3S Market 傳遞 智慧應用與價值的商業資訊
4Sight Holdings Industry 4.0
今日主題 工業 4.0 \智慧車載交通\智慧經營管理
智慧車載交通與能源環保
工業 4.0 智慧工廠
|
智慧經營管理
2019年10月30日 星期三
‧ 2019\10\30\3S MARKET Daily 智慧產業新資訊
．自動駕駛思考：仿真系統建構
ECA GROUP - DRIVING SIMULATION
|
如何構建自動駕駛仿真系統？
仿真最主要的目的是：透過模擬真實環境和建構汽車模型，找出自動駕駛過程中，可能出現的問題。
那麼如何建構自動駕駛仿真系統呢？目前主流的實現方式，是透過遊戲引擎來模擬真實環境，透過 CarSim 等軟體建構汽車的動力學模型，來實現自動駕駛仿真。下面我們先看下自動駕駛仿真系統的整體結構。
我們需要自動駕駛仿真系統滿足：
- 場景豐富
- 接口靈活
- 恢復快速
- 部署方便
場景
首先我們關注仿真器本身，仿真器無非是模擬支持各種場景，其中場景分為：可以定義的場景和隨機場景。可以定義的場景又分為：單元場景和真實場景。
- 下面我們分別介紹下這幾種場景：
- 可定義的場景: 主要是針對駕駛過程中，遇到的不同情況，比如會車，超車，紅綠燈，變道等，這些場景一般都比較簡單，類似於單元測試，主要是測試單個場景，是否能夠滿足要求，這一部分業界已經有規範，可以參考 openscenario [1] 。拿超車的場景舉例子，可以創建一輛 NPC 車輛在本車的前面，在不同的速度和距離條件下，測試本車超車是否成功。
- 真實場景：復現真實場景中遇到的問題，比如真實路測過程中遇到問題，需要復現當時的情況，並且驗證問題是否已經解決，可以回放真實場景的數據來進行測試。
- 隨機場景：這種場景類似於路測，模擬真實環境中的地圖，並且隨機生成 NPC，天氣，交通情況等，模擬汽車在虛擬的環境中進行路測，由於可以大規模部署，可以快速的發現問題。
我們可以看到不管是哪個場景，都是 " 地圖 + 車 + 行為 " 的模式，場景的需求複雜多變，因此能夠靈活的加載地圖，車和行為就成為仿真器易用性的關鍵。
我們的需求是能夠根據不同的要求創建不同的場景，動態的添加地圖，車和行為。場景生成器是一個框架，支持通過不同的配置，動態創建不同的場景，來滿足我們的要求。除了場景生成器，我們還需要仿真器具備以下幾個基本功能：
- 復位 - 在故障發生之後，我們能夠復位環境和車輛到初始狀態，同時也要求我們能夠復位對應的自動駕駛系統。這樣在每次故障後，可以不用人工操作，而自動恢復測試。
- 快照 - 能夠生成對應幀的資訊，保存快照的好處是能夠恢復事故現場，同時也可以用於自動駕駛數據集的建設。保存的點雲和圖片有 groundtruth，可以作為機器學習的輸入來訓練模型。
- 回放 - 回放功能主要是用於故障定位，在發生碰撞之後，回放資訊用於定位問題。
- 統計 - 統計主要是用於作為 benchmark，來衡量系統的穩定性。
有了這些基礎功能還不夠，我們還需要關心具體的場景，下面我們分別對地圖、車以及行為，來詳細描述需要實現的具體功能：
地圖
地圖是場景中第一個需要考慮的，地圖包括 2 部分，其中一部分是遊戲中的模型，另外一部分是這些模型的高精度地圖。換一種說法就是，首先我們需要在遊戲中建構一個 1:1 的虛擬世界，然後再繪製出這個世界的高精度地圖。
其實遊戲中的模型是遊戲引擎的需求，遊戲引擎是根據模型來渲染遊戲畫面的，沒有模型也就渲染不出地圖。
