工业互联网平台背景下的工业大数据与智能制造

  今晚我们邀请到的主讲嘉宾是走向智能研究院工业大数据首席专家、清华大学访问学者郭朝晖博士,郭首席是宝钢中央研究院原首席研究员,长期从事自动控制、数据建模、智能制造、大数据等研究,他经常在微信公众号(蝈蝈创新随笔)分享一些专业思考,具有相当高的行业影响力和知名度。今天郭首席主讲的题目是《工业互联网平台视角下的大数据与智能制造》,接下来,有请郭首席进入宣讲时间。

  以下为郭朝晖宣讲图文:

  各位朋友,大家晚上好!在讲这次内容之前,我的压力很大:前面几位专家已经把问题讲得非常清楚、也非常全面了,我该讲些什么呢? 后来想,就向大家汇报我的一点心得:关于工业互联网平台以及相关智能制造、工业大数据、人工智能等概念的关系。我试图用简单的逻辑把这些概念串起来。平心而论,这些观点也不都是有把握的。网友中高人很多,今天把这些观点抛出来,正好请大家帮我指出问题、改正错误。

640.webp.jpg

  准备这个报告时,我开始准备了接近40张。后来发现,说的多了反而不容易说清楚。于是决定干脆少几张。今天的话题其实就围绕这张图展开的:里面有我很多曾经的困惑。

  这张图可以分成三个部分。左边讲的是相关技术的原理、思想是怎样的,讲这些技术为什么突然一下子突然发力——其实是有了经济潜力;右边讲的是创造经济价值的逻辑,就是技术要与业务场景结合、如何寻找或者创造这样的场景。中间这一部分就是工业互联网平台以及承载的相关技术。它的作用是把技术和业务连接起来,把原理体现出来、把潜力变现、是企业推进智能化的支撑技术。

  如果没有这个支撑技术,再好的想法也难以落地。或者说,落地的代价太大、经济性不好。如果有了这个公共的支撑技术,就不要大家各自开发软件了,只要用公用的东西就行了。这样,小企业也有能力来用先进技术了。这个道理和淘宝平台其实是一样的。不过,这个平台承载的是企业自己的专有的知识、经验、诀窍等专用的“私货”,并连接人、机、物、数据等资源。这些“私货”可以自己用,也可以像商品一样“出售”、给别人提供服务。

640.webp (1).jpg

  我们先看图的左边这一部分。这部分回答一个困惑——这些技术为什么突然成了热点了?

  大家可能都知道,最近几年出的新概念特别多:从工业4.0、智能制造、大数据、CPS、工业互联网及其平台、人工智能、工业APP......这些概念让很多人觉得很悬,又怕赶不上潮流,于是就到各个地方去看很多文献、听专家报告。到头来还是似懂非懂。

  我觉得呢,这些概念不应该特别难以理解。如果觉得难以理解,那是因为陷入了思维误区、把问题想复杂了。想复杂的原因大概有几种:第一种觉得这些概念是牛人提出来的、一定有很多的学问(很多是故弄玄虚);第二个方面就是发现自己不知道怎么做,就以为自己不明白(其实是条件不够);第三个方面是相近的概念太多了,脑袋都搞大了(本来就相近啊!)。

  在我看来,这些概念其实很简单,确实是过去一些思想的延伸、相似或者相近是很自然的。我们要解释的是:为什么突然成为热点?

  这些概念被热炒的原因,是因为技术条件发生了改变。换句话说,如果过去提出这些概念、却没法实现、只能是空想、至多是写写论文、做个样板。我常举控制论之父维纳的例子:维纳或许有CPS的思想,但他的时代没有计算机和互联网、提出CPS也只能停留在生物控制层面。在前几年,互联网不发达、难以实施掌控资源时,CPS的概念几乎可以用计算机里面的“控制模型”来取代。现在到了工业互联网(智能制造时代),问题变得复杂了,要把众多的模型组织起来,需要一个更加一般性的概念来说事。于是,就有了CPS。总之,没那么悬。

