工业大数据在中国是伪命题

大数据本来有更加学术化的名称：数据密集型(Data-Intensive)计算研究。微软在2009年组织撰写《第四范式：数据密集型科学发现》一书，给与这种方法以“范式里程碑”的待遇。而对于大众而言，这些不过是野地径自升起的炊烟，无人知晓也无可关注。

后来随着Big Data这个简洁明了的概念一炮打响，各种大数据这才迎风而上。

工业大数据不过是其中一种BigBang。工业4.0轻松地接过这一闪亮的火把，搅动了人们对于大数据无穷的想象力和不着边际的信心。数字设计、数字工厂、数字制造等一时间喧嚣而上，难免给人造成一种温暖的假象：到处都是工业大数据。有些舆论甚至断言，中国拥有全世界最大的工业大数据——大概理由是因为中国有最多的设备和工厂现场。

然而，且慢，数据现场，远非工业大数据之地。

中国真的有工业大数据吗?

贵阳大数据中心，以*主导型的数据为基础，基本是城市数据、政务数据、物流数据等;阿里云是以消费者数据为基础，十多年淘宝历程，沉淀了大量的用户行为数据。

但是，对于那些不分昼夜轰鸣的设备，工业数据仍然是暗无天日的黑油、黑煤炭。对中国制造业而言，些许的光亮或闪烁，远没有到大规模发光发热的时代。更为重要的事情，还需要工业领域去优先解决。

不是煤炭创造了工业革命

对于第一次工业革命的发源地，煤炭在英国发挥了巨大的作用。1700年，英国煤产量是世界其他地区的5倍;1800年，是欧洲其他地区的5倍。

然而，谜团犹在，英国拥有煤炭，好像是该国逃离农耕陷阱的根本要素。但与此同时，德法日和清朝，都有大面积煤田，却未得到大规模的开采。煤炭与工业革命的关系值得明辨。

实际上，这不是一个煤炭创造了工业革命的问题，而是工业革命创造了煤炭需求的问题。

换言之，英国煤炭工业的飞速发展，只是财富和技术已经到达高水平的一个征兆。

煤炭对于英国第一次工业革命的战略意义，此刻正如工业大数据之于中国制造2025。由于蒸汽机的驱动，煤炭犹如脱缰之野马，成为工业革命源源不断的动力。正如一把复杂钥匙吻合一把锁，这种类似的模式，第一次将人力一劳永逸地解脱出农耕时代。工业根基肇始。一段时间后，这个开锁程序被世界模仿，并且换成石化燃料和内燃机。

这一模式，影响了随后二百多年的工业史。

图1 煤炭与工业大数据的对比

随着智能制造的发轫，看上去这个模式，马上就要交给了工业大数据。而此刻，我们必须意识到，数据对于新工业革命的意义，尤其是对于中国制造2025的意义，是一种全新的密码锁模式——中国工业化还并不太熟悉的一种模式。

无数据 不知识

数据、信息和知识的关系，有时候容易混淆。大致而言，数据最开始都是未经组织的，大量存在却价值极低;底层的数据需要通过信息化和工业化，才能转化为知识体系。

从数据到信息，本身就是一种过滤机制——这需要一种提炼，然后可执行、可传递的信息形成知识。知识分为隐性和显性，隐性知识往往存在于人本身之中，传递性很差。

图2 数据、信息和知识的模型

可惜的是，传统知识管理的DIK模型(Data-Information-Knowledge)关系，是一个单线程关系。它只解决了知识的提炼，没有解决回馈问题。

就工业大数据而言，最重要的就是对它进行密集型的分析——工业知识断不能缺位。GE在谈及工业互联网的时候，给与了“专业知识”以高度的重视。工业大数据不是传统的数据统计分析，而是基于专业知识的引导，才能挖掘出数据真正的价值。

显然，知识体系必须重新作用于数据本身，才能形成工业大数据的价值。在工业领域，“无知识，不数据”。没有工业经验的线性化指引，数据就不会高速转化，工业大数据的价值，就不会产生。

对于数据而言，信息化作了第一次提升，使得数据归类、文本化和沉淀;但必须通过工业化才能进行第二次提升，才能将数据提升到知识的高度，形成真正的Know-how、经验、最佳实践、直觉;在此基础上，挖掘形成大数据的新产业价值。

图3 工业大数据与知识的关系

如果数据是石油，设备是藏宝地图，那么知识是唯一的钻探工具。

中国工业技术体系没有形成线性化，尚无法形成驱动力。那些数据深藏在设备里，深锁在系统中，它们只在规定的范围局部流动，一如地表下的熔岩。它们有着澎湃的能量，却无法驾驭。

就此而言。中国就没有工业大数据。甚至连显性化的工业数据都没有。我们工业化短短的行程，使得我们习惯于硬件思维和设备思维，还没来得及形成珍惜工业数据的意识。对那些有着厚重的工业技术体系和知识转化的GE、西门子而言，当他们在说工业大数据的时候，他们有着一个我们很多企业没有的隐含条件。

这是我们需要有的清醒意识：不要将无数的现场数据等同于工业大数据。

就中国制造业而言，知识才是最大的拦路虎。工厂中各种数据，如果没有领域知识和业务建模的前提，不过满工厂堆砌起来的一座座数据垃圾山。

对于企业而言，必须静下心来想一想：数据何在?知识何在?这是一种全新的范式，我们并不熟悉它：工业大数据模式，需要先看懂密码锁规格，再去找钥匙。

精益数据观 斩除数据浪费

两化融合走了十年之路，给中国制造业培养了一批工厂级的IT人才。就中国整体而言，许多企业的信息化水平并不低;但知识化和工业数据，则处于非常低的价值链。受各种信息孤岛的影响，数据被捆绑了，犹如被深嵌在花岗石上的钻石，数据处于高度不流动性。不流动的数据，不太可能发挥工业大数据的价值。

过去几十年，中国制造市场不知疲倦地耗资引进各种设备自动化——一种*购买的商品，一种吞噬数据的黑洞机器;中国工厂也略知皮毛地、半推半就地引进了精益思想，它的烙印还没来得及成为我们血液中的*元素。

而此刻，全新的数字化技术却已经来到身边，成为我们必须面对、必须应答的时代拷问。

新的浪费，正在形成。

中国的工厂必须用知识来解放数据。中国制造者们，此刻必须开始意识到，我们最熟视无睹的“数据浪费”， 已经成为一种新的触目惊心的挥霍。这是一种可怕的工业无知。它如一只令人生厌的乌鸦，站在设备的控制板上，嘲笑着我们在设备上所做的大把大把的投资。

图4 工业大数据的价值观

就设备的效率而言，我们需要设备自动化;

就资源的浪费而言，我们需要精益生产观;

就数据的效率而言，我们需要知识自动化;

就数据的浪费而言，我们需要精益数据观。

从工业大数据的角度，中国制造业尚处于数据的黑金时代。

在当下，工业大数据还是中国制造业的伪命题。

正是此刻，数据与知识的关系，更加耐人寻味。在这样一个i额时代，所有企业都将逐渐意识到数据的重要性。但如何能够完成数据的解放，将数据释放出来，仍然需要穿过“无视知识”的认知障碍，仍然需要借助大量的专业化知识。这是中国两化深度融合过程中，工业化必须单独回答的命题。

如果我们忽略管理者深浅不一的见识和技术上互相标榜的流派，那么工业4.0时代的所有命题，其实只有两个：数据和用户。所有的障眼法都由此而来。

而工业知识的显性化、模型化和固化，则是破解数据障眼法的唯一之道。

本文作者：佚名

来源：51CTO