作者：郭朝晖 上海优也信息科技有限公司首席科学家
来源：蝈蝈创新随笔，授权分享，仅供参考。
许多企业都认识到了知识管理的重要性，但却对推进效果不满意。在笔者看来，企业知识管理工作的失败，本质上是经济性原因：企业和员工为知识管理付出的时间是不是有足够的回报。
简单计算就会发现：贡献知识所花费的时间成本是惊人的。管理人员或技术专家贡献一篇知识性文档，可能要花一天甚至更长的时间，折算成人工成本很可能就有上千元。这项工作的回报有赖于他人阅读并使用其中的技术。如果“知识”的质量不高，还可能会浪费阅读者的时间，造成进一步的时间浪费。
对多数企业来说，要求企业定期“贡献”知识是个赔本赚吆喝的事情。经济上不划算的事情，迟早是要被抛弃的。解决这个问题的本质出路应该从经济角度出发：要让知识管理成为经济上划算的行为。
知识的价值是在使用过程中体现的。提高知识管理的价值，就要从促进知识使用、提高知识使用效率入手考虑问题。所以，一个自然的想法就是：把知识管理与业务活动结合在一起，嵌入业务流程。也就是说：知识管理的重点，就是在某个真实的业务活动中用得着的知识。
企业中的每个人都会负责某些业务。业务目标明确后，可以将每项工作流程化，分解成一个个具体而简单的步骤。事实上，流程本身就是一种知识、流程中每一步的做法也是知识。这样，业务就与知识联系起来了。
知识的价值体现在应用价值的过程中。在工业企业中，如果说某个知识“有用”，必然是在某项业务活动中用到的。反之，与业务活动没有联系（直接或间接）就是无用的知识。所以，与业务流程结合，就能保证知识的“有用性”。把知识嵌入业务流程后，用知识的时候自然就会找到它。
有些知识或许并不直接被业务流程用到，而是隐藏在业务活动之后。业务的知识告诉我们“怎么做”，业务背后的知识告诉我们“为什么这么做”。对技术的传承和持续发展来说，“为什么这么做”的知识很重要。所以，企业需要管理的知识应该包含两类：业务流程中直接用到的知识、产生这些知识的知识。
为了提高知识的质量和应用效率，将知识管理与知识的数字化、软件化结合在一起。用软件描述知识的一个重要好处，是保证知识的质量。我们知道：论文或报告中的许多公式，应用范围和参数都不清楚，会给应用带来很大的麻烦。但把知识软件化以后，需求就会清晰起来。如果软件能从平台获取数据、甚至自动地获取数据，又会给知识的应用带来很大的方便。这种做法还有另外一个好处：知识可以系统性地管理，有利于促进知识的复用、传承和持续改进。
宝钢首任技术副厂长何麟生先生认为：一个企业可以没有CTO、没有CIO，但是要有CKO（首席知识官）。何老强调的知识，其实就是企业里面的各种标准。如产品标准、工艺标准、控制标准等。这些标准，都是在业务活动中必须用到的知识。而且，离开这些标准，现代化企业将无从运转。
在宝钢建设之初，这些标准就是与计算机的管理和控制结合在一起的。例如，在轧钢的过程，大约2分钟左右轧一块钢。每一块钢都可能切换一组工艺参数。让机器去设定，才能及时、准确，避免出错。
在智能化时代，标准的范畴将会大大增加。从生产过程拓展到研发、服务、设备管理、异常处置等。更重要的是：这些标准要结合数字化时代的优势，与计算机结合、与互联网结合、与工业软件结合。这样，就产生了工业APP的概念。
对于工业APP，曾经有过一个争议：工业APP是否一定会基于平台技术？对于这个问题，笔者的想法是：原则上讲，工业APP不一定基于平台。但如果能够基于平台、尤其是能够实现信息集成的平台时，机会会大量增加。
在理想的情况下，工业APP基于某个业务平台的。有了这样的平台，APP可以直接读取数据，而不必用人工输入；有了这样的平台，APP还可能直接发送指令，立刻发挥作用。所以，平台会让APP的开发和应用变得容易。APP使用方便了，用户才喜欢用，才容易创造价值。这可以说是工业APP发展的“经济学原因”。
