在工业3.0时代，制造运营管理是一种闭环管理的模式，基于由上至下的金字塔组织结构、通过流程信息化与生产自动化实现，其核心要素是规范化。但在这一模式下，生产计划与生产执行、工艺设计与过程控制之间不可避免会出现延迟滞后的现象，进而带来一系列质量、成本和交期问题。这种缓慢的模式，已远远无法满足工业4.0时代的敏捷要求。

　　但是，驱动“智能”的数字化使能技术大多源自于互联网，它们在落地车间的过程中出现了严重的水土不服。很多早期的智能制造项目都以高开低走、虎头蛇尾的方式告终。

　　要构建行之有效的智能制造方案，我们首先必须对“数字化”与“智能化”这两个被过度使用的名词有正确的理解。

　　根据中国制造能力成熟度模型，智能制造的成熟度可分为五个级别。第一级是管理规范，要求企业在进入该领域之前，先确保管理规范的落实，包括管理流程和工艺路线等方面。第二级是流程信息化和生产自动化，即通过ERP、MES等IT系统以及自动化产线，把管理与工艺流程固化下来，确保管理规范的严格执行。

　　但要更进一步，实现从二级到的跃升，并不是简单的线性过程。制造企业需要跨越一道认知鸿沟，进行一场技术与思想的自我。

　　如今的市场环境与客户需求，要求制造企业在动态环境下仍然能实现高质量、低成本、短交期业务目标。这一更高要求驱使着企业制造的运营管理思想从对质量、成本、交期的“事后改善”向“事中干预”、“事先预防”方向转变。

　　在此背景下，一种以质量、成本、交期结果导向，通过知识驱动的实时制造运营管理模式应运而生，拥有对生产运营状态的即时感知、分析、决策、执行能力。

　　制造运营管理有质量、成本、交期等多个目标维度。它们相互矛盾、彼此约束，经常是按下了交期的“葫芦”、浮起了成本的“瓢”。要兼顾这些相互制约的目标，我们需要协调人、机、料、法、环、测等六个生产要素维度。最后，对于这些度问题的分析与决策，还要实现极高的实时性（比如生产节拍）和精准性（比如6 Sigma）。

　　人脑的运力终归是有限的；如此复杂的分析决策过程，自然需要人工智能的辅助。这一全新的分析决策方式，并不是流程的，而是数字化的思维范式。这种思维方式的转变，就是习惯于流程驱动、过程管理的企业高层迈向智能制造的最大认知鸿沟。

　　智能：在多个由人、机、料、法、环、测生产要素（5M1E）构成的方案中，实现目标的最佳方案/最优路径是什么？比如，给出料和法的最佳组合以实现最高质量和较低成本。

　　从上图我们会发现，人们常说的“智能制造就是数据驱动的制造”是有很强误导性的。这句话源于数字化技术最早发展与成熟的地方——互联网。那里催生了最早一批参与智能制造的从业者。他们习惯了互联网无时无刻产生的海量免费数据，以及对分析决策方案粗颗粒度、非实时性的要求。

　　但生产车间的环境与互联网中的应用环境大相径庭。生产车间里的特征数据（比如质量缺陷数据）是极为有限的，采集数据的过程是极为昂贵的，并且车间对于分析决策方案有着极高的精准度与实时性要求。

　　这就导致前几年很多制造企业通过大规模投资技术改造、数据采集、数据入湖、数据中台提升质量、成本、交期的美好愿望，最后都以失望告终。

　　所以说，智能制造需要的是在工程知识框架下的精准且实时的数据，而不是无工程知识框架的所谓大数据。

　　- 第四次工业发生的背景是“大规模、标准化”制造运营管理模式已无法应对市场变化，敏捷的制造运营管理模式成为变革目标。

　　- 结合运营数字孪生技术的实时感知与执行能力，智能化技术，即人工智能算法，提供了“感知、分析、决策、执行”闭环管理中的实时度分析与决策能力，从而大幅度提升制造运营管理的敏捷性。

　　总而言之，智能制造（智能制造成熟度第三、四级）的实现过程就是数字化与智能化的推进过程。其中，数字化进程实现实时生产运营状态的感知与执行。具体来讲，就是对生产管理、库存管理、质量管理、检修运维管理、能源管理等制造运营管理知识的数字化表达。

　　结合实时数据，我们就可以对物理空间的制造运营过程在数字空间中实现实时镜像表达，即运营数字孪生——它源自工程知识，是同时可以被生产人员和人工智能所解读的。

　　有了这一层表达式，人工智能算法才可以像车间主任一样地了解生产运营状态，并针对质量、成本、交期业务目标，对5M1E生产要素做根因分析、提出改善建议，并在物理空间中的5M1E生产要素上执行，实现敏捷制造，最终实现工业4.0的终极目标：自适应生产运营管理，也就是人们常说的“黑灯工厂”。

　　智能制造不是单一项目，而是一段利用数字化与智能化技术、持续优化“制造运营管理知识”的旅程。它最合适的起点与抓手是所有制造企业的核心，即生产工艺设计与质量控制的数字化与智能化进程。制造企业以此为主轴，逐步扩展到生产管理、物料管理、检修运维管理、能源管理等领域，最终实现质量、成本、交期目标的大幅改善。