当下炙手可热的工业互联网（IIoT），让不少公司趋之若鹜，也让不少公司绕了弯路。
GEPredix独立运营之后，仍在不断调整战略，新发布的私有化部署产品尚缺乏实际客户案例。颇有德国版Predix风范的工业互联网平台Axoom，在刚刚过去的7月意外被其富爸爸卖给别家，掀起业内不小的波澜。
曾经跨过山和大海，也穿过人山人海的西门子，看到同行者的境遇，做何感想？
2019年已经过半，转眼就将到达当年“2020公司愿景”计划的时间点，西门子急不急？
在今年年初，西门子和哈佛商业评论HBR联合发布调研报告《加速工业互联网的时间进度》。
在这份试图覆盖全球工业企业C-suites高管的调研中，741名高管中有74%认为物联网将在两年内助力他们在市场中建立竞争优势。然而障碍也显而易见，90%的高管认为物联网项目的投资回报率ROI难以计算；还有不少高管表示公司中缺乏懂行的专家，缺乏应对物联网项目复杂性和挑战的信心。
很多人表达了一种两难困境：没有ROI硬数据，公司的高层领导在当下暂时没法拍板投资做物联网项目。不过反过来看，如果竞争对手率先尝试了物联网，一两年的时间差就有可能造成无法追赶的差距。
发布这份报告之后不久，2019年4月，西门子迎来一个关键节点，西门子物联网服务事业部正式成立，使命是加速推进物联网服务。
为什么有了Mindsphere，西门子冷思考之后还要成立物联网服务事业部？
物联网服务事业，西门子在哪里找到了指数级的增长机会？
数据中台，西门子怎么解读？
西门子悄悄布局的工业知识图谱，会成为下一个超级风口吗？
带着这些问题，我和西门子中国研究院院长、西门子（中国）有限公司物联网服务事业部总经理朱骁洵进行了一次挑战思维极限的对话，体会了他为物联网服务发展所做的沙盘推演，感受了他行为逻辑背后的决断、取舍和专注。
为什么成立物联网服务事业部？
彭昭：物联网服务事业部的定位是什么？
朱骁洵：这是一次商业模式的创新，从卖产品转变到卖服务，用端到端的服务帮助顾客完成数字化转型。
这张图显示了西门子认为围绕物联网平台应当开展的7种类型的集成服务，推动IT和OT的紧密集成，也体现了物联网服务要做的事情。
简单的说，这个物联网服务过程分为7步：
第1、2步是咨询和原型设计
第3步，要把现有设备连起来
第4步，现有OT系统可能需要的智能化适配及升级
第5步，所有这些连起来的设备和系统，需要有一个物联网平台进行管理和集成，也有可能需要把其他已有的物联网平台接入其中
第6、7步表示，有了平台之后，可以根据顾客的需求开发各种数字化应用。并长期运营和服务。
这7步走完，西门子才真正的帮客户走完了整个数字化旅程。
客户不仅需要硬件和软件，还需要端到端的服务，物联网服务是对现有数字化能力的补充，我认为这才是一个完整的数字化世界的建立过程。
彭昭：物联网服务应该怎么做？
朱骁洵：第一，通过咨询的方式评估数字化能够带来的价值，明确组织现有的数据情况。
我们有一套建模评估工具包，用来解决任何一个存量工厂的建模问题。如果是新建工厂，现在普遍都会有一套很炫的三维模拟，公司的管理者会看到一个用仿真软件做出来的动态模拟展示。而存量工厂虽然没有这套动态模拟展示，但是所要使用的数据一样存在数据库里，一样可以及时体现数据的价值，只不过我们没有通过工具和对应模型把它展示出来。所以建模是一个核心步骤。
第二，当客户有一条产线要升级的时候，在什么地方应该放什么样的传感器？从物联网服务的角度来看，我们会提供以KPI（关键绩效指标）为导向的IoT部署建议。
因为工厂厂长一般要看十几到二十几个KPI，他需要知道今天工厂运营得怎么样。在这里我们以知识图谱作为技术核心，它可以从这些KPI一直追溯到到底是生产线的哪些点，需要什么样的数据，解决现在的问题。这也是知识图谱带来的优势，我们能够精准的告诉厂长，他在什么地方缺什么样的数据。从而建议工厂如何做IoT部署
