制造业的数字化转型无疑是一次全球浪潮，但是最好的机会一定在中国出现。因为中国制造业的数字化基础已经足够扎实，而向上升级的空间十分广阔。

中国制造业企业对“数字化”的理解是务实且渐进的。在很长的时间里，国内普遍将“数字化”理解成为一个升级版的、更有效率的“自动化”，将其视作一个降本增效的有效手段。2014年之前，国内一条手机生产线需要配备超过80个工人，经过数字化、智能化升级以后，从物料上线到最后手机包装完成，目前国内效率最高的生产线整个工序流程只需要十几个人，产出还能实现一定程度的提升，不到30秒即可产出一部手机。

大概六七年时间内，“数字化红利”带给国内手机生产线6倍以上的效率提升。如果有人问，一条数字化的空调生产线，人工成本是多少？国内厂商给出的数据是“一台售价2000元的空调当中只有10元的人工成本”。国内制造商的数字化转型升级，几乎已经让“人工成本上升导致中国产品竞争力下降”成为一个笑话。这就给中国制造业的转型升级打好了扎实的数字化基础。

但是，纵观全球，相比美国、德国这些底蕴深厚的工业化国家，中国制造业的数字化水平还存在很大差距，这个差距也是清晰可见的进步空间。差距具体在哪里呢？IDC（国际数据公司）通过2022年前后在中国市场的深度调研，认为中国制造业企业大多还处于“推广和协调复制数字化阶段”，综合全球100多个国家排名，中国处于中游平均水平，而美国、德国甚至新加坡的制造业企业大多已经在“高成熟度的大规模数字化阶段”了。

具体而言，以前数字化转型的价值主要在制造环节的提效降本上，如今进入“高成熟度的大规模数字化阶段”，则要使数字化的技术手段、思维方式贯穿产品服务的创新、商业模式的创新，以及社会治理的创新过程。

当前的制造业数字化转型趋势，在于结合历史经验的数字化沉淀，给制造业的长远产能规划、布局提供支撑，最大限度减少资源错配，保证制造业体系各个环节的运转通畅和整体效率。数字化就像是人类的协作系统中一个压力巨大的漩涡，席卷一切，势不可挡。

突破三大痛点

制造业的数字化转型始于20世纪90年代，此后20多年的发展虽粗放但迅速，主要是用ERP（企业资源计划）系统、建BI（商业智能）报表，收集、存储和管理数据，现在不仅能够通过数据去指导、驱动业务本身的发展，甚至透过“数字孪生”技术直接将实体产品都转化成数据塞进电脑。

欧美国家推动制造业数字化的早期突破，是很大程度上化解了工业设计中的高昂成本问题。工业产品的研发过程中消耗最大的是试错成本，以前要完整制造一个整机产品，组装好所有零部件，在运行的过程中不断发现错误，然后拆零件，拆了改、改了装……一次次地手工完成。数字化技术大幅降低试错成本的主要手段，是把每一个零部件的材料构成、形状大小、物理属性，以及工作原理都输入电脑，由电脑来模拟它运行时的实际状况、具体效果，如果结果不过关，就可以直接修改设计。

大概二十年前，欧美国家的飞机制造商已经在民用飞机的研发过程中实现整机“数字化”，整台飞机都可以转化成数据塞进电脑，由电脑运算试飞结果，当时电脑运算的精准度已经能达到99%以上。十几年前的数字化工厂在做手机外壳时，已经可以绕过设计模具、对模具注塑、生成样品等复杂过程，直接生成CNC数控机床程序。再由CNC程序灌注到加工机床，加工机床做出外壳，节省很多步骤，灵活性也得到提高。

近年来，数字化转型升级的热度开始集中在中国，正在赋能中国制造业突破三个新的痛点。

弥补制造经验短板

中国的制造业产能长期居于世界领先位置，数据显示，2022年中国制造业增加值占全球比重近30%，制造业规模已经连续13年居世界首位。我国是世界上唯一拥有联合国产业分类（41个大类、207个中类、666个小类）中全部工业门类的国家，拥有最完整的产业链，在500多种主要工业产品门类中，有四成以上的产品产量占世界第一。

然而，中国毕竟是后发工业化国家，长期存在经验数据积累不足的问题。十几年前，中国经历过漫长的低端制造的模仿之路，制造业企业曾急于获得一个“有竞争力的规模”，但利润率却远不如金融与地产。高利润率源于更高的技术门槛，而中国制造业要形成可靠的高技术门槛，需要无数坚韧的企业家和精益求精的工匠，在日复一日年复一年的摸索中积累技术、工艺和经验，数字化的技术工具则加速了这一进程。

