最近十四五規劃突然之間被刷屏，其中數字經濟被頻繁提起，那么數字經濟究竟是何方神圣？數字經濟（Digital Economy）是繼農業經濟、工業經濟之后的一種新的經濟社會發展形態。該經濟形式也是一個信息和商務活動都數字化的全新社會政治和經濟系統，其本身的商業模式與現有傳統經濟完全不同，是一種達成了雙贏的全新經濟模式。

雖然數字經濟的概念還尚未普及到每個人，但是其影響的人卻已何止千千萬萬，通過下圖我們可以看出2019年全球數字經濟規模占GDP的比重已經舉足輕重，中國數字經濟占比GDP的比例增速達到了21％左右，數字經濟浪潮正成為引領新常態、壯大新經濟、打造新動能的主要“引擎”，而且伴隨著數字經濟的創新模式也成為各國產業發展的優先選擇。

甚至有研究表明數字化程度每增加10%，人均GDP將增加0.5—0.62%，而數字經濟的主要特征可以概括為：

1）要素：數字成為新的生產要素；

2）部分：數字經濟構成包含數字產業化和產業數字化兩個部分；

3）基礎：數字經濟的基礎設施為“云—網—端”三位一體；

4）形態：經濟組織形態呈現平臺化、共享化、多元化和微型化。

我們可以看到數字經濟是以信息通訊技術為牽引，達到數字化的知識與信息，最終實現降低成本、提升質量等目的。

數字經濟重點產業場景

通過如上分析，我們發現數字經濟是一門融合科技技術領域和經濟學領域的學科，概念相對宏觀，有了初步的理解后，就可以進一步的對應到具體的場景進行微觀的實踐應用！通過數字經濟推動數字賦能重點產業，深化研發設計、生產制造、經營管理、市場服務等環節的數字化應用，培育發展個性定制、柔性制造等新模式，加快產業園區數字化改造。

通過上圖我們可以看到：數字經濟重點產業包含云計算、大數據、物聯網、工業互聯網、區塊鏈、人工智能、虛擬現實與增強現實，而這些重點產業會端到端的“飛入尋常百姓家”，每一個數字經濟的重點都會浸入式的分散到業務端，比如區塊鏈在外協單位與主機廠之間的信用背書上發揮作用，虛擬現實在總裝階段、設備運維階段提供應用場景，工業互聯網可以構建產業級的平臺，產業上下游企業在產品級工業互聯網平臺之上完成廠所協同、廠廠協同等，大數據則可以在輔助決策端提供幫助，云計算可以提供一切數字化的基礎網絡、計算能力。

行業智能拆析

云計算、大數據、物聯網、工業互聯網、區塊鏈、人工智能、虛擬現實與增強現實等是數字經濟重點產業，同時也是我們今天主題“行業智能”的技術基礎，那么在發展維度上智能之前同樣需要有數據、信息、知識，最終的結果是“智能應用場景”，也就是我們目前所謂的行業智能。

數據：是使用約定俗成的關鍵字，對客觀事物的數量、屬性、位置及其相互關系進行抽象表示，以適合在這個領域中用人工或自然的方式進行保存、傳遞和處理；比如1.85米；

信息：是具有時效性的，有一定含義的，有邏輯的、經過加工處理的、對決策有價值的數據流；比如奧巴馬1.85米，顯然可以獲取相應信息；

知識：通過人們的參與對信息進行歸納、演繹、比較等手段進行挖掘，使其有價值的部分沉淀下來，并與已存在的人類知識體系相結合，這部分有價值的信息就轉變成知識；比如大部分成年黑人身高超高1.85米，具備一定的知識判斷；

智能：是人類基于已有的知識，針對物質世界運動過程中產生的問題根據獲得的信息進行分析、對比、演繹找出解決方案的能力。這種能力運用的結果是將信息的有價值部分挖掘出來并使之成為知識架構的一部分。根據已有的內容作出相應的提前預判。