人们对工业APP的理解存在一定的差异。在笔者看来，工业APP是推动工业知识软件化的手段，而基于工业互联网平台或研发平台的开发是一种相对理想的选择。
这种工业APP中可能包含了数学模型或AI算法，披上了一层神秘的色彩。但其实，这些困难只是表面上的。依照笔者的实践，这类软件开发的难点在于跨专业的知识融合。如果能把不同专业的问题分离开来，就不再困难了。APP开发，一般需要三类人才。
第一种人是知识的拥有者。他们往往有着丰富的实践经验。有了实践经验，才知道什么地方没有做好、有优化空间。其次，专家经验往往与教科书的知识不一样：教科书给出的往往是在理想情况下的做法，而现实的条件往往不理想，专家知道哪些因素可以忽略、哪些条件可以借助。
第二种人负责知识的转化。这种人需要理解业务，善于把专业人士的经验转化成计算机的算法。如前所述，专家经验不同于教科书上的理论，而这一点往往也造成了专家经验的局限性和片面性，专家经验往往只适合特定的场景。把专家知识变成计算机知识的时候，必须同时兼顾这两个方面的问题。
第三种人是负责软件开发的人。这种人需要对APP相关的平台和数据特别熟悉。开发出高质量的软件。工业APP在开发时，经常会遇到一些意外的问题，如数据异常、计算异常等；要熟悉具体的数据和平台，才能合理地处理这些问题。工业软件对安全、稳定、可靠性的要求特别高，做好这种工作也并不容易。
工业APP是新的概念，但实践其实早早地走在了概念的前面。例如，在钢铁行业有一种叫做“数学模型”的控制软件，本质上就是用于实时管控的工业APP。在我国的制造企业，制造环节的工业APP大体上有两种：一种是用于过程控制的，一种是用于生产管理的。
在钢铁行业，过程控制计算机连接PLC、DCS、SCADA等基础自动化系统，也连接车间级的管理系统（相当于MES），本质上具备了工业互联网的雏形。有些过程控制计算机上也有类似工业互联网平台的软件，用于管理这些模型。
在工业企业，人们普遍认为：开发在线APP的水平比离线高很多。这不是企业的“规定”，而是一种大家普遍认可的“观念”、“文化”、“规矩”。
形成这种看法的一个重要原因，是在线应用往往意味着真正能用，是一种客观的评价指标。导致这种现象的原因并不正常：我国科技界的很多人喜欢浮夸。人们觉得：在线的东西实在、不是吹牛的。
工业知识往往都有对应的理论知识。但人们往往没有办法及时、准确、完整地获得理论所需要的数据和参数，如热传导系数、摩擦系数、磨损程度、内部温度等。人们能用的数据，只能是那些能够实时取得的数据。实际的模型往往是用相关数据代替。比如，用震动判断设备磨损情况，用加热时间估算物料温度，用季节估算环境温度等。选择不同的替代变量，实际效果就不一样：有些稳定度高、有些精度高、有些实时性好。所以，变量的选取，往往是开发工业APP的重要一环。
变量选取的问题，会给建模带来一定的麻烦。典型的麻烦就是应用范围往往特别小。解决这个问题的常见办法之一，是区分场景分别建模、分别使用不同的模型参数。比如，产品类型不同、规格不同、设备不同，使用不同的参数。这样一来，一个模型的参数就会有许多套，有时会有数以万计。
但分场景确定参数的前提条件是区分场景。区分场景最常见的办法，就是根据产品或者产品的生产履历来区分。而这就体现了“信息纵向集成”的价值。所谓信息纵向集成，就是把设备数据与管理数据集成在一起。管理数据用来区分场景，设备数据直接用于算法。所以，纵向集成往往是工业互联网平台必备的功能。
与离线APP相比，在线APP可能会遇到两种典型的麻烦。
首先是实时性要求。过去计算机能力差的时候，计算量大了就会影响实时性。那时，既要简化算法又要保持一定的精度，往往对算法的要求很高。幸运的是：随着计算机性能的提升，这个麻烦逐渐消失了。
