虽然我们很久之前就提了智能制造，但其实在这个旗号下面实际干了很多传统的数字化或者说自动化的事情，离智能还挺远的。对于CHATGPT为代表的人工智能尤其是各种大模型技术的发展，反过来又大大的刺激了智能制造的一些想象，或者是发展。

我们以前的制造系统其实也都是智能的，只是说这个智能更多的是掌握在人的手里，是依靠人的智能或决策决策来推动制造系统的运行。我们进行智能制造，很大程度上其实都是想以机器智能来扩大、延伸、部分取代、取代乃至超越人的智能。

总体来说：我们一方面是以人作为对标对象，不管是增强智能(IA)还是人工智能(AI)，乃至发展通用智能，都是在做这个事儿。另一方面则是探索新的形式来超越人的智能，这个更加富有想象力，比如群体智能。其实是一种个体集中控制与社会协同进化两种形式的智能发展道路。

回到正题，制造系统当中凡是需要人来进行操作，或者说需要人来做出决策判断的环节，其实都是工业智能发展直接而明显的对标场景。期望实现机器智能来增强或替代人的智能，内部其实就是一种模型化推理决策机制，得到正确的操作或者判断。当然也可能存在一些随着工业智能的引入导致制造的研发场景及流程发生改变的情况，这种改变更更加值得期待。

对于工业智能来说，首先是要找到场景，就是在什么方面来发展工业智能来增强或者说替代人的智能。比如原先依靠人来判断工件的质量缺陷，那现在就可以依靠机器智能来实现的。比如我们现在提了很多大国工匠之类的标志性的人才，他们一定是有他们的技能知识在具体的工业场景解决问题，他们内在的技能知识的沉淀以及物化，这都是工业智能要重点发展的。

对于工业智能来说，其次要明确他们的产出或输出。工业系统的运行是由各种各样的设备或者说软件系统来构成的，工业智能决策判断的结果一定要融入到这个场景中的，尤其是各种载体的执行动作。比如华为的数字机器人，其实很多都是在做流程或者说数据提炼交接方面的事情，这就需要对于业务需求理解并且整合数据，同时这个结果是非常明确的。比如我们发展了很多围绕机器人方面的一些工业智能，但不管是什么场景或者说类型的智能，最终也是要转化成机器人的运动。比如研发设计，能够掌握判断设计者的意图，给出建议性的产品设计方案或者说局部的动作操作序列，人机交互协同性以及结果产生的创新性都将大大的提升。

我们经历了一个哲学规律，不管是螺旋式上升还是否定之否定。我们在知识匮乏的时候，大多依靠直觉经验来实现对物体或者装置的控制。当我们随着专项研究知识逐步获得并且丰富的时候，我们可能很大程度上是希望能够建立机理公式级的解析式的求解结果。而我们现在又发展到了更多的依靠数据来驱动的一种推理决策，比如各种机器学习或者深度学习的模型，这个模型可能就是一个黑盒子，很难或者说也不需要去解析多层转化之间的物理含义，但最终可以得到结果，感觉又走向了模糊，是推理过程的模糊而不是结果的模糊，结果还是精确的。

工业智能的发展可能会内在的颠覆我们以前的一些业务处理方式。比如在供应链领域，有人就发展了对于每一个单子进行全过程监控的智能处理方式，就如同对于每一个单子进行专人专项处理一样。再比如，在计划排产调度领域，以前的传统是我们可能分配不同的计划人员来负责每一项任务的计划安排，后来我们建了高级计划排产系统，就是APS，强调统一的优化配置避免各自为战，但随着工业智能的发展，有一个发展趋势就是要引入群体智能(或者多智能体)，就如同有人在专门专项负责某个任务的计划安排，但他们之间通过协商的方式来实现整体的优化(这也是一种否定之否定的螺旋式技术进化路线)。这种处理方式就跟我们以前的处理方式是不一样的，或者说是一种进化性质的提升，这是一种颠覆单体智能的一种工业智能方式。

虽然通用的工业智能我们是追求的，但在这个目标达成的过程中，我们其实更应该关注具体业务场景的专用工业智能。在现阶段面向专用工业智能，机理模型和数据模型同样重要，甚至机理模型不掌握或者说不理解乃至没有基本认识的情况下，也很难建立数据模型。