工業大數據的重要性眾所周知，但究其根本，大數據是手段而不是目的，人工智能也是如此。如果僅僅因為工業互聯網的概念很熱，企業就要去盲目擁抱工業互聯網和工業大數據、人工智能技術，實際上是一個非常錯誤的觀點。

在新一代信息技術出現之前，工業企業已經正常運轉了上百年，我們應該清晰地認識到信息技術手段的加入更像催化劑的作用。首先需要明確需要達到怎樣的業務目標，可以使得今天已經存在的生產工藝、工業產品、管理方法變得更好。

其實大數據支撐制造業的業務變革最根本的目標就是提質增效，在自動化與信息化基礎之上，實現智能化的制造體系。在智能制造的基礎上，然后才是打造平臺，構建產業生態，與產業鏈進行更有效的協同，實現工業互聯網的乘法式發展。

工業大數據的三個典型應用方向，也是我們實現工業互聯網的目標，包括智能裝備、服務型制造和跨界融合。第一個層次是設備級的，就是提高單臺設備的可靠性、識別設備故障、優化設備運行等；第二個層次更多是針對產線、車間、工廠，提高運作效率，包括能耗優化、供應鏈管理、質量管理等；第三個層次是跨出了工廠邊界的產業跨界，實現產業互聯。

工業大數據并不是憑空而來，傳統工業信息化一直在進行，我們已經有大量的數據來自于研發端、生產制造過程、服務環節，工業信息化過程一直在產生大量的數據，工業從數據到大數據，其實更多要考慮的是與自動化域數據的疊加，這是數據的兩化融合。而在工業互聯網時代，我們還需要納入更多來自產業鏈上下游以及跨界的數據。

工業大數據有哪些特點？我們總結為"多模態、高通量、強關聯"的特性。我們在工業領域總結了約有130多種不同類型的數據，數據模態多樣，結構關系復雜。高通量是指數據持續不斷地產生，采集頻率高，通量大。強關聯是指工業場景下的數據有非常強的機理支撐，不同學科之間的數據是在機理層面的關聯，而不是數據字段上的關聯。

而對工業大數據的分析應用，也不是將深度學習、強化學習的方法放到這里就可以有結果。我們需要獲知研究對象的機理模型與定量領域知識，而這在當前基礎上前進很困難。我們希望找出數據在輸入、輸出之間的統計關系，對機理和模型不確定、不清晰的部分加以補足，這是工業大數據應用的基礎。

智能制造在不斷獲得數據的驅動，從智能制造到工業互聯網平臺，核心都是利用數據和模型，優化制造資源的配置效率。

工業互聯網并不等同于智能制造，區別在于數據的跨界和業務的邊界上是否有所突破。當下，太多人過于重視平臺能力，而真正的工業互聯網講的是生態，資源優化從描述、診斷向預測、決策不斷深入，從單機設備、生產線、產業鏈再到產業生態不斷拓寬。

我們的生態如何來構建業務體系，如何跨界，才是工業互聯網成功與否的關鍵。而決定工業互聯網發展方向的，一定是業務驅動。我們從一開始就反對拎著一把錘子，滿世界找釘子，現在很多大數據、人工智能公司就存在這個問題。

我們需要深入到一個工業領域，造一把可靠的錘子，剛好可以去敲有需求的釘子，業務驅動和問題驅動才是產業發展的本質，而不是技術驅動。將業務、數據理清楚，評估數據，真正實現業務落地，要點就是三個要素的協同——人、場景、算法。