工業4.0的大趨勢下 考生如何選擇專業？
http://www.199rrr.com 2016-06-13 09:02 來源：網易科技 盧鑫
導讀：如果時間可以倒退幾年，讓我們用一種“馬后炮”的眼光看“如何選擇大學專業”的問題，計算機科學無疑是理工科生們當年最佳的選擇。碼農雖然起薪高，但這兩年薪資增幅被CE和EE的工程師趕超。
如果時間可以倒退幾年，讓我們用一種“馬后炮”的眼光看“如何選擇大學專業”的問題，計算機科學（CS）無疑是理工科生們當年最佳的選擇。在移動互聯網高度普及和國家積極鼓勵互聯網創業的大環境下，“碼農”雖然有工作壓力大、強度高等種種遺憾，但在薪資待遇和市場需求等方面卻是今天其他類專業畢業生望塵莫及的。
雖說小編此刻也并不敢預測：“互聯網創業熱”在經歷幾年的狂歡后就此已步入降溫通道。但縱觀全球各主要經濟體都在加緊布局“工業4.0”的現實——于本周剛剛結束高考并馬上要面對專業選擇的同學們，你們是否要繼續追逐“互聯網+”紅利，還是應提前為“第四次工業革命”做準備，則是眼下不得不去認真思考的問題……鑒于此，本期《易評》便特別圍繞“工業4.0”這個話題，就未來新趨勢可能對各項專業造成的就業影響做些粗淺分析，以供有需者參考。
注：小編雖然兼職小編，但本職為美國某制造公司首席工程師，在工業自動化和智能化領域有多年從業經驗。透露此信息并非要標榜自己，只是想表達一種態度：網易科技的小編不會不負責任地在原創內容中留下未經考證和可能誤人子弟的信息。當然，本文內容也只限于小編在美國中小型制造業的見聞和實際經驗，而像通用汽車、波音這類大規模機器人生產流水線的實際情況則很可能會與小編的認識有所不同。本文內容只供參考，不應被視為對某個專業的推薦。
什么是“工業4.0”？
搜索這個問題，相信會看到很多很專業的回答。不過小編這里希望將自己的一種理解拿來與易友分享——“工業4.0”是一個被包裝好的概念（但不是虛無縹緲的），與我國提出的“中國制造2025”，和美國提出的“工業物聯網”（Industrial Internet of Things，簡稱IIoT）屬同一內容框架下的東西。只不過，“工業4.0”還隱隱包含了“第四次工業革命”的喻意——雖然小編本身并不完全認同這種觀點（有一種聲音認為這只能算得上是第3.5次工業革命，而量子學的普及和應用才可能是真正意義的第四次）。
其實，是否能被定義為“第四次工業革命”并沒有太大關系。作為產業鏈的一個參與者，我們只需要理解其核心價值即可：工業4.0 = 工業3.0 + 互聯網。
如果將以上公式進一步分解，則會得到：工業4.0 = 數字化/自動化工業生產 + 遠程智能監控 + 生產智能管理 + 產能智能分配 + 物聯網數據采集 + 大數據分析……等等。總而言之，“工業4.0”并不是一個擁有固定標準的硬指標，并非用上了機器人，或者購買了一套現代化的ERP軟件，就等同于進入到了“4.0的時代”。工業4.0應被理解為一種社會產業結構的長期發展方向，任何一家公司都可以參與到其中，任何一家公司也并不需要符合前述公式中的全部條件才算滿足“工業4.0”（你可以只是其中的一小環）。
如此理解何謂“工業4.0”之后，我們就能夠細談每個專業在未來趨勢變化時可能面對的挑戰和機遇了。
理工科專業
以下為小編根據“工業4.0”大環境下最可能需要的人才類別，對當下熱門專業做的一個排名和說明。先后順序并沒有什么嚴格標準，完全基于小編自己認為的重要性、發展前途和錢途。緊挨著的兩個專業，排名先后意義可基本忽略。有的專業會要求碩士以上學歷，文中會特別標明。
1. 計算機科學（Computer Science）和軟件工程（Software Engineering）
