工业模型、计算能力与数据协同结合，工业互联网平台雪浪云的取径差异。

「中国“制”变」

面对中国制造与中国智造的宏大命题，胖鲸试图找寻一个微小切角：挖掘、呈现供应链变革中的关键变量，揭示中国“制”变的未来趋势。

当自动化、数字化、智能化、双碳可持续让中国品牌及其背后的供应链与产业产能高速奔向新时代，那么工业制造中最关键的“人” - 他们在未来的中国智能制造中将要扮演怎样的新角色？

这一次，「追鲸者」将试图展现一座又一座“超级工厂”的背后，到底是哪些具体的创新方案在帮助中国制造中的供应链走向柔性增效、产业带整合联动的即见未来，并最终走向数字化、智能化的制造转型新局面。

从德国 “工业 4.0 战略” 到 “中国制造 2025”，在 “技术和数字化将会改变一切” 的号角声里，工厂数字化、智能化成为一种转型新浪潮。于是，智能工厂、智能生产和智能物流等关键词频繁出现在各大企业的日程中，以期在工厂从机械自动化向机器智能的升级中，找寻更新发展机会，乃至重塑当下工业秩序。

而在这个过程中，工业技术的软件化实则处于更前端位置，成为一种先验需要。以软件为基础，将以往的经验知识转化为数据，让规模化的复制成为可能，实现从 “制造” 到 “智造” 的变化。如 2016 年发布的《国务院关于深化制造业与互联网融合发展的指导意见》中所说，软件起着 “支撑和定义制造业的基础性作用”。 

在雪浪云创始人&CEO王峰看来，工业技术软件化是工业技术、工艺经验、制造知识和方法显性化、数字化和系统化的过程，而工业软件的成熟度或能直接代表一个国家工业化的能力和水平。2018 年，王峰联合浙大机械学院杨华勇院士、云栖基金创立无锡雪浪数制科技有限公司；公司的目标，即 “打造基于数据与模型、工业知识的国家级工业互联网平台”。简明地讲，“雪浪云希望为工厂的数字化转型提供软件新底座，” 王峰说，“这个底座，是我们的雪浪 OS，也是雪浪云的竞争优势所在。”

诚然，数字化转型是一场关于生产力变革的宏大命题，但是，如果人与机器的脑力协同成为一种默许的未来，胖鲸亦希望从此出发，在实践的取向里获得对其更细腻的了解。数字化及其工厂大脑的建构到底意味着什么？对于大部分公司来讲，这种转型的困难与掣肘又会是什么？在与王峰的沟通里，胖鲸得以获得一种专业视角，理解技术供应部门在这种生产巨浪里的理想、困境与行动。而藉从雪浪云的思考与实践经验，胖鲸也将打开数字化转型时代，技术服务商在自身定位与发展路径上的商业创新启示。

数字化转型：以数据、计算和网络为核心的长期、系统变革

从概念出发，王峰觉得对于数字化的理解主要从三方面展开。 

首先，数字化是长期且变革性的工作。“现在的数字化就相当于百年前的电气化，是一个长期的过程。当电在 100 年前成为工业新能源时，它也带来了一系列变化，新的空间、新的材料、新的机会，以及新的治理模式上的改变，比如机器和工厂可以 24 小时开工，不再需要人为倒班以及监工。” 换言之，数字化同样需要面对长期的、变化的考验，并不是一蹴而就或者一劳永逸的行为。

其次，因为是长期的过程，数字化也应该被视为一个系统工程，而非节点问题。“很多时候，人们会认为是不是做好无纸化工作就是数字化，或者说，是不是在现有基础上安装一些工业软件或者新的系统就是数字化？其实不是，数字化需要我们用新思路和思维去理解。” 表现在具体的工厂或企业的实际操作中，王峰觉得数字化的系统性就意味着企业在组织架构也要进行相应更迭。例如，专设部门对数据进行运营、对机器进行管理，“它们就像是数字大脑的运营部，” 王峰说，“所以，对于数字化，需要从整体而非个体层面思考；或者说要从全局上来看问题，而不是局部。”

