大数据带来了无穷的想象力和无所不能为的信心，随着消费、政府、物流等大数据行业的快速发展，工业领域内，数字设计、数字工厂、数字制造等概念也一哄而上，仿佛工业大数据已经成为拯救实体经济的“大力丸”，中国有着规模庞大的各型工业设备、丰富的设备使用场景，中国的工业大数据随处都是。
贵阳大数据中心，以政府主导型的数据为基础，基本是城市数据、政务数据、物流数据等;阿里云是以消费者数据为基础，十多年淘宝发展历程，沉淀了大量的用户行为数据。
但是，对于那些不分昼夜轰鸣的设备，工业数据仍然是暗无天日的黑油、黑煤炭。对中国制造业而言，些许的光亮或闪烁，远没有到大规模发光发热的时代。更为重要的事情，还需要工业领域去优先解决。
2. 先有鸡还是先有蛋
对于第一次工业革命的发源地，煤炭在英国发挥了巨大的作用。1700年，英国煤产量是世界其他地区的5倍;1800年，是欧洲其他地区的5倍。然而，谜团犹在，英国拥有煤炭，好像是该国逃离农耕陷阱的根本要素。但与此同时，德法日和清朝，都有大面积煤田，却未得到大规模的开采。煤炭与工业革命的关系值得明辨。实际上，这不是一个煤炭创造了工业革命的问题，而是工业革命创造了煤炭需求的问题。换言之，英国煤炭工业的飞速发展，只是财富和技术已经到达高水平的一个征兆。
煤炭对于英国第一次工业革命的战略意义，此刻正如工业大数据之于中国制造2025。由于蒸汽机的驱动，煤炭犹如脱缰之野马，成为工业革命源源不断的动力。正如一把复杂钥匙吻合一把锁，这种类似的模式，第一次将人力一劳永逸地解脱出农耕时代。工业根基肇始。一段时间后，这个开锁程序被世界模仿，并且换成石化燃料和内燃机。这一模式，影响了随后二百多年的工业史。
随着智能制造的发轫，看上去这个模式，马上就要交给了工业大数据。而此刻，我们必须意识到，数据对于新工业革命的意义，尤其是对于中国制造2025的意义，是一种全新的密码锁模式——中国工业化还并不太熟悉的一种模式。数据、信息和知识的关系，有时候容易混淆。大致而言，数据最开始都是未经组织的，大量存在却价值极低;底层的数据需要通过信息化和工业化，才能转化为知识体系。从数据到信息，本身就是一种过滤机制——这需要一种提炼，然后可执行、可传递的信息形成知识。知识分为隐性和显性，隐性知识往往存在于人本身之中，传递性很差。
3. 工业领域的信息化是工业大数据的保护神
工业领域数万亿个设备和感应装置进行互联互通创造巨大的数据，经过分析整合后产生的“商业洞察”，正成为物联网这一巨大新市场的核心价值。与此同时，随着工业物联网和数字化转型的进程，软件产品与其他业务的组合已成为未来发展的趋势。但是，我们工业化短短的行程，使得我们习惯于硬件思维和设备思维，还没来得及形成珍惜工业数据的意识。对那些有着厚重的工业技术体系和知识转化的GE、西门子而言，当他们在说工业大数据的时候，他们有着一个我们很多企业没有的隐含条件。不要将无数的现场数据等同于工业大数据。
就中国制造业而言，知识才是最大的拦路虎。工厂中各种数据，如果没有领域知识和业务建模的前提，不过满工厂堆砌起来的一座座数据垃圾山。对于企业而言，必须静下心来想一想：数据何在?知识何在?这是一种全新的范式，我们并不熟悉它：工业大数据模式，需要先看懂密码锁规格，再去找钥匙。
这就需要构建诸如工业相关的系统架构与平台，既包括了向信息化软件平台提供大数据基础的互联互通能力，又能实现数据采集监控与运营控制，实现边缘控制;其可扩展性应用、分析及服务能够为用户提供运营管理、资产管理、信息管理、供应链管理等方面的优化与升级，从而帮助企业提升在全生命周期内的连接、分析、运作、优化，助力工业数字化转型。
4. 数据密集型的核心是数据科学家的密集型
就工业大数据而言，最重要的就是对它进行密集型的分析——工业知识断不能缺位。GE在谈及工业互联网的时候，给与了“专业知识”以高度的重视。工业大数据不是传统的数据统计分析，而是基于专业知识的引导，才能挖掘出数据真正的价值。数据科学家将会成为新的人力密集型产业的生力军，不要奢望做几个模型自动处理数据就行了，大量的工作还是离不开数据科学家的工作。显然，知识体系必须重新作用于数据本身，才能形成工业大数据的价值。在工业领域，“无知识，不数据”。没有工业经验的线性化指引，数据就不会高速转化，工业大数据的价值，就不会产生。