其次是数据质量问题。使用离线模型时，数据的正确性由使用者负责。即便错了也能改正。但在线模型可能会出现各种麻烦。如误差过大、通信受阻、时序混乱、人为干预等。这些都给实时计算带来很多麻烦。开发实时APP时，这些问题都需要用软件来处理，工作量会急剧增加。
在线的工业APP大体上可以分成两类：一种是自动控制的、一种是操作指导的。区分这两种类别的原因是：两者对安全、稳定、可靠性的要求是不一样的，导致工作量和工作重点差异很大。
可靠性要求高会让开发难度极大地增加。编写软件时，往往要用90%以上的代码用于处理异常工况。对于自动控制模型，无论现场出现任何麻烦，都不允许有导致安全问题的BUG，程序中的防错机制必须可靠。另外，开发自动控制APP时，调试的困难也更大。软件不诚实时，现场测试的风险太大。为此，往往需要开发一些辅助软件，帮助调试代码。需要指出的是：最近兴起的数字孪生技术，对解决这个问题是有帮助的。
管理系统中的工业APP，数据往往来自于不同的系统，故而往往也有信息集成的背景。与过程控制APP相比，这类APP对实时性的要求不强。这类APP最常见的用途，是用来安排生产计划、质量管理。
安排生产计划时，需要考虑到生产的可行性、合同的时间要求、产品的质量要求、生产效率和成本的要求等。要求多了问题就变得复杂。安排计划不仅耗费大量的工作时间，效果也不一定是最好的。这时，用计算机安排计划就有必要了。但是，计算机安排生产计划时，计算量可能会非常庞大，过去需要几天才能计算出来。这时，把人类经验用于算法中，就能比较好地解决这类问题。
这类系统开发的困难之一，是需求的模糊性。安排生产计划时，会遇到各种矛盾的需求。例如，质量与成本的矛盾、安全与效率的矛盾，上下工序的矛盾。不同的人处理矛盾的方式是不一样的。所以，同一个系统，不同的人的评价是不一样的。
另一种麻烦常见的麻烦是：产品要求不同、市场情况不同，人们处理矛盾的方式是不一样的。比如，市场好的时候，人们可能会侧重产量；市场差的时候，人们会侧重成本。一般来说，人们在价值判断上的差异，往往很难明确地描述出来，影响这类APP的应用。从某种意义上说，合适的人机界面是非常重要的，以便于提高系统的可用性。
对企业来说，质量问题是全流程的问题。随着互联网和数字化技术的广泛应用，产品质量追溯能力和质量缺陷识别能力都大大增强，质量管理APP的作用越来越大了。相对与生产管理，质量管理APP的困难更多在专业知识的清晰化，而不是算法问题。
工业互联网的一个重要作用，是促进了控制系统和管理系统的信息集成。这给管控融合类的工业APP带来了极大的机会。
在笔者看来，管控融合类APP的特点是：以实时数据为基础，促进各种生产要素的管理。典型的应用包括能源管理、设备管理、安全管理、操作管理等，生产管理和质量管理的内涵也不断丰富。这些APP能够实时地发现问题，帮助相关人员及时地发现问题、解决问题，或者帮助管理者更好地管理现场问题。
用于生产管理和控制的工业APP经常会遇到一种麻烦：系统运行一段时间以后，效果越来越差，最终被抛弃掉。导致这种现象的原因很多。首先是环境发生变化，如环境温度变化、数据采集误差分布变化、生产原料发生变化、设备状态发生变化等。其次是生产系统发生变化，如产品种类发生变化、设备发生变化、设备的数量和常规流程发生变化。第三种是生产要求的侧重点发生变化，如从重视产量到重视质量、从重视质量到重视能耗等等。
最理想的办法是机器自动调整参数。参数的自动调整往往被称为“自学习”。“自学习”是学术界非常感兴趣的话题。但是，将这类技术用在工业界的时候，前提是保证学习结果的稳定、可靠。所以，实用的自学习方法只针对1~2个参数。尽管如此，找到合适的方法却不容易。
次理想的办法，是人工介入的机器学习。每隔一段时间，重新用数据将APP中的参数学习一遍。学习的过程中，可能需要人工的介入和确认。这种做法的问题是：对使用者的要求是比较高的，也会给使用者带来麻烦。