数字化的第三个内涵从技术出发，王峰认为数据、计算和网络三者相加即为数字化。“最关键的是数据，在数据要素的基础上进行计算，对数据进行交叉、融合应用和互换，来带来一些新的要素，而这些要素最终能通过网络进行连接，这就是对数字化技术性的理解。” 王峰补充说：“这之中的网络其实更根本的意味在于‘在线’，但现在，我们的数字化正是缺少让工厂互联成为可能的基础。这种基础可以类比让我们能够上网的基站或者是物联网的协议系统，雪浪云正在做的，就是为工厂提供这个数字化需要的基站，或者说数字化底座。”

数字化之后：从使用知识到提炼知识，让生产 “知其必然”

在王峰看来，数字化对工厂的革命性意义非常明显。与自动化与信息化时代不同，在数字化时代，人不再是机器的奴隶，而是与机器一起脑力协同，互相弥补，产生更大的效应。“制造业数字化之后，我们不但知其然，而且知其所以然，甚至知其必然，” 王峰说，“知其必然之后，工厂就能对生产的确定性有所把控，可以用更少的能源和人力完成之前完成不了的任务。工厂节省了能源与时间，而这两者的剩余，意味着更多创造得以有机会被完成。” 

这种 “知其必然” 产生的长远影响，是本土工厂或企业从单纯了解、使用知识中走出，拥有发现、提炼、生产乃至创造知识的能力。

一方面，王峰觉得上个阶段的工业发展，我们所使用的工业知识、工具多是他人的总结与经验，我们所做或只是 “二次创作”：“曾经的工业知识往往来自于书本、来自于各种公式，比如牛顿第二定律、热力学第一定律，它们本身就是科学家通过大量的实验得出来的规律，先假设再计算的实证结果。发展早的欧美国家因此发展得更快，获得更多的知识沉淀，并得以用这些知识封装成为他们的工具，比如现在广泛使用的仿真软件 CAD、CAE。” 

在大量的工业数据积累之后，我们能不能有自己的发现？当数据可以成为生产资料，我们能不能提供一个工具，让新工业人能够对其进行加工与处理？—— 对于王峰来说，这些问题的答案或许就是数字化能够带来的改变。“以前科学家和工程师的计算都是在纸上演算完成，它会比较慢；现在，数字化正在给予一个‘造道超车’的机会，或者说借此，我们也可以‘造道’开辟一条具有中国特色的工业路。” 

另一方面，通过对数据与不同领域知识的交叉计算与利用，数字化能为企业找到新的业务规律，继而开启弹性制造的可能。王峰谈到雪浪云如何帮助吉利汽车替换掉曾经利用率较低的软件，从而帮助他们节省上百万库存成本的案例：“这个结果就是从数据当中发现。通过雪浪云提供的工厂仿真与实时优化系统，推演不同参数下工厂如何运行，然后对它们‘跑’出来的模拟经营的日志再进行分析，这样，我们就能清楚看到哪种生产模式能有效降低库存，不仅帮助工厂腾出钱，还腾出了空间。” 

对于工厂来说，利用新技术对数据挖掘，并快速提炼出新工业知识、规律的能力在当下的生产环境里有着决定性的意义 —— 因为批量生产时代正在逐渐被适应市场动态变化的生产所替换。 

此前，应对这种生态变化的能力往往被等同于工厂的柔性能力 —— 工厂的生产与供应链是否能拥有敏捷、精准的反应。但在王峰看来，柔性与数字化之间并没有必然联系，柔性并不是数字化的终局，达到柔性对于工厂来说，抑或只是数字化转型成功的效果之一。

定义上，王峰觉得柔性与弹性的差异并不大，其背后的支撑 —— 弹性计算的能力的实现更为关键：“让 5000 台机器能可以按需分配、运转，这个是弹性的表现，但是前提是我们先要让这 5000 台机器实现‘在线’。” 相较而言，王峰认为柔性更像是数字化时代下的一种新型生产组织方式：能让除生产、供给之外的研发、设计和运维等产品的各个关联层面实现协同弹性；以及让制造的可能超越规模，“不管是两台机床还是 4 台，我们都能让它们获得柔性的支持。” 王峰说道。 

