|
本讲座选自工业4.0研究院院长兼首席经济学家胡权于2015年4月8日在青岛大数据高峰论坛产业大数据分论坛上所做的题为《大数据在工业4.0演进中的价值》的演讲。
工业4.0有两大驱动力，第一是技术，第二是资本，工业4.0德国人把它定义为第四次工业革命，为什么叫工业革命，马克思说过，生产力的提升不叫做革命，一定有生产关系的改变，生产关系的改变是怎么发生的？会产生什么样的阶层？
这个图跟大家平时看到的不太一样，大家平常看到的是右边的部分（常规的四大工业革命划分），左边是人类发生的初期，两千年多年前，有一个技术与组织管理的更替，更早一些，人类社会刚产生的时候，人们会用工具制造产品。按照历史记载，色诺芬从价值创造的角度分析了社会分工的问题，因为社会分工，我们的生产力得到了提升，但是实际上人类的技术革命两千年，比不上我们工业革命一个小阶段。第一次工业革命产生了一个阶层，就是工人，实际上第一次工业革命主要是英国人为主导，第二次工业革命德国和美国占据了世界的强势地位，而英国实际上在第二次工业革命稍微有一些落后了，为什么德国和美国起来了？按照哈佛商业历史学家钱德勒的分析，他认为英国是个人资本主义，缺乏专业管理层，这是第二次工业革命很重要的一个管理创新，到了第三次工业革命，这是按照德国人的划分标准来做的，主要以PLC的使用来界定的。但是，到了第四次工业革命，可能的突破会显露在管理上的创新，以及模式上的一些突破。
整个工业革命的进程是逐渐推进的，除了技术创新，还有其他内容也产生了重大的推动。例如，在工业1.0阶段，工厂和工人阶级第一次出现；到工业2.0阶段，带来了一个生产力的巨大提升，专业的管理人员出现了；再到工业3.0阶段，信息技术的广泛应用，带来了信息化。我们看一下工业1.0到3.0，有一个很重要的特征，那就是技术创新发生在车间，因此，即便大了工业4.0，首先进行技术变革的地方，也会在车间，我们一般把工业4.0在车间的变革称为智能工厂。
除此之外，工业4.0体系还提了三个模式或集成，第一个集成是纵向集成，也就是发生在车间。海尔提的互联工厂，大部分还是在车间的事情，这是创新最根本的一个基地。第二个集成是端到端的集成，供应链一个集成，还有电子商务，营销渠道的集成，本质上是一条单一产业链的集成，这样的集成导致了什么东西的出现？我们觉得是产品的价值更大，服务更好，苹果、小米做的就是这样的创新。工业4.0体系还提到了第三个集成，横向集成，我们用产业经济学的话来讲，多条产业链互相交织，这就导致了一个名为新工业价值生态的东西出现了，对于多条产业链的交织，我们所谓互联网思维称为跨界，也对，也不对，跨界就像跑到你家里去，但是如果你邀请我过去，这叫融合，也叫分享利益，更加符合持续发展的思路。
在这里给出我们工业4.0研究院定义，也就是三个高度化，第一个是高度自动化，第二是高度信息化，第三个是高度网络化。自动化主要是工业2.0时代的一个特征，信息化主要是工业3.0时代的特征，网络化是工业4.0时代独有的，顺便提及互联网+的概念，这个概念的主体是互联网公司，不是制造企业。前一段时间在上海交大讲的时候，制造业企业听完我分析工业4.0体系对制造业有利的理由之后，感觉非常兴奋，纷纷表示终于感觉到制造业有希望了。不过，制造企业在工业4.0时代还是会面临一些挑战，其中就有两个革命，一个是管理革命，一个是模式革命，制造企业应该进行改变，不然无法获得竞争优势。
端到端的集成，就是怎么从用户端、生产到原材料的整合，这是工业4.0演进的第二个阶段。海尔做的一个创新可能更符合端到端集成的定义，其本质就是从产业链的视角来看，去整合供应链和电子商务，一般来讲，供应链是制造企业擅长的，而电子商务不见得制造企业擅长，反而是互联网公司更擅长，因此可能会面临互联网公司的“跨界”。网上有一种说法，那就是工业4.0未来十年会把淘宝干掉，似乎也不是不可能。
横向集成的重点是务联网，我们把它叫做服务互联网。刚才也说了这么一个事情，我们回顾PC时代，电脑产生的时候，IBM并不认为这是一个很大的产业，但是微软和英特尔想办法把这个产业做出来了，产生了一种全新的行业，我们在这认识工业4.0的时候，你不用管别的公司怎么讲，你可以去改变这个产业的，也就是你有机会创造出你心目中的工业4.0时代来的，横向集成就是创造这么一个革命性机会的模式。
我们来看横向集成的解读。PPT图上的左边绿色是纵向集成，表示目前就可以做，端到端是黄色的，表示有风险，红色的是横向集成，难度很大，目前似乎没有谁可以实现。对于要实现横向集成，目前没有任何成功案例，不过要实现横向集成的话，没有车间的革命无法实现集成，你怎么做大数据都没有用，没数据是你最大的麻烦。当然，如果你端到端集成没有实现，那么你肯定没有形成供应链和互联网的整合，横向集成也做不成，你没有来自供应方的实时数据，也没有客户数据，怎么做横线集成呢？我们认为横向集成有可能不是工业大数据作为主流，因为如果你的竞争对手改变了产业的行为，让独立的工业大数据服务不具有可行性，那么即便独立的工业大数据有意义，也许已经没有商业化的可能了。例如，微软做的Windows，就是因为转换成本太高了。
