跨越工业App认知陷阱，推动工业互联网走深向实

在百年变局与疫情交织叠加的背景下，数字经济展现出顽强的韧性，有效地对冲了疫情的影响，已成为推动经济高质量发展的新动能和新引擎。近年来，经过大量理论和实践探索，以工业互联网为载体的产业数字化新型基础设施，在数字经济与实体经济深度融合方面发挥了重要作用。

根据《中国工业互联网产业经济发展白皮书（2021）》预测，2021年我国工业互联网产业增加值规模有望再创新高，达到4.13万亿元，占GDP的比重上升至3.67%，工业互联网已逐步成为国民经济增长的重要支撑。作为工业互联网价值实现的最终出口，工业App自然吸引了包括互联网、电信、电子游戏、软件服务、办公自动化、云计算、IT设备等行业玩家的纷纷入局。

不同背景出身的玩家对于工业App有着不同的视角和理解，正所谓“横看成岭侧成峰，远近高低各不同”。例如：

BAT从云原生、低代码、微服务、数据中台、DevOps、元宇宙的角度理解工业App；

电信运营商从5G、网络切片、MEC、NFV、MIMO、eMBB/uRLLC/mMTC的角度理解工业App；

云计算厂商从容器、K8S、边缘计算、规则引擎、CoAP/MQTT的角度理解工业App；

电子游戏厂商从AR、VR、MR、XR的角度理解工业App；

......

然而，以上视角形式大于内容、手段掩盖目标，正可谓隔靴搔痒、盲人摸象、管中窥豹，均未触及工业App的实质，使工业App不得不落入康德哲学中“物自体”的境地。

究其原因，数字产业化与产业数字化是属于完全不同的两大数字经济形态，不论是从概念的内涵、外延方面，还是商业模式、实现路径方面，都存在显著区别。以上问题的症结在于套用数字产业化的思维去实现产业数字化，照搬原有行业经验和Know-How到工业互联网和工业App中，不可避免会导致“不见庐山真面目，只缘身在此山中”，坠入可怕的工业App认知陷阱中。

数字产业化，即信息通信产业，具体包括电子信息制造业、电信业、软件和信息技术服务业、互联网行业等，包括但不限于 5G、集成电路、软件、人工智能、大数据、云计算、区块链等技术、产品及服务。

产业数字化，即传统产业应用数字技术所带来的产出增加和效率提升部分，包括但不限于工业互联网、两化融合、智能制造、车联网、平台经济等融合型新产业新模式新业态。

简单来说，数字产业化的操作对象和服务对象是信息，性质属“虚”，信息的表达通常是二进制，用0和1来表示；产业数字化的操作对象和服务对象是物质，性质属“实”， 物质的表达则是基于元素周期表，根据各行各业不同的需求而定。

数字产业化的核心在于信息的获取、表达、存储、传送、处理和递送，它将现实中的现象或物体用信息抽离出来，让信息在某种新的媒体上，以不同的形式表达出来，用一种高效的计算处理信息，形成可获取的知识。例如，电信业解决的是信息的传送问题，源于其祖师爷麦克斯韦描述电磁波的麦克斯韦方程组；人工智能解决的是信息的处理问题，不管是采用三层神经网络机器翻译NMT模型还是统计机器翻译SMT模型。

数字产业化是产业数字化的基础，但仅仅依靠数字产业化是无法实现产业数字化的。

工业App，全称工业互联网App，是工业技术知识、流程的程序化封装和复用。其目的是优化生产，提高工业品的价值。工业App面向工业产品全生命周期相关业务(设计、生产、实验、使用、保障、交易、服务等)的场景需求，把工业产品及相关技术过程中的知识、最佳实践及技术诀窍封装成应用软件。

工业App是一个典型的高端工业品，它首要是由工业技能构成的。研制工业App是一门集工业常识与“Know-how”大成于一身的专业学识。没有工业常识，没有制造业阅历，只学过计算机软件的工程师，是做不出先进的工业软件的。

