物联网概念首次提出者是谁

凯文·阿什顿。

英文名Kevin Ashton，他是麻省理工学院的执行理事和麻省理工学院自动识别中心的创始人。

因为提出了物联网的概念，所以也被称为“物联网之父”。凯文·阿什顿曾说过：互联网时代美国第一，物联网时代中国第一。

提出过程：

“物联网”概念最早是他于1998年春在宝洁公司的一次演讲中首次提出。

90年代中期，艾什顿加入宝洁公司做品牌管理，负责发布玉兰油彩妆系列。当他走入零售店铺巡视时，发现了一种棕色的唇膏总是处于售罄的状态，而库存里却还有不少。

一开始，艾什顿被告知这只是偶然的现象，但经过调查，他发现至少在十家店铺中，有四家存在同样的问题，没有在货架上有针对性的摆放正确的产品。

当时，零售商利用条形码管理库存，但是这并不能帮助他们选择应该在货架上摆放何种商品，因为条形码无法跟踪物品的位置信息。而零售商推出的会员卡中，会内置一种应用了无线射频识别技术（RFID）的无线通信芯片。

这让艾什顿产生了灵感，如果在口红的包装中内置这种芯片，并且有一个无线网络能随时接收芯片传来的数据，零售商们就可以获知货架上有哪些商品，及时知道何时需要补货了。

于是，艾什顿开始在宝洁公司的内部讲座中使用“物联网”的概念，认为移动互联技术可以使得万物相连，帮助人们更好地做出决策，这引起了广泛关注。

当时作为麻省理工学院（MIT）赞助商的宝洁公司遂派艾什顿与MIT合作进行研究，成立了自动识别（Auto-ID）中心，将物联网的概念变成了现实，专注研究RFID技术以及智能包装系统。

6月29日，由南京市人民政府与未来论坛共同主办，中国国际贸易促进委员会南京市分会、南京经济技术开发区管理委员会、南京市国际商会承办的 “2019未来论坛·南京峰会”正式 开幕，本次峰会的主题为 “同行･共创” 。

在开幕式上，南京市人民政府副市长胡洪，红杉资本中国基金合伙人、未来论坛理事周逵作为主办方代表分别对所有参会嘉宾表达了欢迎与感谢。南京经济技术开发区管委会副主任沈吟龙对人工智能产业新地标“中国(南京)智谷”的打造作出重点介绍。

在随后的大会主旨演讲环节上，浙江大学求是特聘教授、浙江大学医学院附属第一医院双聘教授、浙江大学应用数学研究所所长、浙江大学理学部图像处理研发中心主任、大数据算法与分析技术国家工程实验室杭州创新中心主任 孔德兴 ，元禾华创投委会主席、未来论坛理事 陈大同 ，英国帝国理工学院教授、中国人工智能产业创新联盟专业委员会主任委员及鲲云 科技 联合创始人及首席科学家、英国计算机学会（BCS）会士、英国皇家工程院院士、美国电子电气工程师协会（IEEE）会士 陆永青 ，地平线创始人兼CEO、未来论坛青年理事 余凯 ，为与会者带来了海内外最前沿的科研信息及成果转化经验。

在上午的论坛上，行业优秀的企业家、科学家与投资人围绕 工业物联网 、 中国芯片 两大热点 科技 领域主题进行了演讲和创新对话。

智能制造是振兴实体经济、加快工业转型升级的重要突破口。我国近年来相继推出一系列智能制造的战略规划，通过工业物联网实现数字化、网络化，能够提升企业的生产效率和产品附加值，缓解生产成本。

上海全应 科技 有限公司董事长兼CEO夏建涛 在“工业互联网技术及其在热电生产智能化中的应用”的主题演讲里带来了在工业互联网时代，关于热电产业化的观点。他认为我国工业主要有两大问题：

上海全应 科技 有限公司董事长兼CEO夏建涛

工业互联网平台出现能够解决上述问题，它对离散制造业来讲重点在于智能化的管理，对流程制造业重点在于工艺的控制。其在工业企业运用中主要有三个场景， 第一是在生产中运用，第二是对企业的数据进行管理和决策优化，第三是实现全产业链的资源优化配置与协同 。夏建涛以热能生产行业为例，分享了工业互联网在产业里如何使用及使用的效果。同时他还提到“海量数据+智能算法+超级算力”会产生超越人智力的智能化系统，将深刻改变人类 社会 。