移動互聯網帶來的創業熱可能已經走過巔峰，但是互聯網的應用，以及社會對軟件人才的需求絕對不會呈現下滑趨勢，除非又一次金融危機爆發，但那也只是短時性的影響。軟件開發人才在可見的人類未來，將絕對是最有前途的。當然，這其中也會有很多細分，譬如網絡的前端開發和后端開發、大數據分析算法的開發、人工智能的開發，以及傳統應用軟件（桌面端和移動端）的開發等等。
基于云端的大數據分析、SaaS（軟件即服務），在未來會是主流趨勢，尤其是工業4.0下有關閑置產能分析、機床設備的使用壽命預測、生產工藝的監控和提升等等，這些都會用到大數據分析。如果說沒有足夠的軟件人才，實現“工業4.0”就基本等同于一紙空談。
傳統應用軟件市場在未來還會有相當規模，畢竟工業領域用于控制機床設備的軟件是必須本地化的。只不過，工業用軟件可能十年、二十年都不會更新（只要設備仍可以用并符合生產要求，企業升級整套平臺的意愿極低），因此傳統軟件的開發肯定不會比互聯網公司需要的軟件人才更加龐大。
2. 計算機工程（Computer Engineering）和電子工程（Electrical Engineering）
這兩個專業大體可以歸為同一個，但研究生以上學歷和本科學歷的市場需求差別將會很大很大。本質上，研究生以上學歷更符合“工業4.0”下的機器人研發要求，而本科學歷則適合在制造業擔任安裝、測試、維護和控制系統設計及編程等工作。后者跨度很大，并不必然在“前途”或者“錢途”方面遜于研究生，只不過其中很大程度要取決于個人工作經驗和接觸項目的可塑性等等，譬如設備安裝測試工程師與SCADA系統設計兼開發工程師的薪資待遇就有天壤之別，盡管兩種職位的基本要求都是CE/EE類本科生。
說到“工業4.0”，很多人第一時間會想到機器人，譬如最近新聞里報道的富士康全面上線機器人以取代人力，致使工人大量失業……
事實上，富士康生產線所使用的機器人早在二三十年前就已經有了（當然沒有現在那么強大），如今我們只不過是借著“工業4.0”的口號，和互聯網無處不在的影響，讓曾經的機械臂、機械手、全自動機床等通過傳感器和網線變得更加融會貫通、更加智能。在概念上其實并沒有完全意義地創新，數字自動化是“工業3.0”就已經實現的技術。
然而，“工業4.0”現在提出要讓機器人能夠自動協調生產，并能夠根據不同的生產要求進行功能重定義——譬如ABB公司推出的Yumi雙臂機器人。一雙手能干什么？今天你讓它做電子產品組裝，明天也可以讓它穿針引線做裁縫。總之，開發這樣高性能的機器人需要極高的工程學造詣，本科生并非不能參與，但四年時間恐怕還不足以掌握到足夠的技能來作為支持。
不過，不做前沿技術的研發也并非意味著不能參與工業4.0的升級改造貢獻。機器人研發出來終歸需要相對專業的人士來安裝部署和維護管理吧？這里不涉及底層硬件的開發和編程，但可能會要求學習某專業軟件的調配，因而會是一個適合本科CE和EE的地方。
還有一個高尖傳感器產品的研發——這是“物聯網”和“工業4.0”賴以生存的基礎——然而也是一個更適合CE和EE研究生人才的市場。此類公司事實上已經存在很多，且大多都是巨頭，他們未來的招聘規模可能會擴大，但考慮玩硬件的成本高，對經驗的依賴程度高，新人想要進入這一領域并非易事。
相對于“碼農”崗位，CE/EE的各種職位需求在“工業4.0”的帶動下會出現一波顯著增長，但總量不會超過市場對軟件人才的需求。高級研發人員的前途會比較樂觀，而本科畢業者則會面臨較大的競爭壓力——雖然制造業升級會需要大量CE/EE人才，但是資深經驗的藍領技工（被機器人替換下崗的資深藍領們）恐怕會比本科畢業的大學生更加勝任機器人維護和測試的工作。當然，掌握前面提到的SCADA和PLC編程是可以很大程度幫助提升競爭力的。