而高精度地圖是自動駕駛系統所需要的，高精度地圖可以採用根據現場繪製的地圖，也可以先得到遊戲模型，然後在模型中繪製。下面是遊戲中的地圖和高精度地圖的對應關係。
1. 真實場景地圖生成
① 地圖模型製作：
遊戲中地圖模型的製作，相對來說是工作量比較大的工作，涉及到以下 2 點：
- 單個模型製作 - 單個模型包括地圖中的建築物、道路、樹木、信號燈、交通牌、以及其他的資訊。這些資訊如果是要完全模擬真實環境，需要大量的材質和貼圖，一般是在 Maya 和 3D-max 等軟體中建模，然後再導入模型到遊戲引擎中使用。
- 地圖佈局 - 有了單個模型，當需要把單個模型組合成地圖的時候，首先需要解決的是道路的位置資訊，比如這個道路有多長，道路的曲率是多少？比較簡單點的方法是直接導入 2D 地圖（高德，OSM），然後對照著 2D 地圖放模型，最後生成整個地圖的佈局。而實際的問題是 2D 地圖的精度往往達不到要求，國內的地圖還加入了 GPS 偏置，所以生成的地圖佈局必定會不太準確。
② 高精度地圖製作：
- 根據模型生成地圖 - 接著上面的地圖佈局來講，雖然得到的地圖佈局不準確，但是我們再根據遊戲中的模型佈局，繪制出高精度地圖，然後把這個高精度地圖，給自動駕駛系統使用，基本上也能滿足我們的要求。
- 根據地圖生成模型 - 上述的問題就是遊戲中的真實位置，和實際道路的位置，有輕微的誤差。要解決上面的問題，我們可以反其道而行之，先生成高精度地圖，即根據真實環境先繪製出高精度地圖，然後再把高精度地圖導入遊戲引擎，動態的生成模型，這個方案的好處是地圖 100% 是真實場景，而且不需要在遊戲引擎中，重新繪製高精度地圖，壞處是建築的模型無法生成。
關於真實場景的地圖生成，目前還沒有一個比較完美的解決方案，都需要大量的工作。下面我們再看下虛擬場景的地圖生成。
2. 虛擬場景地圖生成
虛擬場景的道路生成就比較簡單，主要的應用場景是一些園區，或者一些測試場景。這一部分完全可以製作一個地圖編輯器，類似遊戲中的地圖編輯器，玩家可以根據自己的需求創建遊戲中的地圖，然後再由腳本動態的生成高精度地圖。這部分的功能主要是對標 Carsim 等仿真軟體的地圖編輯功能。
說完了地圖，接下來看下車。
車
車主要分為 2 部分：車的動力學模型，以及感測器。接下來我們詳細分析下這 2 部分：
- 車的動力學模型 - 這一部分是傳統仿真軟體的強項，由於應用已經非常成熟，遊戲中的汽車動力學模型都比較簡單，由於 CarSim 等軟件沒有開源，所以目前短期內一個比較好的解決方案是，仿真器提供 API 接口，調用 CarSim 和 Simulink 等軟體的動力學模型，實現對汽車的模擬。
- 感測器 - 感測器主要是 GPS、IMU、LIDAR、RADAR、CAMERA 等，涉及到感測器的位置，校準參數等。當然這一部分也可以仿真感測器視野範圍 ( FOV )，也可以仿真感測器的校準算法。
行為
現在我們加載了地圖，車輛，接著我們需要定義一些行為，來模擬真實世界。
1. NPC
NPC 包括行人和車輛。
- 行人 - 目前主要是模擬行人過馬路，以及在路邊行走，以及更加複雜的場景，例如下雨天打傘的行人，對於這些異常場景，感知模組不一定能夠正常辨識。
- 車輛 - 車輛的行為可以由一些簡單的行為來，模擬複雜的行為，例如停車，變道，加速，減速，來組合出超車，會車等複雜行為。也可以透過模擬真實情況的交通流數據，來模擬整個行為。前一種測試的行為比較成熟，後一種需要根據實際的情況，提取出行為，再加入補全資訊，才能夠正常工作。