总结以上的分析，工业4.0的路径是比较清晰的，第一肯定是在车间发生的，你是必须要做的，工厂没有相应的数据收集，别的事情是不可能发生。这个阶段的事情不一定你自己做，但一定要做，有可能是你的客户自己做，或者你的供应商来做。第二是端到端的集成，一个是在产业链的主导型企业可以做这个事情。到了未来我们认为的可以做的是横向集成，也就是一种生态，如果有机会的话，可以把握机会，成为工业级的BAT。
我们来看一下怎么来释放工业大数据价值？因为我们是做研究的，我们会比较讲究理论的完备性，我们在讲工业大数据，我们一定要讲这个东西是什么？工业大数据就是一个技术创新和革命，因此可以用技术革命周期来理解。以为经济学家佩雷斯讲过，她研究发现每次技术革命都有一个生命周期，我们可以分为四个阶段。
第一个阶段很容易理解，刚开始大家很疯狂，一看大数据，大家都知道，或者感觉到是一个大的机会，这个时候一定是大爆炸的时候，在这个阶段爆炸性的增长和迅速的创新将相继出现，紧接着进入第二个阶段，有些基础设施不健全，你做大数据的时候你发现没数据，车间的数据化都没做到，怎么做大数据？做不了，无法做，不知道怎么下手，大家返过来想，我是不是应该做一些基础设施？我认为就是刚才三个工业4.0演进的路径，我车间的数字化要做到，我车间的自动化改造要做到，有了数据以后再做。有可能是国家在做，也可能是主导型的企业在做。第三阶段主要是什么？创新和市场潜力的扩张，海尔自己做互联工厂和工业4.0的时候，大概有三千万用户，对互联网公司这不是一个大数目。刚开始的时候有路径依赖的问题，先做基础设施，到了第三个阶段，有远见的企业家，是有可能把握第三个阶段的发展机会的，这个时候速度非常快，如果没有前期两个阶段的准备，是不可能有第三阶段的机会的，第四个阶段市场就会接近饱和了。
对于整个周期，刚开始各种资本都进来，到后来大家开始怀疑了，但是里面两种资本，一个是金融资本，还有一个生产资本，股市怎么疯狂那是金融资本，企业现金投入是生产资本，最终留下的是生产资本把工业4.0这个事情推进的。
对于制造企业来讲，应该基于CPS去思考设计工业大数据体系，很多企业特别着急，心想如果我不做这个互联网，我没有这个互联网思维，企业就可能倒闭了，但是我认为，如果你有了互联网思维，你的企业倒闭得更快，因为你如果不考虑企业自身的优势，很容被懂互联网思维更好的互联网企业干掉。制造企业一般都会涉及到硬件和软件，你不是做一个电子商务网站就可以了，一定要有较重的资产，这就是你的优势，不管是阿里巴巴、腾讯，还是百度，不是说今天建厂，明天就可以建成了，招来一个工人也不可能是互联网企业那么高的工资，否则企业早就跨了。
CPS就是信息物理融合系统，互联网跟我的物理实体结合，物理实体是我的优势，我怎么能放弃呢？光做信息是没有优势的，我们制造企业怎么做得过阿里巴巴、腾讯和百度？但是他不会经营工厂，那么复杂的都做得烦了，你做工厂的话，可以把这些都做好，而且这些数据不分享给他，为什么一定要分享，现在讲数据资产（这是有价值的东西），我为什么要分享？你可以让它们到你的互联网平台来经营，不一定非要到他们的平台上去。
工业大数据的价值不用证明，但是耦合和去耦合的竞争持续存在，我们做工业4.0研究的看法是，企业做的东西耦合度非常高，专门为你量身定制的，基于自己的资源定制的，对你来讲的话你要去耦合，你要找出更具有普遍意义的东西，把这些东西解构出来，形成一个独立的去耦合的模块，再结合我自己的资源来创造新的价值，这需要真正的企业家精神。
怎么来耦合和去耦合呢？我认为，互联网公司肯定会利用大数据分析，延伸在制造价值链上的力量。这里面我用了一个简单的模型，他的物理商品流也是一个很难的事情，它是一个动态变化。
我们认为车间的数据化革命开始是一个可行的战略，有人做了一个5C模型，就把数据整合起来， GE在工业大数据以及工业互联网这方面做了非常多的工作，他目前为什么做这件事情？因为企业不能像我们做研究的，考虑的过于长远，它们需要考虑短期能不能落地，如果不落地，不具有经济性，最终要落在现有的业务上。车间的数据化、智能工厂和互联工厂的概念不是重点，但车间的数据化为起点，不管你怎么样做，你终究还是回到车间，不然的话就是一个互联网公司了。
对以上演讲内容进行总结，我们认为工业4.0演进的路径分为三个阶段，也就是车间的纵向集成、单一价值链上的端到端集成和跨价值链的横向集成，最高级阶段是跨价值链的横向集成，这将产生新工业价值生态。大数据在工业4.0演进的三个阶段都扮演非常重要的角色，但是不是可以形成独立的业态，是需要企业家精神来推动的，这是一个博弈的过程，但工业大数据一定是一个价值存在。 |
|
|