最后一种办法，就是让人工调整。这时，系统需要具备一个调整算法的界面，允许使用者对APP的参数、运行方式和相关的系统进行调整。这种做法常见的麻烦是：用户不一定具备调整参数的能力。这就好比，开车的司机不一定具备修车的能力。如果可能的话，最好能对用户进行培训，并且为他们准备一些便于调整的工具。
改革开放之后，我国从国外引进了大量的先进技术。但是，在引进技术以后的若干年里，我们的许多企业主要用国外引进的设备和工艺，生产国外引进的产品。比如，宝钢刚引进时，主要按照引进时规定的产品大纲组织生产，而汽车行业则主要生产国外的品牌。
从某种意义上说，研发类的工业APP是研发人员的工具。如果企业没有研发业务或者研发业务很弱，研发工具也就变成了屠龙之技。换句话说，当研发工作成为企业的重要工作时，研发工具的重要性才能显示出来。
当我们引进国外的产品和工艺技术时，国外仅仅告诉我们“怎么做”，却没有告诉我们“为什么这么做”。当我们刚刚开始自主研发新产品时，一种常见的做法是：找个类似的产品，按照这种产品的做法去做。
大约二十年前，宝钢计划生产一个新的钢种。参照国外给出的工艺参数时发现：要达到用户需要的厚度，会超越轧机能力的极限。对于这个问题，国外企业给出的办法是：进行设备改造，更换功率更大的马达。但这样做不仅影响生产，改造费用也高达一个多亿。这时，宝钢的一位老专家提出：国外的轧制规程（一种工艺参数）是有问题的。只要改变这个规程，就不用更换马达。但问题是：引进这个技术时，国外没有告诉我们，规程是怎么算出来的。于是，宝钢的这位老专家根据自己对工艺的理解，建立了一个数学模型，按照新的思想设计了工艺规程，顺利地完成了任务。
大约十年前，宝钢接到国外的一个全新的订单。参照国外类似钢种设定了工艺参数。试生产6000吨后发现：在第一道工序，就有大约一半的半成品不合格。过去，我们曾经开发过一个计算工艺参数的软件，只是从来没有在这条产线用过。为了解决这个问题，我们采用了自己计算的工艺参数。结果，第一道工序的产品合格率达到了100%，质量级别远远高于用户要求。
事实上，国外企业有大量类似的工具软件，用于产品或工艺的研发。但是，这些技术往往是国外企业的核心技术，并不愿意对外公开。所以，许多中国的技术人员，也不知道国外有类似的技术。这两个例子告诉我们：新产品开发日常化以后，我们需要有自己的设计研发类工具软件。
在离散制造业，类似的工业APP更加重要。据说，国外某飞机制造公司，拥有5000多个这样的计算软件。我们注意到：当产品设计实现全数字化以后，开发设计类APP变得非常方便，知识共享的可能性也显著提升。离散制造业设计、研发类工业APP面临巨大的机会。笔者认为：基于数字孪生技术，这类工业APP的设计有着巨大的潜力。
制造过程是物质生产的过程，而研发过程是知识生产的过程。与现代化大生产的制造过程相比，研发过程的规范性和标准化程度往往相对较差，并且较为强烈地依赖于人的经验。要把工业APP做为知识沉淀的载体，首先应该把研发过程尽量地流程化、标准化，并尽量基于平台开发APP。这样，工业APP就便于复用了，经济价值也就更容易体现出来。
索为公司的李义章先生认为：在创新的过程中，创造性的劳动比例并不高，多数工作是常规性的。通过推进工业APP，可以显著提高常规劳动的劳动效率，让研发人员80%的时间用于创造活动，20%的时间用于常规活动。
另外，在推进工业APP的过程中，要避免求全责备。模型或者算法总会有这样或者那样的问题。如果求全责备，工作就非常难以推进了。事实上，即便模型算法存在问题，如果实现了软件化，问题本身也是明确的。这样，知识就便于传承、便于改进，也不会依附于个人的经验。
原文始发于微信公众号（工业互联网前线）：郭朝晖：工业知识与工业APP