以上种种，皆是数字化转型后的理想可能，而在实现的道路上，横亘其间的，是取得工具的掌控权。王峰的担心是：“使用自己的工具是决定因素，因为如果你用别人的工具，你的发展只会促进他人工具的演化，你与工具的协同也无法越融越深。”

转型难题：累积学习、工具的锁定逃离与生态自由

那么更具体的，掌握工具这件事及其引发的数字化转型难题会是什么？结合雪浪云提出的雪浪范式，王峰觉得重点是如何从他人的工具路径里退出，拥有系统生态的自主选择权。

王峰在很多场合都提到过这个雪浪范式 —— 以质能守恒公式 E=MC² 为原型 —— 被用来描绘制造业数字化的机会与挑战。在雪浪范式里，E=MC² 的各个字母被赋予新内涵：“E” 为 Evolution 进化，是数字化变革的目的；“M” 即 Model，代表工业知识和各类模型；公式中的两个 “C”，一个意谓 Computation 计算，另一个指代 Cooperation 协同。王峰总结说：“制造业的挑战就是要把制造业的数字化做好，就等于要把‘E=MC²’做好，我把它们画等号。而 E=MC² 做好，其实就是能把工业知识挖出来、管起来和用起来。按照这条道路去走的话，你会发现我们有挑战，但也有机会。”

王峰认为当下数字化的挑战主要来自以下三点：

第一个挑战是累积。如前文所说，数字化是长期系统的过程，因为它的完成是建立在有效积累之上，而知识、经验的积累，也往往是一种时间行为。“现在的情况，是互联网时代 to C 的逻辑让大家都在专注于解决即时满足，但是工业需要 to B 的逻辑，工业知识的挖掘、获取与分析，以及模型的建构都需要时间；更重要的是，培养可以回应这些需求的工程师同样要花时间。”

第二个挑战来自于锁定。事实上，工业软件一经确认很难被替换，这背后有多重原因。有些来自工厂本来的特性，“像控制器，关系到企业的稳定性、安全性”；有些则因为软件本身或者说生产习惯的问题，“一些厉害的工业软件会自带‘黑洞效应’，一旦熟悉它们的操作且习惯使用，你就很难换掉”。这也是雪浪云现在所面对的直接的问题：“如果你之前一直在某个软件上进行设计，今天告诉你要用雪浪云提供的软件，凭什么？别人以前做的工作怎么办？他们又有什么理由去重新学习新软件？这其实就是工具锁定带来问题。” 王峰说道。

第三个挑战与第二点相关，是软件锁定下持续的生态影响。王峰解释说：“当一个工业软件为工厂服务了很多年，这个软件工具本身其实也习得了很多新东西，因为你在使用、向工具提需求同时，工具自己也在积累。在这个过程中，不管是用户还是开发者都把自己的知识和能力沉淀到工具系统上，这就是一种生态效应。”

具有实力的制造企业正是在路径和生态上取得先机，从而借助依赖习惯和剩余积累不断扩大自身优势 —— 这对我国现阶段制造业数字化转型构成挑战，于雪浪云而言，也是突破的关键。

雪浪 OS：为工业数字化转型提供普惠新基座

采访中，王峰不止一次强调，雪浪云在做的努力就是为我国的数字化提供工具底座，这个底座在他看来正是数字化时代的新基建。“雪浪云的底座设计思路从哪里来？还是雪浪范式 E=MC²。在这个过程中，如何让不同的模型混合起来、协同完成计算，让数据聚变完成原本无法实现的功能，这是我们的出发点。” 

雪浪云提供的工具底座即雪浪 OS 数据智能系统，由分别负责建模与计算的 “雪浪算盘”、进行数据管理的 “雪浪虎符”、AI 运筹和优化工具 “雪浪河图”，和工业软件开发平台 “雪浪共工” 四部分组成。 

