主要观点总结
本文讨论了关于三无工业互联网平台能否支撑制造业未来的话题，文章指出工业互联网平台面临互操作标准、开发工具、模型积累等问题。作者强调标准、工具、模型的重要性，并指出真正的平台应该为制造业赋能，带来效率提升。文章还通过其他行业的例子说明了市场淘汰和转型的困难。
关键观点总结
关键观点1: 三无的工业互联网平台面临的问题
包括互操作标准、开发工具和模型积累等问题。没有统一的数据规范与标准，数据读写操作和工程量投入将变得不经济。
关键观点2: 作者强调标准、工具、模型的重要性
认为真正的平台应该具备这些要素，才能在未来为制造业赋能，带来转型的效率提升。
关键观点3: 通过其他行业的例子说明市场淘汰和转型的困难
如风力发电、光伏行业等，指出没有核心竞争力的企业将面临淘汰。
正文
如果这么多公司号称有“平台”，那我想知道目前这些平台里的运行时、开发环境、开发工具都是些什么呢？
如果工业互联网平台的企业不说要替代现有的制造业运行架构，我们当然不会关心这个问题，但是，有些工业互联网平台号称要替代现有的架构，我想这个问题就有讨论的必要了，就是你目前的操作系统是否具有实时能力？你的网络—很多对现场总线都不是很了解的人怎么知道数据怎么连接呢？并且很多人对现场总线的了解基本上仍然停留在Modbus和CAN总线的年代—看了很多他们做的演讲稿，谈到底层设备往往就说Modbus和CAN，其实，现在工业网络主体是实时以太网，至于OPC UA over TSN，连自动化圈里目前能讲清楚并投入研发应用的还不多，我特别想知道的就是难道我不懂人家的牛，如果你号称“平台”且想要颠覆现在的架构，我就特别想了解如何颠覆的？好让我们知道人生应该走向何方。
另外一个就是觉得似乎大部分工业互联网平台的人对PLC的了解似乎仍然停留在20年前的“逻辑”控制时代，其实今天工业里的控制器早已不是过去的“可编程逻辑控制器”那么简单了，现在的PLC可以玩什么呢？
-->机器学习
，No Problem，其实，机器学习就是算法问题，那么这个算法是运行在你的工业互联网平台上，还是运行在PLC上，你以为PLC不能运行算法，那可能你对今天的PLC了解太少，PLC完全可以跑个机器学习算法，什么GA、贝叶斯这些都可以玩，因为，基于VxWorks、RTOS架构下的PLC可以支持高级语言编程，在1992年贝加莱推出的黑色系列当年运行的就是PSOS+的定性分时多任务操作系统，那个年代就可以用BASIC编程了，现在，你想C/C++,Python其实都可以。
-->复杂运动控制
：在20年前这个事情也可以做的，控制器的架构之前是采用PLC+专用运动控制模块，在90年代就有这样的架构，而运动控制在本质上是数学问题，CNC是插补算法，而机器人则是齐次变换库，那么这些数学问题运行在一个强大的硬件处理器上和RTOS上同样是可以的。
-->机器人
，机器人通常也是采用嵌入式操作系统+Windows两个，现在的控制器都可以实现这个。
-->回路调节
—回路调节也在于算法。
归根结底一句话，工业控制的本质是数学，无论是哥柯诺莫夫的系统论—奠定了今天人工智能的各种数学模型，维纳的控制论、香农的信息论，其实都是数学问题，工业领域都是数学问题，这个数学问题运行在PLC上、PC上还是云上？这个不重要，用什么来做这件事情是由经济性来决定的。
但是，换个角度，自动化却不断的在采用IT技术来扩展自身，包括以太网的使用、Web技术在控制器中的应用、新的FPGA芯片、MATLAB/Simulink、FMU/FMI都往自动化平台上集成，以扩展自身的能力，因此，好像工业互联网的总想颠覆制造业，但是，工业的人似乎没有想过要颠覆谁。
很多工业互联网平台都觉得“数字孪生”这个词可有意思了，觉得人工智能可有前途了，但是，我觉得可能他们忽视了几个问题：
（1）我们有模型吗？
在一个通过“测绘”或“逆向工程”而发展了很多年基础上的制造业，原始性的设计实际上是非常少的，因为原创性设计需要建模，并且去测试验证，而我们简化了这个最为耗费研发投入的过程，直接测绘了已经被验证的设计，这个的确降低了成本，也缩短了研发周期，但是，这也使得我们没有基础的模型，知其然不知其所以然—知道“What”，却不知道“Why”—这个模型基础弱，就会导致所有的学习算法必须“空转”，无法去验证。
2018年上海有两家公司分别因为侵权而赔付达索1000万，他们不愿意买正版的软件平台来用，认为它太贵，但是，实际上，这些建模仿真软件设计目的都是降低研发风险的，如果你真的按照原创设计，构建物理模型、制作原型、测试、修改的循环，那么真正的研发就极其烧钱，这个时候你发现用建模仿真是可以大幅降低成本的，你一定会觉得买这些正版的软件是非常合算的，我想他们不愿意买的原因是他们仅仅是为了“绘图”的功能—因为供应链需要采用这个软件的图纸。
在一个没有模型基础上，你如何实现数字孪生？
如何进行机器学习？
有些人觉得机器学习可以解决很多问题，还打算用机器学习来代替现有的控制模型-->按照之前柴院士有一次聊到的话题，你在互联网应用场景里的学习很多都是大数据小问题，但是，在工业里是小数据，大问题，并且可解释性成为了障碍—你说这样学习可以，但，能解释吗？它有什么潜在的风险吗？如果说0.1%的不确定，那么对工业而言，也是不可接受的。
很多人号称要通过学习来改变工业现有的模式，你必须明白一点“传统”那些模型实际上是“最经济”的，学习模型的成本是比较高的，而且，机器学习模型主要解决“非线性”部分的，即，观测器对现有的控制模型观测中，无法求导的那部分任务进行学习—因此在单个控制系统已经达到局部最优的情况下，工业里一直在寻找更为复杂的动态下的最优，以前这个是算力不足，但是，现在的芯片、存储、网络技术使得这件事情变得可行—那么IT的贡献在于工具和平台的贡献—就像很多人认为西医目前最大的进步来自于测量工具的水平提高了，而非就在模型方面的贡献，因为工业做这些已经非常久的历史了。