2. 天氣
天氣主要是影響感測器的感知，最主要的就是攝影機。對 LIDAR 的影響，由於目前沒有閱讀相關平台是否有加入噪聲，這裡就先不提及了。
- 天氣 - 雨、雪、霧、雲層 調整不同的比率，來模擬不同的天氣情況，對感測器的影響，雲層主要是會影響光照變化，多雲投射的陰影對車道線變識等會有影響。
- 時間 - 白天和夜晚不同光照場景下對感測器的影響。
3. 紅綠燈
這一部分可以歸納為交通信號的行為，其中分為:
- 有保護的紅綠燈 - 各大城市是最普遍的，即有箭頭的紅綠燈，根據對應車道的紅綠燈直行或者拐彎。
- 無保護的紅綠燈 - 即圓形的紅綠燈，對面可以直線的同時，你可以拐彎，需要注意對面直行的車輛，選擇讓車之後再拐彎。
- 無紅綠燈 - 這種常見於郊區路口，需要判斷有沒有車輛經過而讓行或者停止，然後再通過路口。
關於仿真器就介紹完畢了，那麼我們如何控制仿真器，來實現這些呢？
API
目前主要是透過 python API 的方式來控制仿真器加載模型，控制仿真器的行為。好處是不用圖形介面手工操作，可以實現自動化部署。API 的主要是根據上述所說仿真器的功能，實現統一的接口，實現交互。
部署
為了提高測試效率，我們還需要大規模部署，一個比較好的方式是透過容器化的方式部署。針對於多台機器，一個顯而易見的需求，就是創建一個管理平台，來實現對仿真器的管理。容器部署平台可以監控對應仿真器的狀態，並且提供可視化的配置介面，生成和部署不同的場景。
- 監控 - 可以監控仿真器的監控狀態，顯示正常和有問題的集群，保存日誌，維護集群的穩定。
- 可視化 - 首先是配置可視化，可以方便的選擇不同的配置（不同的地圖，車，行為）來生成不同的場景，其次是透過可視化反饋仿真結果，屏蔽仿真集群的細節，使用起來更加直觀方便。
總結
最後根據功能劃分，我們可以單獨仿真自動駕駛系統的規劃控制模組，也可以單獨仿真感知模組，可以仿真感測器校準，也可以端到端的仿真所有模組。可以仿真單個受限的場景，也可以仿真整個地圖。總之，仿真系統需要提供靈活的場景生成框架，統一的 API 接口，以及大規模部署的能力。
 |
．無線射頻辨識，RFID 標籤助力智慧製造
RFID Across the Manufacturing Supply Chain
|
如今，越來越多的消費者購物時，會選擇訂製化方案。對於製造商而言，這便意味著他們製作的產品很多都是獨一無二的。可以預見，在未來工廠，一條生產線會安裝不同的模型，這條生產線將擁有各種各樣的資訊，每台裝置都不停地報告自身狀態，如何在生產的過程中，準確地標識一個產品，收集製造中多樣性的資訊，對製造企業非常重要。
透過採用 RFID 技術來改善生產流程，可以實現對製造中的產品全程追踪，這一做法也已經在製造業得到很好的推廣，並取得了很大的效果。
想實現智慧製造，傳統條碼已經OUT
目前很多傳統製造企業，在追踪零件時多採用條碼技術，然而條碼僅僅儲存辨識資訊，對於追踪解決方案過於繁瑣，不夠可靠。但是 RFID 標籤，則可以包含一個零件全部的歷史記錄，以及它即將安裝的產品的所有資訊。
此外，條碼的讀取必須透過手動，並且每次只可以讀取一條，RFID 標籤則只需要一台 RFID 讀寫器，便可以進行輕鬆的操作，甚至在這個零件被安裝以後也可以讀取。
因此，在 RFID 標籤中的所有資訊，都可以隨時隨地在幾秒的時間內被輕鬆讀取到。