对于数据而言，信息化作了第一次提升，使得数据归类、文本化和沉淀;但必须通过工业化才能进行第二次提升，才能将数据提升到知识的高度，形成真正的Know-how、经验、最佳实践、直觉;在此基础上，挖掘形成大数据的新产业价值。
中国的工厂必须用知识来解放数据。中国制造者们，此刻必须开始意识到，我们最熟视无睹的“数据浪费”， 已经成为一种新的触目惊心的挥霍。这是一种可怕的工业无知。它如一只令人生厌的乌鸦，站在设备的控制板上，嘲笑着我们在设备上所做的大把大把的投资。
5. 工业大数据的价值挖掘是慢工细活
在中国，企业通过数字化手段对研发、生产、运营和服务的全生命周期进行有效管理，优化运营、提升利润，有着比全球工业领域更为迫切的需求。有数据显示，未来15年中国工业互联网市场规模将超过11.3万亿元。其中91%的企业计划采用工业云，37%的上“云”企业希望加大预算，继续用工业互联网改造传统制造业。到2020年，中国工业互联网占整体物联网市场规模将达22.5%。
这些积极的信号显示商业环境的变化让数字化转型成为工业领域提高竞争力势在必行的途径。但“从整个市场的角度看，基于数字化的转型在中国工业领域并没有达到质变的阶段
就设备的效率而言，我们需要设备自动化;
就资源的浪费而言，我们需要精益生产观;
就数据的效率而言，我们需要知识自动化;
就数据的浪费而言，我们需要精益数据观。
从工业大数据的角度，中国制造业尚处于数据的黑金时代。所有企业都将逐渐意识到数据的重要性。但如何能够完成数据的解放，将数据释放出来，仍然需要穿过“无视知识”的认知障碍，仍然需要借助大量的专业化知识。这是中国两化深度融合过程中，工业化必须单独回答的命题。数据导向型制造这一概念已经诞生了很长一段时间。在 20 世纪 80 年代，金属加工领域的研究人员就曾设法制造自适应性的刀具监控系统，以测量切削条件、将数据与所设定的工艺标准进行比较并在随后调整加工参数，从而实现工艺的稳定性并最大限度减少意外加工事故的发生。
这些系统采用传感器和探针来测量切削力、功率、扭矩、温度、表面粗糙度及声发射等工艺因素。不幸的是，当时的传感器技术非常落后，无法提供必要的速度和精度以确保完全有效;计算机的处理速度慢，而且需要更大的存储器来实时处理大量的数据。此外，先进的数据采集和管理技术在当时也极其昂贵。这些缺陷导致几乎不可能在加工期间调整参数。这样就造成了一种鱼和熊掌不可兼得或非此即彼的情况。如果收集的数据超过所设定的最大限值，加工工艺会直接停止。最大限值是在并未充分了解和洞察切削工艺的情况下设定的。除了缺少足够先进的数据处理技术外，还未掌握一个关键的概念，那就是在加工工艺的众多物理现象中，大多数现象—温度、力、负载—都并非静态条件，而是不断变化的动态条件。
例如某种加工中的切削力的平均值可能达到 1000 Nm。但在大约一半的时间中，这些力要高于 1000 Nm，并在其余的时间内低于这一水平。如果将系统的停机阈值设置为 1000 Nm，当力看起来过高时，系统将停止加工。(请注意，这些图形显示的是在 8 微秒内执行的测量，以展示力的变化速度有多快。)在 20 世纪 80 年代是不可能进行如此快速的数据处理的。
现如今，在将近 40 年之后，传感器和计算机技术在精度、速度和价格方面都有了很大的改观。制造工艺研发本身历经四十个年头，已经积累了丰富的经验并能够非常深入地了解关键的加工要素。尽管编程和维护等计划活动都发生在加工时间以外，但其他因素，例如操作员犯错、刀具破损、工件损坏以及系统问题，都会无谓地导致加工时间变长、成本增加。在损失的时间中，切削刀具只占很小的比例，工件材料和工艺异常情况也是如此。工作人员和系统耗费的时间所占据的比例要高出许多。
工业 4.0 非常重视数字化数据采集、互联网和云存储，但这些元素只是解决方案的一部分。最后，必须分析所收集的数据并制作物理模型或示意图，以说明存在问题的工艺。在网络物理系统中，会将所收集的数据与示意图进行比较，系统会生成反馈以执行工艺修改，从而产生所需的结果。工艺控制由工作人员以及能够在很短的时间内实时分析数据并将其与模型进行比较的计算机共同完成。要制作这样一个模型，需要充分了解加工。不幸的是，加工代表着一种很难准确描述的现实情况。例如，模型必须能够识别工件材料的动态属性，因为工件硬度的变化会产生不同的切削力。不过，要测量每个工件的硬度是不可能的。在某些情况下，工件的硬度可能比材料的标称硬度高 10%，导致切削力也要高 10%。