工業軟件和工業APP是信息技術和知識的融合，是一種賦能企業數字化轉型、賦能工業互聯網平臺的高端工具，下面看看郭朝暉老師如何看待這個話題。

工業軟件與知識融合

從專業技術看，工業軟件開發其實也不是特別難。關鍵是思維方式要融合，還要融合得天衣無縫。

我經常講一個段子：老婆讓程序員出去買五個包子；如果遇到賣西瓜的，就順便買一個過來。結果，程序員買了一個包子回家。他的理由是：看到賣西瓜的了。如果這是個段子的話，下面的故事是真實的：我的一位軟件專業碩士畢業的同學讓一位程序員在“386”上加上“111”。結果，程序員給他的數是“386111”。

程序員的思維方式與“正常”的思維確實不太一樣。正如司機選擇路線的邏輯，和步行者不一樣。前些日子，我參與一個討論：如何把大的軟件，拆成小的APP。我說：沒有必要把大的拆小，只要把其他功能封閉就可以了。在物理世界里，“拆”是更經濟的，但在軟件的世界里，“封”往往更經濟。最近大數據技術之所以稱為熱點，是因為計算機的發展，讓一些“笨辦法”變得更有效了。

我曾經要同事寫段程序。寫完后，他讓我檢查。看完后，我要求他重寫這段代碼。他問我：什么地方錯了？ 我回答說：我看不出哪里錯了，但我無法證明你是對的。

這個故事則反應了工業軟件的特點：對可靠性要求特別高。這種特殊性，讓工業軟件的思維方式，與普通軟件開發又有所不同。

有位同事，寫了3000行程序。調式結束后，我讓她把三個全局變量改成兩個。這樣，整個程序都要重寫。我對她講：這樣做的目的，是讓檢查的人方便。因為做檢查的時間，比寫程序的時間要長。可謂“一天編碼、十天檢查”。所以，檢查的效率高了，整個研發的效率也就高了。有時候，工業軟件往往是“一行代碼描述功能，十行代碼防錯”。因為工業軟件往往不允許在使用過程中出現嚴重的BUG。

為了提高可靠的程度，寫軟件時要考慮到各種意外的場景與異常。正常的場景只有一個，而意外的場景可能有很多。可謂“一種正常場景，十種異常場景”。而現實中，最難防備的就是“預料之外”的問題。這就要求對工業場景特別熟悉

工業人的思維方式，與學術界差別很大：你以為某個技術可以提高產量，但現實中可能不能用：因為它可能影響質量。你以為某個改進可以提高質量，現實中可能也無法用：因為它可能影響安全、穩定。不理解這些“約束”，就寫不出合用的軟件。

要解決這些問題，本質上都是要解決知識融合的問題。對于不善于交流、不喜歡討論的中國人來說，知識融合是個很大的挑戰。有時候，與其讓別人說明白，還不如自己成為這個領域的專家。其實，我的建議是：至少你要成為半個領域專家，才能去開發工業軟件。

對工業軟件的幾點想法

工業軟件為什么被卡脖子了？

最近，工業軟件被大家關注到了。一個重要的原因就是被人“卡脖子”了。換個角度看，“被卡脖子”說明我們的工業再往高端走了、開始用到這些高大上的東西了。這就像小朋友覺得衣服小了，是因為個子長高了。反之，很多人對工業軟件的作用不明白，其實還是沒有達到這個階段。

現在工業軟件主要用于研發設計、生產制造。一般來說，研發工作多了、要求提升了，對工業軟件的需求會增加；制造的要求高了，工業軟件的需求依然會提升。過去我們很少有研發，產品質量也不高，工業軟件的價值也就不大。

為什么工業走向高端的時候，工業軟件才重要呢？

我設想一個場景：一般情況下，看看尺寸，就知道能不能把螺母撞到螺栓上。但是，如果零件精度要求特別高、兩者差別特別小的時候，就不一定了。有時候，可能要把螺栓“凍”一下才能裝上去。在什么溫度下冷凍？冷凍多少時間？要回到這些問題，才能裝好。怎么知道這些參數？可以試一下、也可以算一下。如果能算，會比反復嘗試好了。當然，如果計算比較麻煩，最好能編個程序——這就是工業軟件啊！

