改进生产方式，以软性制造增强弹性和灵活性，更快适应“多款少量极致时尚”的集中爆发需求。这一点，正越来越成为有识之士的共识。

一直以来，互联网以解放消费者著称，却在生产者这一端没有多大起色。为什么制造商不能通过互联网锁定用户?因为多数制造工厂依然是一个消费者摸不透的黑箱，箱子外面有ERP(企业资源计划)、CRM(客户关系管理)、电商平台……一切都很清晰，人们甚至能看到每一个快递员的实时定位。但是一旦进入工厂这个黑箱，大家就两眼一抹黑，每一个产品生产到哪一步了，每一个产品的每一个零部件来源，每一个工人的工作状态，产品的质量和可追溯性……除了制造工人和计划员心里有点数，连总经理都不知道真实情况，因为他面对的永远是一个由无数因素构建起来的复杂系统。

不能锁定用户，何谈软性制造，何谈个性化定制?不能打开工厂“黑箱”，如何锁定用户?

突破工厂“黑箱”，并不是要将工厂车间的每个制造细节、所有流程工序透明化地呈现给用户看，而是要使工厂不再封闭和孤立——从上游原料零部件到终端产品，制造业的长期价值在于帮助下游客户赚钱。从终端到上游，要将用户需求的变化高效传达给产业链上的每个环节。

过去，一个好的供应商标准就是精益制造、质量可靠、交货及时，现在更多要考量其主导研发、设计的能力能不能跟上。正如一个服装企业，如果实现能够按需定制，首先要考量的是其设计能力和打版能力能否跟上千变万化的尺寸要求。目前以C2M个性化定制著称的红领集团，每天通过不同渠道直接面对消费者，接到的个性化西服订单超过3000笔，如果靠原始的手工进行打版，则至少需要1500名以上熟练的打版师才能完成。而1500名打版师的招聘、培养和聘用，对红领乃至任何一座规模更大的西服工厂来说，都是不可能完成的任务。红领集团靠自行研发的BL系统，通过大数据和计算机打版，完美的实现了计算机按需设计、按需自动打版并传递到数字化裁床以及后继工序。这就是抓住了软性制造的核心要点。

物联网、传感器、云计算等前沿技术的最大价值，不是让工业企业在更短时间做到更大产量，而是要使工业企业与上游供应商、下游销售端之间实现高度数据共享，增加生产软性化程度，将一切环节直通用户实际需求。现在的市场竞争是产业链竞争，而非企业之间的单打独斗，能否胜出取决于各方共同的能力和效率。

“机器人”，大家现在都已经有所认知。国际标准化组织通用的定义是：“一种可编程和多功能的操作机;或是为了执行不同的任务而具有可用电脑改变和可编程动作的专门系统。”它能为人类带来许多方便之处。截至到2016年的最新研究成果，已经可以实现：两个机器人碰面后，可以进行相互交流，自己选择合适的交配伴侣。当机器人通过“WIFI”网络交换各自的基因组代码，这种有性生殖机制可产生新的基因组代码，将代码发送到3D打印机上，就可以“繁衍”出小机器人的各种部件，进行组装。目前科学家已经完成了整个生命周期测试。当机器人父母繁殖后代时，它们的功能随机组合。

“机器人+”实际上就是软性的管理机器人，区别于目前大家看到的“机器人”，它隐藏在管理系统后台，是无形的机器人(当然，通过一些仿真，也可以显示在前台桌面)，正如打败李世石的阿法狗是就是围棋机器人一样，软性的管理机器人，也具备以下能力：

智能：指感觉和感知，包括记忆、运算、比较、鉴别、判断、决策、学习和逻辑推理等;

机能：指变通性、通用性或空间占有性等;

物理能：指力、速度、可靠性、联用性和寿命等。

与日常看到的机器人所不同的是，软性管理机器人，由于没有传统机器人上必备的控制系统、检测系统和驱动装置，所以更投入精力在人工智能(ArtificialIntelligence，英文缩写：AI)方面，进行研究，使人工智能的技术更进一步，研究工业企业管理者充满智能和创意活动的规律，通过软性管理机器人构造具有一定智能的人工系统，研究如何让计算机去完成，或部分完成以往需要人的智力才能胜任的工作。

根据80/20原则，一名普通企业管理者的大部分工作，都是一些重复的行为，比如采购经理，大部分精力花在下达订单、督促交货、质量索赔、控制库存等;那这些工作，交给一个带有“弱人工智能”的“采购机器人”能不能完成?——是能够完成的，而且如果约束条件设置的足够多，逻辑足够强大，可以做到比人工更加精准，实现管控。而管理者，只要处理由软性机器人推送过来的异常情况，就可以了。而且这种异常情况作为“训练素材”，可以继续培养这个机器人，下次再出现类似的情况，就知道该如何处理。这样机器人就可以越训练越聪明，越成长越智能。

机器人+”的研究方向可以分为两种：一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法(ENGINEERING APPROACH)，它已在一些领域内作出了成果，最新的成果是新闻写作也可以机器人化。另一种是模拟法(MODELING APPROACH)，它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法(GENERIC ALGORITHM，简称GA)和人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂(按指数式增长)，人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统(一个模块)来进行控制，这个智能系统(模块)开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

这两种研究方向，在“机器人+”领域，都有应用。前者，可应对在偏弱的一些软性机器人中，比如采购机器人、发料机器人、订单处理机器人、应答机器人等基层管理岗位;后者，可应对在一些稍强的，更像中层管理者的岗位，比如服务机器人、个性化定制机器人、排产机器人、数据分析机器人等，这些就需要靠管理者进行不断地强化训练，不断使其具有更高的智慧，而且更加具有鲜明的行业特征和企业特征。

前者可以部署公有云平台上，提供给工业企业按需配置，连通到企业现有的业务系统中，按需租用。就像企业给员工发工资一样，只不过给机器人的工资更低，而且永不犯错，没有接替损失。

后者是企业或行业要搭建自己的私有云，首先需要收集大量的数据，让数据称为企业最宝贵的资产之一并盘活，让数据成为训练机器人的基础，数据驱动机器人，数据让机器人变得更智能，然后再加上管理者不断的用处理各种异常进行训练，让行业机器人逐渐变得软性、智能，让行业机器人真正成为本企业的核心资产，不但越来越智能，而且永远年轻，永不背叛，可以传世。

在可预期的未来，“机器人+”代表着下一代管理系统的至高点，在互联网思维下，云计算(租用模式)、物联网(自动识别)、大数据驱动(预防与训练)还有生物仿真技术，甚至心理学等，都会在“机器人+”这一高科技产品中，得到完美的结合。