所以行業智能的實現并不是一蹴而就，恰好行業智能是包含關系，也就是說到了行業智能的階段，是需要達到數據可視、信息貫通、知識自動推送與部分場景的自動判斷。

任何一項業務場景的提出或者實現，都需要技術支撐，比如1000年前日行千里靠赤兔馬，而如今靠高鐵或者飛機，這是因為技術限制了當時的應用場景，所以技術成熟是將業務場景化的前提。同時經濟的推動是因為TO C端眼看著紅利已盡，吃喝玩樂都可以線上完成，但是企業管理與業務操作仍然保持著傳統且陳舊的方式，所以市場上會有大量資本涌入到企業數字化、產業數字化當中，當然涌入的企業也是經過市場篩選的，因為凡是有數字化需求的企業往往是效益都相對還不錯。個人曾經去過一個黃驊市修貨車的國企，調研了很長時間發現該企業上到決策層下到管理層、執行層都沒有數字化的需求，因為他們的訂單是固定的，而且周期并不太長，對維修周期也并沒有急切的需求，所以綜合調研之后用車間主任那句話就是：我們目前最大的需求是車間裝個空調。

所以除了技術5G、人工智能技術逐漸成熟，國家良好政策穩步推進，同時也需要衡量企業內部的狀況，因為企業渴望改變的核心訴求是他們有痛點，要么生產周期非常短難以交付、要么上游質量要求高質量檢測報告讓人崩潰或者就是某一項勞動不符合人機工程（強度大、但是重復操作居多）。所以雖然乙方為了達到項目目的，會在企業剛需的痛點之上做一部分包裝，這種情況無可厚非，但是必須將企業的核心痛點發掘出來并解決，否則即使企業買單但是對于項目成果并不認可，乙方也是丟了西瓜撿了芝麻。

有了技術支持，國家政策傾向性很強，同時企業內部需求也相對強烈，但是行業智能的發展途徑是不會變化的，從數字化、信息化、知識化最終到智能化，也就是說行業智能并不是某一個階段的結果，而是前邊所有結果的展示，這個階段所能達到的所有內容的綜合結果重現。正如周星馳在《武狀元蘇乞兒》電影中的旁白：原來降龍十八掌是將頭十七掌融合在一起，諸如武林高手一樣，他的境界是之前所有的苦練、際遇與功力的綜合，而不是某一個功夫。

行業智能的單點應用則是人工智能，理解行業智能首先需要了解人工智能的內涵，在《人工智能，一種現代的方法》書中指出人工智能的定義：人工智能是類人行為，類人思考，理性的思考，理性的行動。人工智能的基礎是哲學、數學、經濟學、神經科學、心理學、計算機工程、控制論、語言學。人工智能是研究、開發用于模擬、延伸和擴展人的智能理論、方法、技術及應用信息圖的一門新的技術科學。

行業智能在企業當中的體現

通過上述的概念可以獲知行業智能的基礎是以模仿人的行為為核心，但是一個企業的組織架構千變萬化，但是逃不出決策層、管理層與執行層的職位定義，而每一個層關注的內容是不盡相同的，所謂屁股決定腦袋，他們提出的核心訴求也同樣千差萬別，所以用人工智能去概況整個企業的應用本身是有問題的，因為管理層需要的人工智能幫助他們的業務場景與執行層的肯定不一樣。所以不管是行業智能，抑或是人工智能并不是一個業務場景可以概括的。

我們再次站到企業人員訴求上去分析個人需求，車間執行層人員迫切的需要通過自動化的方式去替代他完成一部分重復性的且符合一定邏輯規則的工作，比如芯片檢測，比如如果生產5億芯片，由于會出現很多質量問題，如果人工檢測的話每年大約需要1億美金，每個芯片的成本也會增加。但是如果利用視覺+機器學習，人工參與度將大大降低。比如生產計劃下達需要考慮交付周期、在制品庫存、生產能力、生產日歷、優先級、能耗等，如果一個訂單考慮5種約束數據，那么五個訂單的排序可能性已經達到了120種可能，如果兩條產線的話這個數字將達到14400種可能，人工計算幾乎已經無法實現，而多維度數據計算則是計算機的強項。比如裝配工人將產品組裝完成之后，需要通過目視的方式去驗證工藝要求與裝配完成的內容是否匹配，這需要一個個去看，如果類似于航空發動機整機有成千上萬的零部件一個個去檢查，這不僅僅浪費時間，而且廢人。類似于這種場景非常多，除了重復性強有規則可尋的業務場景之外，還有部分高溫、高壓或者危險的不適合人類生存的地方，對于智能代替人工的訴求也非常強烈。