第三，运营层面的优化。这也是基于知识图谱的，就是让软件通过知识图谱来做算法。
这三个步骤，第一步是建立知识图谱，第二步、第三步是运用知识图谱。
彭昭：从上面这个过程，可以看出知识图谱很重要。到底什么是知识图谱？
朱骁洵：过去大家都讲工艺包很重要，不过工艺包是给人看的，人看了这个工艺包文件以后，可以知道这个工艺是怎么把产品做出来的。
那么怎样把工厂里面给人看的工艺包，变成让机器能够理解的东西呢？
我们是通过知识图谱把工艺包变成机器能够理解的东西。当机器可以理解之后，再去写各种APP的时候，就不需要做太多定制化的部分。
知识图谱的重要性在于它为各种算法的介入提供了一个核心支撑。没有它，很多数据的访问是松散的。
数据中台只是个杯子，重要的是泡什么茶
彭昭：知识图谱的载体是什么？
朱骁洵：数据中台。
这个数据中台跑在什么地方对做好物联网服务来说并不重要。它可以跑在西门子的MindSphere上面，也可以跑在客户现有的云平台上面，也可以跑在客户工厂里的服务器上面，都可以。
总体上说，有两点很重要。第一，我讲的这个数据中台不一定是MindSphere，数据中台不与工业互联网平台挂钩，它是平台独立的（Platform Agnostic）。
第二，数据中台不会改变原有的系统架构。
原有的关键数据仍会存在原先的若干个不同系统里，我们只做数据的读取，不做数据的汇聚。这点可以解决客户对于数据交给谁的困惑。即便有数据中台，数据还是呆在它原来的地方，并不需要把数据交到什么地方。
彭昭：所以你可以不用MindSphere。
朱骁洵：不是必须。
数据中台本身不依赖于MindSphere，但是我们看到西门子MindSphere是目前工业市场从商业化成熟度、APP布局来看首选的平台。
彭昭：这个数据中台，和BAT所讲的数据中台，是一个含义吗？
朱骁洵：我不知道BAT的数据中台到底是什么。我认为的数据中台，可以打个比方，其实数据中台就是个杯子。
我要杯子是为了泡茶喝，没有杯子，我没法泡茶。所以虽然我本想泡茶，但我的表述会变化，我可能对你说，你需要一个杯子。其实这个杯子是谁的，这个杯子长什么样，对我来说并不重要。
数据中台只是个杯子，关键是这个杯子里准备装什么茶。
谁都可以说拥有数据中台，但是这个数据中台是不是能够通向真正可行的技术路径，通过行业标准，得到知识图谱。最后利用知识图谱作为工厂数字双胞胎的基础，打造一个可持续使用、可持续开发的数字化平台，这才是关键。
彭昭：是不是可以理解为，西门子物联网服务最后给客户交付的是知识图谱和数据总线，类似这种形式的东西？
朱骁洵：可以这么说。在物理世界体现为数据总线，就是客户缺什么数据，我们会给出添加建议。在虚拟世界，我们为客户的工厂建模，交付知识图谱。
这个知识图谱是一个活着的数字双胞胎。
数字双胞胎有很多种，大家往往会想到用CAD建模之后的三维图像是数字孪生，其实不止如此。一个工厂，甚至一个房间，都可以根据需求建模，创建知识图谱。虽然它没有很炫的三维效果呈现出来，但是你在工厂里加了什么新的物理设备，知识图谱马上就会体现出来。
而且，当面对一个庞大生产线的时候，怎么才能知道到底需要什么样的数据？一般的工厂有上万个、几十万个数据点是正常的。怎么知道还缺什么数据？没有一个现成的软件可以告诉。那么当有了知识图谱之后，它可以作为进行物联网整体布局的基础。
在企业运营的状态层面，是不是真正用到了这些数据？是不是真正实时的把数据用来分析、用来反馈、用来验证？知识图谱同样可以作为基础，能够实时的感知你的生产线是不是处于的最优状态，哪一部分还有提升的空间。
彭昭：数据中台、知识图谱、数字孪生…市场上很多人在做，西门子有什么独特的地方？