我国工业App发展仍处于初级阶段，供给能力依然不足，而国外工业龙头正在加速建设和推广，对我国发展工业App带来竞争压力。这既是挑战、又是机遇。但当前有一种过度追求高技术能力的倾向，仿佛只要投入数字技术就能实现工业App，仿佛数字技术越先进、越高大上，就越能产生更大的业务价值。这导致很多企业盲目跟风，大规模部署涵盖新型传感器、大数据、云计算、人工智能、边缘计算等最新数字技术以实现工业App。

许多人都以为工业App属于App范畴或软件范畴，实则非也。如果像解剖人体结构那样解剖工业App的话，当翻开工业App的“躯壳”时，首要映入眼帘的是工业技能。最可怕的是，不只许多企业领导这样认为，政府主管领导和高层决策者也这样认为。为了重视工业互联网的发展，在工业App等工业软件的研讨会上，有关领导就会找来一大堆IT人士，云山雾罩地评论一堆与IT有关的问题。

殊不知，工业App是架构在数学科学、物理科学、计算机技术和工业技术之上的宏大建筑，是一座复合型知识的宫殿。工业App是人类制造知识的最好结晶体。

下面以工业软件中最难啃的三座大山——CAD、CAE和EDA为例，阐述工业App为什么是人类基础学科和工程知识的集大成者。

首先，工业App的研发需要有良好的数学基础。各种CAD、CAE、EDA软件中需要多种计算数学理论和算法，包括线性方程组、非线性方程组求解、偏微分方程求解、特征值特征向量求解、大规模稀疏矩阵求解等都需要非常深厚的数学基础。如果不能熟练运用各种数学工具，对物理场的建模也就无从谈起。

其次，工业App的研发需要有良好的物理基础。工业技术的源头，是对材料及其物理特性的开发与利用，对多物理场及相互耦合的描述与建模是各种仿真分析软件的核心。任何CAE软件在市场上存身的根本都是其解决结构、流体、热、电磁、光、声、材料、分子动力学等物理场问题的能力，每种物理场都包含丰富的分支学科。以结构为例，为解决结构设计的问题，有可能会涉及到理论力学，分析力学，材料力学，结构力学，弹性力学，塑性力学，振动力学，疲劳力学，断裂力学等一系列学科。

最后，工业App需要解决如何将工业技术与知识写进软件。基础技术很重要，但不能解决工程问题。麦克斯韦能解决电和光的物理方程描述，但却解决不了一家电气制造商的设计制造问题。制造现场涉及大量的工艺过程，这种Know-how的转移，是一个非常复杂的知识扩散现象。各种工艺如铸造、焊接、冲压、锻造、切削、热处理等，各有各的现场诀窍。许多暗默知识，只可意会不可言传，师傅的言传身授往往是最好的方法。大量的制造经验，要想变成算法、编码，固化到软件，那都是一个漫长的过程。工业App的价值，因此得以凝聚。

因此，工业App自身的构成，是令人望而生畏的数学、物理、计算机和工程经验。

反观数字产业化，以人工智能为例，其技术解决方案无法直击工业核心痛点，还在关注表面的问题，而非核心痛点。例如，某手机制造企业希望通过人工智能提升制造工艺和良品率，但是引入计算机视觉做质检，只能在产品生产出来后发现缺陷，远不能达到改进工艺、解决核心质量问题的目的。此外，由于工业设备产品、场景的差异化与任务的多样性，当前的工业场景下机器学习模型的可复制推广性较差。例如，工业场景下的产品检测，不同生产线、不同产品的缺陷种类情况可能完全不同，在某一企业可能获得高效率的算法或解决方案，移植到另一企业或许并不能达到同样的效果。

工业App取之于工业，用之于工业。

超出工业App实际需要的单纯数字技术导入和堆砌，无法确保工业互联网的成功落地，反而造成了大量资源的闲置浪费。数字技术只是起点，只是赋能工具，对数字技术的投资和应用要以能否解决工业的切实痛点为根本出发点，数字技术的投入能否带来工业数字化转型成功需要各方面的系统调整与改革，是一个复杂的长期推进过程。

能不能做好工业互联网绝不仅仅依赖于技术的发展、市场的验证、人才的供给以及国家政策引领等条件，更重要的是需要有正确的认知路径，避免坠入对工业App的认知陷阱，推动工业互联网走深向实。