信息化与工业化融合研究所副所长刘默先生，在经济观察报主办的数字化转型产业价值论坛上就工业互联网驱动的制造业数字化转型进行分享，通过一系列案例和研究，解析数字化转型的路径与意义。刘默提到，数字化技术正在从提供一个技术工具，走向以数据为核心驱动的增量价值创造。每个产业有其本身的基因与工业互联网驱动数字化转型的优势，展望未来，在工业互联网领域或者数字化转型领域，实际上有平台经济的形态。经过过去几十年的积累，整个工业系统或者制造系统在不断沉淀的大量的数据，在新的技术条件下，无论是通过大数据或者人工智能的方式进行训练优化建模，形成智能化的决策，会对整个的制造系统带来各式各样的优化，无论是业务本身的优化，还是产品和服务的创新，而这些将成为未来整个产业增长的一个核心的驱动力。

以下为演讲内容：

大家好，接下来我以工业互联网驱动的制造业数字化转型为题，做一个简要的介绍。首先我们看到从这个全球和国内数字经济都在加速的增长，目前数字经济这和我们传统的经济相比，都以更高的这样一个增长速率，为各个国家产生了一个重要的增长动力。而在整个数字经济的增长里面，我们又看到数字化转型实际上是一个非常重要和核心的驱动力。我们看到无论是数字化的支出的增长速度，还是它对各个行业，无论是从成本和营收方面的这种带动作用，实际上都是非常显著的。

我们知道麦肯锡有一个预测，他认为未来10年发达经济体的整个经济增长率将有至少60%是来自于数字化技术所带动的增量的这种创新。

在整个这样数字化转型的脉络里面，我们看到整个信息技术或者数字化技术正在从简单提供技术工具，走向以数据为核心驱动的增量价值的创造进行转变。

如果说我们回顾过去几十年的数字化进程，实际上我们看到信息技术更多的是提供某一类的这种技术工具，比如说把我们之前的管理流程以一个ERP的方式进行固化，来提升我们的一个管理效率。

而经过过去几十年的这样的一个积累，实际上我们的整个工业系统或者制造系统在不断的沉淀大量的数据，而这些数据实际上在我们新的这种技术条件下，无论是通过我们大数据或者人工智能的方式进行这种训练优化建模，形成智能化的决策，就会对我们整个的制造系统带来各式各样的这种优化，无论是业务本身的优化，还是我们的产品和服务的创新，而这些实际上将成为未来整个产业增长的一个核心的驱动力。

在整个制造业的数字化转型里面，我们认为工业互联网是其中最核心的一个路径，也是一个核心的方法论。如果我们用简单的方式去总结的话，我们认为工业互联网是附着在制造系统上的一套数字化的神经系统，也就是说我们知道我们每一个人都有骨骼，有肌肉，但是如果一个人他只有骨骼和肌肉，他一定是不够聪明的，它的聪明和智慧从何而来？实际上是来自于我们的神经系统，我们能够感知外部的世界，能够对我们感知到的各种信息进行处理分析，来形成智能化的决策来指导我们的行为。

那么对于我们的工业系统来讲也是一样，如果我们到一个工厂里面去，我们可以看到有大量的机器设备产线，它就好比我们人类的骨骼和肌肉，但是如果一个工厂只有机器设备，它一定也是不够聪明，不够智慧的，那么工业系统的智慧从何处而来？我们认为核心实际上是从数据而来，就是我们能够从工业系统中去采集实时的数据，能够用我们先进的网络把这些数据传输回来，能够对这些数据进行处理建模、分析，在形成智能化的决策反馈到我们的物理世界中，来改进我们整个工业系统的运行。

