数字化转型最早在2012年由IBM提出，但其内涵建设，据我看来，西方早在五六十年代就已经开始布局了，我们国家虽然起步较晚，但即使从进入新世纪算起，我们发展也有20余年了。目前，总体上还是处于缺芯少魂，心有余而力不足的状态。今天不讲宏篇大论，今天我就结合我在科学研究与应用上的具体经历或感受，同大家一起思考一些问题，就科学与实践的冲突角度来着重谈谈。 拿到学院给我安排的深度思考的任务后，我就把我过去在科学研究与应用上的项目与成果在脑海里重放了一遍，概括起来就是酸甜苦辣，九死一生，专注有余，力道不足。应用上实现了0到1，但没有实现1到2。理论上倒是实现了0到1，是别人帮我实现了1到2与2到3...（这里会分享我的两个具体案例） 我举个例子，我从事物流智能化有一段时间了，我总是听到CTO们讲，陈老师我们的智能算法还没落地等等，这么多年我见到的真正智能化的案例非常少，这一点大家都有共识。这也促使我一直在思考。 我首先来简单谈谈科学与实践的含义，科学由架构在逻辑上的不同理论构成，用于揭示我们自然与社会系统的存在的合理性。实践是自然系统与社会系统的存在。科学存在的最根本目的，是用一本万利的思想来回答实践问题。实践的复杂性远大于科学。因此，我始终坚信，实践是科学的宝库，当然有些人会视而不见，这需要对自然系统与社会系统的观察能力与长期形成的直觉。（这里分享一下我的创新思路） 在真正展开对冲突的探讨之前，我先来同大家一起理解一下，什么叫数字化转型。 数字化转型不仅是硬件的升级，是软硬件的熔重构，是变革。有硬件的创新应用，例如 5G、AGV、无人机等，也有软实力的提升，也就是需要构建系统的智慧大脑，否则会形成巨婴式系统。数字化转型下，我们也要从劳动密集型、资本密集型转向智力密集型的企业发展，要加快构建智联网，形成物联网、互联网、智联网三网合一的大生态。 既然要谈数字化转型，要解读一下数字化转型的内涵与外延。数字化转型有两个词，一个是数字化，一个是转型。转型的表面目标是提高效率与质量，深层次是解决市场竞争力的问题，解决低端人力短缺与成本高的难题，同时解决高端人才极度缺乏、加工精度不高、产品质量不强的发展难题。 数字化只是实现转型的手段，一般是指信息化、自动化、智能化。说到化字，我又要来谈谈，理论、方法与技术的区别。大家知道，带化的一般属于方法范畴，包括数字化、物联网化、互联网化、智能化、自动化是方法范畴，带法的是技术范畴，例如算法、大数据、机器学习、人工智能是技术范畴，带学的是理论范畴，例如运筹学、统计学、仿真学、计算机科学、数学、管理学。上面举例的内容也基本是目前数字化转型的基本内容。至于物流、供应链、制造、军事、医疗、机械、电子、航空航天等属于应用领域，不属于本质内容。那么数字孪生属于那一块，归结为一个应用，名字取得很好听，目前作用非常有限，总体上是好看（华而不实）。 所谓数字化转型就是要把运用上面所提到的理论、方法，通过几化去实现。数字化转型需要的是具有研发生产能力的高端理论。几化的思路没有问题，是国际共识。但实现的过程仍然凸显很多问题值得思考。由理论与方法所构架的科学，同由社会发展所提出的实践之间，是否能够融合作用？是否存在鸿沟？具体的冲突表现在哪些方面？
数字化转型需要智能生态。缺乏供应链上的智能水平参差不齐，绑在一起的智能化水平低，玩不起来。从汽车行业来看，主机厂是智能3.0，物流是智能2.0，而供应商是智能1.0。基本上是资本越小，智能越低。目前外包的智能供应商90%不懂智能，还是按照信息化的路子干，至多加上规则做决策参考的自动化，远远跟不上企业智能化的需求。而且很少有智能化企业能把产品，做成提升整体供应链智能化的产品。我曾访问过世界份额都数得上的零部件企业，总体感觉就是90年代的企业管理与运营水平，又何谈智能化。 下面我从冲突的必然性、认知冲突、利益冲突、技术冲突、体制冲突、人才冲突等五个方面来试图分析一下。 