朱骁洵：我觉得独特的地方是我们的技术路径。
我们独特的地方在于，首先会通过语义模型的手段，把来自各个传感器的数据语义化，进行语义标注，成为语义数据。这个过程是把异构数据结构化的过程，让数据建立关联。
数据语义化有什么作用呢？比如说一台压缩机，它是用在电厂还是化工厂？这台压缩机在什么场景中使用？和这台压缩机相连的有哪些设备？这些都是非常重要的关联性信息。这些信息有助于机器理解机器。
第二步，基于语义模型，增加人的专业知识作为输入，生成知识图谱。知识图谱就像语义世界的百科全书，这是一套机器可以使用的百科全书。
有了这个知识图谱，如果一条产线或一台设备出了问题，机器很容易就能调取相关信息，给出数字化的诊断指南，也就是让机器给予有效建议。再往后的下一阶段是决策推荐系统，机器可以根据知识图谱和数据，自动匹配相似的模型和决策机制，从各种故障案例库中选取最优。
最后一步才是基于知识图谱的应用开发与落地。
所以我认为工业人工智能有两个大的支柱，第一是知识图谱，其次才是深度学习。现阶段我们最应该重视的是知识图谱。
彭昭：知识图谱还没有被很多人提及。
朱骁洵：在没有知识图谱的情况下，我们面临的痛点是非常多的。
从客户的角度来讲，制造企业会觉得数字化缺乏一个通用性软件，所有的服务都是高度定制化的。造成的结果必定是昂贵的软件、昂贵的应用和服务。
从开发者的角度来讲，工业数据非常复杂而且散落在各个地方，需要开发者投入很大的采集成本，还需要对制造企业的运营有非常多的理解和知识，具有很高的门槛。开发者生态的不足，又反过来加剧了制造企业难以通过数字化项目实现快速投资回报的问题。
我们提出制造企业需要数据中台。就像刚才的比喻，数据中台是个杯子，泡好知识图谱这杯茶，让物联网能够真正赋能制造业，需要这样一个统一的数据中台。
从能力上而言，数据中台首先需要对数据进行一个集中的展示。虽然展示并不是带来核心价值的东西，但是一个必要条件。其次，数据中台还需要具备异构数据的集成能力，有能力自动连接，转换不同格式的数据。第三，数据中台需要能够对跨领域的事件进行关联，能够根据上下文做出关联性分析。第四，数据中台的部署方式必定是灵活的。
提出数据中台并不是说想做一个一统天下的平台，大家要把数据都放在这里。数据中台是西门子为了应对目前的现状而提出的解决方案。
现在国内有数百个工业互联网平台，还有很多个数据中台，我并不想要再加一千零一个平台来解决制造业的数据问题。
指数级的机会在哪里？
彭昭：物联网服务，中国的机会在哪里？
朱骁洵：应当明确，中国和德国的工业4.0没有可比性。
中国有很多自动化水平不高的行业，数字化是帮助他们提升效率的好手段。我不倡导让这些企业先大量铺自动化设备，而是建议先用数字化手段做仿真和规划，再决定该怎么精益改进。而德国的工业4.0是在自动化程度很高的前提下发展出来的，因此和中国的市场切入点有本质不同。
我们会从存量工厂的升级改造开始做起，这是基于中国现状的。
中国是全世界的制造大国，是靠人工在解决制造业这些最难的技术问题。尤其去看中国的一些组装类型工厂就会发现，很多偏偏是自动化最没法解决的问题、工业机器人最不能解决的问题，他们用人力进行了完美的实现。
人是这个世界上最聪明的机器，就算最厉害的企业，其实也会有非常“工业2.0”的生产场景。在数字化改造的过程当中，如果非要等到这些技术问题都能被新一代的机器人算法解决的话，并不现实。
中国的智能制造和德国的工业4.0会走出完全不一样的道路。中国的存量市场，从纯手工、到半自动、再到自动，都不一样。我们存量改造的理念是，一条手工线不需要经历整个自动化的过程。
一个纯手工的中国传统制造企业应该怎么数字化呢？开玩笑的讲，我在团队内部经常以“炸油条”的铺子举例。我跟团队说，你先不用去考虑自动化是什么，先通过数字化手段来评估任何一种形式产线的效率，评估效率可以让你发现这些环节是不是真的紧扣资产利用率，员工利用率是不是最优？效率能够提升，就是数字化带来的优势。