  前面提到条件的改变。最重要的一个就是ICT技术的进步:摩尔定律连续发展了50年,量变到质变了。这种变化常常被人提起来,以至于很多人习以为常、当成耳旁风了——其实,如果不是身在其中,有过经历、这种变化的真正意义却难以体会到。曾经有一位年轻博士问我:现在工业上的先进技术一点都不先进、我读书时研究得就比这个深。我就告诉他,理论方法虽然不新、但技术应用是新的啊。比如,20年前,我博士毕业刚工作的时候,一个微分方程求解都没办法实时计算,更不用说CPS、实时图像处理了。所以,理论再好也不能用于实时管控、只能发发论文。

  ICT技术让技术成本大大降低。这让相关应用范围大大增加。30年前的宝钢是中国最现代化的工业企业,那时搞信息集成的100台PC机,需要经过中央领导特批!有ICT技术的进步,现在一些小企业都有办法搞了。这就是所谓普遍性、一般性的意义。条件发生变化以后,很多技术搞起来就合算了。于是,概念一下子热起来了。当然,这只是潜力,要把潜力变现还不是那么容易。而这真是我们这代人要做的事情。

640.webp (2).jpg

  下面谈谈我对互联网本质的看法。互联网的本质作用很简单:人类可以通过空间限制获得信息、掌控资源。这句话很简单、很多人都说过类似的话。大家想想看:从雅虎、谷歌、淘宝、微信、滴滴等,这些东西其实都是这个道理啊!

  于是问题就来了,为什么最近几年工业互联网才热起来呢?

  要回答这个问题呢,就要知道科技发展有个规律:技术往往是从难度最低、收益最大、成本最低的地方产生,然后向难度高、收益相对较少的领域聚散。就像流水的规律一样。在我看来,现在红领制衣的技术,和30年前宝钢搞的按合同组织生产本质上差不多。现在很多所谓的创新,本质上就是技术扩散。比如,现在很多数字化设计的技术,就是从航天、航空、军工扩散过来的。而且,技术成本越低,越容易扩散。

  我们看看,互联网的发展过程就会发现的确是难度越来越高的。最初普及的应用只是非实时地发普通的电子邮件,后来从非实时的交换到实时数据交换,从小数据到大数据,从单纯的信息交换到资金产权的交换等等。这里就不展开了。按照这个逻辑来说,工业互联网的应用一定是比较难的。但难在什么地方呢?

640.webp (3).jpg

  理解工业的本质特点:我常说一句话:确定性是工业人追求的目标。工业人追求安全、稳定、可靠。当外行看到技术的性能不断地突破极限(比如高铁越来越快)——其背后是在这种极限条件下解决了安全、稳定、可靠这些问题;而且背后这些工作量极大、难度极高!不理解这个,怎么能叫理解工业呢?有些“砖家”胆子特别大,啥都敢说,就是因为没在现场干过、没干过真正的难事,不了解这个道理。

  现代工业系统对可靠稳定要求是非常高的。为什么呢?因为出现一点点的问题就有可能出现危及生命的大事故、会造成非常大的物质损失。这一点和个人消费品很不一样。举个例子:你花了50块钱买个杯子,如果杯子不好,至多损失50块钱。但是,如果你花50块钱给高铁买了一个零件,导致高铁事故:那损失是多少倍啊?所以,“损失放大”很要命。另外,工业技术的个性化很强、默会知识很多,这些都是普通商务活动没法比的。我们会发现搞工业的人往往比较踏实,有经验的人看起来往往胆小,其实都是环境和背景导致的性格。

  工厂里面有一种说法:说的好不叫好,用的好才是好。把这句话翻译:单纯用信息描述工业技术是不够的!人们甚至不清楚自己需要什么,只能用实践来证明。所以,即便找到更便宜的,企业一般也不会随意更换供货商:怕出事啊!对互联网来说,这就糟糕了:即便用互联网把信息传过去,人家也不一定敢用。这就是工业特性约束互联网应用的原因。

