昨天读郭朝晖教授的《智能优化备忘录》，在回复中我写道：“智能化约等于管理自动化，或者知识自动化。智能算法以寻优算法为主，用以解决复杂环境中的不确定性问题和快速反应环境中的确定性问题”。在这里我提到两个问题，一个是复杂环境中的不确定性问题，另一个是快速反应环境中的确定性问题。
所谓复杂环境中的不确定性问题是指参与系统运行的维度太多，决策点处于分散状态，也就是经常讲的复杂性问题。复杂性问题的关键特性是初始条件的细微变化，会给结果带来巨大的变化。我们经常讲的蝴蝶效应就是典型的复杂系统的效应。
所谓快速反应环境中的确定性问题是指对系统的反应速度要求加快，为了保证得到快速的反应速度，需要信息反馈链路上的阻尼尽量减少，从而在保证系统鲁棒性的基础上实现输出快速跟踪输入的处理过程。
在实体经济的场景下，复杂环境下的不确定性主要是由企业所在的生存环境决定的，也就是说市场决定的。由于互联网的发展，市场变得越来越不稳定，越来越碎片化，一个网红可能带动一个微观市场的巨大变化，知名人士的一句话可能影响到市场的预期等。作为市场构成要素的企业需要适应如此复杂的市场变化，必然需要应对市场的不确定性。在市场不确定的环境下，智能制造给予企业的价值是参与到市场的生态闭环，及时获得市场的信息，从而高效应对不确定的市场环境。实体企业努力把自己打造成为一个参与市场行为的柔性的实体，把企业作为一个整体共同应对市场的不确定性，从而在市场竞争中拔得头筹。
快速反应环境中的确定性，由于企业需要适应变化无常的市场，需要企业内部制造环节的高效协同，快速应变。在传统市场发展起来的企业制造系统是应对大规模、长周期生产环境建立的，其内部信息阻尼较大，对于传统大批量的制造模式，信息阻尼大并不是坏事，因为信息阻尼越大的系统越稳定。在快速反应的市场环境下，虽然制造过程的确定性还是可以得到保证，但是由于传统的高阻尼的信息通道成为扼杀快速反应的凶器，使得企业内部的制造系统无法满足市场的变化，造成制造与市场失调，从而带来要么浪费市场机会（无法快速生产适合市场的产品），要么浪费制造投入（高库存），最为可怕的是既浪费市场机会，又浪费制造投入，从而使得企业进入恶性循环中。
就是在这样的市场环境下，智能制造应运而生，所谓的智能制造并不一定使用最新的人工智能算法，我们的经验是，传统的寻优算法更适合智能制造，例如基因算法、蚁群算法等，原因是这些算法都具有敏感的环境适应性，更符合各个企业不同的状况。而像深度学习等算法更适应智能设备，而不是非常适应智能制造，原因是对于智能设备，一个算法模型可以多次创造价值，算法训练需要的投入才有价值。
我们在多年实践智能制造的经验基础上，总结出以上智能制造模型，把企业建设成为一台超级机器、把所有的生产要素抽象为智能体（Agent），从而实现要素融合、过程协同、运行自主的可管控的复杂系统。
以上两种不同的环境（市场环境和制造环境）中企业面对的问题不同，市场环境面对的是不确定性的问题，制造环境面对的是快速反应的问题，但是这两个问题都具有一个共同的属性：时间相关性。那么，我们可以把智能制造必须应对的两个问题综合成一个问题：如何解决时间密度过大带来的反应速度问题。而以数字化、网络化、乃至智能化为特征的智能制造就是要把时间密度过大（要求快速反应）的问题，在时间轴上拉开，使得在数字空间中变得稀疏。所使用的技术就是构成世界三大要素之一的信息（另外两大要素分别是物质和能量）。所以我认为，智能制造，本质上就是拉长了时间维度。