為了這么一點小事去編軟件，豈不是太麻煩呢？

的確，做一次很麻煩、工作上是得不償失。但是，如果用的次數多了，就劃算了。而且，用的人多了，工業軟件就可以商品化了。商人能賺到錢，就會雇傭很多牛人來搞，技術就可以不斷發展了。當然，商人賺錢的前提是市場足夠大，也就是高端企業多、企業的高級研發做得多。所以，國外工業軟件發展快，也就是必然的了：因為技術的市場大。

生產制造環節的情況也差不多。工業企業走向高端的時候，新產品多了、加工精度和效率要求高了、就需要通過軟件來加工制造。計算機有很多優點，如運算速度快、計算精度高、出錯的比例低、可以持續長時間運行、可以進行復雜問題優化。這些都能讓工業軟件的價值體現出來。

高端企業對工業軟件才有需求，就像皇帝對御廚有需求；低端企業不理解工業軟件的用途，就像叫花子對御廚有需求。

最近工業軟件快速發展，還有另外一個原因：技術條件發生了變化。這一點，可以用IPO圖這種模型來解釋。

任何軟件，都需要有三個要素：輸入（I）、處理過程（P）、輸出（O）。處理過程（P）的核心是算法或者模型。但算法或模型的執行的前提是輸入（I）要包含足夠的信息。而且，計算機的處理能力要足夠強大。這兩點，可以解釋最近工業軟件快速發展的根本原因。

過去，大型設備的3D模型占用空間很大。計算機性能低的時候，就會“放不進去”。沒有輸入（I）充分的數據，算法也就沒有用武之地。同樣，計算工作復雜時，處理過程（P）耗時可能是無法忍受的。所以，計算機存儲和運算能力增強、價格的降低，會讓工業軟件的應用迅速變得廣泛起來。

再如，互聯網和傳感器的廣泛應用，也使得計算機能夠獲得足夠的、能夠用來計算的信息。也就是說，輸入信息（I）容易變得完備。這時，算法（P）才有了用武之地。另外：機器自動化、智能化的程度高了，算法的計算結果（O）就可以直接驅動機器、管理生產進程。這樣，算法的價值才能更好地體現出來。所以，數控機床和高端自動化設備用得多了，工業軟件的重要性會提升。

在這樣的背景下，模型和算法（P）才變得重要起來。打個比方，算法就像一個廚子，輸入的數據則像食材。有了充分的食材，廚子的本事才能發揮出來。否則，就是巧婦難為無米之炊。換句話說，“算法重要”是有前提條件的。

用IPO的邏輯，可以解釋不同行業間，工業軟件發展的差異。比如，存儲能力的增加對離散制造業軟件運行效率的影響很大、甚至是關鍵性的：因為解決了輸入信息充分（I）的問題。算法（P)其實是第二位的。但在流程行業，許多問題的瓶頸不在于輸入（I）的數據量太大，而是完整、準確、及時以及建模方法上（P）；有些制約條件則是設備的數字化、智能化改造（O的問題)。所以，不同行業，工業軟件的發展邏輯是不一樣的。

如何看待工業軟件的發展方向？

剛才提到，工業軟件過去主要用于研發設計和生產制造。未來會有些拓展：首先是從生產制造拓展到管控一體。這是工業互聯網發展必然帶來的，原因就是輸入（I）、輸出（O）發生了變化，讓工業軟件的價值更大、開發更容易。其次是工業軟件向采購、銷售、服務拓展。這種變化也是互聯網帶動的。當信息通信技術的基礎奠定以后，軟件和算法才會成為關鍵和人們關注的重點。這時，科學實驗工作和大數據分析工作，可以與工業軟件結合起來。