可以說，RFID 標籤技術極大地提高了產品透明度，使工人在安裝過程中，便能隨時驗證產品上，所有需要安裝的部件的情況。而在 RFID 標籤技術出現以前，產品只有到最後驗證時，才能進行檢查，而且是工人目視檢查，並使用紙質清單進行核對。
RFID 標籤在提高了產品透明度同時，也更有利於企業的整體生產。例如，車間專案經理要比技術人員，更需要更多來自不同方面的資訊。而 RFID 標籤則可以減少生產排程的盲點，幫助車間專案經理，了解生產過程中的障礙所在，並在正確的時間，即時地拿出合理的解決方案。
RFID 標籤助力傳統製造業實現智慧智造
傳統製造業屬於典型的多工種，多工藝，多物料的大規模生產過程，如今隨著個性化產品的發展（購買者可以對汽車，跑步機等進行訂製），幾乎每個產品都會有一些個性化的地方，因此，有必要在生產的全過程中，應用 RFID 技術實現透明化。
以汽車廠家 VOLVO 應用 RFID 技術為例，在應用康芬戴斯 RFID 標籤之前， VOLVO 汽車使用三套獨立的系統，來標識和追踪製造中的車輛：包括在製造車間使用條碼，在噴漆車間使用有源 RFID 標籤，和在組裝線使用大條碼。
三套系統並用，不但造成維護成本過高，而且缺乏足夠的可靠性，在整個生產流程中，即便是輕微的問題，也會導致整個工廠的產出受影響。
 |
| Volvo's Global RFID Initiative - 2016-07-24 - Page 1 - RFID ... |
基於 VOLVO 汽車對品質和效能的高要求，康芬戴斯開發了效能強勁的無源超高頻 RFID 標籤，可以在整個生產流程的各種嚴酷環境下使用。在製造里程中，車輛離開焊接車間後，車身就會進入噴漆線，噴漆車間嚴酷的環境，決定其對標籤的要求非常高。車身先要經過腐蝕的電解液，然後經過一系列分層噴漆和高溫乾燥爐烘烤。
關鍵的是，在經過這一系列嚴酷環境後，康芬戴斯的標籤效能並沒有降低，依然保持其可讀性和可靠性。
 |
| A Breakdown Of 7 RFID Costs, From Hardware To Implementation |
RFID 能否普及，還是“成本”說了算
和其他技術相比，RFID 技術在產品生產上的應用，有著很大的優勢，隨著這項技術的不斷發展和普及，效能方面必將會有大幅提高，安全隱憂也將會逐漸緩解 RFID。
技術必將成為智慧化製造與智慧化管理的主流，不過就像很多新技術在製造業中普及，經常出現的情況一樣，制是否採用 RFID 標籤的問題，最終歸結有一個關鍵因素：成本。
據 RFID 雜誌的相關報導，無源 RFID 標籤的成本大概在 0.07-0.15 美元。顯然易見，標籤使用量的大小造成的結果，也會有所不同，而對於一家體積龐大的製造企業，每個零件哪怕區區 7 美分，加起來也不是一個小數目，特別是在企業的發展不順時，更加難以定奪。
RFID 標籤的價格，很可能僅僅需要達到一個臨界點，比如，如果每個標籤 5 美分。透過 RFID 標籤技術的應用，製造企業提高的效率，超過了額外支出的成本，那麼 RFID 似乎就變得不成問題。
 |
| 康橋科技 —— 白光攝影機專業廠商！ |
．特斯拉將推神經網路雨刷，使駕駛更智慧
Tesla Autopilot Driving Through Flooded Roads In Heavy Storm Winds, Rain - Will It Still Work?