  事实上,工业互联网会把网上的联结对象(如较为封闭的机器)构成一个有机的系统、甚至是动态控制系统(后面有个例子),而不是像淘宝这样松散的、一对一的联系。所谓的系统,就会有“牵一发而动全身”的事情发生。所以,工业互联网对安全、稳定、可靠、实时性的要求更高。

640.webp (4).jpg

  工业互联网领域很多的事情都与这个道理相关。工信部原副部长杨学山说工业互联网姓“工”不姓“网”,工信部信软司安筱鹏副司长说工业互联网平台应用要解决“能力度量问题”。在我看来,就是这个道理。还有些实践表明,工业互联网不像淘宝这样2C的互联网,就是打不掉中间商!也是工业的特点造成的。

  总结一下,工业界技术创新的特点是:先进技术在工业企业中能否应用,往往决定于稳定可靠性问题能否解决。打个比方说:车子能跑得快,往往不是车子性能决定的,而是车况和路况所决定、能够保证安全的速度是多快。大数据、智能制造、互联网的工业特色都能用这个道理解释。反映到实际工作中就是:理念先进技术不一定有用、但对安全、稳定、可靠有帮助的技术却往往用处很大。顺便说一句,不展开:这个道理能指导我们创新的方向。

640.webp (5).jpg

  我们现在再来谈一谈对智能的认识。《三体智能革命》中提出了智能的20字箴言:“状态感知、实时分析、自主决策、精准执行、学习提升”。这5个要点中最近本的有三个,就是把感知、决策和执行三个过程统一起来。

  我们知道,互联网是智能制造的重要推手。为什么呢?就是感知和控制资源的能力大大加强了! 管控资源的能力加强,为什么会引发智能制造呢?我的逻辑是:管控的资源多了、问题就变得很复杂了,人忙不过来或者容易出错;这个时候,必须要计算机来代替他人决策——注意,我的逻辑是:必要性增加了,而不是技术可行性改变了。

  反之,如果问题简单的话,没必要上这些高大上的概念和系统,企业干“高射炮打蚊子”的事情是不划算的。按照智能制造(smart manufacture)的含义,钢铁行业很早就具备了基本特征。那时候,日本人就对我们说:“100万吨产量的时候,靠人管得过来;600万吨的时候,没有计算机就管不过来了!” 所以,智能制造是人们不得不把任务交给计算机来完成的。这个时候才有意思。

  注意提醒一下刚才说过的逻辑:问题复杂到人没法干,这是负面问题。智能化相关概念,是解决负面问题的!解决负面问题,才有价值。当然,这些负面问题是企业“自找”的:为了更好地满足用户需求。

  让我们的感知和执行能力大大拓展了,能干什么呢?我把它总结成了六个字,就是“协同、共享、重用”。这六个字针对各种资源,包括物质资源知识资源,公司内部和外部的资源,人、设备和数据的资源等等。这六个字,既让问题变得复杂,但另一面是能更有效地创造价值,并实现智能制造快速响应的要求。

  这个图上,手和眼睛代表互联网带来的感知和执行能力,而脑袋代表计算机的自动决策。要自动决策、体现智能需要知识。对智能化来说,知识这个东西非常重要、是关键所在。有人说大数据很重要,我却觉得:外面看是大数据、里面看其实是大知识。下一页会深入展开。

  另外说明一下:要实现这个逻辑呢,需要做很多事情,包括ICT技术之外的事情,如物质条件的准备、组织流程改革、商业模式创新、设备更新换代等等。所以,推进智能制造被称为两化的“深度融合”。我甚至认为,真正的智能制造首先是生产关系的变革。很多企业觉得难,就是这个原因:改变生产关系,关键在领导!

640.webp (6).jpg

  人工智能最近很热。智能制造(Smart Manufacture)和人工智能(AI)有联系,也是有重大区别的。由于时间关系,这里只简单说几句。

  我经常给人家打一个比方,工厂里的智能主要是“吴淑珍式的智能”。吴淑珍是中国台湾地区前领导人陈水扁的夫人,内线炒股发财:陈水扁的亲信告诉她哪个股票要涨,她就去买、买了就赚。我把“吴淑珍式的智能”表述为“准确及时的信息+简单的推理”。这种智能不像巴菲特炒股,是“模糊的信息+复杂的推理”。

  工业过程智能更多的是“吴淑珍式的智能”而不是“巴菲特式的智能”,为什么是这种呢?