而这样的一个从数据的采集、传输处理、建模、决策反馈执行的这样一个数据优化的闭环，我们认为实际上就是工业互联网的一个核心，也是整个数字化转型背后的一个核心驱动力，这样一个数据所驱动的智能优化闭环，它可以用在一个单点的场景，比如说我们的工艺的优化，设备的管控，可以是一个再大一点的范围，比如面向我们的，一个车间，一个产线去做整个质量的管控，也可以是一个更大一些的范围，比如面向一个企业的供应链管理进行优化，还可以是一个再大一些的范围，比如面向我们整个的制造业，实现我们制造资源的优化和配置。

后面我会结合刚才讲到的这几个场景，分别有相应的案例来进行说明。

从整个工业互联网所驱动的制造业数字化转型来讲，我们认为核心实际上是5个方面，包括研发的变革，包括由数据所驱动的生产和运营管理的变革，包括由这种数字化、智能化或者网联化所带来的整个产品基因的这种重塑，也包括由数据所驱动的服务和商业的创新，也包括我们刚才所讲的就是基于数据和网络组织的新型产业组织模式和资源配置方式。

后面我想围绕这5个方面分别举一些实际的案例做一个相应的交流。

首先是从这种研发和创新的范式，这个里面我想首先举个例子，我们知道材料研发以往实际上是一个非常复杂，而且周期非常长的这样的一个研发过程，就是因为我们的材料研发实际上很大程度上都是通过配方，形成了配方之后，我们再进入实验室进行实验，去验证我们的材料性能，通过这样的方式进行整个材料的研发。而这样的方式的话，无论是它的研发周期，还是它的成本，无疑是都是很长而且很高的，因为它每一次的这种产品的突破都要基于大量的实验所完成。

而目前来讲，我们看到最新的趋势，无论是国外还是国内都在做的一个努力和尝试，把材料的性能通过数字化模型的方式记录下来，来形成一个庞大的这种数字化的材料基因基因库，再通过机器学习的方式去自动化的去生成材料配方和材料配方的筛选，以此来大幅缩短整个材料的研发周期。

比如像美国的MIT做了一个案例，它通过机器学习的方式，从13万种的这种电池材料配方中筛选出200种，最有可能形成最优性能的这样一个材料，最后只有这200种是实际进入到实验室进行实验，这样就大幅缩短了研发的周期。而且除了通过机器学习可以去筛选配方以外，在一些科学家所进行的这种尝试里面，实际上很多的这种场景还可以通过机器学习的方式去自动化的去生成材料配方，而且一些自动化生成的材料配方从性能上甚至超过了由人类科学家所设计出来的一些材料。

除了在材料的研发里面，我们看到在很多其他的领域，这样基于数据加上工业知识所结合的这样的，一个新的研发范式，也展现出了巨大的创新的潜力。

比如我们知道我们的结构设计，以往的结构设计实际上是高度依赖于我们的工程师，现在通过我们的AI加上创程式设计，实际上在一些领域我们输入几个我们所要求的，比如说我们结构设计的强度的参数，通过自动化巡游的方式可以自动形成相应的整个结构的设计。而且这样自动化生成的结构设计，无论是结构的强度，还是说本身部件的这种重量，实际上都优于了以往的这种设计方案。

第二个实际上是介绍一下通过数据去驱动我们整个生产和运行优化的方面。刚才讲过了研发实际上对于很多的企业来讲，目前更多的这种探索，刚才我们也可以看到还是集中在我们的生产和运营管理的方面，通过这样的数字化方式，如何进一步的帮助企业去提升自己的效率，提升我们的良率，来帮助企业去节约相应的这种生产和管理成本，实际上是现在大家探索的一个重点。

