工业软件和工业APP是信息技术和知识的融合，是一种赋能企业数字化转型、赋能工业互联网平台的高端工具，下面看看郭朝晖老师如何看待这个话题。

工业软件与知识融合

从专业技术看，工业软件开发其实也不是特别难。关键是思维方式要融合，还要融合得天衣无缝。

我经常讲一个段子：老婆让程序员出去买五个包子；如果遇到卖西瓜的，就顺便买一个过来。结果，程序员买了一个包子回家。他的理由是：看到卖西瓜的了。如果这是个段子的话，下面的故事是真实的：我的一位软件专业硕士毕业的同学让一位程序员在“386”上加上“111”。结果，程序员给他的数是“386111”。

程序员的思维方式与“正常”的思维确实不太一样。正如司机选择路线的逻辑，和步行者不一样。前些日子，我参与一个讨论：如何把大的软件，拆成小的APP。我说：没有必要把大的拆小，只要把其他功能封闭就可以了。在物理世界里，“拆”是更经济的，但在软件的世界里，“封”往往更经济。最近大数据技术之所以称为热点，是因为计算机的发展，让一些“笨办法”变得更有效了。

我曾经要同事写段程序。写完后，他让我检查。看完后，我要求他重写这段代码。他问我：什么地方错了？ 我回答说：我看不出哪里错了，但我无法证明你是对的。

这个故事则反应了工业软件的特点：对可靠性要求特别高。这种特殊性，让工业软件的思维方式，与普通软件开发又有所不同。

有位同事，写了3000行程序。调式结束后，我让她把三个全局变量改成两个。这样，整个程序都要重写。我对她讲：这样做的目的，是让检查的人方便。因为做检查的时间，比写程序的时间要长。可谓“一天编码、十天检查”。所以，检查的效率高了，整个研发的效率也就高了。有时候，工业软件往往是“一行代码描述功能，十行代码防错”。因为工业软件往往不允许在使用过程中出现严重的BUG。

为了提高可靠的程度，写软件时要考虑到各种意外的场景与异常。正常的场景只有一个，而意外的场景可能有很多。可谓“一种正常场景，十种异常场景”。而现实中，最难防备的就是“预料之外”的问题。这就要求对工业场景特别熟悉

工业人的思维方式，与学术界差别很大：你以为某个技术可以提高产量，但现实中可能不能用：因为它可能影响质量。你以为某个改进可以提高质量，现实中可能也无法用：因为它可能影响安全、稳定。不理解这些“约束”，就写不出合用的软件。

要解决这些问题，本质上都是要解决知识融合的问题。对于不善于交流、不喜欢讨论的中国人来说，知识融合是个很大的挑战。有时候，与其让别人说明白，还不如自己成为这个领域的专家。其实，我的建议是：至少你要成为半个领域专家，才能去开发工业软件。

对工业软件的几点想法

工业软件为什么被卡脖子了？

最近，工业软件被大家关注到了。一个重要的原因就是被人“卡脖子”了。换个角度看，“被卡脖子”说明我们的工业再往高端走了、开始用到这些高大上的东西了。这就像小朋友觉得衣服小了，是因为个子长高了。反之，很多人对工业软件的作用不明白，其实还是没有达到这个阶段。

现在工业软件主要用于研发设计、生产制造。一般来说，研发工作多了、要求提升了，对工业软件的需求会增加；制造的要求高了，工业软件的需求依然会提升。过去我们很少有研发，产品质量也不高，工业软件的价值也就不大。

为什么工业走向高端的时候，工业软件才重要呢？

我设想一个场景：一般情况下，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别高、两者差别特别小的时候，就不一定了。有时候，可能要把螺栓“冻”一下才能装上去。在什么温度下冷冻？冷冻多少时间？要回到这些问题，才能装好。怎么知道这些参数？可以试一下、也可以算一下。如果能算，会比反复尝试好了。当然，如果计算比较麻烦，最好能编个程序——这就是工业软件啊！