 |
來源：腾讯科技 作者：承曦
馬斯克也證實，新的神經網路也將檢測雨或雪等天氣，是如何影響路況的，如果特斯拉的車主當前正在使用自動駕駛系統，系統將會根據路況自動調整汽車的速度。
美國電動車製造商特斯拉的汽車，實現了高度的智慧化和電腦化，該公司可以透過定期的軟體升級，推出更新更酷的駕駛功能，不斷提升車輛可用性。據外媒最新消息，特斯拉掌門人馬斯克宣佈，特斯拉公司已經研發出一個名為「深雨」(DeepRain) 的神經網路，來改善其自動雨刷系統，之前，特斯拉的雨刷一直是車主們抱怨的一個功能。
據國外媒體報導，像當今大多數高級汽車一樣，特斯拉現有的電動車有一個自動雨刷系統，它能根據雨雪的強度自動調整雨刷的速度。
然而，與大多數其他汽車製造商不同，特斯拉的系統不使用雨量感測器。
反過來，這家汽車製造商正在使用自動駕駛系統攝影機，給電腦視覺神經網路提供資訊，以確定雨刷移動的速度。
從去年開始，上述自動雨刷功能被部署在特斯拉汽車上，但是一些車主抱怨它不如其他使用雨量感測器的自動雨刷系統來得準確。
現在特斯拉首席執行官埃隆·馬斯克說，特斯拉為自動雨刷系統，設計了一個全新的深雨神經網路。
馬斯克在推特帖子中表示，基於神經網路的「深雨」功能即將部署，另外特斯拉並沒有把其他自動駕駛功能進行商標註冊，但是把「深雨」進行了註冊，「因為雨很深」(馬斯克開的玩笑)。
馬斯克進一步介紹說，特斯拉這一神經網路系統進行了大量的深度學習，能夠知道何時或以何種速度移動雨刷。
馬斯克也證實，新的神經網路也將檢測，雨或雪等天氣，是如何影響路況的，如果特斯拉的車主當前正在使用自動駕駛系統，系統將會根據路況自動調整汽車的速度。
馬斯克介紹說，新的自動雨刷神經網路功能，將透過遠端升級推送給用戶，另外這一功能並不需要 3.0 版本車載電腦。
不過，除了「很快」這個模糊的資訊之外，馬斯克沒有給出推出這一功能的具體時間。
在新軟體的基礎上，特斯拉還計劃推出一些新的雨刷硬體。據國外媒體之前報導，特斯拉正在開發，新的未來風格十足的電磁雨刷。
和傳統汽車不同的是，特斯拉的電動車更像是一台個人電腦，該公司的技術團隊根據車輛配置的感測器等硬體，不斷推出全新的駕駛功能，並且透過遠端升級推送給使用者。
馬斯克也表示，相比於其他功能固定的車輛，購買特斯拉電動車更加超值，因為其駕駛功能會永遠增加下去。
馬斯克也表示，相比於其他功能固定的車輛，購買特斯拉電動車更加超值，因為其駕駛功能會永遠增加下去。
按照計劃，特斯拉計劃推出完全自動駕駛功能，這一功能不再要求車主把手放在方向盤上，特斯拉將透過軟體升級部署這一功能，但是過去銷售的一些車型需要更換車載電腦，獲得最新一代的人工智慧處理器，才能夠支持自動駕駛所需要的高性能計算要求。
．大數據時代傳統工業企業的轉型之路
What Is Big Data? and How Big Data Is Changing The World!