刚才一开始的时候讲到，实际上我们工业互联网所讲的数据所驱动的智能优化闭环可以用在一个单点，也可以用在一个局部，可以用在一个更大的范围。

我们现在围绕生产这个环节，我想从几个点进行展开的介绍。

首先是一个单点，就是如何通过我们的数字化去提升我们的生产工艺，这个里面实际上是华为和一个钢厂共同去合作的例子，实际上是围绕一个炼焦的过程，因为我们知道炼焦实际上核心是由三个因素去决定，第一个是原料，就是有些的酶，品质的酶可能它本身的这种炼焦的效率就是比较高的。第二实际上是配方，就是因为在炼焦之前，实际上除了煤之外也要加一些相关的元素来保证它最终炼焦的这种产品的一个成果和它的这种比如链焦的稳定性。第三就是工艺调调优，怎么在炼焦的过程中尽可能合理的去控制我们的一些工艺参数，比如说我们的这种功率，比如说我们的这种功耗，我们电放到多大，然后来实现一个最优的产出，这些实际上都会影响到我们企业的一个生产效率和生产成本。

而华为和钢厂所做的这样一个案例，实际上它的思路非常的明确，实际上就是把以往的很多的实验的和它以往的生产的一些参数记录下来，比如说什么样的酶最终产生的炼焦的成果是最高的，什么样的配方产生的成果是最高的，什么样的工艺的参数所带来的这种产出是最大的。通过这样历史的数据的积累，然后通过这样大数据的建模，形成一套最优的一套参数。他用这套最优的参数，第一去指导钢厂的这种采购员，你去买什么样的煤，对于我未来的这种产出最大化是有利的。第二是指导它的这种配煤源，什么样的煤，你用什么样的配方是最合理的。第三就是指导它的这种工艺的这种工程师，你怎么去在生产的过程中去进行工艺的调优，通过这样的方式，实际上提升了整个企业的一个生产效率。而且在工艺的过程中，通过控制一些相应的功耗和的方式，实际上还帮助企业很大程度上去节省了相应的一些这个功耗的成本。这个是一个从工艺层面是一个单点。

第二个我们就把它放大到放大一点，实际上是围绕我们的一个设备的优化，只是这个设备实际上我们是一个比较大型的设备，是一个炼铁的高炉。因为我们知道高炉有几个特点，第一，实际上它是一个高耗能的环节，一个钢厂的能耗实际上有百分之70是来自于高炉这个环节，因为实际上高炉是把矿石融化成铁水的一个过程。

第二，实际上高炉是一个高危的生产环节，因为高炉内部的温度很高，往往是要到1300摄氏度左右，所以某种程度上高炉对于生产的管控人员来讲是一个黑箱，所以如果高炉的一个操作的人员，他缺乏相应的经验，如果说整个高炉的整个一个功率功耗控制的过高，有可能会导致高炉的烧穿，那就会带来很严重的这种安全生产的事故。

第三就是高炉本身在矿石融化成铁水的过程中，会产生大量的各种的气体，比如氮化物或者硫化物，这些实际上在当前这种节能减排的这样一个背景之下，都是很大的这样的一个环保的压力。除此之外，实际上高炉所产生的这种铁水的稳定性，很大程度上也会去最终影响到我们整个后续，比如我们的连铸连轧各道工艺的一个稳定性，会最终去影响到我们的产品质量。

在这样的一个案例里面，他所做的所开展案案例的团队实际上是来自于北科大的一个团队，他后来是被一个东方国信收购，这个团队第一，他在以前科大几十年的这样一个科研的积累里面，实际上是积累了很多的这样一个高炉的机理模型，比如它的热流体这种物理学模型。

另外一方面，实际上它在整个高炉的优化过程中，它采用了很多大数据的方式，所以他第一在高炉的外部去布设了大量的传感器去采集高炉本身的一些数据，也包括在高炉的顶部，通过比如热成像或者探探针的方式进行数据的采集，他在把这些采集到的数据和他以往所积累的这些工业的机理模型和物理模型进行结合，去推测高炉内部的一个实时的运行状况。

通过这样的一个大数据的模型，以此来指导它的整个这种高炉生产的班组，进行整个高炉工艺参数的一个调优，通过这样的方式去减少了整个高炉的能耗，同时也减少了大量的这种碳的排放，以这种方式实际上也帮助钢厂节省了相应的一个生产成本。

