数字化之所以能够成为行业的热点及共识，技术的不断发展与演进是重要的推动力之一。
每一年都会有很多新兴技术涌现，这方面最广泛被参考的工具就是Gartner每年发布的技术成熟度曲线（The Hype Cycle）。它把新兴技术的发展分为萌芽期、过热期、低谷期、复苏期和成熟期，通过每一年的更新让人们了解新兴技术的当前发展状态。很多时候人们习惯于看这个曲线上每年新增加的新兴技术，因为它代表了今后几年的热点技术与趋势。
图1 Gartner技术成熟度曲线示意图
但是，如果我们通过对比不同年份的曲线，可以看到曾经曲线上的有些技术在最新发布的版本里消失了。这些消失的技术除了个别走向沉寂外，更多地其实是逐渐进入成熟期而没有在新发布的曲线上没有显示而已。因此，我们可以通过对比观察最新发布的曲线里什么技术没有显示，而了解一个更重要的信息-当前哪些技术即将或已经成熟，而这些技术就是当下对数字化转型有着重要推动力的关键支撑技术。
这里我们不妨把2013年和2018年的技术成熟度曲线进行一下对比，以5年的跨度来回看技术发展的成果。
图2 2013年新兴技术成熟度曲线
图3 2018年新兴技术成熟度曲线
对比之后，可以看到2013年曲线上第一个拐点之后其在2018年的曲线内没有显示的部分技术如下：
Big Data（大数据）
Wearable User Interfaces
（可穿戴用户接口）
Complex-Event Processing
（复杂事件处理）
Content Analytics（内容分析）
In-Memory Database Management System
（内存数据库管理系统）
Machine-to-Machine Communication Services
（设备间通信服务）
Mobile Health Monitoring
（移动健康监控）
NFC（近场通信）
Mesh Networks：Sensor
（网状网：传感器）
Cloud Computing（云计算）
Virtual Reality（虚拟现实）
in-Memory Analytics（内存分析）
Enterprise 3D Printing
（企业级3D打印）
Biometric Authentication Methods
（生物特征识别）
Consumer Telematics
（消费级车联网）
Location Intelligence（位置情报）
-
Speech Recognition（语音识别）
相信现在每一个人都能够在不同场景里看到这些技术的应用，相应地这些技术也推进了特定场景的应用与商业模式创新：用NFC实现手机支付、工业互联网兴起、Spark等继Hadoop后爆发式成长、人脸识别成为机场安检的手段、自然语言交互的应用涌现等。这些已经相对成熟的技术让每一个人、每一个设备都成为重要的数据源，这些丰富多样的数据所隐含的价值无比巨大。
在大数据的快速发展中，企业可以借助众多技术实现对数据的洞察。最常见的场景是通过多种数据源的集成与分析，构建用户画像来实现精确营销、信用评级、金融风险管控等工作。所以就大数据而言，其重要性在于帮助企业能够分析、发现不同数据源的逻辑联系。
图4 用户画像和用户分群示意图
面对丰富的数据源及海量的数据，除了通过大数据技术进行数据采集、清洗、分析外，人工智能借助机器学习和神经网络等技术为数据价值的发现带来了新的能力。人工智能本质是一种计算形式，它使得机器具有执行认知的功能。通过机器学习，计算机会学习如何对某个结果采取行动或做出反应，并在未来能够对相似的问题采取相同的行动。于是在自然语言处理、图像识别、自动驾驶等领域展现了突出的优势，不仅改变了人机交互的方式，也深刻影响了决策、执行的模式。
如果说当初业界都在推进的信息化使IT与业务紧密结合，使得业务都可以产生相关的数据从而提升该业务的发展。那么数字化转型的目标则是借助云计算、大数据、物联网、人工智能等技术手段实现从数据出发改造和创新业务。数字化的关注点便是进一步通过对已经颇为丰富的数据借助人工智能技术来深度学习和挖掘，进而创新出新的业务和产品。如我之前的文章《数字化意味着什么》中所述，信息化极大地提升了效率，而数字化则是在效率提升的前提下实现能力的跃升，这种能力的跃升就是业务模式创新、产品和服务的跨越式发展。
除了当下已经成熟的技术，2018年的报告中也显示当前以下这些技术将助力未来的数字化趋势：
民主化的人工智能：AI平台即服务（PaaS）、强人工智能、自动驾驶（4级和5级）、自主移动机器人、对话式AI平台、深度神经网络、自主飞行棋、智能机器人和虚拟助手。
数字化生态系统：区块链、面向数据安全的区块链、数字孪生、物联网平台和知识图谱。
DIY生物黑客：生物芯片、生物技术-培养或人工组织，脑-计算机接口、增强现实、混合现实和智能织物。
透明的沉静式体验：4D打印、智能连接家庭、边缘AI、自我修复系统技术，硅阳极电池、智能灰尘、智能工作空间和三维立体显示
无处不在的基础架构：5G、碳纳米管、深度神经网络ASIC、神经形态硬件和量子计算