会后，亿欧新制造频道与夏建涛进行了交流，他表示目前的工业互联网最终是要落实到具体的应用场景，企业采购任何一个设备或是系统，他需要计算投入产出比，需要能够切实地解决现有的问题，“一个工业互联网平台，或者一种技术能否说服客户，取决于你是否能为客户提供切实可计算的价值。”

玄羽 科技 董事长李鸿峰 在主题演讲“AI赋能3C制造”分享了在3C行业的智能制造。玄羽 科技 选择3C制造作为智能制造的一个切入点，是因为看到了3C制造在今天已经面临着 三大困境 ：

玄羽 科技 董事长李鸿峰

当一个产业面临这些困境的时候，就必须考虑通过技术创新和成本优化进行转型升级，这就催生了他们对智能化制造的需求。3C制造行业的特点一是 高度 离散 ，二是 迭代非常快 ，这样的行业优势在于：通过 科技 手段能带来效率提升的价值空间很大。劣势在于：由于其太离散，改造的过程十分困难。在这一背景下，玄羽 科技 最开始选择的路径是以头部企业为主，它的特点是产线基础比较好，理念比较强，可以带动整个行业。

他表示 智能制造 并非是自动化，而是智能化 。在今天的技术上，智能制造一定是算法和算力的结合，通过数据和算法的方式，切入到智能制造，并且带来巨大的价值。

慧联无限首席科学家胡昱 在主题演讲“让产业动能更强劲——数字化产业园区20”中主要分享了工业物联网的工作场景之一“数字化产业园区”的具体应用。

慧联无限首席科学家胡昱

“数字化产业园区”的价值在于利用LPWAN技术帮助园区内管理者提高管理水平和对园区入驻企业提升服务质量，他详细介绍了智慧园区解决方案的架构、平台的概述以及在实际案例中利用数字化运营的方法，并分别概述了解决了来自园区不同角色的痛点问题，希望最终打造一个构建结合园区的开发商、运营商，地方政府还有行业协会综合的融合平台。

工业物联网的核心是信息智能与工业智能的融合。通过采用信息技术，例如物联网、大数据、人工智能、区块链、5G等实现以数据驱动的工业应用的信息化与智能化，进而提高产业效率，创造价值。协合新能源集团执行董事兼CTO、未来论坛青创联盟成员尚笠尚笠作为对话环节的主持人与各位企业领袖、科学家针对发展工业物联网，难度究竟在哪里？即将到来的5G网络时代将怎样推进工业和制造业的数字化变革？从工业自动化向工业智能化升级，产业和企业如何把握新机遇等问题展开了讨论。

科技 创新对话——工业物联网:“智造”升级

慧联无限首席科学家胡昱 认为工业物联网在中国会不断往前走，但是在这个过程中，有一些定数会被打破，包括我们的工业。他认为工业物联网的IT和OT的融合还需从组织架构和战略两方面来进行。另外，从工业物联网技术创新角度看，他认为传感器创新非常重要。

清华大学计算机系长聘副教授、博士生导师李丹 认为，现在工业物联网从概念到落地，已经在是在缓慢增长的阶段，后面会越来越好。这是因为技术上是成熟的，产业的需求也在。另外，他认为IT和OT的结合，本身就会催生出新的技术创新的机会。

玄羽 科技 董事长李鸿峰 认为工业物联网要有一个循序渐进的客观规律。工业物联网IT和OT的融合，就是两化的融合。这种融合依托的是“彼此理解”的融合，信息化的人一定要了解工业上的东西，工业人一定了解信息化的东西，在实际的项目上进行打磨、成长，这样才能在将来真正意义上增加两化人才。他认为工业物联网创新，数据是基础，没有数据就没有依托了，数据从量变到质变，就会衍生出应用的创新。

毕马威中国管理咨询服务主管合伙人刘建刚 认为工业物联网的应用现在不仅仅是一个概念的问题。怎么把概念落为实处？一是要从需求导向；二是战略驱动；三是企业本身的能力建设；四是必须要场景切入；五是生态系统协同的能力。从工业互联网行业发展来讲，要有标准：一是工业互联网接口开放的标准；二是融合后的IT架构的标准。

