要实现“降低个性化定制的负面作用”这一目标,本质是要在具体的业务活动中更加科学、快速地决策,进行更大范围的优化。智能制造的优势,在于推进智能决策。事实上,产品的(外)设计、钢种的合并、余材的处置、生产的组织、生产和产品异常的处置、质量动态控制、技术服务的本质都是做决策。过去,这些决策过多地依赖于人的经验,而今后则要推进智能决策来做得更好。
智能决策可以有不同的程度。可以是机器完全自动决策、可以是受人监控的自动决策、可以是机器辅助人决策。智能决策利用了计算机突飞猛进的计算能力,可以让决策更加科学、迅速。智能决策体现在算法上,但背后依托的则是数字化的信息和知识。
人们自然会有另外一种疑问:即便现在依靠人的决策,缺少的也是信息和知识。比如,很多问题出在用户需求识别不准确、设备状态不清晰、动态质量控制的知识缺乏、不知道钢种如何改判。这些知识往往是专业知识,在这种条件下,智能决策还不如人的决策,推进智能决策又有什么用呢?
我们认为:知识匮乏确实是个长期没有解决的问题。知识匮乏本质原因是“知识生产”的投入产出比问题。
我们知道,获取知识是需要成本的,比如做实验、培养人才等。在传统的决策模式下,知识往往附着于少数优秀专家的大脑中,这使得知识不能共享、难以重用、难以拓展。对于复杂的问题,受人的精力和能力的限制,往往要划分成若干子问题来完成,进而弱化了优化效果。这样,知识带来的收益是少的。而智能制造能够推动知识的重用、推动大尺度的优化、推动资源的共享、各个部门的协同,可以进一步推动知识的优化、无人化少人化、管理水平的提高、智能服务以及加快交货周期等。所以,在智能制造时代,知识带来的效益是完全不一样的。
要做到上述问题,不仅要加大“知识的生产”,更要对知识进行数字化、模型化。这个工作非常困难。但是要推进智能制造,这个困难是无法绕过的。
此外,还应该看到:智能制造所需要的知识难以数字化是钢铁行业的一个重要特点。冶金部原总工程师殷瑞钰院士也多次指出这个问题。这也决定了我们在知识管理的思路上与离散制造业是有差别的。离散制造业的PLM难以直接用于钢铁行业,也是这个道理。但是,我们认为:这个问题虽然困难,但取得本质性进展是完全可行的。
技术线路的重点之一,是解决如何低成本高质量地生产知识、管好知识,如何科学高频度地使用知识。这样,问题又转化成另外的问题:平台问题、标准问题、方法问题、组织结构问题等。例如,所谓标准问题,即要像过去管理产品和工艺标准那样管理智能制造所需要的、智能决策的知识。由于相关知识是零散的,需要用平台来管理;平台不仅要提升人对知识的管理能力,还要与知识的应用过程对接起来。这些问题,基本上是技术问题了。
我们设想,未来的知识生产可能由三类人分工协作:一部分人提出原始的知识,如操作工、现场操作人员。一部分人将知识进行提炼和规范化,转化成可数字化模型化的知识,如懂IT的业务专家;还有一部分人实现知识的数字化模型化,主要是IT技术和管理人员。这种设想,与人的专业能力局限有关。