3. 數學
沒錯，會編程的數學系研究生、博士生在任何年代都緊缺。數學專業的研究生們就是為了解決偉大算法而來。人工智能、大數據分析、自動駕駛等等……哪一樣不涉及高深算法？一個懂編程的數學天才往往是開啟又一扇大門的關鍵。
當然，這里的關鍵詞是“懂編程”。因此從嚴格意義上來說，這類人才是可以歸并到第一類“碼農”的。
4. 物理和機械工程（Mechanic Engineering）
首先，同數學專業一樣，這兩個專業的學生或早或晚也都要掌握一定的編程能力，然后就有機會參與到“工業4.0”標準的機器人項目開發中。現代機器人追求的是激動和感知的精準，從此前波士頓動力公布的機器人畫面就能得知，身后扎實的物理學基礎和機械控制技術是取得成功的關鍵。
如果細細體味其中的挑戰，相信不難發現：這兩個專業也是學歷越高越好的。當然，機械工程本科畢業的同學可以去搶CE/EE本科同學的飯碗（前面提到的），如果能完成ME和CE/EE雙學位，并學會PLC編程，一些工廠的自動化機床幾乎自己就能完成設計和改造了。這樣的人才現實生活中是存在的，也不需要研究生以上學歷，是工業4.0趨勢下最不可或缺的工程師種類之一，尤其對于那些中小型無法采購大型商業流水線機器人的制造商而言，進行內部自我改造升級將是最經濟、最快速接軌工業4.0的途徑（具體表現為給已有設備加裝傳感器，通過對PLC再編程來改變和改進功能等）。
5. 生物醫學工程（Biomedical Engineering）
也是僅限于研究生以上學歷的專業。其實生物醫學工程被視為“潛力股”、未來發展重點已有很多年，然而由于過去所選擇領域不多，一直存在著“供大于求”的問題。直到近兩年來人工智能技術又出現了井噴式躍進，作為唯一能“橋接”人類大腦和計算機大腦的工程研究領域——當然也不是所有該專業領域的研究都能跟人工智能扯上關系，一般以腦和神經科學的研究為主——生物醫學工程還是很有前途的。
但是，這里的關鍵詞有兩個：特別優秀和耐得住寂寞。前者決定了你是不是有條件跨界進入互聯網巨頭做第一線AI的開發，后者是多年研究不出結果后仍能堅持到最后的必要條件。
6. 信息技術（Information Technology）
這個大類下可能包括了網絡安全、網絡工程以及IT管理等多個專業。這些專業在互聯網剛剛興起的時候可能會存在較明顯差異（市場需求、薪資待遇等），但在今天的工業4.0環境下，它們都顯得重要，但又都不會比過去更有市場和前途。
重要意義主要體現在網絡安全和數據安全兩個方面。其中，考慮到設備聯網將是“工業4.0”的核心表現之一，因此萬物聯網的趨勢必將會對防火墻的保護提出極高要求。此外，大數據是“工業4.0”的另一核心表現，海量數據想要安全可靠地存儲于某個地方，將也必然會對傳統IT行業提出挑戰要求。
然而，這一切都不能算作對傳統IT運維方式產生了顛覆性影響。老牌IT解決方案公司生產的產品，在今天仍是完全能滿足“工業4.0”的各項要求。也許萬物聯網會使得互聯網的數據承載量出現幾何式增長，但隨著越來越多的企業都開始選擇將IT運維外包和托管予第三方公司——運維市場的就業情況即便在未來不減少，也應該不至于擴增。所以小編不會認為這是一個非常值得優先考慮的專業選擇。
7. 土木工程、化學、環境科學等等所有其它理工科專業
放在理工類排名的最后，并不是因為它們不值得選擇，或者不好找工作，而是小編一開始就強調的：工業4.0對這些專業的直接帶動影響幾乎為零（當然，如果經濟發展好了，各行各業都會有正面影響）。
