昆仑数据副总裁秦磊演讲干货分享

　中国大数据产业生态大会汇聚业内权威专家最深刻的解读和行业大师的思想及实践精华，昆仑数据副总裁秦磊先生在会上的分享获得在场专家的一致肯定。本文收录整理了秦磊先生的精彩讲话和PPT，分为“上篇-行业概况”和“下篇-案例及解决方案”分享给大家。

　　大家好，我是昆仑数据的秦磊。谢谢我们的合作伙伴赛迪邀请我们参加这次盛会，也感谢我们的投资方——达晨创投。今天我在来会场的路上，又拜读了孙家广院士昨天的讲话，发了一条微信，写了七个字“认真学习、并践行”。

　　今天我们大会的主题是，《洞悉融合之道 释放数据价值》。在工业大数据领域，如果要加一个定语，就是我今天的主题——释放机器数据价值 推动中国产业升级。

　　在过去的一段时间，我有幸接触到很多制造业企业，不知道大家怎么看中国的产业升级，你可能觉得‘很重要’，但我们看到的是‘生死存亡’。这是波士顿咨询公司在2015年8月发布的《全球制造业转移的经济学》-The Shifting Economics of Global Manufacturing ，对全球前25位领先出口经济体作了四个重要方面的分析：制造业工资、劳动力生产率、能源成本和汇率。这前25位出口经济体占全球工业制成品出口接近90%。

　　中国是在“面临压力”象限，美国重回“全球新兴”象限。十年前，中国制造业平均工资，大约4.35美元每小时，现在大概是12.37美元每小时，翻了三倍；在能源方面，中国的工业用电成本上升66%，天然气成本则上升138%。从2004到2014年，中国相比美国的制造业成本优势从14%下降到4%。照此趋势发展，中国的制造业成本很快会超过美国。

　　工业越来越走向自动化和智能化，对人力依赖越来越小，对技术依赖越来越大，照此发展，高端制造业可能会回到欧美，美国将成为“制造业新星”，而低端制造业已开始向越南等国外流——中国制造业两头受到威胁，如果不在短时间内完成产业转型、迎头赶上，中国制造业将面临“空心化”。

　　有危机就有机遇，麦肯锡全球研究院在2016年6月的《中国的选择：抓住五万亿美元的生产力机遇》中指出：中国以投资主导型增长模式逐渐失去了动力。中国应该果断转向以生产力为核心的增长模式，确保资金流向为生产力、增长和可持续就业进行投资的领域。到2030年，这一转型将新增5.6万亿美元GDP。

　　麦肯锡认为到2030年，中国将有五大机遇提升生产力。第一个就是更好地服务中产和富裕阶层消费者；第二个就是利用数字化推进新的经营模式；第三是通过创新及沿价值链上移，尤其是研发密集型产业，当前中国企业的收益仅为全球领先者的三分之一；而通过推进运营转型，如精益生产和提高能源效率等方式，可提升15%到30%的生产力；最后，“走出去”的战略，还可提升15%到30%的生产力。

　　在推进运营转型中，报告指出，推进工厂自动化是一大良机。中国企业采用了员工和机器人合作工作的模式。尽管中国现在已经是全球最大的机器人市场，每10000名制造业工人对应的机器人数量仍只有36个，相当于全球均值的一半，仅为韩国的十分之一。

　　新工业革命的本质，是在实现了自动化、信息化的工业3.0，有了数据积累后，基于数据对企业生产经营进行深度洞察、优化生产经营、提升产品质量、提高效率、减少能耗、减少人员、指导决策——这就是为什么有人说工业4.0是“工厂+大数据”。

　　美国提出了“工业互联网”，GE谈到了工业互联网的三大要素是智能联网的机器、人与机器协同工作及先进的数据分析能力。工业互联网的核心是通过智能联网的机器感知机器本身状况、周边环境以及用户操作行为，并通过这些数据的深入分析来提供诸如资产性能优化等制造服务。

　　德国提出了工业4.0，谈到了两大关键支撑技术：一个是信息物理系统（CPS）；另一个就是数字化企业平台，贯穿各个生产、经营信息系统的信息集成与数据融合贯通, 建立伴随产品制造过程的完整数据流，并基于对这些数据的分析，使企业可以全面深入把握和优化提升产品质量、生产效率、资源利用率。中国在去年提出了中国制造2025。无论是美国、德国，还是中国，都认为工业大数据是新的自然资源，是工业升级的关键技术要素。

