智能制造是一个特别大的题目，我讲点自己的认识，跟大家分享。按理说，今天要讲制造业，有人会不太理解，说还讲制造业，题目和内容都很LOW。我说讲什么不LOW呢？讲大数据、云计算、区块链就不LOW？我说你理解错了，我们这个社会目前最大的误导就是认为讲制造业是过时的，是落伍的，认为要讲大数据、云计算、区块链、量子计算之类，才跟得上形势，才与时俱进。这是当前社会最大的问题。
美国从来没有放弃制造业
要谈 制造业 是因为当前制造业还是我们国民经济的基础，是我们科学技术的基本载体。一个国家的科技水平和经济实力体现在哪里？唯一的标志就是制造业发不发达。这是我们现在没人说，不想说，不愿意说的。我总结，人类的发展进步就是制造业的发展进步。有人会说我偏激，我说人和动物的区别就是在于人可以制造工具。
现在有一个说法叫做美国是服务经济，是后工业社会，不搞制造业了，而中国制造业很发达。但美国具体是什么情况呢？去年美国服务业的比重是81%，以此证明美国是后工业经济，是不要制造业的经济。但是很多人不知道，美国去年制造业是2.36万亿，占经济总量的11%，服务业是81%。大家不知道81%背后的东西，那么背后是什么呢？在美国服务业的81%里头60%以上都是为制造业服务的，这些年占美国经济总量约48%、49%、50%。什么意思？就是说美国经济全部总量里有一半是为制造业服务的。加上制造业本身就超过了60%。换句话说，美国制造业占美国经济总量超过60%。
所以说，美国其实是一个制造业大国。美国从来也没有放弃制造业，直到今天。前天特朗普还说，美国要成为世界制造业的超级大国。中心意思是讲要摆脱中国的依赖。总之，如果我们中国对这个认识不清楚，天天忽悠新概念，我估计中国要为此付出沉重的代价。
工业化发展历程
第一，昨天。人类历史就是科学技术不断为制造业赋能的历史，我们不断发明新的科学技术，不断应用在制造业上，促进制造业的发展进步。今天“智能制造”这个词是1988年美国怀特教授出的一本叫《智能制造》的书里首次提出来的，到现在也就32年，时间很短。实际上说起智能制造，往前追溯，第一次工业革命开始于1776年瓦特发明蒸汽机，那个时候制造业有了比较快的进步。为什么说工业革命的开始是瓦特发明蒸汽机呢？因为动力的进步，人力可以解放出来，是机械化时代，那个时候开始我们就已经进入了制造业的现代化进程。
之后，经历了第二次工业革命。第二次工业革命是以1821年法拉第发明电动机为标志，人类进入了电气化时代，电气化时代又上了一个台阶。进入第三次工业革命，是1946年发明电子计算机开始。第三次工业革命这个时代还在持续，至于持续多长时间，还不知道。
第三次工业革命过程中，大数据、云计算、人工智能等新技术的出现，又被认为是智能化时代。在过去200多年当中，第一次工业革命以来，发达国家从来没有放弃过制造业，而且始终处在制造业的领先地位。近年来，推进制造业的能力水平及各方面，发达国家从国家层面提出了很多的战略，也提出了很多的支持措施，包括资金支持。他们的企业，特别是大企业在推进制造业智能化方面有很多的战略举措。
从国内来看，我们国家改革开放40年来，紧跟发达国家步伐，向他们学习，在抓住全球产业大势特别是新一代信息技术和传统的制造技术有机融合方面还是取得了非常大的进步，取得了很多成就，这些成就就不一一列举。为什么有这个成就？一个原因是我们积极向别人学习借鉴，另一个是我们自己不断努力的结果。
短时间完成的工业化，我们丢失了什么？
第二，今天。尽管过去三十年我们在制造业取得了很大成就，发展成为世界第一大制造体系（总规模），但制造业存在的问题也是很多，距离发达国家差距还非常巨大。尽管块头不小，但从技术、工艺、材料、水平能力各个方面，尤其是高端（制造业）这部分差距还是非常巨大的。当然，（我国）真正走工业化的时间还比较短，实际上也就这四十年。
换句话说，现在我们取得的成就实际上是我们用三四十年的时间走完了西方发达国家近三百年的工业化道路。走过了第一次工业革命一百年，走过了第二次工业革命的一百年，又走过了第三次工业前三四十年，这么短的时间内我们急速地追赶，势必缺失了很多东西，少了很多环节。
归纳起来有三个方面比较突出：
第一，产业基础十分薄弱。现在产业基础包括研究的基础、产业化的基础、应用的基础等等与发达国家的差距还很大。其中最为突出的就是基础研究，基础研究对后面的应用至关重要。因为前面工业化时间很短这个客观现实，（导致）很多基础研究没有跟上，包括大学研究机构，还有大企业的基础研究都很差。
一百多年前美国有一个物理学家叫做亨利·罗兰，做过一次演讲，他说为了应用科学，科学本身必须成功，假如我们停止科学的进步而只留意科学的应用，很快就会退化成中国人那样。多少代人以来他们都没有什么进步，因为他只满足科学应用，却从来没有追问过他们所做事情的原理，这些原理就构成了科学。到了一百多年之后的今天，我们改得怎么样了？我回答不了这个问题。但是我们看到的现实是我们重大的基础理论，重大的原创核心技术几乎是空白的。到今天4G的关键基础材料、先进基础工艺、核心基础零部件等都严重依赖于国外。