工業APP往往就是一些工業軟件。前些天和朋友聊天：工業APP是不是一定要有平臺的支持？

我認為：沒有平臺，我們也能開發工業APP這樣的軟件。但是，有了平臺以后，輸入（I）條件容易滿足；APP的輸出（O）也容易發揮作用。平臺可以支持這些東西。好的平臺還能讓算法的編寫變得容易、易于復用。所以，基于平臺，開發APP的工作量可以大大降低、用途和經濟性可以顯著提升、標準化程度提升，功能體系也容易建立起來。所以，有沒有平臺，差別還是非常大的。

所以，推進工業軟件和工業APP，需要把平臺搞好。

工業APP雜談：為什么要模型計算和軟件

在我看來，工業APP是些包含數學運算的小型工業軟件。工業中為什么需要數學計算、并且編程軟件呢？

問題看似很簡單，其實答案并不那么明顯。要認識這個問題，必須先認清一個與之相反的現實：在工業企業中，數學模型其實并不常用。

我們經常聽人說：“科學原理、數學公式非常有用”。工業生產過程往往對應大量的科學原理和數學公式。但我們反思一下：工程師是不是經常用這些數學公式進行計算？其實，現實中很少用理論公式進行計算。

既然“有用”，現實中為什么“少用”呢？

這其實很正常。我們設想一下：人們每天的生活，都要遵從牛頓定律。動物、甚至我們的祖先都不懂牛頓定律，不也都活得好好的嗎？同樣，工業人不用計算理論公式，不也照樣組織生產啊！

只有需要精確結果的時候，才需要計算。

古人什么時候需要算？買賣東西的時候需要算、不算就可能吃虧；吃飯的時候也要精打細算，否則到了春天就沒有吃的了。打仗的時候需要精打細算。《孫子兵法》說：“多算勝、少算不勝”。因為打仗都是“險中求勝”，勝負可能就差一點點。所以，《戰爭論》也是在強調“算”。

農業社會的時間不值錢、時間觀念就不強，很少算時間。現在就不一樣了。我每次坐火車、坐飛機，都要把時間算一下。因為在機場、車站多待半個小時，就覺得浪費了時間。

同樣，工業人什么時候會認真去算？

工業企業追求精益求精的時候，才會去算。不追求精益求精的企業，就很少會去算。所以，企業只有發展到一定的程度，才會認真去算。

工業中的計算也是有很多麻煩的。

為什么有麻煩呢？有些人認為，是不懂得科學原理。這個說法往往是扯淡的。中國現在每年畢業800多萬大學生，而工業中用到的很多科學原理很早就成熟了。怎么會不懂呢？真正的原因是：這些數學模型往往是需要參數的，而這些參數往往給不出來。給不出參數，也就算不準。

所以，往往是因為算不準，才不算的。

參數不準，是不是努力把參數搞準呢？聽起來有道理，但這事與具體問題有關。有些計算（如幾何尺寸）是能夠算得準的，有的則很不容易搞準。所以，數字化模型的推進其實有兩種辦法：一種叫做“知難而上”、一種叫做“知難而變”。

對于那些能夠搞準參數的對象或者過程，可以想辦法搞準。這就是“知難而上”。采用這樣的思路時，要多用“笨辦法”：把該測量的測量、不要怕麻煩；數據分析時，要努力去剔除干擾，而不是搞一些華而不實的復雜算法。

有些參數真的搞不準，就要“知難而變”了。對于這類問題，往往是把實驗數據與理論模型結合在一起。這時，理論結果往往是用來做優化的：實驗結果覺得人們怎么做、而理論模型決定如何優化。注意：這種優化往往是“小步快跑”、是PDCA，這時用的模型往往是線性的。這時，用的往往是“巧辦法”。

我一直主張，工藝和產品設計盡量用數學模型計算。這樣的好處是：知識自然地顯性化、知識便于傳承、便于優化。而在現實中，往往必須接受不太理想的模型——理想的模型找不到，往前走半步也好。這就像我常說的：不要總想著長生不老，能延年益壽就不錯了。因為工程師做事，服從現實是第一位的。

有些計算，手工計算太麻煩、太慢，還容易出錯。這時，就需要把算法放在程序或者軟件里面。而用這些程序或軟件，往往意味著企業的經營、管理、技術已經達到了相對較高的程度。否則，往往就是所謂“叫花子對御廚沒有需求”。