3.1 区块链与工业物联网

3.1.1 制造业的痛点

制造业目前最大的问题是企业的低利润率不利于国家整体竞争力的提高。除依靠科技进步和品牌建设外，还可以通过降低成本、提高生产效率来提高利润率。总的来说，制造业的痛点主要有以下两个。

（1）设备的停机时间长。设备停机就意味着生产停止，工人无事可做，产品供应暂停，与产品相关的整个链条上的人员和设备都处于等待状态，损失了大量人力资源和设备资源。

（2）产能利用率低。中国制造业目前面临的比较严重的问题就是所谓的“产能过剩”，但很多时候这种“产能过剩”是相对过剩，也就是产需双方无法精准匹配。对产能有需求的企业找不到合适的加工企业；产能有余的加工企业没有合适的生产任务，设备的利用率低。

解决这两个问题最有效的途径就是“智能化设备+工业物联网”，实施智能制造。给各种制造设备增加智能感知单元，如各种传感器、智能终端等，可以收集制造流程数据，提高生产效率；工业物联网可以实现跨企业的生产单元的集成，灵活利用产能。

例如，出租车业务在传统的“街头扬招”模式下，车辆和乘客的需求不匹配，经常出现出租车满大街跑找不到乘客，乘客在寒风中等待却没有出租车通过的情况。在“网络打车”这种出行平台上，乘客可以提前将用车需求通过网络发布，驾驶员在平台上接单，行车路线通过地图导航完全规划好，全程透明、安全。

这样的模式同样可以应用于“共享产能平台”。例如，某商家在2天内需要10万双袜子，可以将袜子的规格放到共享产能平台上，平台上的厂家就可以接单，单个厂家产能不够时，还可以联合多个厂家组成“临时合作联盟”来接单。这样就优化了供需匹配，提高了闲置产能的利用率。这就是典型的智能制造模式。

智能制造的重点任务就是实现制造企业内部系统的纵向集成，以及不同制造企业的横向集成。纵向集成相对容易一些，毕竟是在企业内部；问题往往出在横向集成方面，目前产业链上下游企业的信息共享程度还比较低，主要原因有以下几点。

（1）实时数据获取困难。做智能制造决策需要的数据是海量的，这些数据可能来自企业内部，可能来自供应链上的相关交易，也可能是行业数据、市场数据等。数据的时间跨度很广，除实时数据外，还需要大量的技术数据沉淀，用于人工智能模型训练、自主决策支持等。就拿前面的案例来说，当出现10万双袜子的需求时，厂家需要第一时间对当前的产能、存货、原料情况进行分析，确定自己到底有没有足够的能力去接单。商品制造的复杂程度远超打车这种简单需求，需要能快速获取自己内部制造单元的实时数据。但是，目前大多数制造企业的信息化还处于比较原始的状态，这种状态的改变需要传感器技术和5G的普及。

（2）外部数据采集困难。企业自有数据的采集相对容易，企业外部数据采集始终存在技术上和信任上的障碍。例如，在新产品开发中，不同企业出于自我保护等原因不愿意分享各自的市场数据，限制了更多隐性市场需求的挖掘，这就是很多时候在互联网平台上，“爆款”产品不够卖、滞销产品一大堆的重要原因。如果某厂家经过模型的实时计算，确定自己有5万双袜子的产能可以释放，那么它就有必要联合其他厂家构建“临时合作联盟”。但是，怎么获得其他厂家的数据呢？出于信任和竞争方面的原因，同行的厂家一般不愿意将自己的敏感数据拿出来分享。

（3）数据集成困难。智能制造追求的不仅是个体制造单元的高效率，还是对整个供应链的优化、上下游协同工作，以提高智能制造的整体水平和整体竞争力。要实现这个目标，上下游制造业单元的数据集成是重要的基础支撑。

制造设备和信息系统涉及多个厂家，所有的订单需求、产能情况、库存水平变化及突发故障等信息都存储在各自独立的系统中。而这些系统的技术架构、通信协议、数据存储格式等各不相同，严重影响了互联互通的效率，使数据互联互通非常困难。