目前我国高端的 芯片 ， 工业机器人 等等这些硬件几乎不能生产，我们原创的操作系统等这些关键软件也要依靠进口。比如说驱动电机，生产驱动电机一个小部件国内生产规模很大，全世界无人可比，但制造这个电机所需的高速精密轴承，耐电的材料，高精度的位置和温度的传感器，里面的电子开关IGBT等等这些东西，我们没有一件能生产。由于基础研究差，导致了底层的硬件、底层的软件都要依赖别人，这是我们和发达国家，和美国最根本的、最大的差距。
第二个短板是产业生态上不去。（我国）制造业的整个产业链不完整，这个问题非常突出，有的环节是空白的。而且我们为智能制造服务的这些关键基础设施还差得很远，比如说这两天讨论的工业互联网、5G，包括数据资源的体系、人才资源体系几乎没有什么是健全的。
第三，产业环境亟待提升。我归纳有三个偏差，第一个是认知偏差，是不重视制造过程、制造经验的结果。这个积累非常重要，就是好大喜功，没有认识到工业1.0、2.0、3.0到4.0要一步一步走。为什么？因为工业化的进程可以缩短，不可以省略。省略了任何一个环节将来都要付出沉痛的代价，而且早晚要补上。第二是引导偏差，很多引导策略不系统、不完整、碎片化，没有办法执行，针对性和可操作性都很差，重点也不突出。这种情况下，没有办法形成共识、形成合力。第三个偏差就是执行偏差，在推进制造业智能化或者推进智能制造过程中，没有看见主导力量，各自为政，一片散沙，而且资本、人力、物力的投入都浪费掉了。这就是我们今天面临的形势，（形势）就是这么严峻。
美国的经济起飞的引擎是什么？
第三，明天。明天面临什么？实际上很清楚，今天面临什么短板、瓶颈，那就是我们明天要努力的方向。这样说的话，第一是要夯实基础，当然有高校问题、研究机构问题、企业问题，这些基础都要夯实，没有这个想飞基本是不可能的。意思是，必须全社会得有这个意识。
大学在基础研究中承担至关重要的角色，美国的经济起飞有两个引擎，一个是美国西部的旧金山湾区，一个在美国的东部波士顿。为什么会出现这两个特别活跃，创新成果层出不穷（的地方）？因为西部有加州大学、斯坦福大学这些著名大学。东部地区有哈佛大学、麻省理工学院等。这些大学有雄厚的研究力量，有长期的积累，有源源不断的学生进来和出来，就是提供了源源不断的一代又一代的精英人才。美国这两个地方围绕着大学形成相当成熟的产业，大学里头的发明创造提供给产业化一系列制造业（技术支撑），还有为制造业系统提供金融支持。
同时，这一套发达国家的制造业体系和发达的金融业体系就确保了美国从大学的基础研究出来的成果能够小试、中试、产业化，然后放大，最后就是很大的产业。工厂可以不放在美国，可以放在中国、欧洲。但是，它的原创成果在他的大学里，这些教授、实验室主任领着老师学生围绕着某一个细分领域，一个小领域持续研究。而且从前几代的实验室主任接过来这个接力棒。
曾经有一个中国小孩在那工作，我就问他，你是干什么的？他说就做研究，来了半年。我说我想知道你这半年的学习、生活状态是什么样的？他说我的半年全部在实验室，早上起床吃点东西就到实验室，晚上十一二点回去（宿舍）。他说也不是老师要求他这样子，从实验室主任到一帮的年轻老师，再到学生都是这样的状态，而且全是自愿的，每天的状态都非常激昂，觉得有意义。我说这就是美国强大的唯一原因，谁能做到一点谁就是最大、最强的。
第二，健全生态。一个是健全智能制造产业链，把短板补上。一个是推进智能制造的基础设施建设，包括工业互联网、5G。一个是人才体系的建设，没有人什么都干不成。
第三，完善环境。第一，提升认知水平。第二，加强引导，要破除引导策略的碎片化。我曾经牵头制定了一个《增强制造业核心技术三年行动计划》，每三年一次，为什么要制定这个？就是想集中少数重点领域，把各种资源、资金、人才都集中到这个领域，使这个领域尽快有所突破。现在已经执行到第二轮，支持了一大批项目，效果非常好。第三，推动实施。我们讲智能制造核心还是制造，你不能想你的制造不行，上面加计算机，加个软件就行了。不是这样的，制造业需要积累，需要摸索，它有很多隐性知识，不是三天两天就学得来的。如果不熟悉制造过程、制造程序、制造工艺、制造经验，后边再多的数据都没有用，你根本不知道数据背后是什么。
从这个意义上讲，智能制造的推进可能需要一个制造业巨头来引领、来主导，没有的话，这个事情就很难做。制造巨头才了解制造业，才明白制造工艺、制造的程序和掌握制造的核心技术，不掌握这个，你想引领也引领不了。国际上最典型就是GE，上百年的制造经验，它对制造工艺、制造领域的理解比任何其他企业都深刻。同时又有巨大的实力来提升信息技术水平，掌握了大量信息技术的关键，这样，两方结合才可能引领智能制造的发展。制造业大企业要承担起历史的责任。