|
基於網路與大數據的企業商業模式創新，使得傳統的生產、流通和消費等環節，呈現出前所未有的「資訊化」、「扁平化」和「無界化」。
 |
| One for the Road — Big Data & the Automobile Industry |
傳統工業企業的嚴峻挑戰與策略機會
如前所述，網路化供給方式，主要利用模組的層層分解，實現規模經濟，而異質性需求供給能力，和敏捷程度的提升，主要透過模組組合來實現。
但是，由於距離市場中最終異質產品需求相對較遠，如何高效率、低成本地獲取快速變化的數據資源，並透過在網路組織中，建立資訊溝通機制，來完成敏捷生產與協同供給，成為傳統工業企業面臨的嚴峻挑戰。
與此同時，網路組織的深化發展，使數據大量產生，但大數據並非雜亂無章，而是有著與網路化，生產系統有機結合的必要性和規律性。海量數據的採集、加工和應用技術使數據，成為企業生產經營服務的專門化資產，即數據資產的「服務化」，繼而數據資產進入生產性服務業。
網路化生產系統的內在聯結性，要求數據資產與其它分工環節密切協同，從而轉向生產製造與數據服務業的協同演進。因此，需要建立數據驅動創新的生產製造企業，協同應對生產與消費的現代性矛盾，並由此改造升級傳統的生產製造系統。
網絡組織的自我累積強化，使異質性需求迅猛攀升，並在大數據時代得到準確表徵，同時構成網路化供給機制不可或缺，且日趨重要的組成部分。
一方面，面對基於網路和大數據等商業模式，提出的大規模異質性需求，和敏捷響應壓力等苛刻要求時，傳統工業企業自身的生產資源儲備、產品開發週期、生產營運成本、產能利用率、個性化水平等將很難應對；
另一方面，以數位化、個性化和智慧化，為特徵的網路化製造範式快速興起，為大數據時代的傳統工業企業，提供了轉型發展的策略機會，同時為推進「資訊化」與「工業化」的深度融合，以及實現新型工業化提供了根本動力。
大數據時代傳統工業企業的轉型路徑
異質性需求與網路化供給的內在協同，演化出需求大數據、合作大數據和生產大數據，從而為傳統工業企業融入智慧型網路組織，並向數位化生存企業轉型，提供了策略機會和全新路徑。因此，大數據時代傳統工業企業應透過「數據驅動型—開放式創新—網路化協同」3D 視角建構轉型路徑，具體來說，包括以下方面：
1．累積數據資產，建構「數據驅動型」企業
大數據時代，數據成為資產，並演變為相對獨立的生產要素，參與企業價值創造過程。以消費者需求為導向的「拉式」生產方式回歸本位，凸顯出數據資產的策略價值。
數據資產相對豐裕、數據價值應用較高的企業，將更加貼近複雜易變的市場前景，因而能夠快速準確地應對消費群體的異質性需求。因此，透過直接或間接獲取和累積數據資產，建構「數據驅動」型製造企業，是傳統工業企業轉型的必由之路。具體而言，主要包括以下方面：
數據資產相對豐裕、數據價值應用較高的企業，將更加貼近複雜易變的市場前景，因而能夠快速準確地應對消費群體的異質性需求。因此，透過直接或間接獲取和累積數據資產，建構「數據驅動」型製造企業，是傳統工業企業轉型的必由之路。具體而言，主要包括以下方面：
一是建構數據聚合與分享平台。
實力較強的企業為消費者提供產品，並進行數據資源累積，透過數據儲存、挖掘和應用，為產業鏈各環節，提供數據增值服務，向產業鏈的上下游垂直整合，而實力較弱的中小企業，可以融入平台，實現數據資源的間接使用和共享。
二是實施數據驅動創新策略。
將大數據採集和應用技術，滲透至產品設計研發、生產製造、質量控制、供應鏈管理、售後服務等價值創新的各個環節，縮短產品開發週期，優化生產過程、增加附加值，提升企業競爭力。
三是發揮大數據的「正反饋效應」。
