中国的两化融合，IT技术搞得很快，引进的也很多。然而困境也很多，其中之一就是人低估了IT技术与工业化技术的分离度。毫无疑问，信息化和工业化的投入有个匹配的关系。在许多领域，信息化的投入已经力度很大，比如国内许多院所和企业，几乎拥有了所有的先进软件和IT系统，但跟国外的设计与制造能力相比，仍然有很大差距。

实际上，这就像写文章，原来是用纸和笔写，用word在计算机里写。手段虽然已经是信息化了，但word和计算机是不能保证能写出好文章的。因为写出好文章的关键还是在人的大脑里存储的知识、经验、方法。道理相通。要实现两化融合，就要实现工业技术的可描述性和显性化表达。我国的工业化受到的重视远远不够，尤其是工业技术体系，这方面比较匮乏。而如果无法将工业技术表现为可以数字化的知识，那么IT技术就很难渗透进去。

工业技术体系不成熟，成为设计与制造最大的拦路虎之一。许多企业在搞设计研发，大量是靠直觉，没有可靠的知识传递，也没有知识积累。实际上，知识自动化，是工业化和信息化深度融合的必经之路。工程科技人员普遍存在“80%劳动，20%创造”的现象：一个设计开发工程师，往往大量时间花费在重复、搜找等工作上，80%的时间用于重复劳动，只有20%的创新时间。可怕的浪费，耽误不起的时间，和脆弱的工业技术体系积累。

而知识自动化正是致力于将人从重复劳动中的沼泽地解放出来。

知识自动化通过把各种工业技术体系模型化，然后将模型移植到智能设计与制造平台上，并通过平台，来驱动各种软件，包括设计、仿真、计算、试验、制造系统等，从而可以由机器完成原先需要人去完成的大部分工作，而由人完成高级的创造性、决策性工作。例如可重用设计的问题。许多工程师设计一个产品时，往往从头开始，而实际上如果能够运用成组技术，将产品大量模块化。那么工程师设计一个新产品的时候，效率会被大幅度提高。

只有这样，才能让工程师得以用更多的时间来进行创新。

然而，这并不是全新的命题。知识自动化尽管在概念上似乎显得新颖，但在应用上，却已经是实践多年，备受主要工业国家的关注并得到了较快发展。知识自动化通过将工程知识体系转换为“工程智能”，并驱动工业软件和工业基础设施，实现了人和机器的重新分工，有助于把知识技术人员从重复性劳动中解放出来。同时，知识自动化通过对企业历史数据资产的深度挖掘，利用机器学习技术，把工程技术人员的经验和知识（know-how知识）进行显性化和模型化表达，实现工程技术知识的持续积累和不断继承，帮助企业实现可持续内生性发展。

波音、空客在工业技术体系构建方面优势明显。1994年，波音公司发起了数字化制造改革（DCAC/MRM），把飞机的数十万个零部件全部数字化，同时采用模块化而非零部件级的层级控制，形成了完全可控的数字化产品体系，并将大量的工业技术体系数字化，融合到企业工业软件中，把信息化软件的作用发挥到了极致。这项改革使得波音成为了制造业数字化的先驱，也直接奠定了波音在飞机制造领域的领先地位。随着工业技术的数字化改造的完成，波音的知识自动化进程大大加速。

在波音梦幻飞机787的整个研制过程使用了8000多款软件，这其中只有1000多款是商业软件，包括常用的CAD、CAE等——我们企业所能见到的软件，大都是这一类。真正使波音与众不同的是，还有7000多款是属于波音公司自己的、非商业化的软件。这正是波音几十年积累下来的核心能力。包括飞机设计、优化以及工艺等的关键知识经验，都在这7000多款软件里。飞机设计与制造的知识自动化，这才是波音的核心竞争力。这些是外界同行通过交流、学习、考察无法看到和学到的。

空客也类似，工程师每完成一个成果还要同时提交一份方法报告，说明这个成果是怎么做的，之后这个报告会提交到COC部门（能力中心）去做归纳总结整理。如此一来，每个人做的工作都是在前人的基础之上，协同完成整体工作。遇有个别人的离开也不会影响整体工程，因为其他人知道他那部分是怎么做的。

这正是知识自动化的力量。

知识自动化解决的人与机器的分工问题，或者说是人与数据、人与知识的连接问题。最主要包括四个方面：基础数据的连接和异构处理；既有知识库的管理（手册、资料等）；专家经验的描述和数据与知识的模型化。

专家经验的显性化，是最为核心的人力资产的体现。专家经验的描述和显性表达，属于认知计算的重要部分，它包括词表、语料库、深度标引、语义计算等技术。图2为知识自动化的转化要素。

而基础数据的连接，则是最为基础的连接要素。 图3为知识自动化的核心要素。

Levy发现1970年有50%的雇员工作在蓝领和职员这两个大的分类，到了2000年，这个数字下降到40%。这个比例的下降，部分原因来自这里面的一些工作被计算机化了。

这个变化，缓慢而坚定。

而对“知识性工作的自动化”的描述中，Levy进行了更加仔细的回答。在《劳动力新分工》一书中，作者小心地区分了类似计算这类规则的工作，和类似模式识别和沟通计算的工作。

模式识别和复杂沟通都代表了数字劳动力几乎不能跨越的巅峰。这在当时，由于人工智能发展的顿挫，被令人信服地广泛接受。

然后仅仅不到7年，2011年苹果iPhone 4发布了独具特色的Siri（语音助理服务），可以直接跟人的语音进行交互，代表了机器复杂沟通的新高度；

紧接着谷歌的无人驾驶汽车，作为复杂模式识别的代表性机器，已经可以在大街上自主行驶。

两大堡垒，相继被攻克。所有对技术的保守估计，都会被证明是自砸英明的预测。实际上，知识自动化，如果不是说向人类的大脑提出挑战，至少看是紧锣密鼓地为人类从重复性劳动中解放出来——不管是律师，银行职员，还是码农。这种解放，是意味深长地双刃剑。它当然指向了更大创新，也必将造成更大的职业再教育和社会就业问题。图4为分布两端的数字化劳动力和人类。

此时再看一下美国GE公司提出的工业互联网的Mind+ Machine，二者连接靠什么？ 最重要的一点，就是专家的know-how的模型化。实际上，GE非常强调专家知识，也是它一再强调，工业互联网中的 Advanced Analysis 跟传统的统计分析，根本不同的地方，就是可执行的知识。从知识自动化的角度，再去理解GE何以想成为一家软件公司，事情就简单多了。如果说机械自动化、电气自动化解放的人的双手，那么知识自动化正在解放人的大脑。知识自动化何以在短时间爆发出如此大的能量，我们尚无法回答。然而它就像《指环王》中的索罗一样，一直在你看不见的地方积蓄自己的力量，这一点却是毫无疑问。它需要的是一个时间点，那一刻，所有的明亮是梦幻性地绽放。此后，唯有跟随。