如机械制造行业非常依赖老工匠的经验积累，实际操作中，国内工程师一度难以解决产品尺寸存在0.2毫米偏差的问题，就必须向日资企业的技术骨干求教，那些国外的老工匠到设备旁边这里问问，那里看看，甚至听到设备的异响，就能判断出这0.2毫米偏差是怎么来的。老工匠的经验和能力需要时间去积累，但制造业的数据积累不像C端消费者长期接触的手机APP，手机APP上积累的大数据很容易预测一个人的行为习惯，而制造业是“小数据”，最有价值的经验数据源于不断试错中发现问题、解决问题的长期过程，是一个个具体问题驱动形成的Know-How（技术诀窍）的集合。

中国的制造业企业大多是后起之秀，缺乏欧美、日韩企业那样长时间的积累过程。而数字化技术可以加速中国制造业的经验积累，有了数字化的技术工具，我们可以把生产过程中的参数、检测结果采集上来，在数据分析中发现更多隐性的知识，形成更多解决问题的新方法。我们不必让每一个人都成为能工巧匠，只要有一个巧匠，就能将最好的经验诀窍数字化，很快教会生产线上所有的机器人。数字化加速了知识经验的积累和扩散，正在弥补中国制造业经验不足的短板。

创新产品服务范式

中国科学院院士陈光在谈到制造业数字化转型趋势时指出：“制造业企业可以利用工业互联网平台汇聚多学科专业的人员、算法、模型、任务等设计资源，结合人工智能提升工业仿真设计效率，挖掘数据隐性知识，实现协同化设计、创程性设计等新型研发模式。尤其是通过挖掘智能产品业务数据潜在价值，创新商业模式。”数字化赋能中国制造业转型升级最有价值的方面，是帮助制造业企业重构商业模式，创新产品服务范式。

例如，2012年，国内一家通信科技公司进入了光伏行业的逆变器领域，短短四年，成为了这个领域的全球第一。这是怎么做到的？因为光伏电站的运营长期存在一个致命痛点——维护成本极高，现在大多数的集中式光伏电站，装机容量是100MW（兆瓦），占地面积很大（相当于200多个足球场），电站中安装的各种组件数量在20万块以上。

任何一块组件、任何一个连接设备，故障一旦发生，怎么找到和排除故障点？这么大的地方、这么多的设备组件，真要全面检查，运维人员仅仅来回跑，也要用脚丈量上百公里的路程，加上对设备组件一一测试，那得消耗多少时间、精力，影响电站多少收益？光伏电站每年的运维支出大概是0.05元/W（瓦），在电站平均25年左右的运维周期内，运维总投入就达到1.25元/W。而光伏组件的成本是1.7元/W，相比之下，运维投入和组件成本已经很接近了。也就是说，降低运维成本，和在硅料、电池等环节降本增效的效果是差不多的。

通信和数字化技术的介入，把光伏电站内外所有要素变成数据，实现设计与运维的数字化融合。2014年，这家通信科技公司将光伏电站的各个设备全部数字化，实现了设备之间的高效通信，并重新选择了逆变器的型号和连接方式，将运维效率提高了50%，平均发电量提高了5%以上。如果以100MW的电站来计算，5%的发电量提升，意味着在整个电站的使用周期内可以多赚4千万元。

与之类似的还有工程机械行业，客户买挖掘机最怕出现故障，要花钱维修，还要承受设备停机造成的经济损失。而且，挖掘机施工作业的地方往往交通不便，汽车坏了可以打电话找拖车拉走，挖掘机坏了，最好的办法是现场排除故障。为此，国内的挖掘机制造商已经把挖掘机设备都连接到网络，设备实时采集数据信息，与厂商远程连接、远程监测、远程诊断、远程指导现场人员排除故障。

如果哪一台挖掘机该更换配件，客户还没发现问题，厂商就已经通知客户，而且把要更换的配件交到客户手里了。国内的百万台挖掘机还因为交换数据、互联互通，催生了一个独特的“挖掘机指数”，帮助外界准确感知中国经济的脉搏跳动。