上海全应 科技 有限公司董事长兼CEO夏建涛 认为工业物联网只有正向、增强性的循环，这个产业才能真正落地。工业物联网要IT、OT深度在一起，认为云+端的创新，对工业物联网技术创新非常重要。

启明创投合伙人叶冠泰 认为，促进工业互联网的发展，非常必要的一点是IT和OT的紧密结合，但更为重要的关键点是缩短打通整个行业的利益链条。

推荐阅读：

制造突围，粤港澳大湾区企业转型在路上

物联网、大数据、机器人纷纷助力，离散制造业要走的智能化之路

工业互联网的前世今生：初探工业互联网

随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。

腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。

腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。

他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。

在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。

此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。

最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。

--------------------------------------------------------------

以下是演讲稿全文：

各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。

在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。

既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。

那如何实现智能问答机器人呢我们先来看最基本的单轮问答机器人的实现原理。

熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。

retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。

那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。

上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。

但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。

CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;

另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互 *** 作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。

下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。

上面的模型是比较复杂的模型，参数量有58M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。

而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。

以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份z号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。

前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。

下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。

在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。

在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。

以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图

提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。

另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。

最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。

主讲人介绍：

陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。

尊敬的评委、观众：大家好，今天我想分享励志故事，让我们一起感受内心的力量。这是来自非洲的故事。一只年轻的狮子被困在了陷阱里，绞尽了所有的力气，可还是挣脱不开。而恰巧，一位好心的牧民路过，看见它的痛苦，便放生了它。年轻的狮子跑出了陷阱，但它却发现自己已经无家可归，离开自己的家庭和群体已经很久了。所以，这只狮子决定独自闯荡天涯，开始了它的征途。途中，狮子遭受了许多挫折，曾经也一度感到过沮丧和无助。但最终，它意识到：习惯了依靠别人的支持固然好，但现在自己也可以成为支持别人的人。于是，这只年轻的狮子很快变得势不可挡：它不再像之前那样失败，总是面带愁容；而是充满自信地面对每件事情，它在外面结交了许多好友，帮助他们解决了一些问题，甚至救了一些热心的老朋友。最终，这只狮子找到了新家，和一群新朋友一起建立了他们的领地，也变成了他们的领袖。这个故事告诉我们：人有没尽头的潜力和无限的可能性，当我们自己的力量足够强大时，我们就可以给别人提供帮助和支持。而不是一味地依赖和期待别人的帮助。这种自信和勇气是我们成功的关键所在。只要我们努力不懈，就能够实现自己的梦想，迎接新的挑战，开始新的旅程。朋友们，如果你也正面临着挑战和困难，请放下任何的恐惧和顾虑，把握心中的力量，坚定地向前走。相信自己，相信一切都是有可能的。谢谢大家！

物联网是基于互联网之上，使不可交流的物体与物体之间进行交流，而产生的过程，称之为物联网。在过去的十年中，我们见证了各种设备通过网络连接在一起，各种传感器，温度计，交通、流速传感器以及数据传输。
大家都听说过互联网，那有没有听说过物联网呢？
首先从字面来理解，就是物品和网络之间相连。起初这个概念最早是由美国提出来的：把所有的物品通过物联网域名相连接，进行信息交换和通信，以实现智能化识别、定位、跟踪等等的一种网络概念。当然了，物联网的官方定义是：是基于互联网之上，使不可交流的物体与物体之间进行交流，而产生的过程，称之为物联网。

先看“人单合一”说的是什么。其中“人”是指员工，“单”为用户，“人单合一”就是把员工和用户连到一起。这是表面的理解，深入到企业组织的变革就是：企业从生产产品的组织转变为孵化创客的平台；企业裂变成很多个自创业、自组织、自驱动的小微组织，自主经营、自负盈亏并按单聚散；组织单元内每一个人都是创业者，而不是执行者，每个人都有一定的股份，得到相应的收益，并且是由自己创造。

企业实现“人单合一”的管理模式要求要向“三化”变革，即企业平台化、用户个性化和员工创客化。三者的关系——用户个性化是目的，企业平台化是必要条件，员工创客化是充分条件。实行“人单合一”的组织变革，企业平台化的目标是，从科层管控转变为创客平台，把企业的宗旨从长期利润最大化变为追求成为小微的股东之一。用户个性化的目标是产消合一：生产者、消费者合一，达到用户最佳体验的目标。达到这个目标，要基于共享经济。员工创客化要达到的目标是实现德鲁克所说的“让每个人成为自己的CEO”。企业平台化、用户个性化和员工创客化共同构成了海尔的企业管理体系。