本文是圍繞“工業4.0”及其未來影響而寫，那些傳統的、針對性強的專業，如土木工程和航空航天等，本質上不會因為工業4.0的到來而與今天的情況有所不同。當然，小編也不排除存在沒考慮到的情況，望見諒和指出。
文科類專業
小編本以為文科專業與理工科下的第7類同屬于不會受到“工業4.0”直接影響的專業類別，但仔細想了一下，不完全正確——經濟學和管理學的同學從現在起恐怕要一直把“工業4.0”這個概念銘記于心才行。因為既然被稱為“工業革命”，不管是3.5還是4.0，可以肯定的地方是它將必然會對全球經濟產生一個積極的影響。
譬如，4.0模式一旦成型，物流和原材料（又可能涉及農學了）的管理就一定會出現天翻地覆的變化，一個比較直觀的例子就是：當無人駕駛汽車技術開始成熟，而Uber和滴滴等專車服務提供商紛紛開始引入，那么閑暇之余的無人車是否可以送個貨，成為企業采購、運送鏈條中的一環？將是物流業者需考慮的一個問題。理論上，工業4.0下用人工智能管理的無人車是可以精確找到閑置資源的利用空間的，從而讓產能實現最大化。
再舉一個例子：當生產設備都裝上了傳感器，能夠通過收集數據預判斷出設備使用的壽命和零件更換周期，那么理論上某家設備供應商就很有可能會在某個時間點精確地算出旗下客戶將有多少個會在下個月采購多少量的替換零件。如此一來，企業的庫存管理成本就會降至最低，很多過去的管理理論也許會就此不復存在。
這并不是說管理類的文科生職位未來必然面臨數量縮水。而很有可能的是，過去大量的教科書內容恐不得不作出與時共進的更新。最后，當社會的經濟體系都開始改變了，還有什么傳統認知的專業領域會不發生改變？或多或少。
工業4.0在美國的情況
正如前文所說，“工業4.0”將是一個長期方向，美國現階段也尚在摸索和努力的過程。不過與“中國制造2025”不同的是，美國的“工業物聯網”是由企業巨頭發展到一定階段后自然而然地提出，而不是由國家“頂層設計團隊”來制定的戰略方針。這其中的差異如果具體剖析就意味著：
美國實際上已經走完了工業3.0的發展階段，而隨著互聯網的不斷滲透，“工業4.0”幾乎已經是呼之欲出——雖然德國人最早使用了這個名詞，但美國那套早已高度現代化的工業標準，也并不是在今天因為某個新詞的誕生才突然出現。所以，美國后來就基于“物聯網”的英文單詞重新包裝了“工業4.0”這個概念，即：工業物聯網，一套面向工業應用的物聯網體系。
總之，不管有沒有一個專門的詞來形容美國的工業水平，其已完完全全走過工業3.0的發展則是無法爭辯的事實。
反觀中國，包括央企和國企在內，還有多少生產線至今仍在大量使用著人力？有人會說美國是故意把那些勞動密集型制造業轉到了中國。這種觀點沒錯，但我們今天不就是要談如何把這些不得不使用人力的制造業轉型成為符合“工業4.0”要求的有競爭力的企業嗎？這會是一個巨大的挑戰，然而我們不能只提出一個口號，讓有錢的主大批量采購現代化機器，讓頂起中國出口半邊天的中小型制造業“自生自滅”。
所以，“從內部改造”會是一種比較符合國情的發展路線。前面提到的理工科本科生們會有很多發揮想象的空間和機會。
最后附上一張2015年美國工資增幅前十名職位表。“碼農”雖然起薪高，但這兩年薪資增幅被CE和EE的工程師趕超。這個現象與本文的分析似乎有些不謀而合？
1. 機電技師：9.3%
2. 電子與電腦工程師：8.3%
3. 副廠長（制造業與物流業）：8%
4. 機械工程師：7.4%
5. 質量工程師：7.4%
6. 網絡工程師：7.4%
7. 辦公室經理：6.7%
8. 維修經理（制造業與物流業）：6.7%
9. 軟件工程師：5.5%
10. 客服中心專員：4.6%
（文/ 網易科技 盧鑫。本文主觀性陳述僅代表網易科技小編個人觀點，不代表本站立場）
編輯精選