如果說行業智能對于執行層是代替可重復性勞動的話，那么對于管理層的用處則在于邏輯判斷，因為管理層往往并不太關注單點的操作，但是訂單的實時狀態、質量狀態是需要他們重點關注的，他們的職責就是實時觀察生產進度如何、生產狀態如何、現場是否有異常，通過他們的關注點我們可以看到管理層其實已經用到了一部分“工作經驗”，如果用計算機的語言來描述的話用到的是“算法”。比如生產訂單的交付周期是3天，但是兩天半之前訂單才到第五個工序，其實已經沒辦法按時交付了，這個時候就需要中層管理去安排加班或者協調客戶的交付時間，從而提前介入，但是因為一個車間的生產訂單有幾百個，由于該訂單還沒有到最后工序也就是可能還沒有入進入重點關注的行列，從而錯失了最佳處理時機。

這樣的業務幾乎每天都會發生，比如設備已經通過種種跡象表明即將發生故障，但是漏油現象、耗能增加、加工公差變大的細微數據浮動沒辦法及時傳遞給設備管理層故障即將故障的預測性內容，從而在設備已經發生故障之后才采取措施，錯過最佳處理階段的同時因為設備故障從而影響了生產。

除了管理層需要通過將經驗邏輯化輔助業務判斷，白領階層也需渴望獲取手頭處理業務的歷史經驗數據用于參考，所以通過目前操作的特點、訂單的特點與各個數據的綜合來個性化推薦經驗、知識也是應用的場景之一。

如果說管理層是將邏輯判斷算法化的話，那么決策層則是需要更大范圍的數據來支撐，因為生產調度可能重點關注的是生產進度、生產異常與質量，但是作為一個決策層需要的非常龐大的數據，所以決策層首先需要的則是數據處理、計算能力，將大量數據通過邏輯算法抽象化，形成一個綜合的畫像推送給決策層，比如生產進度、生產異常、生產質量等內容綜合之后給出生產畫像，財務數據綜合之后給出財務畫像，除了內部的數據支撐之外，大量的競品數據、輿論數據等也需要大量爬取、處理、計算，最終給出畫像數據，也就是將大量數據在管理思維算法的拆撥之下，以不失真的畫像推送給領導，用于領導決策。

如果到了決策層的智能階段，則更多的是給決策層提供少量但是不失真的核心數據，而不是讓決策層去在海量數據當中去尋找。

行業智能的技術支撐

綜合決策層、管理層與執行層業務對于行業智能應用場景的分析，智能領域大概需要四方面技術內容：

模式識別：對表征事務或者現象的各種形式（數值的文字邏輯關系等）信息進行處理分析，以及對事物或者現象進行描述分析分類解釋的過程，如質量檢驗當中的視覺分析之后對質量數據進行判斷；

機器學習：研究計算機怎樣模擬或者實現人類的學習行為，以獲取新的知識或者技能，重新組織已有的知識結構不斷完善自身的性能，如設計人員的個性化知識推薦；

數據挖掘：知識庫的知識發現，通過算法搜索挖掘出有用的信息，應用于訂單超時分析、設備預測性維修等；

智能算法：解決某類問題的一些特定模式算法，例如生產當中最低庫存排產、最短時間交付、最低能耗等各類約束條件限制進行排產。

所以綜合來講，行業智能是其終極目標，但是諸如數字化、信息化、知識化等也是其階段之一，行業智能只是數字化、信息化與知識化的綜合體現，而并不是到最后一個階段才突然實現的某一個節點。行業智能的實現過程像極了我們爬山，雖然“會當凌絕頂、一覽眾山小”是一瞬間的事情，但是整個爬山的過程才稱得上是爬山。放在企業上也一樣，行業智能的體現也是由單點向綜合轉變的緩慢過程，如果用《武狀元蘇乞兒》周星馳那句話就是：原來降龍十八掌是將前十七掌融合在一起。
編輯：lyn