冲突的必然性。科学与实践存在客观的差别。大家常说，科学与实践密不可分，科学源自实践，指导实践。但我们仍然要充分认识到，科学与实践是两个不同的发展领域，目标与驱动力均不同。在不同的发展阶段，这两个领域自我构筑防护墙的厚度不同，其差别大概可以类比功夫电影的功夫与真实战争里的肉搏。应用是真实的战争，不能光凭想象，尽管电影所试图演绎的思想也是正确的。既然有差异，就不可避免存在冲突，甚至不可逾越的鸿沟。 关于认知冲突。理想观点是“算法比人强，企业提出的问题都是正确的”，现实是“算法不如人，企业提不出正确需求”。科学上认为”实践是简单的，不是科学”，实践上认为”科学家手到擒来”。数字化转型的核心内容表面上是信息化、智能化，深层次内涵是大数据化与算法化，没有算法与大数据的支撑，数字化转型只是四肢发达，头脑简单。过去的很多企业，包括一些前几年成立的著名的千亿且专注于智能化的企业，他们所能够拿出来的最后还是人脸识别、图像识别、数据分析、客户行为画像等产品，涉及到复杂场景的智能算法与机器学习的产品还几乎空白。很多所谓提供智能化方案的企业最终交付的仍然是一个MIS系统，充其量是一个智能架构完整（例如算法中台）但仍然是手工决策的高端MIS系统（类似MES、ERP软件），这里面原因何在，这涉及到科学与实践的能力冲突。 数字化转型是一个循序渐进与不断纠错的过程，在这个过程中，企业与方案提供商包括高校，都不能理想化，都要认识到不仅理论本身与现实有差距，而且现实与实践也有差距，说得直白一点，就是企业提出的问题过于理想化，理论的差距我们都有充分的认识，这里我举几个现实与实践的差距。物流领域有三大问题，包括预测、库存与路径，其中路径优化是对运输车辆生成最优的配送路线，其实这是个伪命题，真正的问题是货物与车辆的指派与匹配问题，至于路线该怎么走，司机天天跑，司机本身的长期经验的积累所选择的路径更优，如果非得考虑各种不确定性的情况下，例如装卸时间的不确定，所需要解决的问题，不仅在理论上都非常困难，而且生成出的解也不会被司机采纳，久而久之就不用了。我再举一个例子，生产计划与调度排程中，如果涉及到人的指派，有很多模型是指派到单个的人，其实这也是没有必要的，指派到小组就行了，更好的安排是小组长来分配的，小组长甚至都考虑了单个人的脾气或者行为，而单个人的行为在理论上考虑起来至少是比较困难的。当然上面两个例子都还是涉及到人的决策，如果系统本身不涉及到人，例如暗灯工厂，这个时候，路径优化与单个人的优化就比较重要了。 我先举个例子，从手拉车、手动档汽车、自动挡汽车、无人驾驶汽车，这基本上是硬件自动化的发展历程，少部分是软件的自动化，例如油门、档位、动力的自动协同。但是 目前无人驾驶还是只能称作自动驾驶，不能称作智能驾驶。什么时候能称作智能驾驶呢？当具备自我成长的时候，路线越开越快、越开越稳、越开越省油，并且能够互相自主交流知识，向其它车辆学习。首先是决策自动化，然后是决策的智能化，自动化需要算法来执行，智能化也需要算法来执行。无人驾驶、AGV说到底都是机器自动化的范畴。机器自动化+决策自动化叫系统自动化。而智能化是指机器自动化与决策自动化的智能化,缺少大脑，而创造大脑的核心方法，就是算法技术。 关于利益冲突，理想观点“科学为实践服务、实践促进科学发展”，现状是“科学服务于科学，应用服务于实践”。刚才说了，科学与实践是两个领域，有各自的领地，融合与作用也意味着侵犯。具体来说，人以食为天，科学中的学者们靠科学所带来的利益吃饭，实践中的工作者们靠实践所带来的利益吃饭。目前，大多数学者们的利益来自于两个方面，一是发表论文，而是项目经费的奖励。这里的利益包括金钱与帽子。而且呈现正作用。所以，目前去五唯是困难的（唯论文、唯帽子、唯职称、唯学历、唯奖项），这里我们不深入思考。实践中的工作者们的利益来自岗位（位子），我们要对位子有一定的深入理解，我们这里也不谈。