第三个案例就是我们再放大到一点，从一个工艺的单点到我们整个一个设备，再到整个比如我们一个工厂和一个车间，这个里面举的实际上是一个富士康的例子，因为我们知道富士康的生产特点实际上是大批量大规模生产，它郑州的工厂一天生产iPhone的数量就可能会到100万部。

对于富士康这样一个代工企业来讲，它本身实际上是一个毛利率很低的企业，所以它对于它的生产的质量效率实际上有非常严苛的要求，因为任何的不良品对于富士康来讲都有可能是它的这种成本上的损失。

所以通过数字化的方式，实际上富士康开展了好几年的探索，最开始第一步实际上它的探索是围绕整个产品的良率去开展，最开始以往的方式是它的良率的，整个数据的统计是要靠他的现场工程师进行汇聚，每天到晚上的时候由工程师生成一次良率的报表，这样到了晚上他才知道我这一天整个生产的良率是一个什么样的状况。如果出现了产品的不良品，可能这一天就会产生大量的质量缺陷，这些都是它的成本损失。

所以富士康做的第一个尝试实际上是把四十几到整个工艺生产环节，从表面贴装开始，到后面的检测装配，这些所有的生产数据和它的质量检验的数据记录下来，形成一个大数据的关联分析的模型，从以往的一天出一次报表变成一个小时由系统自动出一次报表，所以任何的良率异常事件它都可以在第一时间发现。

而且通过这样大数据的关联分析模型，70%的良率异常，可以直接锁定到导致良率异常的工艺环节，现场的工程师不需要再去做复杂的分析，可以直接到相应的生产工序进行处理，只有百分之二三十的疑难杂症实际上是需要进行分析的。

做完了产品良率的优化之后，第二步实际上它是围绕几个环节，比如说它的刀具磨损，因为我们知道像整个刀具的管理实际上是一个比较复杂的，像富士康以往实际上已经做到比较精准，它实际上是按照每一个刀头加工的时间进行换刀，比如说一个刀头加工到200个小时就要换刀，它实际上都已经管到这个程度了，但是在实际的生产中还是会存在说有的刀可能磨损的快一些，有的刀可能磨损的慢一些，如果说一个刀该换的时候没有换，可能就会导致整个产品加工的精度会下降。

如果一个刀不该换的时候换掉了，有可能会导致它整个刀具的一个浪费。所以在这个方面富士康也是做了类似的尝试，它通过整个机台的震动，包括整个机台能耗的数据，构建了一套智能的换刀的模型，来指导每一个刀具的精准的换刀的策略，通过这个方式实际上又进一步的去节省相应的这种成本。

除此之外，在整个空压机的能耗优化方面，包括整个注塑机的这种工艺的调优方面，实际上它都在开展相应的尝试，实际上是在以往比较高的这种数字化和信息化的基础之上，又通过大数据的分析，进一步的去要相应的这种效益和成本。

刚才讲到了一个车间或者一个工厂层面的优化，我们再放大一点到整个集团或者是一个整个一个多基地多生产工厂之间的这种协同和优化，实际上是来自于宝武，因为我们知道宝武集团生产钢铁，它有很多的工厂，以往来讲，实际上每一个钢铁的生产基地都是各自为政的，大家各自会去市场上去接订单，各自进行采购，各自进行生产。

但实际上每一个基地它的这种专业上的优势其实是不一样的。

同样是钢铁的产品，比如有钢板有钢管，每一个基地所擅擅长生产的产品其实是不同的，如果是以前这样分散接单的方式，实际上每一个钢铁的生产基地都没有办法达到一个真正的规模经济性，也没有办法实现一个真正的专业化生产。所以宝武实际上一个尝试就是在集团层面进行统筹，在保证这种物流配送成本相对尽可能低的情况之下，由集团进行集中的采购集。集团集采之后，因为它的采购量变大了，所以它实际上对原材料的议价权变高了，实际上某种程度上降低了它的采购成本。