制造业的数字化转型是一个长期的系统工程，会用到诸如物联网、大数据、云计算、人工智能等很多前沿技术，需要把每一项能力都“模块化”，沉淀到平台上，让这些知识经验重复创造价值。否则，每一家制造业企业在推进数字化转型的过程中都从头做起，成本会很高。技术和能力都沉淀到平台上，制造业一线的员工可以专注于那些隐性知识的积累，即那些无法通过简单的讲述来传授，需要一线人员在长期实践中用心体悟到的知识，未来生产一线人员的核心价值就在于掌握了很多不可替代的隐性知识。

变革产业组织模式

对于制造业企业的转型升级来说，“数字化红利”来得最快、效益最好的部分是供应链的数字化。即企业基于工业互联网的手段共享供应链上下游企业（合作伙伴）的客户、订单、设计、生产、经营等各类信息资源，促成产业资源的精准对接，产业组织方式也得到优化重构。比如，国内一家电子产品生产企业曾经在产品下线时，突然发现手机不能开机，事后发现是某个供应商提供的一种物料存在缺陷。这不仅是质量管理问题，更重要是这种“事后管理的生产模式”潜藏了很多风险隐患，不知道什么时候就会造成什么样的损失。

这家企业很快做出改变，将上下游供应商纳入一个共享的数字化系统，打通物料的质量信息，能够清楚知道哪个物料属于哪个供应商，也知道生产批次、产品序列号、生产日期、关键的生产过程参数等。这不只是一个高效的信息核查系统，更是一个能够实时监控物料质量的算法系统。在物料供货的初期阶段，就能知道哪个工序、哪台设备、哪个人在哪个环节可能或者已经出了问题，供应商自动根据系统的提醒去做处理。

供应链的“数字化红利”可以延伸到前端的产品销售环节，如国内很多消费品生产企业的数字化系统可以根据业务场景进行建模：消费品有淡季、旺季之分，数字化系统可以根据销售季的波峰波谷自动调整发货计划；业务场景的划分还有渠道维度、地域维度等，给经销商供货和给直营店供货不一样，针对欧洲客户和针对南亚客户不一样；场景的划分甚至可以下沉到货运装车环节，哪些货物压在下面，怎么摆放可以增大空间利用率。场景越是划分精细，就越能避免“突发情况”，一旦情况超出了预期，系统告警就会及时让供应链做出调整。

破解共性问题

智能工厂将会成为制造业数字化转型的主战场，而智能工厂的构造至少要走完三步：数据化是第一步，要有可靠的技术手段收集足够多的数据；数字化是第二步，要具备可靠的大数据分析能力，并据此给人的决策提供参考；智能化是第三步，人类设置好的算法让机器可以做出生产决策。但是，仅仅第一步的数据化和第二步的数字化在不同行业就存在很多差异，很多难点。

例如互联网行业，可以在线上平台的运营、治理中收集大量用户数据，与用户消费行为习惯高度相关的这些数据，很快可以转化成为商业利益，用户需要什么就能推给他们什么（即智能推荐）。互联网行业发展出来的数据化、数字化技术能力，以及由此形成的商业模式，都是围绕用户的消费习惯和即时需求而不断迭代的。

但是，制造业很多细分领域不是直面消费市场，数据收集变得很困难，如航天军工（涉及国家机密）、医疗设备（涉及患者隐私）或者航空发动机、光刻机（涉及极端制造技术）等特殊领域的数字化转型，就不是简单的技术和商业行为。数字化转型能够给这些特殊领域带来的进步和改变，可能主要体现在内部管理的数字化转型及其相应的组织匹配，与产品服务相结合的数字化技术，要看实际需要及产品自身特点。

除了数据条件的诸多限制，智能工厂遇到的更大挑战是制造业的差异化程度。哪怕是同一制造业领域，技术体系、技术路线也是风格迥异，适用于这个工厂的智能制造方案，去了另外一个工厂就不好用了。

其实，谈到制造业的数字化转型问题，很多企业家、工程师习惯将这一系统性问题简化成为工业软件的应用和升级问题。早期的切入点往往是如何打通ERP（企业资源计划）、APS（进阶生产规划及排程系统）、MES（生产过程执行系统）等系统，以实现生产原料数据协同、生产设备数据协同和工艺流程数据协同，关注的重点主要是如何缩短生产工序、工艺流程的切换周期，如何提升生产计划的准确性和实时性，如何提升生产过程中的物料周转效率等。这都是制造业企业推进数字化转型必要的启动阶段，即使启动数字化也要解决好制造业不同细分领域的差异化问题。