  要回答这个问题,还要回到工业的特点说事:人的随意性很强,是工业中不确定性的一个重要来源。所以,工厂里一般要求工人进行标准化操作、抑制随意发挥,在什么场景下做什么样的事情,是有明确规定的。

  从程序员的角度说,“吴淑珍式的智能”用的知识其实就是一些“IF 语句”。这个听起来有点土,但本质就是这个。而且,这种提法不新鲜、不知道出现多少年了。专家系统理论中有个“学术化”的说法叫“产生式规则”,就是这个东西。20年前我到北京培训一个所谓的人工智能软件,差不多就是这个东西。

  我也曾经困惑:这个东西过去为什么用得少呢?现在想来,用得也不少,但直接编程更容易、似乎没必要用那么多专用语言和工具,来“杀鸡用牛刀”。现在为什么不一样了?因为问题复杂了、管理的知识多了、灵活性要求高了,实现的办法就要重新想一想了。我觉得,对于真正复杂的问题,还是要平台来解决。我给人讲创新,常常讲到简单的问题和复杂问题的处理方法不一样,量变到质变,就是这个道理。这里就不展开了。

640.webp (7).jpg

  我们现在再来看看大数据的本质。在我看来,大数据最根本的用途是产生有用的知识、特别是用于智能决策的知识。工业大数据真的有这个潜力!我们知道,人类一切的知识来源于历史,如果大数据能够广泛完整地记录历史发生的痕迹,人们有可能大数据中获得更多的知识。毕竟,在大数据背景下,人的记忆力远不及计算机。

  当前,产生知识的“潜力”要转会为现实的“能力”,还需要有其他的前提。其中一个即所谓“样本=全体”。换一种说法就是:这个能力保证,你总能从历史数据中找到你想要的案例。在GE关于飞机发动机实时监控的着名案例中,一个重要的条件就是:一台发动机偶尔出现的故障,很可能在其他发动机上也出现过。诊断和处置的知识就可以直接利用。数据多了,这个前提就容易实现,即所谓:日光之下无新事。

  在这个前提下,有一种思维方式特别重要,就是强调相关性。我觉得,这句话很多人理解的有问题、不到位。我的理解是:所谓强调相关性就是找相似的案例。找到这样的案例,直接去模仿就是了,而不必要按照科学的逻辑去思考。就好比我们用高德导航:走一条路要花多长时间,只要看看别人用了多长时间,而不是根据时间、速度来推算时间。我觉得,这未必就是排斥因果性,而是在一定场景和范围内,不需要知道因果性就可以了。这个差别很重要:因为工业大数据强调可靠性,常常需要因果来保证。

  大数据还强调“混杂性”。在我看来,强调混杂性就是便于找到“相似的”一种保证。能够让我们能够从多个角度去分析知识、从而得到更加可靠的知识。我们知道,新一代人工智能最近很热。其背后的原因就是大数据智能可以支撑新一代智能制造范式。大数据能够让机器学习“学得好”、“学得对”、“学到本质”,甚至连一些人说不清楚的知识(如感性知识)机器都能自己学会。

  我的这些观点不一定对,但不是无的放矢。我认为:工业大数据要用得好,就要设法根据业务的需求,从这个角度去准备数据,而不是有什么数据用什么数据。否则,大数据也可能成为大垃圾。我见过很多成功的案例,都是按照这个逻辑做的。即所谓“预则立、不预则废”。

  顺便提一句:工业大数据追求确定性。这决定了其分析方法也有特殊性。特别不能把大数据当成“算命先生”、宣传有多神奇,这就和骗子差不多了。工业追求的是确定性,不是“神奇”这种小概率事件。

