终于看到了一些理性的声音，昨晚与赵敏老师谈及这些话题，有些感慨，觉得有必要一叙，只是觉得需要“谨慎”—有时候，“情绪”似乎更具传播力，今天看到上海大学李明教授的《到底是哪个脖子被卡了，脚脖子还是颈脖子？》，10月8号一位孙锡良先生的深度思考文章也同样说到了这个问题，昨晚和Richard谈到了我们是否太普通了—保持底线，不太进行攻击性的话题，避免惹来争议，不过，想想，很多时候，大家明明都心里有数，却顾及各种思虑谨慎起来了，反倒让一些错误的观点流行。

为什么有些人大谈卡脖子？

按照卡脖子理论，我们被人家卡脖子的地方可真是太多了，技术限制、卖高价赚取暴利，总归是有人要害朕的语调流行起来了，然后就齐声上书要国家加大投资—可是，难道国家一直没有加大投资吗？我们不能用造成问题的思维模式来解决问题，其实，公平的商业环境比政府的资金更为重要，包括马云、柳传志这样的大佬都明白，企业不需要所谓的资金支持，如果你能够更好的知识产权保护、更为公平的参与项目竞争，大家都愿意投资，保护自身的利益。其实，卡脖子这个词，对很多组织来说大肆渲染的目的不言而喻。

情绪才具有传播力，而“事实”就并非如此了，因为事实比“卡脖子”更残酷，更让人难以面对，也更难以解决，卡脖子本身就是一种情绪，其实，卡脖子这个事情有吗？我觉得你可以基于事实来定义，例如有明确的政府法令、通告不卖给我们的，这是有证据可循的，你可以理解为卡脖子，因为，它是有证据的—就像川大总统这典型的2B青年那一套，不过，先忍着吧—最大的好处就是让我们认识到问题的严重性，也不是坏事，但是，除此之外，很多我看谈到的卡脖子，没有这样的背景，纯粹是因为我们自身不重视、不愿意投入其中。

其实，什么半导体、工业软件卡脖子—记得有一次，有人问我们如何补短板，我问了一下“我们长板是什么？”—短板总是要相对于长板来说的吧？如果卡脖子这个词合适的话—那我们可能被卡脖子的地方就太多了，可不是那么简单。

为什么会有卡脖子？

卡脖子的技术通常的特点就是“收费站”模式，或者越往产业链的上游，越是容易被卡住，这很正常，因为越是基础的，需要长久的投资支撑，需要更多的时间积累，才能有技术的壁垒，记得以前导师跟我们讲课说“企业都是试图寻求垄断的”—通过不断的筑高技术壁垒，形成高额利润，这本来就是一种商业模式，你想赚快钱，你的盈利模式就是低利润，高周转速度，也是一样赚钱的。

谁不想多赚钱？做企业就是要赚钱，国有企业有自己的使命，但是，也要国有资产增值啊！再说你看看银行的利润率、烟草的利润率，怎么就不是暴利了？看来暴利只是立场问题，是立场咱就谈立场，我们要发展自己的产业，这个立场没有错，但是，一码归一码，不能因此就觉得赚取利润是罪恶的—什么是暴利？其实，很多时候，仔细看看那些所谓的暴利—上市公司的报表不能造假，你就知道根本没有什么暴利，就算赚到钱，拿销售额不是利润10%投入研发，那是能算到暴利里去吗？没有人家研发，怎么玩逆向呢？

我们赚快钱习惯了，不愿意赚长期投入的高利润，就喜欢1%一年周转10次，也不错啊！这种赚钱模式有它的优点，就是快，缺点就是没啥技术积累，你喜欢你可以继续，现在发现没技术积累，自己不行，怪人家卡脖子。

生死看淡不服就干就是很好的观点

其实，我的观点是“不服就干”—卡脖子在我看来总是有点娘娘腔，打架打不过，回家找爹娘哭的感觉。立了志气，我要投入几年，不赚钱，也要搞定这些技术，我信你。大概因为我们陕西那地方民风关系，从小你若是被欺负了哭着回家，我们那里的民风就是说你“没有血性”—没有人会同情你，而是怪你不懂“直接反击”。

