当前，以场景为驱动的工业数字化发展理念正逐步被业界所接受，并形成“场景为王”的基础性共识。然而，在工业领域数字化场景构建的过程中，不同角色对于“场景”的理解以及界定有很大的差异，工业数字化场景的建设和推广迫切需要一套体系化方法论的指导。笔者尝试应用“象、数、理”三个维度的分析视角，从场景的适用范围出发，应用“小场景”和“大场景”层次化分析定义其“象”，从工业数据流动的微循环、小循环和大循环等现象研究“数”的多层循环，并以“理”为指导推动工业知识的内化与场景迭代升级。

工业数字化的概念可大可小，宏观上来讲是个系统工程，微观上来讲是若干相互关联的场景化单元，这就类似在发明问题解决理论（TRIZ）中关于子系统、系统和超系统的论述，层层嵌套，相互勾连。而当下业界推进智能化生产、网络化协同、个性化定制、服务化延伸等工业数字化新模式应用的过程中，往往把宏观、中观、围观的研究对象和内容混为一谈，缺少一致性的理解和目标。因此，在工业数字化应用推进过程中，同样也需要应用系统性思维去进行多层次、多类别场景体系的构建，以表征其“象”。

所谓多层次，即依据不同的适用范围以及具体需求开展不同层级的场景搭建，如设备级、产线级、车间级的小场景，以及工厂级、企业级乃至产业链级的大场景。早在2013年德国发布的工业4.0体系中就提出了智能制造的“纵向集成”理念，即将企业的管理系统、运营系统、制造系统、基础设施等多层次进行垂直一体化整合。

所谓多类别，即不同类型企业、不同应用环节的需求千差万别，需要并行或串行很多类别的场景化模块，这也是进行工业数字化系统搭建的基本规律之一。不同模块所应对的工业需求以及采取的技术路线会千差万别，如产线级的基于机器手臂的自动化上下料、基于计算机视觉的质量检测等，其解决的问题与应用的技术均有很大差异。

场景搭建是构建工业数字化的躯壳，而赋予其灵魂则需要工业数据的闭环贯通。中医讲“通则不痛，痛则不通”，工业数字化智能体的有机运转，同样需要构建支撑数据高效流通的毛细血管与神经末梢、主干动脉与神经网络等，实现场景中“数”的科学循环流动。

由于工业数字化场景“象”层面的层次化与模块化，因此在其背后“数”层面的流转则也存在多重循环的现象，即对应颗粒化场景、小场景及大场景的数据微循环、小循环和大循环等。每一个数据循环都可以简化为输入（感知）、计算（处理）、输出（执行、反馈）等通用化模型，数据循环在场景中层层嵌套之后，通过多层级群体智能决策以及线性和非线性叠加等，实现设备、产线、车间或工厂等不同层级的并行或串行任务处理。就单纯计算来讲，数据也需要开展末端计算、边缘计算及云端计算等多层次数据计算体系的布局。

此外，在工业应用场景的数据循环中，“人”是不可缺少的一个角色存在，其发挥着多样化的作用。人可以作为数据输入的入口，如工作人员给机器设备或生产系统下发指令；可以作为数据计算的主体，如依靠目视和巡检，判断生产状况和设备运行状态；也可以作为输出和执行的主体，如依据工艺卡片进行汽车轮胎装备操作或开展误差修正等。然而，也正是由于人为因素的存在，造成了数据传输流转在正确率和效率上存在显著问题与瓶颈。

过去的一个多世纪，自动化设备、工具类软件、管理类信息系统等取代了大多数一线人员在体力和脑力上的简单重复劳动，但在一些不确定性因素较强、柔性要求高的复杂场景下，人的经验和随机应变的能力还是无法直接被机器所取代，当前工业数字化的推进工作也进入了深水区。现阶段，工业数字化的重要难点在于复杂工业知识在数字化场景中的内化沉淀，以及工业智能体高度自适应能力的演化提升。

工业知识的内化，一方面可以基于现有人的知识体系进行数字化，构建专家库或者知识库，封装成标准化算法或机理模型；另一方面，则需要期待工业领域Alpha Go的出现，基于机器自主学习、迁移学习等，主动挖掘和探索超出常规认知范畴的新型工业知识，构建起积累工业制造基本规律的数字化知识内核引擎。

以不变应万变在工业数字化领域目前还不现实，工业制造的数字化场景建设，会受到内部与外部、直接与间接等多方面动态因素的影响，如工业知识的更新、产品类型的升级、工艺流程的调整、订单需求的增加等直接因素，以及人工智能、大数据、物联网等新一代信息技术软硬件升级相关间接因素，因此不同层级、不同类别、不同模块的工业数字化场景都需要在变化中持续进行版本迭代和功能点更新，以不断提升对于实际需求的动态适应能力。但场景的迭代升级是在对过往知识和经验集成的基础上进行的增量式创新，以保证其具有演化提升的延续性，当然也不排除破坏式的全新场景的跨越式发展。

总之，工业数字化是一场“持久战”，需要探讨成熟可靠的方法论与持续性的长期投入。本文所初步阐述的工业数字化场景的“象、数、理”三个方面可以结合工业企业实际开展进一步的系统性思考，重塑以场景为驱动的数字化转型战略思维，支撑企业协同推进大小场景集群的建设；打通企业内外数据循环流通的经络，多重循环以促进数据的充分挖掘和利用；持续深化落实工业知识的内化工作，并以工业数字化场景为核心，在外部环境因素的影响下持续开展迭代升级。

（本文作者郑茂宽为上海人工智能研究院有限公司数字经济研究中心主任）