  有人可能会说:你怎么不提大数据4V的理论呢?说实话,我有点鄙视这种说法。或者说,至多是技术提供方关心的、不是应用技术的人所需要关心的。

640.webp (8).jpg

  现在,我们进入后半部分,再看第一张图的后半部分。做企业的都应该知道:企业采用先进技术的目的是为了获得经济效益。但不幸的是:人们常常发现采用先进技术无法带来效益。比方说,提高自动化水平时,人减少了设备成本却高了,总体上不合算。再比如,推进智能化的时候,机器代替人决策,人的工作量少了,价值却没有增加。我们下面要聊的,就针对这种误区。

640.webp (9).jpg

  导致这种现象的原因,一般是是技术没有用到合适的地方、应用场景不对。IT行业有句话很有名:要雪中送炭不要锦上添花。只有这样才能创造价值,否则可能就是资源浪费。怎样做到这一点呢?我们有位老领导说过一句很有意思的话:“用户决定价值。半杯水放在沙漠里可以救命,放在餐桌上就是垃圾”。所以,我们需要仔细研究技术的使用场景。下面我们给出几个中国企业的例子。

640.webp (10).jpg

  石家庄一家叫做天远的公司,业务是帮助人家监控各种运输设备(如集卡)。汽车出去了,老板不在身边,司机就可能干私活、偷油等等。用了互联网加上数据分析,老板就能时刻远程监控自己的车子。效益就来了。

  过去,油田的工人需要在沙漠里面看着设备。远离城市和家人,工作条件非常差。后来,他们用互联网把信号传出来,几千号人就可以离开沙漠、在城镇里生活了。而且,更少的人可以看着更多的设备。对工人来说,生活更幸福了;对企业来说,劳动力成本可以降低了。

  河南登封嵩山脚下有家叫做昊南的小公司,生产环保用的耐火材料的。企业虽小,但自动化程度相当高,缺乏设备维护的人才。他们把机器上的数据采集过来,存到计算机上。必要时直接通过互联网传给德国人,让他们决定怎么办,借用了外脑。

  这几个例子告诉我们:互联网好的应用,一定与“距离远”有关。

640.webp (11).jpg

  上海有一家叫做优也的公司,是麦肯锡的专家出来创业的。公司最近做了一件事:把某钢企的、与煤气相关的设备联系起来,进行实时控制。让煤气的使用效率大大上升。这件事原理也很简单,但过去没有互联网,技术上就很难做到。过去实时控制回路限于一个设备范围,一般必须在车间里面。现在可以把隔着几公里的不同车间的设备串在一起、形成一个实时闭环控制系统。当然,他们还有个好的想法值得推荐:先算好可能有多少收益再去做,而这是咨询公司擅长的东西。类似地,还有号称“世界上第一家智能化钢厂”的美国大河公司,这里就不展开了。

640.webp (12).jpg

  上面这些场景或许比较特殊。中国有种比较普遍的场景:就是通过互联网提升企业的管理水平。

  与发达国家相比,中国企业的管理是比较差的。我曾经调研过一家公司:管理问题导致的成本比企业的利润要高。原因有很多,比如人的素质问题、农业文化问题、私心私欲等。这样,管理的难度就很大。但是,利用互联网和大数据,领导就能够有效地管起来了。刚才说到优也公司的例子:据说系统经常给领导“打小报告”,操作工都不敢乱来了。天远公司的例子其实也有一样啊!

  这几件事让我想起十年前我做政协委员时,参观一家豆腐厂:老板把摄像头装在车间里,工人的操作就规范多了、质量和成本都好了。这个例子很形象,但大数据和这个的道理是一样的。就是让互联网促进“透明化”、“扁平化”。这些管理理念,在互联网、大数据的背景下,容易做到了。

  对于这种逻辑,一个常见的问题是:老板哪有时间看呢?对于这个问题,我有两个观点:

  把历史过程完整地记录下来(形成大数据),即便老板不看,至少也“有据可查”;也能促进管理水平的提高。

  在大数据的基础上,推进“智能化”(吴淑珍式的智能):必要的时候自动推送给老板,让老板用少的注意力获得大的“关注力”。这就是用智能化提高管理效率啊!