我经常看到一些文章说在20年前，一些高科技产品卖的死贵，赚取暴利，然后因为中国人的参与，国外就赚不到钱了，我虽然入行晚，但听前辈说30年前，PLC的一个I/O点也卖到1000块钱，现在也就几十块钱，机器人行业价格也比之前下降了很多，但是，很多高科技行业并非是由于国内企业的竞争才下降的成本，而是行业内的技术进步、大规模商业化、全球竞争、关税等多方面的因素造成的，因为，在很多领域，我们并没有机会参与那些高端竞争游戏。

有时候需要点常识，你拿20年前说事，那20年前的芯片确实成本很高，就是因为芯片大规模使用才降低成本的—非要拿今天和20年前来说事，这不合逻辑，技术都是有一个被采用的过程，然后不断下降的成本，这玩意都属于Common Sense，但是，我发现好好说话有点难，立场和情绪总是裹挟着我们，佛陀说的“执念”，不仅在个人，也在集体，集体中心主义，就拿今年来说，美国人、欧洲人的集体中心主义一样泛滥，也就那个样子，不过，立场是立场，但是，我们对事物的谈论首先建立在客观事实基础上，而不是纯然的立场，先清除底线是什么？客观的事实是什么，我觉得强势点对老外也没什么问题，但是，不能没有事实的情绪化。

记得8月和G先生聊到了华为的研发投入巨大，他说了“真正的研发就是这么烧钱”—其实，这才是问题的关键，我们所谓的“低价格”的前提是“逆向工程”带来的，在产品、技术研发中，真正的烧钱都是在“测试验证”这个环节，这个环节因为我们没有烧钱—因此，我们就便宜，这占得是什么便宜自己难道不清楚吗？

为什么没有核心技术？为什么造成今天被“卡脖子”—归根结底，就是我们在基础的材料、工艺的研发，大量需要投入的测试验证环节没有积累啊！我们只是仿制了别人“已经验证过”的技术，很多人不明白这个道理，就大谈别人赚取暴利，如果你真的是自主研发，正向设计出来的，非常明确的说，就是像华为那么“烧钱”—巨大的研发投入，巨大的人才聚集，如果一个人号称掌握了核心科技，但是，却没有烧钱，我只能比较武断的说“大概率没有什么真正的技术含量”，不劳而获—对于核心技术的掌握而言，同样是不可行的。

风动测试-这玩意老烧钱了

其实很多人说那些数字设计软件好贵，如果你真的搞个自主研发--前提是真正的啊！你就会觉得，其实，那些软件根本就不是钱--真的，相对于你花在物理测试验证上的成本来说。

冷静一点吧，数字孪生与人工智能

H小姐在微信里曾经问我，难道这些先进的技术都是为这些领先的企业服务的吗？而中小企业很多自动化水平还很低，的确如此，AI、数字孪生似乎很火热，记得节前和我司C博士聊到AI，她说“人们对AI抱有大的期望是因为很无奈—AI是一种无奈的选择”，因为很多AI的场景都是在缺乏数据感测能力、不是有明确的机理、非线性下的场景，因为如果这些地方可以安装传感器直接测量数据、能够有机理模型，肯定是机理模型成本最低了呀！干嘛花那么大的功夫考虑AI应用呢？

AI的确能够解决一些问题，可是，我们现在很多所需的问题根本不是AI就能解决的，或者说，我们的很多问题如质量一致性问题、成本问题，都是通过精益、运营管理水平的提高才能解决的，就像我们要解决怎么更好的用机器学习来实现晶圆缺陷检测，但是，你总得把晶圆生产的问题解决了吧？

当用自动化就可以低成本的解决质量99%的时候，我们要提高到99.5%这0.5%投入巨大的AI有意义吗？这是要思考的问题，在很多地方自然有意义，因为0.5%的良品率都可以带来很大的利润和市场竞争的胜出，比如你得让测量精度达到、让晶圆送到这个检测台的定位精度得先达到吧？

人工智能解决的问题通常都是具有“非规则性”的问题，我们现在是把“规则性”、“机理性”还没有解决的阶段，那么AI并不会让你的产品质量更高、交付能力更强、也不会让成本更低。