不用改变任何的商业模式，通过数字化就可以提高工厂效率。我们主打的存量工厂改造的概念就是任何样式的生产线，通过建模、数字化仿真，都能找出提升的空间。
彭昭：是不是从另一个角度也说明，现有的制造企业其实很困惑，不知道自己想要什么，或者应该做什么怎么做。
朱骁洵：大部分不是很清晰。我们在跟客户沟通的过程当中，很多人对数字化还是很困惑的。
困惑有几点：第一，客户不知道数字化到底带来什么价值，为什么要投入这么多去做这样一件事情？做完了以后有什么样的回报？第二，客户不知道自己现在到底有多少数据，这些数据是分布在哪些系统里面的？工厂在过去的10-20年，不同的系统里到底藏了多少宝贝？基本上没有企业真正有时间去梳理这个事情。
讲一个真实发生的例子。有个客户他给苹果Apple等公司做代工。他面临的问题是，他的一条生产线在搭建完以后跑个两三年，这条线就不用了，就得根据代工的需求更换整条线。
当他在得到代工订单的时候，根本没有时间去考虑怎么复用现有的一些生产设备。为了赶上代工进度，他得从头去购买新的设备，搭建一个全新的生产线。造成了他的库房里面积压了好几个亿的原有设备，而且这些设备并不是坏设备。我们在跟他做的一个咨询项目，就是怎么样通过建模和资产管理，把他现有的设备信息全部掌握清楚，并且帮助他复用这些生产设备，最大化的节省成本和提升效率。
彭昭：太多人只看重增量。我同意存量市场很大，有没有一些更细分的客户画像？
朱骁洵：我们的物联网服务对增长的预期非常大，并没有对各种领域做出严格的划分。任何一个西门子具备传统强项的垂直领域，我们都能够去提供服务。
存量工厂的改造是一个探索的过程，市场中物联网服务的体系目前是不存在的，本身也不存在类似的方案，从某种程度上说，这是我们的一次突破和尝试。就像在西门子内部创业，开创一套新的模式。
彭昭：西门子准备投入多少资源？
朱骁洵：我们预计2025年之前，物联网集成服务市场的年增长率将达到10%到15%。中国是西门子认为与美国、欧洲并列的核心市场。
西门子的传统业务是卖产品、卖软件的模式，而物联网服务事业部是卖服务而不跟产品挂钩的一种商业模式。在中国，我们有200多人的团队全心全意服务这个市场。
彭昭：存量工厂能够改造成功的关键点是什么？
朱骁洵：领导者或者说整个企业的信心和意志是很重要的。
真正转型成功的，或者说数字化试点之后愿意再投资的，非常重要的是领导者的理念。如果领导不认为数字化是企业未来生存的核心，光做试点那是没有用的。
我还没有见过一个案例，只做了一个试点之后，就改变了领导者的观念，一个都没有。往往是领导者首先有这个观念，认为数字化是我的转型必经之路，然后通过试点来印证领导者的理念是对的。
就像西门子在白皮书《物联网变为现实》中画的这幅图。图片中的最外圈，是变革管理，体现了领导者的信心和意志是首要前提。
“从0到1”，IIoT还缺什么环节？
彭昭：你怎么看中国工业互联网现在的发展？
朱骁洵：中国的智能制造，经常会提到两化融合，就是自动化+信息化。这跟数字化是什么关系？我觉得距离真正数字化的第一步都还不到，我们现在正在经历从0到1的过程。
那么什么是我认为的数字化？第一，作为一个传统制造企业，在物理世界中是真正产生价值的，通过加工原料，把它生产成产品，把产品转换成金融的价值。第二，物理世界中的制造企业，能够映射到一个数字世界。通过数字世界的建模、仿真、优化，可以提供决策上的支持，来影响物理世界的事件处理结果，减少在物理世界当中犯错的可能性，加快所有的流程，让整个过程变得更加的流畅和高效。
另外一点，从工业数据到人工智能应用之间的路径还没有搭好。
