夜雨聆风“人类社会的发展史就是一部应对不确定性、寻求确定性的历史，克服对不确定性的恐惧是人类认知深化的重要动力，对客观世界的理解、预测、控制是人类化解不确定性恐惧的三步曲——智能制造的本质就在于以数据的自动流动化解复杂系统的不确定性。”
“数据如何转化为信息，信息如何转化为知识，知识如何转化为决策，其背后都有赖于软件，软件本质上是人类隐性知识显性化的载体，是一套数据自动流动的规则体系。”
——《重构：数字化转型的逻辑（安筱鹏 编著）》
很多人听过"工业软件卡脖子"这个说法，也知道工业软件售价高昂，一套动辄上百万。但大多数人心里可能都在犯嘀咕：不就是个软件吗？至于上升到国家战略层面？至于售价如此高昂？
今天我想从"知识"这个最底层的视角来理解：工业软件为什么重要？重要到什么程度？以及，为什么它真的"卡脖子"。
先从一个每个人都有体会的问题说起。
请回忆一下，你小时候是怎么学会骑自行车的？
是看了一本《自行车骑行指南》吗？是背下了"左脚蹬踏力度30牛·米、身体前倾15度、转弯时重心偏移8厘米"这种物理参数吗？
都不是。
是你摔了几次之后，身体自己"记住"了那种平衡的感觉。然后你就会骑了。
但问题来了——你明明会骑，却也很难用嘴巴教会别人。 你只能说出"别怕，稳住"，但"稳住"到底是什么感觉？你说不清。
这就是人类知识最本质的分类——
我们能说清楚的，和说不清楚的。
哲学家波兰尼（Michael Polanyi）用一句经典的话概括：
"We can know more than we can tell.（我们所知道的，远比我们能说出来的多。）"
基于此，人类知识可以被分为两个大类：
（1）显性知识（Explicit Knowledge）：能用文字、公式、图表、视频写下来、说清楚、能传播的知识。比如教科书中的牛顿定律、科学公式、操作手册、专利文本、财务报表、代码文档等。
（2）隐性知识（Tacit Knowledge）：藏在人脑子里、手上、身体里，说不清道不明，但你知道怎么做的知识——即“只可意会不可言传”。比如老中医把脉的手感、老司机开车的直觉、工匠的技艺、医生的临床判断、运动员的比赛直觉、管理者的领导风格、人际交往中的默契等。
显性知识是冰山露出水面的小尖尖，隐性知识是水面下巨大的冰体。 能看到的永远只是少数（大概只占20-30%），真正值钱的往往藏在水面下（占70-80%）。
说到这里，你可能也会想：这两类知识之间是什么关系？能不能互相转化？这就引出了两个关键模型。
1987年，英国信息学家泽勒（Zeleny）提出DIKW模型，将人类知识分为四层金字塔：数据（Data）——信息（Information）——知识（Knowledge）——智慧（Wisdom）。
数据：原始的、未经加工的客观事实。——如"37.5°C"。 信息 ：经过组织和处理，具有上下文的数据，回答了“是什么”。——如"张三体温37.5°C，高于正常值"。 知识 ：通过分析信息形成的经验和方法论，回答了“怎么做”。——如"体温超过37.3°C属于低热，可能是感染征兆"。 智慧 ：运用知识做出最优决策并预见未来的能力，回答了“为什么做”和“做什么最好”，即判断力和决策力。——如"结合患者病史和季节，判断是病毒性感冒，建议居家观察而非住院"。 一层比一层高级，一层比一层值钱。从数据到信息、再到知识和智慧，是一个逐步提炼和升华的过程。数据是矿石，信息是提炼出的金属，知识是铸成的工具，智慧是知道什么时候该用什么工具。
这个过程体现了人类对客观世界的不断深入理解和探索，也展示了人类认知能力的不断提升和发展。
DIKW模型很好的解释了"数据如何一步步变成智慧"，但它有个致命缺陷——只讲述单向递进，没讲反向：智慧怎么变成数据？
现实生活中，反向过程无处不在：老工程师凭经验调参数（智慧），把这些经验写成操作手册（数据），新员工按手册干活。这个"从上往下"的过程，DIKW模型没覆盖。
于是，S8D模型登场了。
定义：S8D模型（Smart 8 Dimensions，“智慧转移”模型）是理解组织如何将个人经验智慧转化为可复制、可传承的组织智慧的一套方法论。其核心是基于DIKW模型，构筑了“智慧→数据”和“数据→智慧”两大过程的8个转化活动。
S8D模型把知识的流转拆成了两个方向，每个方向4个步骤，共8个活动：
方向一（左边）：智慧→数据（信息化过程）
本质：把人的经验翻译成机器能执行的规则。目标是"体力替代"——机器替人干活，但决策权还在人手里。
1、过程信息化：把业务流程拆成标准操作指令
2、数据平台化：用传感器、ERP等工具自动采集存储数据
3、业务结构化：把隐性判断变成逻辑规则
4、孪生虚拟化：物理世界映射到数字世界