企業透過獲取消費者需求數據，為其提供產品的同時，又產生更大規模消費者的需求數據，從而激勵企業創造更優質的產品，形成良性循環的正反饋效應。
四是探索「製造即服務」的雲製造模式。
企業以雲計算、物聯網、智慧化等技術為支撐，將軟硬體、企業、知識等數據資源，存放於雲製造服務平台，消費者創造性地使用雲製造，滿足異質性需求，真正實現消費者主導製造過程，和數據資產服務於製造業。
2．實施開放式創新策略，重構工業企業競爭力
網路化供給機制，不僅促進了全球製造網路的形成，而且形成了全球創新網路。
大數據時代，一方面傳統製造企業，必須面對不斷攀升的異質性需求，和激烈的市場競爭，能否隨時直接或間接地獲取數據資源，對生產流程和決策管理，進行優化和再造，成為企業贏得市場的核心競爭力；
另一方面，製造企業產品的供給，越來越需要跨領域合作，即設計研發、機械製造、軟體開發、供應鏈管理等，跨專業和跨國界團隊的協同配合。
大數據時代，一方面傳統製造企業，必須面對不斷攀升的異質性需求，和激烈的市場競爭，能否隨時直接或間接地獲取數據資源，對生產流程和決策管理，進行優化和再造，成為企業贏得市場的核心競爭力；
另一方面，製造企業產品的供給，越來越需要跨領域合作，即設計研發、機械製造、軟體開發、供應鏈管理等，跨專業和跨國界團隊的協同配合。
隨著網路、雲計算、大數據等資訊技術快速興起，技術和知識的溢出速度加快、技術生命週期縮短、利用專業知識創新，和獲利的能力降低、企業研發風險加大等，使得企業內部與外部的創新和商業化推廣，變得同等重要。
與注重企業內部研發「良性循環」的封閉式創新範式不同，開放式創新更加註重組織內外創新資源的雙向流動。
與注重企業內部研發「良性循環」的封閉式創新範式不同，開放式創新更加註重組織內外創新資源的雙向流動。
因此，有必要透過開放式創新範式，實現協同創新效應，在利用傳統創新模式的同時，注重尋求外部成本更低、效率更高的理念、資本和技術，如採用合作研發、技術許可授權、業務眾包、產學研合作、供應商與用戶創新等。
以開放、共享、平等的理念，打造全球化製造網路組織，特別是在網路化和資訊化的創新體系下，尋求全球價值鏈整合，提升製造業附加值，由此重構工業企業國際競爭力。
以開放、共享、平等的理念，打造全球化製造網路組織，特別是在網路化和資訊化的創新體系下，尋求全球價值鏈整合，提升製造業附加值，由此重構工業企業國際競爭力。
3．融入智慧型網路化組織，實現企業協同轉型
網路、雲計算、大數據等資訊科技革命，推動人與人、人與組織、組織與組織關係快速重構，消費者與生產者之間，形成了不斷累積強化的網路組織，這必然要求傳統企業，特別是工業企業進行結構性變革，融入智慧型網路組織，實現企業協同轉型。具體而言，工業企業構建和融入智慧型網路組織，主要體現在以下層面：
一是形式層面
採用泛網路範式，即傳統工業企業與擁有行動終端、網路平台、軟體應用、數據資產的企業，建構一體化網路組織，形成企業累積數據資產，並發揮其價值的最佳範式。
二是內容層面
聯結工業網路，即利用網路和大數據，改造傳統工業製造，突破實體距離、時間成本及資訊不對稱的約束，改造傳統企業生產組織方式和空間組織方式，將實體資源優勢轉化為數據資源優勢，使製造高度數位化、網路化和智慧化，更加適應大數據時代的異質性需求。
三是本質層面
透過組織協同創新，來驅動成員提高生產和創新效率、保持組織活力、協調生產關係、利用內外部資源等，促進傳統工業企業自身產業融合，以及與其它產業的跨界融合，同時也實現與外部複雜易變的環境動態，匹配和整合創新。
四是結果層面
以資訊化帶動傳統工業企業轉型升級，透過融入智慧型網路生產組織，促進資訊產業與工業產業的滲透、交叉和重組等深度融合，在提高新的競爭力的同時，實現新型工業化的轉型發展。