现在人工智能特别火，但是人工智能在工业应用不一定能成功。现在工业人工智能的很多应用，总体来看数据源是非常单一的。
比如做零部件的缺陷检测，所有的可用数据其实也就是图像。如果做语音识别，所有的数据也就是声音。真正复杂的项目没人去谈，为什么？
因为工业的数据特性，工业的数据量很大，数据的种类完全不同，从结构数据到非结构数据、从实时数据到非实时数据、从非常没有价值的单个数据到积累了足够长时间可以呈现一定趋势的聚合后的数据…处理这么多种数据已经够头疼了，最后人工智能应用还会发现，即便是最好的工业设计架构，数据永远是分散在各种不同的子系统里的，这些都是无法回避的问题。
如果工业想用好人工智能，无法绕过的路径是先建立知识图谱。如果不把前期的语义模型和知识图谱搭好的话，人工智能很可能只是一个空中楼阁。
基于知识图谱已经建立的模型，持续的采集和积累数据，才能为后面的数字化和人工智能应用铺好路。当有了知识图谱以后，人工智能才有可能实现最后的终极目标，就是所有的设备完全自主、自治。
彭昭：在你心里，有没有工业互联网终局的景象。
朱骁洵：我不能预言今后会怎么样，但是我有一些判断和假设，这也是指导我自己去做事的一些假设。
我的假设是不停会有各种企业推出他们自己的工业互联网平台，这些平台的同质化是不可避免的。这就是为什么我现在要从技术角度推一些我认为不太一样但却正确的东西，因为我觉得这些同质化的产品不能解决用户的问题。
其次，我觉得这么多工业互联网平台会长期存在，他们都会成为未来物联网生态系统中不可或缺的一部分。我不认为IIoT会像消费品领域一样，只有极少的几个平台一统江湖。工业互联网未来的生态会是一个丰富、有趣的生态。
最后，谈到数字化转型，我觉得大家一定要意识到，这不是一个纯技术就能解决的事情。技术只能解决一个很小的方面，如果缺乏好的战略和业务规划，将会导致各种各样的问题。
在数字化进程中，因为缺乏战略规划，原地踏步的例子不少。很多人做数字化转型的项目，你会观察到他永远都在做试点，做完一个试点再做一个试点。因为这些试点没法串联起来，没法统一在一起为制造企业创造可复制性的可以放大的价值，所以只好不停在做试点。
技术架构还需要与企业内部的管理体系相匹配，否则再好的软件和系统，企业也用不起来。一个真实的案例是，德国一家着名的车企买了我们西门子的全套软件，买完了发现，完蛋了，他的员工没有欲望去用数字化的东西，企业软件根本用不起来。最后他又专门回来找我们进行企业内部的管理培训和文化建设。
所以最核心的事情是，我们和客户一起制定数字化的目标，一起拟定转型的规划路线，并帮助客户推进整个组织的变化。
我提到我们正在经历“从0到1”的过程，物联网生态的布局还非常的不完善。数字化转型不是一家企业就能做到，而是必须有一群人有着同样信念去做数字化这件事情，我们才能真正的从“0”跨到“1”，然后从“1”变到无穷。
西门子做物联网服务这件事情，也不是光靠我们这一个团队来实现社会影响力。最后你会看到，西门子物联网服务的成功，不是西门子一家企业的成功，而是一个生态体系的成功。
本文小结：
1. 西门子建立物联网服务事业部，是一次商业模式的创新，从卖产品转变到卖服务。
2. 数据中台只是个杯子，关键是这个杯子里准备装什么茶。数据中台是不是能够通向真正可行的技术路径，创建知识图谱，然后利用知识图谱作为工厂数字双胞胎的基础，打造一个可持续使用、可持续开发的数字化平台，这才是关键。
3. 工业人工智能有两个大的支柱，第一是知识图谱，其次才是深度学习。现阶段我们最应该重视的是知识图谱。
4. 知识图谱就像语义世界的百科全书，这是一套机器可以使用的百科全书，它是一个活着的数字双胞胎。
5. 数字化转型不是一个纯技术就能解决的事情。技术只能解决一个很小的方面，如果缺乏好的战略和业务规划，将会导致各种各样的问题。