　　我们团队有幸参与到中国制造2025提案的工作组，也有幸参与编写了中国制造2025的绿皮书，其中在第一章《新一代信息技术》的第三节《操作系统与工业软件》，就指出了四个主攻方向，“云+端的工业大数据平台”首当其冲，这不仅是给在场的各位出了一份试卷，也是给中国的产业界出了一份开卷的命题作文。

　　我们认为在工业大数据领域，应该有以机器大数据为先的思维。在IDC的预测中，到2020年，全球数据宇宙中机器数据的占比将由2005年的11%增加到40%。我们都看过变形金刚，擎天柱、大黄蜂、威震天...，里面每个机器人都有自己的性格，有自己的生命。如果今天我们可以听到每一台机器的心跳、脉搏，就是在赋予每一台机器生命的属性。

　　在昨天孙院士的报告中，特别指出了机器大数据不同于消费大数据，有多模态、高通量、强相关的特点。机器设备产生的数据五花八门：时间序列曲线、时空轨迹、多维矩阵……往往是以高频、超高频的状态源源不断的倾泻出来。现在存储的成本不断下降，上个世纪80年代，每千兆字节的硬盘数据存储成本接近100万美元。而现在，不足一美分。从成本上说，我们完全可以承受“永不删除”。那么是不是应该思考把这些机器数据当成一种自然资源，全时、全量、全工况、全在线的保存下来？如何在海量的、难以理解的机器数据中发现规律和特征更是一个难题；自然界有其规律，例如风力发电涉及空气动力学，石油管道有流体力学，但是，并非自然界所有的规律都已经为人所探知，因此需要把自然机理和纯数据分析结合起来，这里面也有相当大的挑战。

　　我们认为工业大数据始于机器大数据，但不止于机器大数据。GE谈到了三大类数据：智能联网的机器感知、机器本身状况及周边环境数据、以及用户操作行为数据。这可以分为机器数据、从客户业务系统和人机交互过程采集的业务数据，以及公共的、公开的数据，他们的来源、业务语义、私密性、数据量等等各不相同，我们需要把这些数据有序地存储下来，放在一个‘面缸’里面进行搅拌、进行融合、进行发酵。

　　在初级分析阶段，应用传统的商业智能以及新的数据可视化、数据分析的方法，进行更好的后示、后知、后觉。而再往上，我们希望对未来有所洞见，随着时间的由近及远，我们进行更准确的预警、在仿真及各种场景中做更好的预示、进行预测、预知，如果我们对于我们预知的结果加上了准确的置信度，我们就可以按下决策的按钮，做到预决。

　　工业大数据、机器大数据不是一个孤立的项目，需要和企业的数字化转型升级战略紧密结合。今天国内在工业大数据领域的先行者，有一个共同的特点，都是首先从战略业务目标开始思考，而且往往是由企业领导人亲自驱动，用以终为始的态度进行执行。我们可以把需要转型或提升的业务放在加、减、乘、除四个象限。加法就是提升增效等；减法就是降低成本、降低次品率、降低能耗等；乘法就是如何在供应链上与我的合作伙伴进行更有效的协同，实现立足产业的产业互联网；除法就是如何在供应链上进行分工，如何实现更轻资产的运营等。

　　在战略上，需要从三个方面思考：1. 目标必须明确，业务充分参与。2. 架构通盘考虑，应用小步快跑。3. 数据尽早收集、人才系统培养。

　　（未完待续）

　　秦磊先生，昆仑数据副总裁。原IBM中国开发中心大数据行业解决方案实验室总监，负责IBM在大数据行业解决方案产品的研发，以及中国制造2025领域技术协同创新工作。此前曾担任IBM大中华区云计算实验室总经理、IBM全球副总裁执行助理等高级管理职位，领导建立了IBM无锡云计算中心，对大数据、物联网及云计算有深刻理解。2013年至2015年，曾出任宁波智慧物流科技有限公司总经理。秦磊先生曾受聘为哈尔滨工业大学软件学院软件与服务工程系（企业方）系主任、浙江大学软件学院客座教授。

　　感谢秦磊先生的分享！

     
来源：昆仑数据