为了这么一点小事去编软件，岂不是太麻烦呢？

的确，做一次很麻烦、工作上是得不偿失。但是，如果用的次数多了，就划算了。而且，用的人多了，工业软件就可以商品化了。商人能赚到钱，就会雇佣很多牛人来搞，技术就可以不断发展了。当然，商人赚钱的前提是市场足够大，也就是高端企业多、企业的高级研发做得多。所以，国外工业软件发展快，也就是必然的了：因为技术的市场大。

生产制造环节的情况也差不多。工业企业走向高端的时候，新产品多了、加工精度和效率要求高了、就需要通过软件来加工制造。计算机有很多优点，如运算速度快、计算精度高、出错的比例低、可以持续长时间运行、可以进行复杂问题优化。这些都能让工业软件的价值体现出来。

高端企业对工业软件才有需求，就像皇帝对御厨有需求；低端企业不理解工业软件的用途，就像叫花子对御厨有需求。

最近工业软件快速发展，还有另外一个原因：技术条件发生了变化。这一点，可以用IPO图这种模型来解释。

任何软件，都需要有三个要素：输入（I）、处理过程（P）、输出（O）。处理过程（P）的核心是算法或者模型。但算法或模型的执行的前提是输入（I）要包含足够的信息。而且，计算机的处理能力要足够强大。这两点，可以解释最近工业软件快速发展的根本原因。

过去，大型设备的3D模型占用空间很大。计算机性能低的时候，就会“放不进去”。没有输入（I）充分的数据，算法也就没有用武之地。同样，计算工作复杂时，处理过程（P）耗时可能是无法忍受的。所以，计算机存储和运算能力增强、价格的降低，会让工业软件的应用迅速变得广泛起来。

再如，互联网和传感器的广泛应用，也使得计算机能够获得足够的、能够用来计算的信息。也就是说，输入信息（I）容易变得完备。这时，算法（P）才有了用武之地。另外：机器自动化、智能化的程度高了，算法的计算结果（O）就可以直接驱动机器、管理生产进程。这样，算法的价值才能更好地体现出来。所以，数控机床和高端自动化设备用得多了，工业软件的重要性会提升。

在这样的背景下，模型和算法（P）才变得重要起来。打个比方，算法就像一个厨子，输入的数据则像食材。有了充分的食材，厨子的本事才能发挥出来。否则，就是巧妇难为无米之炊。换句话说，“算法重要”是有前提条件的。

用IPO的逻辑，可以解释不同行业间，工业软件发展的差异。比如，存储能力的增加对离散制造业软件运行效率的影响很大、甚至是关键性的：因为解决了输入信息充分（I）的问题。算法（P)其实是第二位的。但在流程行业，许多问题的瓶颈不在于输入（I）的数据量太大，而是完整、准确、及时以及建模方法上（P）；有些制约条件则是设备的数字化、智能化改造（O的问题)。所以，不同行业，工业软件的发展逻辑是不一样的。

如何看待工业软件的发展方向？

刚才提到，工业软件过去主要用于研发设计和生产制造。未来会有些拓展：首先是从生产制造拓展到管控一体。这是工业互联网发展必然带来的，原因就是输入（I）、输出（O）发生了变化，让工业软件的价值更大、开发更容易。其次是工业软件向采购、销售、服务拓展。这种变化也是互联网带动的。当信息通信技术的基础奠定以后，软件和算法才会成为关键和人们关注的重点。这时，科学实验工作和大数据分析工作，可以与工业软件结合起来。

工业APP往往就是一些工业软件。前些天和朋友聊天：工业APP是不是一定要有平台的支持？

我认为：没有平台，我们也能开发工业APP这样的软件。但是，有了平台以后，输入（I）条件容易满足；APP的输出（O）也容易发挥作用。平台可以支持这些东西。好的平台还能让算法的编写变得容易、易于复用。所以，基于平台，开发APP的工作量可以大大降低、用途和经济性可以显著提升、标准化程度提升，功能体系也容易建立起来。所以，有没有平台，差别还是非常大的。