时至今日，制造业的数字化转型要向纵深推进，不可避免要面对一个共性问题：如何将知识、技能沉淀到数字化系统中，如何提升人的思考力、洞察力以持续改进数字化系统？这当中有三个绕不过去的发展阶段。

第一阶段：先僵化，产品和制造的基本功要扎实

生产过程的质量控制是最根本的，如何做好工艺标准化及其执行管控，都不是靠工业软件、数字化系统就能解决的。相反，要靠核心员工和技术，要将知识、技能沉淀到数字化系统中，不断夯实核心基础能力。

第二阶段：后优化，将数字化系统与企业的基础体系进行结合

好的数字化系统都是建立在严密体系的基础上，然后有大量数据产生，用来分析你的工艺流程有没有漏洞、有没有缺陷，根据各方面反馈来改进这个体系。如果没构建好基础体系，何谈改进？基础体系都没搞好，引入任何数字化系统都会使企业的运营管理在不停起火、灭火中循环。

第三阶段：再固化，打造完善的管理体系

基于严密的产品全生命周期过程数字化运营管理体系QMS，提升人的思考力和洞察力，产品和工艺有了更好的迭代能力，再加上数字化系统的赋能，数字化才能真正升级制造业企业的竞争力。

数字化技术最终是为业务和管理服务的，要根据业务、管理的实际需要去选择如何使用技术，而不是将数字化作为目标。中国制造业数字化转型出现最大的一个共性需求，或者说共性问题，就是广域连接。

数字和数字一旦发生连接，就会产生明显的价值放大效应。比如，为什么会出现深夜在完全无人的马路上还要等红绿灯的情况？因为在原来的路口，摄像头是摄像头，红绿灯是红绿灯，各管各的，摄像头的数据和红绿灯的数据一旦连接起来，立刻就能辨别哪个方向的车应该尽快绿灯放行。相反，也可以这样理解，数字与数字一旦断绝连接，价值立刻就会陷入萎缩。

中国制造业的一个重要特征是“中国式产业集群”，各个城市星罗棋布地建设着很多工业园区，将产业集群聚合起来，但是产业链上下游的很多企业还缺乏有效的分工协作。以电子元器件行业为例，因为产业链上下游缺乏连接，产能分散、产能闲置的问题普遍存在，产业链条的集群效应没有真正发挥出来，也间接导致原材料采购成本高、柔性制造能力不足、质量和交期难以保证等问题。所以，国内的通信技术企业要设法与产业运营商联合，超越物理层面的工业园区，在数字化系统中将产业链上下游企业连接起来，打造“云工厂”和新的产业生态。

另外，制造业企业产、供、销的纵向连接也是一个非常重要的数字化创新方向。2023年一季度，中国的汽车出口规模历史上首次超过日本，引爆了新一轮的“中国制造冲击”。但是，中国汽车业的纵向数字化能力还是不足的，卖出去的汽车运行状态怎么样，厂商并不清楚。

基于数字化的思路，车卖出去以后应该是会连网的，这辆车什么颜色，什么型号，车主给车上了什么保险，什么时候出了什么事故，在哪里修好的，开着这辆车参加过什么聚会活动，开车体验过什么样的长途旅行……都应该纳入一个数字化系统，全面掌握了这辆车的生命周期信息，就能得到一些营销和供应链的隐性知识，比如什么行业、什么年龄段的人最可能买这个型号的车，二十几岁年轻车主保养车的频率一般是怎样的……

制造业企业的纵向数字化能够绕过“伪需求”，就是让供应链和厂商真正了解客户，不给目标客户提供不必要的产品功能和设计，而横向数字化能够让工人少跑腿、让数据多跑路，持续优化迭代的数据模型和算法帮助工厂不断优化生产方案、降低风险概率和提高产品质量。数字化系统和生态的不断充实，正在帮助各行各业实现脱胎换骨的改变。

根据IDC近年来在制造、银行、零售、医疗等细分领域的调研数据，可以发现“做了数字化的公司和没有做数字化的公司，五年间的年均销售额和利润差距会非常明显。”以制造业为例，数字化做得好的公司年均销售额和利润能增长20%以上，这个差距长期积累下来，会在不同数字化程度的公司之间形成不小的数字鸿沟。

中国制造业的数字化转型总体上是比较乐观的，因为有集中力量办大事的制度优势，又有实际的经营利益驱动，实施推动起来非常迅速。另外，中国拥有足够大的应用市场，多元化的应用场景，也能使数字化转型的方案获得更大试错空间，数字化系统的迭代和打磨有充足的“粮草”。