但我想说的是，要成功实现数字化转型，学者们需要突破五唯（我借用这个词）才能够达到，也就是说目前给学者们带来巨大利益的五唯的成果都难以支撑数字化转型的根本需求，需要"雄关漫漫真如铁"的精神，在这个过程中，不但已有具备的能力难以达到，而且即使达到了，也是吃尽苦头，学者们会失去可观的可持续利益，因此对学者们来说，一个结局就是，一碰到困难，学者们就回来写论文、报奖了，实践的难题并没有解决。两一方面，实践工作者们其实不希望失败，失败了，岗位没了。也不希望那么成功，成功了，有些岗位也没了。所以，利益冲突，各自有退路是数字化转型的巨大障碍。产学研往往由相向而行变成相对而行。产学研隔了一堵墙。这堵墙很厚的一层就是算法设计。产学研经过多年的推进，大家相向而行，取得了些成果，但都推到了一半，碰到例如算法落地的难题时，很难再持续。企业增加曝光、拿示范、拿补贴，教授拿项目、拿奖、拿头衔，各取所需。结果这堵墙越来越厚。 缺少互相的社会环境。校企合作演变成校企游戏，双方变得不自信与不互信。学校了解了企业动机，企业也知道学校的动机，结果虽然大家都很开心，但却偏离校企合作的初心。智能化实施企业同需求智能化的客户同样相互抱着半信半疑的态度。缺乏互信与情怀是很难把象智能化这么精密的活干好的。因此，要树立国家情怀，重塑产学互信的价值体系更重要。 关于核心技术冲突，错误观点“论文多代表科学水平高，实践问题比科学问题简单”，现实是“论文不是科学、应用远比论文与科研项目困难（不仅是复杂）”。我们科学界仍然缺乏理论应用的经验，过去50年，我们国家大学模式大致是两个阶段，一个阶段是2000年之前的西学知识传播阶段，哪个阶段侧重于知识传播与教学，所以各位会看到，几乎所有的好的教材与书籍都是出自这个阶段，某著名出版社编辑说，80年代以来，我们没有出版过一本好的教材，当然有点绝对，但也是一个反映。另外一个阶段是新世纪以来的西方科研传播阶段，主要是学习论文创作阶段，这使我们国家一跃成为论文大国，当然我们也一直承认我们不是论文强国。不强是什么意思，这就涉及到一个明显的缺失，过去20年来，我们并没有脚踏实地得去学习并实践理论创新与应用创新，智能化便属于这个创新的范畴。有人会说，缺失我们可以赶上来，但我想强调的是，变强的过程，很难去学习，别人也不会把核心高端的东西通过论文发出来，也就是说你没有地方去学习。所以说，我们的科学的积累不足以支撑数字化转型，表现在缺少真正的顶尖学者，缺乏实践创新的经验积累。 我以APS为例，企业生产计划是企业每天开门必然面对的第一个决策，直接决定了企业运营决策效率。可是，无论我们上海的国有千亿企业，还是中小微企业，都几乎没有实现真正的APS，都仍然靠手工决策，输入到ERP、MES系统中。哪怕一个简单的小微车间的APS，其面对的问题涉及几乎所有能够见到的调度模型，也就是说目前市面上见到的调度专著的知识全部拿过来，都不足以解决企业提出的问题，更何况我们的学者只是靠着几篇小论文及博士论文成为了学者或者教师，理论积累及知识面远远不够，不仅要广，而且要长期积累。也就是说，我们学者们的理论能力不足。此外，真正要落地一个系统，还需要软件工程、计算机、系统工程等多方面的知识，需要更加综合的能力，从这个方面来讲，我们的能力明显不足或者偏科。我一直是数学系的本硕博，可是我本人也在本科的时候辅修计算机，为此还考了高级程序员的证书，现在想想这些辅修的东西对我特别有用。 上面讲的是科学理论本身的积累不足，实践又是怎么样子的呢？答案也是类似，企业也比较缺乏实践创新的经验，人力密集型与资金密集型的企业容易发展，一旦涉及到技术与人才的创新发展，我们企业也缺乏这些方面的经验。这突出表现在企业提出的实践问题不准确，企业因为缺乏经验，有时比学者们更加理想，以为只要产学研合作就一定能达到理想的结果。（这里举一个例子）。