所以，推进工业软件和工业APP，需要把平台搞好。

工业APP杂谈：为什么要模型计算和软件

在我看来，工业APP是些包含数学运算的小型工业软件。工业中为什么需要数学计算、并且编程软件呢？

问题看似很简单，其实答案并不那么明显。要认识这个问题，必须先认清一个与之相反的现实：在工业企业中，数学模型其实并不常用。

我们经常听人说：“科学原理、数学公式非常有用”。工业生产过程往往对应大量的科学原理和数学公式。但我们反思一下：工程师是不是经常用这些数学公式进行计算？其实，现实中很少用理论公式进行计算。

既然“有用”，现实中为什么“少用”呢？

这其实很正常。我们设想一下：人们每天的生活，都要遵从牛顿定律。动物、甚至我们的祖先都不懂牛顿定律，不也都活得好好的吗？同样，工业人不用计算理论公式，不也照样组织生产啊！

只有需要精确结果的时候，才需要计算。

古人什么时候需要算？买卖东西的时候需要算、不算就可能吃亏；吃饭的时候也要精打细算，否则到了春天就没有吃的了。打仗的时候需要精打细算。《孙子兵法》说：“多算胜、少算不胜”。因为打仗都是“险中求胜”，胜负可能就差一点点。所以，《战争论》也是在强调“算”。

农业社会的时间不值钱、时间观念就不强，很少算时间。现在就不一样了。我每次坐火车、坐飞机，都要把时间算一下。因为在机场、车站多待半个小时，就觉得浪费了时间。

同样，工业人什么时候会认真去算？

工业企业追求精益求精的时候，才会去算。不追求精益求精的企业，就很少会去算。所以，企业只有发展到一定的程度，才会认真去算。

工业中的计算也是有很多麻烦的。

为什么有麻烦呢？有些人认为，是不懂得科学原理。这个说法往往是扯淡的。中国现在每年毕业800多万大学生，而工业中用到的很多科学原理很早就成熟了。怎么会不懂呢？真正的原因是：这些数学模型往往是需要参数的，而这些参数往往给不出来。给不出参数，也就算不准。

所以，往往是因为算不准，才不算的。

参数不准，是不是努力把参数搞准呢？听起来有道理，但这事与具体问题有关。有些计算（如几何尺寸）是能够算得准的，有的则很不容易搞准。所以，数字化模型的推进其实有两种办法：一种叫做“知难而上”、一种叫做“知难而变”。

对于那些能够搞准参数的对象或者过程，可以想办法搞准。这就是“知难而上”。采用这样的思路时，要多用“笨办法”：把该测量的测量、不要怕麻烦；数据分析时，要努力去剔除干扰，而不是搞一些华而不实的复杂算法。

有些参数真的搞不准，就要“知难而变”了。对于这类问题，往往是把实验数据与理论模型结合在一起。这时，理论结果往往是用来做优化的：实验结果觉得人们怎么做、而理论模型决定如何优化。注意：这种优化往往是“小步快跑”、是PDCA，这时用的模型往往是线性的。这时，用的往往是“巧办法”。

我一直主张，工艺和产品设计尽量用数学模型计算。这样的好处是：知识自然地显性化、知识便于传承、便于优化。而在现实中，往往必须接受不太理想的模型——理想的模型找不到，往前走半步也好。这就像我常说的：不要总想着长生不老，能延年益寿就不错了。因为工程师做事，服从现实是第一位的。

有些计算，手工计算太麻烦、太慢，还容易出错。这时，就需要把算法放在程序或者软件里面。而用这些程序或软件，往往意味着企业的经营、管理、技术已经达到了相对较高的程度。否则，往往就是所谓“叫花子对御厨没有需求”。