举例子：老师傅敲一敲设备，听声音就知道哪有毛病——这是隐性知识。后来你把他这套"听音辨障"的经验录下来，设成振动阈值报警规则，传感器自动监测——这就是"智慧→数据"（即个体经验skill化）。
方向二（右边）：数据→智慧（智慧化过程）
本质：从海量数据中反推出智能决策。目标是"脑力替代"——系统不仅干活，还能帮你想、帮你决策。
1、对象数字化：把实体对象变成可计算的数据
2、孪生虚拟化：构建仿真环境
3、计算智能化：AI模型训练与预测
4、智慧决策化：系统自主给出决策建议
举例子：传感器积累了几年的设备数据，你拿这些数据训练了一个故障预测模型，系统不仅能报警，还能预测"这台设备72小时后大概率故障，建议提前检修"——这就是"数据→智慧"。（即现在的agent智能体）
关键是：两个方向不是先后关系，而是循环迭代。 智慧沉淀为数据，数据再升华为更高阶的智慧，螺旋上升。
说到这里，或许你也已经隐约感觉到——工业软件，就在这个循环里扮演着核心角色。
企业上ERP系统固化流程是"智慧→数据"，以后用数据做预测性维护就是"数据→智慧"，这就是S8D模型在工业实际应用中的闭环。
工业数字化转型的基本原理，也即从个体智慧（知识、技能和经验等）向组织智慧转移，或者说是从自然人向组织的计算机信息系统转移。其中，在DIKW和S8D模型中，作为筑底的依旧是大数据。
通过上面两套模型理论，对于“工业软件到底是什么了”就很清晰了。表面上看，工业软件是代码、是工具、是系统。
但从知识管理的视角看：
工业软件 = 把一代代工程师脑子里的隐性经验，翻译成了机器能执行的显性规则。
（1）CAD软件：设计师的"空间直觉"显性化
老设计师画图靠什么？眼睛一扫就知道这个结构受力不均，手一比划就知道曲线该怎么走——"这个地方要加个加强筋"，凭的是几十年经验，说不清为什么。
CAD软件做了什么？拓扑优化算法自动找出最优结构，约束求解器自动保证几何关系合理，干涉检查自动发现空间冲突。设计师脑子里的"空间感"变成了代码里的数学求解。
（2）CAE仿真：老工程师的"判断力"显性化
老工程师敲一敲设备，听声音就知道哪有应力集中。CAE软件用有限元计算，把应力分布可视化——以前靠"老师傅经验判断"的事，现在软件跑一遍就出结果。老师傅的判断力被编码成了偏微分方程和数值算法。
（3）MES系统：车间主任的"调度直觉"显性化
老车间主任知道哪条线先排、哪台机器有空、紧急订单怎么插队——这些全靠直觉。MES系统把这些变成排程算法、优先级规则、产能模型——车间主任的"排产第六感"变成了系统里的调度引擎。
由此可见，工业软件不是"你用它干活"，而是"它替前人干活"。 锤子不承载知识，但工业软件里凝结着无数工程师的隐性经验——代码只是这些经验的外壳。
所以，工业软件并不是普通的应用工具，是人类隐性知识显性化的重要载体。
理解了"工业软件是隐性知识的载体"，对于工业软件为何被“卡脖子”就迎刃而解：
（1）工业软件开发难
因为你缺的不是程序员，是愿意把经验掏出来的领域专家。很多老师傅的诀窍，他本人都说不清是怎么做到的——你让他外化，他只能告诉你"凭感觉"。把"感觉"变成"算法"，这个过程比写代码难一百倍。
（2）工业软件国产替代难
因为ANSYS、Siemens NX里面编码的不是代码，是几代西方工程师在几十年时间里的工程经验。你反推代码也复制不了那些经验。你要替代的不是一套软件，是软件背后那个积累了数十年的隐性知识体系。
这就好比——你可以照着菜谱做出一道菜，但顶级大厨那种"火候"的拿捏，菜谱上写不出来。工业软件国产化的本质，是中国工程师要把自己的隐性知识编码进自己的软件里，而不是照抄别人的菜谱。
（3）工业软件迭代慢
因为隐性知识→显性知识的转化本身就是慢过程。每个新功能都要先有工程实践，再有人总结经验，再有人编码成算法。不像消费互联网可以快速试错，工业软件的迭代必须跟着工程实践走，急不来。
最后，回到开头的问题：工业软件真这么重要吗？——重要！因为它的本质不是软件，是知识体系！
它承载的不是代码，是一代代工程师用时间和试错换来的隐性经验。它让一个人的经验能被千万人复用，让一代人的智慧能被下一代继承。
所谓"卡脖子"，卡的不是代码，不是技术，卡的是别人几十年的隐性知识积累。而国产替代的核心路径，也不是"抄代码"，而是把中国工程师自己的隐性知识，编码进中国自己的工业软件里。
这是一场知识体系的接力赛，急不得，但也停不得。
参考文献：
1.《重构：数字化转型的逻辑》（安筱鹏 编著 2019年出版）
2.《智能制造之路：数字化工厂》（陈明等 编著 2016年出版）
3.《信息系统项目管理师教程（第四版）》
声明：在本文写作过程中，WorkBuddy、Coze、DeepSeek等AI工具全程参与了辅助。