我们能够看到的另一个重要技术趋势是去中心化。我们的系统架构从C/S到B/S再到多层架构，还是一种中心化的架构，计算、存储等任务都是由特定而且由少数巨头公司所拥有的平台来提供。这种中心化的架构不可避免地面临着扩展性、效率和信息安全的挑战，而去中心化让数据在产生、存储、使用、分享、归档及销毁的整个生命周期内不再受限于单一平台的能力上限，从而实现更加开放、自主而且免于被少数巨头所垄断而爆发更大的创新可能。以区块链为例，基于共识机制、密码学、点对点等技术的结合，区块链带来了去中心化、防篡改、智能合约等显著的优势，从而为未来的技术架构提供了前景广大的发展空间。
为了全景地探讨数字化的应用场景，我们不妨将所有的复杂产业链抽象成为简单的供给端与需求端。以前人们往往习惯性地把供给端作为这个链条的起点，因为我们已经习惯于厂家来主导产品研发，然后通过营销手段把生产的产品销售给客户。但是未来的发展方向则是应从需求端的价值需求作为起点。供给端的生产力需求来源于需求端的价值传递，这便是数字化变革的一个重要转变。
图5 端到端的价值传递
因此我们先从需求端来看当前的变化。伴随着电子商务、移动互联的蓬勃发展，作为消费者的普通大众在潜移默化地改变着“To C”的消费需求，呈现三个特点：
第一个特点，对于商品功能的需求在多样化。原本企业所笃信的产品理念往往已经并非消费者所关心。最广为人知的例子，便是手机巨头Nokia在苹果公司的冲击下黯然退场。因为用户曾经热衷于手机的坚固耐用，而现在热衷于苹果手机整体生态系统带来的有价值能力，例如时尚感、易用性和流畅的体验等。这种需求的多样性也体现为用户对个性化的追求，而这种趋势的兴起则直接冲击着传统制造业规模化生产的模式。
第二个特点，消费的节奏不断加快。很多用户手中的iPhone手机往往价格不菲，却也在很短的几年内就更换成了最新的型号。所以要求产品从设计到生产的周期缩短，从而在快速捕捉用户的消费热点。
第三个特点，衍生价值加大。克里斯·安德森在《免费》一书中以大量的案例揭示了产品在增值服务及衍生产品中带来的巨大价值甚至超越了商品本身，从而使得很多产品即便免费也能够满足企业的商业诉求。
对于“To B”的产品，由于很多往往与上下游产业链结合，所以企业成为一个产业链中的一环。下游企业对产品的需求是领先的产品特性、合理的性价比、弹性的供给能力。仍以iPhone手机为例，苹果对于玻璃面板的需求不仅是严格的允许公差和合理的价格，也需要供应商能够在短时间内满足巨大的产能需求。这就需要该产品的供应商在整个生产环节对设备、工艺、材料等诸多方面进行优化，而且还要有能力使产线能够灵活满足不同厂商对产品的需求。
无论“To C”或者“To B”的产品，其消费端的需求都是整个价值链的起点，这就是数字化时代与过去常规模式的不同之处。过去的商品更多地是在通过常规市场手段预估客户需求后再进行设计与生产，然后通过市场推广手段去发现潜在的消费者进而实现产品的销售。这个过程中不可避免地存在产品销路不畅、库存物流积压等诸多问题。而且产品的价值往往仅是产品本身，而相关的增值服务在众多因素限制下而不能充分挖掘。因此，基于数字化手段实现对用户的洞察、服务能力的提升是企业在数字化转型中最大化客户价值的重要手段。
互联网的兴起不仅创造了众多巨头企业、产生了庞大的虚拟经济，也在消费端取得了令人瞩目的成就。在“以用户为中心”的产品理念推动下，实现了一系列商业模式、产品与服务的创新，究其实质是通过互联网和一系列技术与场景的结合而全面、深刻地对用户需求的理解和挖掘。因此“互联网+”概念的提出，使得传统企业可以借助互联网信息技术与思维实现优化生产要素、更新业务体系、重构商业模式，从而推进了以客户为中心的供给端改革的。
现在我们再来看供给端的转变。由于供给端的数字化涉及到众多的领域和技术，因此我尝试以一个示意图，将多种因素综合在一起，而看到技术、平台以价值链为纽带关联在一起。
图6 供给端的全景示意图
供给端以需求端的价值需求为导向，通过生产产品及交付服务来实现企业商业收益。智能产品直接对接需求端的价值需求，从需求、设计、测试到使用，都需要始终贯彻价值需求为导向。智能产品牵动了从供应链、智能制造到智能产品的价值链整合与系统优化，数字化在每一个环节都具有丰富而深刻的开拓前景。
伴随着产业和技术的不断发展，业界的制造模式经历了四个阶段的发展：
而工业4.0的到来，对制造模式的影响表现在“预测型制造”。预测型制造则是通过物联网实现传感器数据采集、场景数据建模等信息转化机制，进行智能的预测建模。从而实现对设备性能和故障时间的预测，极大减小不确定因素的影响，防止实际运营中生产力和效率的损失。
在思考制造业数字化转型的问题上是，可以借鉴业界在智能制造和智能服务的思路和时间。其中德国的“工业4.0”即智能制造的代表，它以工业装备为对象，其目标是实现面向产品制造流程和供应链的一站式服务。而美国CPS（Cyber Physical System-信息物理系统）则以系统工程、工业互联网为对象，其目标是实现面向用户服务链与价值链的一站式创新服务。
智能制造的重要基础就是工业互联网，其目标是实现从生产系统到商业系统的智能化。工业互联网的核心包括“网络”、“数据”和“安全”，三者融合将实现动态优化调整、构建智能生产模式、达成用户交互与产品服务优化的闭环。
图7 工业互联网体系架构
图片来源: 工业互联网产业联盟《工业互联网体系架构白皮书》
在全球经济进入数字化转型的时期，数字化转型是企业实现优化效率、智能产品及服务的优化、强化竞争力的必要选择。这需要企业从产业变革、客户需求和行业竞争的变化中，不断构建全新的能力，从而实现数字化转型战略的逐步推进。
閱讀更多 哈佛商業評論 的文章
