數據模型又叫黑箱模型，指基于數據的模型，相關的概念包括人工智能，數據挖掘，機器學習等。數據模型有幾個不足，首先，得有大量的數據；其次，數據的分布必須合理；其三，分析方法得恰當，否則存在于數據之上的模型可能和事實并不吻合。數據建模的軟件也很多，例如專業軟件SAS，而Hadoop與Oracle也提供數據分析包，云計算服務商則提供物美價廉的計算服務，機器學習的研發人員可能還習慣用Python，R語言。還有很多計算工具，如Excel也是非常實用的工具，而Matlab提供非常豐富的機理仿真和數據分析工具。從人工經驗，到數據分析，到機理規律，是對事物越來越理性的刻畫。完美的建模過程，應該包括三個步驟。人工經驗是模糊的，也是引發思考的；數據分析，已經在慢慢量化，初步揭示了事物之間的聯系；深層次的機理規律才是真正揭示了事物因素間的必然聯系。嚴謹的建模過程，最好是三者吻合，最起碼是兩者互相驗證，互相補充，單純依賴一種結果是可怕的。

例如，傳感器裝再多，也不可能無處不在，因為傳感器需要成本，而且需要有合適的安裝位置。合適的機理模型，加上傳感器數據的驗證（或者通過傳感器數據確定機理模型的參數等，專業術語叫辨識），就可以獲得空間、時間維度更完整的信息。

德國的優勢在于人工經驗和機理規律，弱勢在于數據分析能力（德國人口少，信息技術和數據分析技術很難廣泛頻繁運用，所以數據分析技術并不發達）。所以德國的模型是基于機理規律的，是直觀的。

日本的精益制造中，非常突出人工經驗。而美國的優勢在于數據分析和機理規律，弱勢在于人工經驗。美國NI公司的最新嵌入式控制器網絡同步精度小于100ns，體現了美國人對數據的孜孜不倦的追求。TS16949質量體系，也體現了美國人對數據的鐘愛，是早期工業化與信息化融合的優秀范本。

中國在數據分析上有一定的優勢，弱勢在于人工經驗和機理規律，也就是專業軟件。長期起來，各類專業軟件都是盜版的。加上中國產學研脫節比較嚴重，很多大學的研究成果是無法深究的。如果建立合適的產學研通道，學校的老師和博士還是有能力的。研究成果無法深究，很多時候不是能力問題，而是和社會溝通不夠，從論文到論文，沒有把理論應用到實踐。如何將院所研究與企業實踐做到完美的融合，是當下中國智能制造急需克服的成果轉化的事情。

綜合起來，人工經驗、機理規律和數據分析各有利弊。各個行業和公司，需要采用合適的建模方法，以最大程度提高公司和產品的核心競爭力。中國當下已經有非常低成本的獲取工業數據的辦法（得益于百度云、阿里云的飛速發展）。數據回來了，人工經驗分析下曲線，也已經可以獲得有意義的信息了；通過數據分析，即使是只用Excel，也可以解決很多問題。阿里云對于采集、存儲與數據分析都非常低廉。建立統一的工業互聯網也許痛苦，但子系統依靠儀表以及原有的控制系統，采集數據并不那么難。即使實在不行，還可以借鑒TS16949質量體系，采用表格，也可以回來有價值的數據。

工業化與信息化融合是智能制造的必經之路，打磨和應用這三把利刃是最大的基本功。