  实际上,实现这些功能都离不开工业APP和PaaS平台。我在后面会讲到这些内容。

640.webp (13).jpg

  对于某些管理上特别好的公司,可能真的难以找到好的场景。这时,要推进智能化的办法就是对企业进行转型升级。在我看来,提高自动化、智能化水平都属于转型升级:也就是未来的工作方式、场景、市场定位发生变化。

  但这种转型升级一定要注意:一般不能仅仅考虑劳动力成本或者劳动量的降低,而要考虑到其他的附加价值。否则,先进技术在经济上可能不划算。比如,通过智能化改造,提高质量、降低成本、进军高端市场,提升设计研发或快速响应能力等等。具备这些能力的原因是:这些改造能够减少人的负面作用和干扰、让机器的反映比人更快,而不是仅仅代替人。

640.webp (14).jpg

  转型升级之后,新的场景就出现了。很多技术由原来的锦上添花变成了雪中送炭。上面这张图是我常说的逻辑:

  通过互联网的应用,实现大范围的“协同、共享、重用”。这一方面会提高企业的快速响应能力,也会对技术提出挑战。比如,问题太复杂了、人忙不过来了! 但这种挑战,恰恰就是智能化的动力啊!让机器去智能决策啊。当“智能决策”是“逼出来的”,一般就会产生价值了。

  这些事还可以产生连锁反应:比如,人离开了生产现场,从事更富有创造性的“知识生产”,从而让人的生活更加美好等等。其实,技术的发展就是像一个“多米乐骨牌”:一件事推动另外一个事情的发生,技术半步半步往前走,以至于“积跬步以至千里”,导致了工业革命。技术发展就是这样的规律。时间关系就不展开了。

640.webp (15).jpg

  智能化转型说起来容易,做起来是有点难的。如何推动呢?我想是有三类人写作来完成。

  1、设计场景与目标。企业家的事。要看企业家的眼界。目标设定的好,会让技术有施展空间。但设定目标一般不需要深入的专业知识。

  2、设计好推进步骤。靠总师能力,难点是战略规划。要点是让后续技术工作简单、便于操作、减少风险。

  3、做好技术细节。这是科技人员的任务。战术级的难点在处置细节和风险,学术问题其实并不多。

  我实践中体会到一种现象:优秀的企业家往往低学历、优秀的CIO很多不是IT相关专业毕业的、好的技术往往少用先进的理论。上面三条大概可以解释这种怪事。

640.webp (16).jpg

  现在再谈谈对平台的看法。有个朋友说各种互联网平台的本质和淘宝差不多:就是促进连接。我觉得这句话是有道理的,但是要考虑工业的特点、工业的要求——怎样然更大家放心地用、更可靠地用。涉及到企业之间的关系时,要涉及更严格的标准、信用等方面的问题。这些方面,呼唤更多的创新——否则,工业互联网的应用就会限制在公司内部、走不出去;相当于企业内部为可靠性和信用背书。

  我喜欢从经济性的角度看问题。平台重要的另外一个原因是涉及到成本和质量的问题。一家企业把平台建好,很多家企业都能用。这样,经济性就可以大大提高,小企业就有能力来用。这种共享不仅降低了成本,也可以通过重复使用减少平台的“BUG”、提高可靠性。

  最近,工信部推一个工业APP的事情。我觉得这件事非常好。在我看来,这就是要建立一个知识共享的平台。这件事意义非常大,但难度也非常大。需要在探索中逐步明确起来。这张图是几年前我对知识管理平台的一点设想,还非常不成熟。

640.webp (17).jpg

  最后,我再把智能制造、工业互联网等概念的关系串一下。个人的想法,观点不一定对。

  GE在工业互联网白皮书上有一个副标题“Pushing the Boundaries of  Minds  and Machines”。我把这个副标题翻译做“重构人和机器的边界”。我认为,这句话本身就是一个很好的切入点和视角,能够反映工业互联网、智能制造的根本思想。