雪浪 OS 的优势在王峰看来在于提供一套模块化、组件化、微服务化的云原生基础系统，让工业各类模型能够联合运行，融合起来。“云原生意味着软件的构建和组装可以一体化在云端完成，不再需要在协同环境上进行区分；微服务化则可以逐渐把过去大而全的工业软件化整为零成小而精的软件。” 云原生给予软件集成交付效率的提升，让 “原来用不起的软件现在不但用得起，而且能马上就用，” 王峰说，“这就是雪浪 OS 能带来的机会。”

除此之外，王峰觉得工具的更新在当下同样是一个突破点，在用得起、马上能用之上，是更加会用。“当你用新技术去实现老功能，你会发现有不一样的东西出现。新的底座不仅因为新，更在于它提供的新的解决思路，所以我一直认为每一个老的工业软件都值得被重构再造和优化。” 

诚然，一个不能回避的事实是，在数字化转型的热潮里，雪浪云并不是现阶段平台系统的唯一选择。但王峰明确的是，雪浪云现阶段有自己的取径差异：保持在高端装备和能源产业的强项，专注工业模型和工业知识的输出，以及在雪浪 OS 底座系统之上，借助合作伙伴的研发与共创能力不断研发新工业软件。

数字化2.0：从制造中来到制造中去，解决知识工程难题

过去四年，雪浪云的数字化经历了从 1.0 到 3.0 的进阶。从 1.0 的点对点服务，在项目中找到工业知识的价值和数字化所需要的数据计算的诉求；到 2.0 阶段解构个案，以寻找案例背后共同的机理与工业知识为目标。如今所处的 3.0 阶段，雪浪云希望将 2.0 阶段获得的普适性原理重新注入到新工业软件的设计过程中，提高软件的通用性和可复用性。

对于雪浪云而言，这种迭代升级与制造业数字化从 1.0 到 2.0 的整体阶段变化同样有关。王峰总结了当下数字化从 1.0 到 2.0 转变的七个方面：

首先，是多样化的供应商和数据平台下依然的 “孤独”，生产不仅是简单的数据处理，它还涉及操作，需要与工厂的经营层面进行协同；其次，是工业元宇宙等概念的层出不穷，混淆了数字化的核心 —— 工业知识；再者，制造厂商对涌现的各种软件平台会产生困惑与担心，但是选择平台从来不是为了依赖，而是依托，所以这些平台之间是否达成一种协而不同的平衡关系仍然未知；第四个变化，是随着数字化进程的推进，制造业企业对于软件的自主可控意识在不断加强，平台需要提供更清晰的服务层；从安全的角度出发，制造业数字化 2.0 不仅对于国产化替代的需求增加，对于稳定的供应商也有要求，以雪浪云自身为例，合作伙伴的理想都是长期持续的共同成就；最后，是在平台构建层面本身，制造业数字化需要一个具备成长性的系统，制造业的工程师们自己要用起来，同时还要具备协同性，方便外部大脑的直接加入。

这个外部大脑 —— 即那些在工厂场景外创造知识的工程师和科学家，也是雪浪云认为可以解决知识工程难题的核心，以及为软件创新持续供氧的来源。

“字面含义上，工程难题就是指生产过程中遇到的那些需要更深学科理解才能解决的问题，但拥有解决能力的人往往聚集在院校而非工厂里，所以雪浪云在做的事情，就是找到这些人，并且让他们愿意解决这些生产实践中直接的难题。但是，工厂与学者要以怎样的方式或者机制完成这种合作呢？我们的方案，就是对接，让工厂和这些科学家、工程师都使用我们的底座系统，只有被后者接受，我们才能打动工厂，继而实现让知识用于实践，再让实践产生知识的循环。” 王峰最后回答。 

当数据成为一种生产资料，如何发挥其真正的价值或许是数字化转型中的恒定母题。雪浪云从软件工具提供者的角度为我们提供了一种解释 —— 在这场让人类与机器实现脑力融合的长期过程里，尽管软件工具正在扮演着底层技术支撑的角色，但是人类依然保留着拥有思想的尊严。当工具拥有未知的协同边界与无尽的成长空间，或许我们不能放弃对知识本身的持续思考 —— 在数字化时代，我们如何定义知识？又应该如何理解知识的生产？