第二实际上实现多基地的协同生产，就是大家都聚焦在自己最擅长生产的钢铁的品种的领域，来实现一个生产的规模经济性。除此之外，实际上它下一步从整个产品的研发的层面，在整个市场销售的层面，他也希望进一步的在集团层面进行统筹，而通过这样一个多基地的这种协同的这种采购协同的生产的模式，实际上在整个集团层面实现了二十几亿元的一个经济效益的提升。刚才讲到的4个案例，实际上都是围绕我们的生产和运营管理的环节，从1个单点的工艺到整个1个集团多基地的协同。

第三个方面我们认为实际上数字化给我们的制造业所带来的改变实际上是在产品形态层面的，我们认为实际上对于每一个企业来讲，我们的生产我们的管理的优化更多的是在帮我们降成本，而对于我们的企业发展来讲，实际上我们还是需要要有增量，我们要有新的经济效益，新的产品或者是企业的竞争力。

而在这个方面实际上我们也认为是数字化，或者我们讲的数字化转型，未来给企业所创造的主要的这样的一个价值的一个领域。

而在这个领域里面，实际上我们刚才讲到了研发的范式的变革，第二个实际上我们认为关键的就是在于产品，我们以往实际上一个产品更多的是一个静态的，我们卖一个无论是我们的车还是我们其他的产品，实际上卖出去之后很大程度上我们就结束了。

而现在来讲我们认为一个很大的变化，第一，我们的产品的属性变化了，由以前的比如说像车，以前更多的是一个机械或者是一个电器产品，而未来来讲，我们认为更多的是一个数字化或者是智能化的产品，更多实际上是通过一个智能化的过程，一方面来讲，比如说通过我们的无人驾驶来提升产品的这种竞争力，而另外一方面实际上更多的是通过我们提供一个比如像车里面的智能座舱，打通了我们的产品，我们的制造企业和我们的最终消费者之间的一个智能的入口。

而通过这样的一个智能入口，未来还能持续源源不断地去创造更多的经济价值。

我们今天去讲智能车或者智能网联汽车，实际上某种程度上就是一个大号的智能终端，而且智能终端实际上在源源不断的去采集各式各样的数据，比如说我们今天的很多的智能汽车或者是我们的这种电动汽车，它在大量的去采集，比如说我们的道路的数据，车辆自身运行的数据，甚至说我们很多车还在采集车内的数据，比如甚至我们驾驶员的表情他都在采集，实际上这些数据的采集就为未来更多的数据的增值服务的叠加创造了可能。

所以最后我想再简要的去介绍一下工业互联网平台，我们认为工业互联网平台实际上兼具了两种属性，一个属性实际上是某一种技术服务的工具，另外一个属性实际上是一个平台经济的载体。

在讲工业互联网平台之前，我想先回过头去看一下我们今天消费互联网里面的平台，就是我们消费互联网或者我们今天全球市值最高的这些企业，如果我们看下来，实际上它无一例外都是某种程度上的平台企业。比如我们的苹果通过一个操作系统，通过我们的应用商店去汇聚了大量的产业资源，我们的谷歌最开始通过一个搜索引擎汇聚了大量的我们的产业的资源。

所以从平台的发展来讲，第一都是提供某一种的技术工具，通过提供这样的技术工具去汇聚了一方面是我们的消费者，另外一方面是我们的服务方构建起了一个双边或者多边的市场。

而当这样一个双边或者多边市场形成之后，实际上它作为一个平台，就可以实现某种程度的一个资源配置和一个业务的整合和相应的这种商业的创新，而因为它是作为一个整个资源配置的主导者，所以它在中间实际上是实现了一个增量的价值的获得，这也是这些企业成为当前全球市值最高企业的一个核心的原因。