  随着工业互联网在工业界的广泛应用和机器、产品的智能化,将会形成一个巨大的Cyber Space。人类越来越多地通过Cyber Space 同物理对象打交道。换句话说:Cyber Space 能够让人体离开所控制的物理对象。

  随着Cyber Space 越来越复杂、数据描述越来越完整,越来越多的工作可以通过机器自动决策来实现,这其实就是智能决策(虽然不一定要AI)。从这种意义上讲,智能的本质就是能够让人体有条件离开Cyber Space,获得更大的自由。当然,人体离开Cyber Space 是有条件的,最好能让智能决策做得比人更好。

  这个Cyber Space运行的痕迹,就构成了工业大数据。利用工业大数据,人类可以获得更多的知识。虽然有些知识可以让机器自动产生,但人类的灵活性是机器难以比拟的。所以,未来人类的一项重要工作,是丰富完善Cyber Space,尤其是丰富其中的知识。而这些知识,又会进一步促进智能化的发展。

  当然,推进这些想法的时候,都要注意渐进发展的原则;不要搞基于“大跃进”、“放卫星”,还要遵从技术发展的规律。比如,要根据实际情况,不一定急于把人踢到控制回路之外。有经验的专家,不会无谓地冒险。人与机器的边界,一般是渐变的。

640.webp (18).jpg

  根据前面的观点。我画了一张图,以平台为核心描述了智能制造、大数据、工业互联网、AI等概念之间的关系。这里想谈几个碎片化的想法,可能有点片面,但大的路数可能是这样的:

  1、新一代人工智能在工业中的应用。这里说的“新一代人工智能”,就是“吴淑珍式的智能”之外的东西,如图像识别。这些技术也会很有用。我认为主要作用可能是解决感知的问题(就是我画眼睛的地方)。工业界中很多地方需要人靠眼睛、耳朵、鼻子等感觉器官来检验质量。我发现,自动化程度高、质量要求越高的工厂,人工检验员的比例往往就越大。这严重影响了自动化程度的提高。而新一代AI本质上是让计算机具有了“感知的知识”、“感性认识”;而不是像“吴淑珍式的智能”那样说得清楚、可以用人来编码的显性知识。这一点,经济意义非常重大。从技术上说,可以让更多的人离开控制回路,意义也很大。

  2、从大数据到大知识。无论是人说的清楚的、“吴淑珍式的智能”所需的显性知识,还是说不清楚、需要机器自学习的“感性知识”,以及成功的案例、失败的教训,也可以归结到知识的范畴。我觉得,大数据的关键作用就是形成知识,并通过知识推进智能(人体逐渐离开Cyber空间)。这个就是DIKW体系给我们的启示。在此基础上转型升级。所以,“大知识”才是个关键的环节。企业一定要为形成大知识多动些脑筋,做平台的人更应该注意这个。这件事不能等待、要自己思考,因为问题不会自己解决。

  3、知识的数字化、模型化、工业APP。很多企业都重视工业知识管理,但往往没有管好,成了形式主义。一个原因就是:工业知识的应用、掌握不容易。其实,即便给你一本书,一般也要花很长时间去学、搞不好还会用错。但变成数字化和模型化知识以后,应用就方便了,甚至可以被机器直接来用! 所以,知识的数字化、模型化、工业APP本质上是解决了知识应用的困难、让知识复用的难度降低。一旦知识复用的比例提升,“知识生产”的经济性就会发生巨大的变化,就会有越来越多的资源投入“知识生产”。当然,这些观点也不是新的,只是现在推动这件事的意义变得巨大了。

  最后说明一下:我是站在一个工程师的角度来思考问题的——也就是怎么做事、做什么事情。这个角度和方法与有些人研究的角度和方法是不一样的。我这些观点不一定对。我吃不准的时候,就结合历史发展、结合实际背景去考虑一下,怎奈自己的见识很有限,难免以偏概全,更欢迎各位专家批评指正!

  谢谢大家!

(0)

本文由来源 工业互联网前线,由 iotcn 整理编辑!

LensNews

热评文章

发表评论