数字孪生和AI所需的基础在建模

再来聊聊数字孪生，反正现在热火朝天的，但是，数字孪生有个很重要的根基就是“建模”，最近对“智能”有了些略微的看法，也不知道是否准确，但是，如果我们把智能的目的理解为“让机器帮人或者与人一起工作”，那么，机器就得按照人的思维方式来进行设计，而人的思维简单说有两个主要的方式，演绎和归纳，如果我们把能够由物理、化学公式推导出一个结果的过程称为“演绎”，或者称为“机理建模”，那么通过对大量进行偏于“感性”、“模糊”的进行“归纳”，类似于“数据驱动建模”，那么智能其实，主要就是这两种建模方式。

数字孪生的好处，得益于现在到处的论坛讲解，似乎大家都明白了，可以进行优化，决策，数字孪生首先实际上要结合两种建模方式，将机理建模与数据建模各自发挥出来，机理有机理的优势和劣势，数据有数据的优势和劣势，这要根据场景结合来实现。

数字孪生，让我们更好的做自己

很多人都在谈数字孪生，但是，只有很少的人会设计明确的质量、成本优化目标，很多人谈人工智能，却鲜有人问“如何规划我们团队能力、知识体系以及整体架构”，这是最近在一家企业让我们看到比较欣喜的一点，显然，这样的企业才是认真的，理性的，高效的思考的团队。

谈起建模，就会谈到“正向设计”，即，从基本的物理、化学原理出发，以数学为桥梁，将物理与数字世界连接，那么，一切的建模都是基于不同数学的应用，或者新的数学理论来解决问题。

建模在制造业就是要针对不同的材料、流程，从机械的摩擦力、弹性塑性变形、传动、电子电气、测量、工艺如裁切、卷绕、复合、切削、流体热成型、化学反应（置换、分解、复分解、裂解）等复杂环境下形成一个“不变应万变”的模型，反复验证传动链、控制循环、工艺参数，然后以软件的形式封装为可复用的“技术”，是一个知识的积累和传承过程。

上图仅个人浅见

而我们缺乏核心技术，正是对于“建模”、“正向设计”的欠缺，而工业软件本身实际上是知识的传承问题，工业软件只是一个结果，它并不是“因”，我们忽视知识的积累和传承，而把工业软件的发展建立在“软件”而非“模型”、“仿真”、“知识”的过程。

人工智能的符号主义学派其实是采用数学的方式将人的思维方式（Mind）进行数理推导，但是，这要基于先验知识，形成“专家系统”，但是，它需要非常强的知识工程和领域专家，而连接主义学派则是基于人的大脑神经递质传递过程（Brain）进行仿生的数理逻辑电路设计形成推理过程，而另一个被AI界讨论经常忽视的是维纳的控制论发源的行为主义，通过感知，负反馈来调整策略，即Action，通过行为来观察反馈进行控制，其实，也是人工智能的一个学派，只是这种自下而上的与高大上的自上而下的符号和连接主义有所不同，不大被认可，因为，自上而下才被认为是“思考”，毕竟是模拟Mind和Brain的。

不要把自动化不当智能啊！

关于工业的AI与商业AI的各自场景与优势劣势以后再谈，但是，工业不是不能发展AI，但是，必须理解清楚“建模”的方式，通过演绎的机理可以形成智能，通过数据的归纳也可以形成智能，商业的AI不要被夸大到工业，工业必须有自己的发展之路。

谈这些只是想说，我们必须回到“建模”这件事情，正向设计，才能真正打捞基础，真正扎实的行程自己的工艺、技术，才能有工业软件这个结果，工业软件的企业通常是并非单纯的软件企业，都是有深厚的工业基础，或者从制造业里延伸出来的企业，历史渊源往往很深，只是看到人家的结果，但是，追根溯源，你会发现，工业软件基本上不会是像图形处理Adobe、MS那样的纯软件型企业出身。

确实是“浅见”，而且也写的散了，后面谈到建模仿真和数字孪生这些是另一篇稿子的想法，先给列这里了，主要是想表达--卡脖子，还是要回到基础研究，建模这个环节，即使，今天这么热门的数字孪生、人工智能，也是必须回到基础数据科学这个基础研究上去的，包括机电建模仿真技术也是数字孪生等的基础，另外“更新”的压力使然，因为也是想到哪里写到哪里，忘留言批评指正--定认真思考，预先感谢，特别感谢赵敏老师聊天的内容给的启发来写这篇。