实践是检验真理的唯一标准，“人单合一”管理模式的成功是由海尔的实践印证的。比如国际标准制定是国际产业领军者必争之地，而在智能制造方向上，IEEE（美国电气和电子工程师协会）、ISO（国际标准化组织）、IEC（国际电工委员会）三大国际组织都选择由海尔牵头成立大规模定制和工业互联网平台的国际标准的制定和研究。这是海尔从与德国、美国、日本等国家的企业激烈竞争中胜出的。之所以能够胜出，就在于“人单合一”模式指导下的海尔是以用户为中心，而其他的模式没有真正地把用户需求和用户价值有机融入到平台生态中。

比如，在产业升级引领方面。海尔打造了一系列跨行业的人单合一模式样本。衣联网，把洗衣机、洗涤剂、服装行业都联合到一起，通过建立生态圈，连接了2000多家资源方，将用户的洗衣需求和对服装等其他行业的需求都融合到一起，产生一个又一个新需求，并不断满足用户，实现各方共赢。

目前“人单合一”模式已在全球实现了跨地区、跨行业的复制落地，并取得了不俗的市场效果。以全球最大的地毯公司斋普尔、俄罗斯乃至世界上最大的钢铁生产商之一的谢韦尔和日本领先的信息通信技术企业富士通为代表，全球29个国家的62975家企业已经注册成为“人单合一”的联盟会员，通过学习模仿人单合一模式，进行企业管理变革的深入 探索 。

新的时代，需要新的管理模式。互联网的下一步就是物联网，物联网时代主要是体验经济，时代大环境的改变，品牌的标准也会改变，过去是产品品牌，互联网时代是平台品牌，而物联网时代应该是打造生态品牌。如张瑞敏所说：“中国的企业从来没有自己的管理模式，我们都是学西方的。今天在物联网时代，他们的传统经营管理模式已经不灵了，也需要创新。从这个角度讲，我们和他们站在同一条起跑线上。”

“人单合一”模式就是张瑞敏、海尔，乃至中国对即将到来的物联网时代的管理给出的答案。在近日举行的第四届人单合一模式国际论坛上，全球领先的洞察与咨询公司凯度集团、全球顶级学府牛津大学赛德商学院携手海尔集团正式发布《物联网生态品牌白皮书》，标志着全球首个物联网时代的品牌标准诞生。这说明，海尔已经在物联网领域抢占了高地。

海尔在物联网时代到来之前开创了“人单合一” 模式，颠覆传统企业组织架构，取消科层制，实行网络化组织，从过去企业管理中，对人的假设是“经济人”和“ 社会 人”，升华为“自主人”，是对世界管理理论的创新。2017年两会之上，李克强总理在参加山东代表团审议时，称海尔创造了新管理模式。

2019年11月18日,被誉为“商业思想界奥斯卡” 的Thinkers50评选在伦敦揭晓,张瑞敏继2015年和2017年后第三次荣登该榜。Thinkers50于2001年建立,是全球首个管理思想家排行榜，两年评选一次。张瑞敏再次入榜,是因其“人单合一”管理模式被认为是“继福特模式、丰田模式后的第三代企业管理模式,是应对物联网时代的创新模式”。伦敦商学院教授迈克尔•雅格比德斯在听了张瑞敏的演讲后认为,张瑞敏之所以在国际企业管理领域享有盛誉,是因为他始终坚持“人的价值第一”,将中国传统文化精髓与西方现代管理思想融会贯通,兼收并蓄、创新发展、自成一家,他创新的管理理念为全球管理界 探索 输出了符合时代特征的商业模式和经典案例,创造了充满竞争力的海尔文化。

“天变不足畏，祖宗不足法，人言不足恤”。海尔推行“人单合一”的管理模式曾是在怀疑声中进行的，克服了内部、外部重重阻力，即使现在仍不乏质疑、漠视这一新管理模式的企业和个人。然而随着物联网时代的到来，“人单合一”的管理模式必将获得更有力的印证、更广泛的推广。

也许以“人单合一”模式重塑管理将是绝大多数行业企业的最终选择。

本文刊载于《中外企业文化》2020年11期

---