所以我们认为未来在工业互联网领域或者数字化转型领域，实际上也有类似的一个平台经济的形态。在这个里面实际上数据是未来我们整个工业数字化里面的石油，这个平台和平台的背后的算法，实际上是未来整个工业生产的一个核心的组织者。今天我们看到全球不完全的统计，大概有600多个平台，600 600多个平台里有至少超过300个，实际上是面向我们制造业领域的。从我自身的观察，在过去的5年时间里面，基本上我们所熟知的全球主要的装备企业，工业自动化企业、工业软件企业，包括我们的信息技术企业和大量的初创企业，大家无一例外都去做了工业互联网平台领域的这种业务的部署。

而在过去的几年里面，实际上我们看到从全球无论是整个工业互联网这个平台领域的这种支出，还是潜在的市场收益都在快速的上涨。而对于国内来讲，实际上我们的发展这些年更加的迅猛，我们前年有一个不完全的统计，已经全国能够数得上来的平台已经超过有600个，目前这个数据我们预测很有可能会超过1000个。

在这个里面我们看到既有每年工信部所遴选的这些双跨平台，有我们一些面向特定行业特定专业领域提供服务的平台，实际上我认为还有一个非常重要的部分，实际上是来自于我们很多龙头制造企业所构建的一些企业级的平台。

因为我们会发现如果和国外相比，实际上我们在一些底层的IC t的技术领域也好，还是我们的工业软件领域也好，实际上我们都有相当程度的这种差距。

而我们最大的优势在什么地方？我认为我们最大的优势实际上是在于我们有，足够大的制造业，我们有足够多的制造行业和制造场景，然后我们会形成大量的制造的数据。而如果说我们能够发挥好我们这些龙头制造企业的作用，他们把他们的平台建好，把他们的数据管好，把他们在生产和运营管理里面所沉淀的大量的工业的模型积累好。

我们认为这个方面的优势很有可能是我们未来工业数字化去赶超去发展的1个关键的1个优势。

尽管平台很多，我们实际上做了1个简要的1个分类，我们认为平台核心就是4类，第一类实际上就是作为解决方案交付工具的一个平台，比如说我想为我的客户提供一个比如燃气轮机，远程运维的服务，实际上我背后需要做海量数据的采集，数据的管理和数据的建模分析，我需要一个平台去帮我承载这些功能。所以我们今天看到有大量的平台，刚才讲到无论是全球的600个，还是国内的上千个，里面绝大部分的平台实际上都是作为一种解决方案的交付工具所存在的。

除此之外，实际上我们认为还有三类未来有可能成为平台经济属性的平台，第一就是作为操作系统性的，主要是在整个工业互联网或者数字化领域提供ICT的技术底座。

包括从国外来讲，比如微软，包括像亚马逊，对于这一类平台来讲，它的核心实际上是两个，第一就是它的各种数字化工具，比如云，IoT，包括大数据，怎么能够在产品上做的尽可能的丰富，尽可能的应用。第二实际上关键在于生态体系的构建，怎么能让更多的生态伙伴进入到自己的体系里，去使用自己的平台去做二次开发，服务于最终的客户。

第二类最有可能我们认为形成未来平台经济的实际上是工业软件，我们看到过去的十几年的时间里边，有大量的工业厂商在做工业软件的并购，包括达索、西门子、PTC等等，这些企业通过并购实现了从产品研发、设计、仿真、生产，再到运营管理，再到产品的维护，全生命周期软件工具的集成。

而在过去的两年时间里面，我们发现这些企业在快速的把这些软件工具往平台上进行解耦和下沉，它的核心目的我认为通过这样一个基于平台的工业软件的体系，实现一个产品或者一个设备，甚至是一个生产全生命周期的数字孪生的构建和运行。也就是说未来一个制造企业也好，或者一个客户也好用了某一个这样的平台，就能够实现产品从研发到运维全生命周期所有模型数据的管理和相应的优化。