这些经验的缺乏使得我们总是走不正，达不到目标，不能用搬来学习的思维来做创新。总之，即缺乏人才又缺乏经验，这需要一段时间的锤炼与不断打磨，所以我建议企业与高校都不要急，也绝不能靠公关与三个臭皮匠顶一个诸葛亮的思维来指导智能化。 关于体制冲突，高校属于“官本位”，“自我”，“集体”等混合模式，大多数企业属于效益、效率、质量驱动的系统。我们来看高校的产出过程，老师或者团队接了课题，安排研究生主要是硕士，也有博士生去实现，有时候方案也是学生给出的，这样无法保证智能化的质量，就像一个工匠招了一个学徒，学徒本来是跟着师傅学习的，结果师傅与学生都不知道怎么做，完全由徒弟来摸索，结果就可想而知了。二是目前国家顶级人才以论文来衡量，不可否认论文推动了科学技术发展，但这也带来弊端，不管领域合适不合适，总是不自觉向论文倾斜，这也导致张冠李戴，产生不出高质量成果。当然，这与经费考核制度相关。 最后，是企业行为的问题，企业以企业行为占据了大量的智能化课题，企业更是短期的以项目为目标的模式，既然坐不下来，又如何产生高水平智能化呢? 大家都能看到独角兽更多的是做数据模型、语音与图像识别，智能制造的算法落地则比较少。目前的制度不能够支撑高水平智能制造，除非需求是硕士生学习阶段所能够解决的。 关于人才冲突，企业希望实习，高校不希望过度实习，错误观点“实习实践对培养人才很重要”，现状“实习第一，学习第二”。学习阶段，企业实习固然重要，但更重要的根本还是科学理论的深度积累。大家都知道，企业希望硕士生们去企业实习，解决企业的难题，这几乎是不可能的，学生还在学习，根本无法提供智能化的解决方案。无论自动化还是智能化都需要算法技术？算法的落地需要一个完整的生态人才，包括业务分析师、算法设计师、算法架构师、算法开发师、算法测试师、算法应用师等。而这些人才本身就缺乏，又在不同的专业培养，要整合到一个团队就显得特别难，即人才生态不完备。横观大学各专业，比较懂算法的专业包括计算机、数学、自动化、工业工程、机器人、管理科学与工程。然而，自动化、机器人更多研究机器的自动化算法，计算机研究计算机及网络相关的算法，数学系则更倾向于研究较为一般的运筹学模型建模及算法设计的方法论。实践证明，不是学了运筹学、学了算法设计与分析就能做算法的。在我看来，至少需要资深的系统分析能力、资深的系统开发（架构设计、编程）能力、资深的算法设计分析、配置与测试能力。 下面我仅从三个重要方面来给出几个建议。 数字化转型核心理论方法的汇聚与沉淀。这可以从平台、引擎与落地三个方面着手。一是开发平台建设，例如ERP、MES、APS等平台，二是垂直引擎的研发。三是产学研成果一定要落地，加大落地率。这样，学术成果一方面收到检验，另外一方面也可以沉淀积累。 加快智能化核心技术的广度人才培养。学校应从数学、运筹学、计算机、工业工程、管理科学学科交叉的系统性角度，面向数字化转型，开设以算法技术为主导、软硬兼施的智能化技术新专业或者方向。 推进专科学校的算法技能型专科人才培养。技能型人才培养始终是造成我国工程化水平低的瓶颈因素。要考虑设立相应的专科学校，培养算法设计的工程人才。这与三类似，但我这里强调的是例如中专的专科人才，也是迫切需要的，不然谁来实施维护呢？既要打造真正的投入数字化转型科学与实践兼顾的教授，又要培养会干活的高端人才。 全社会构建产学研合作的高效评价机制。企业拿出落地成果所带来收益的技术股份与核心技术研发者共享，解决后顾之忧，彻底迸发科研活力。注重科学与实践合作的长期性与可持续性，都不能做一榔头买卖。另外，要组建正确一流的真正团队，避免以帽取人。 当然，还有不敢干的问题，这里不属于冲突的范畴，我就不多讲了。当然所有冲突的解决，根本上是人生的价值观问题，这里我不多谈了。最终，我希望科研院所从国家发展与人生价值出发，广积累、戒骄戒躁，沉下心来，利益共同，技术共同，体制共同，在解决冲突下，奋勇前进。 |