还有一类我们认为有可能成为平台经济的就是我们的这种这些产业互联网的平台，它有大量的c据c端的流量，它可以反向去牵引我们的生产过程。所以我们认为实际上尽管平台数量很多，但归根结底实际上我们认为核心就是这4类。对于所有的平台企业来讲，要努力的往后3类去延伸，才有可能去成为我们所讲的这样一个平台经济的载体，或者是未来的掌控者。基于这样的一个平台的经济，我们认为未来很有可能出现一个基于平台去组织生产和组织商业的新的一个模式。

而除此之外，实际上我们认为除了平台，还有一个关键的部分，就在于我们的数据怎么能够在我们未来的数字化转型和这样产业的领域实现一个流通。因为我们知道从刚才所有的案例都可以看出来，实际上当我们的这个数据流通之后，实际上它的一些应用价值才能够得以充分的一个释放。而今天实际上因为我们的数字化转型刚刚起步，所以大家都认为数字数据是企业的核心的价值，是核心的资产。

出于数据安全的考虑，大家不愿意去做数据的共享和开放，而这个实际上某种程度上又制约了整个我们数字化转型的进程。

所以我们看到过去几年，无论是国外还是国内，实际上都在去探索去打造一套可信受控的一个数据流通的一个生态。无论是从欧洲的这种该x加IDs的体系，还是日本的CFO的框架，实际上都在做类似的探索。

同样实际上国内，中国信通院在过去的几年也在发起相应的这样一个产业的生态和一个技术的验证，我们构建了一个叫可信工业数据生态链的联盟，这个里面实际上我们汇聚了国内一线的这样ICT的企业和制造的企业，我们通过一些新的技术，比如说数据的使用控制技术，包括我们的智能合约的技术来保证数据的流通是一种是可控的，比如说每一个制造企业可以去定义我的数据可以流通给谁，他有什么样的权限，比如说他有没有复制的权限，他有没有去做数据分析的权限，它可以使用几次等等，这些我们都可以通过我们的数据手段和一些技术的手段去管控住。

我们实际上也联合了一些国内的大型的装备企业去开展了相应的技术验证，下一步实际上我们也会在工信部的指导之下，把整个这样一套方案去扩展到更多的行业领域去。最后我想做一个简要的小结，就是我们去回顾整个数字化的进程，我们会发现在过去几十年的时间里面，每一次新的数字技术的导入往往都会带来至少20~30年的一个技术红利期。

所以我们看到最开始我们所讲的工业控制体系，从它的导入到它的普及，实际上经过了二三十年，所以我们所讲的工业互联网也好，数字化转型也好，尽管在过去的几年时间里做了大量的尝试，但是我认为它总体仍然处在它的推广的一个前期早期的阶段，我们可能很多真正意义上的数字化转型的模式，包括应用上的创新，包括技术上的创新，可能还没有完全的出现，未来我们认为还有巨大的一个价值的空间。

而在这个里面，实际上从刚才介绍的各个行业的转型的探索，各个企业的探索和不同领域的探索，我们可以发现实际上大家有各式各样不同的切入点，不同的路径，实际上是由大家的价值痛点决定的，由大家的这种就是基础决定的，也由大家实际上业务的这种特点去决定的。但是我们认为在这样一个差异化的探索路径背后，实际上我们是一个共性的驱动力或者是一个共性的方法。

这个共性的方法其实我们认为在一开始所讲的工业互联网的这种智能优化的一个闭环，这个背后实际上就是从我们的数据的采集，我们的传输，我们的数据的处理建模分析到我们智能化的决策，再到我们反馈控制，这样一个智能优化的闭环，可以用在，我们的制造业实际上我们认为在我们整个经济里面的各个行业，无论是我们的能源、交通、医疗，实际上我们也认为也都可以去适用。

今天我们看到可能很多的案例都是围绕怎么对我们现有的业务，对我们现有的管理进行优化，但是我们认为量变一定会引起质变，这些数据未来可能会创造巨大的价值，创造新的价值，它会改变我们的业务，改变我们的商业，这个里面实际上会创造更大的一个经济增长的动力。以上就是我的一个简要的介绍，也希望跟大家做更加广泛的交流。