21 世紀初，當技術世界還并無“維護”二字時，發動機、電梯等設備故障維修解決的是后果，而維護則是“事前諸葛”。有了預測，就可預防，維護優化工作才可真正實現提質增效降本減存。“直到 2000 年，我發現有些事情不是那么正確了，因為很多數據沒有被高效地利用。”李杰教授在采訪中說道。

　　為此，先后在美國自然科學基金會(NSF)、美國聯合技術公司(UTRC)擔任研發要職的李杰教授在 2000 年做出了一個重要決定——去大學任教并啟動工業大數據的研發。在當時，這還是一個從未被挖掘過的領域。

　　那么，工業人工智能如何提升產業競爭力? 人工智能會造成大量失業嗎?工業大數據和我們日常常說的互聯網大數據究竟有什么關系?帶著這些問題，小編此次采訪到了身處工業自動化與機器人領域近 40 余年的科學家——李杰教授，這位為“工業大數據”命名的科學家將向你講述關于人工智能、工業大數據領域的那些事。

　　挖掘工業大數據的價值痛點

　　20 世紀 80 年代初，當美國汽車產業開始逐漸意識到與日本產業之間的競爭時，自動化、機器人視覺等技術相繼獲得重視，美國品質革命就此開始。在此期間，李杰教授先后在美國自然科學基金會(NSF)、美國聯合技術公司(UTRC)擔任研發要職，主持研發了普惠發動機、奧迪斯電梯等新一代產品和項目，并資助了包括增材制造(3D 打印)與納米制造等多個項目。

　　眾所周知，大數據的來源之廣、歷史背景之深共同組成了“大”的特性。但相比于互聯網大數據，工業大數據來源于供應鏈和制造流程等眾多環節，其特性更聚焦在問題點，而不是需要點。

　　“互聯網大數據是從數據中找尋還未產生價值的東西，工業大數據則是從痛點中尋找怎么避免讓你‘痛’的東西。”李杰教授解釋道，工業大數據與互聯網大數據最大的區別在于工業大數據有非常強的目的性，而互聯網大數據更多的是一種關聯的挖掘，是更加發散的一種分析。

　　換句話說，相比于互聯網大數據通常并不要求有多么精準的結果推送，工業大數據對預測和分析結果的容錯率遠遠比互聯網大數據低的多。互聯網大數據在進行預測和決策時，僅僅考慮的是兩個屬性之間的關聯是否具有統計顯著性，其中的噪聲和個體之間的差異在樣本量足夠大時都可以被忽略，這樣給出的預測結果的準確性就會大打折扣。但是在工業環境中，如果僅僅通過統計的顯著性給出分析結果，哪怕僅僅一次的失誤都可能造成嚴重的后果。

　　李杰教授曾提出一個“煎蛋模型”，來闡述產品與服務價值之間的關系。蛋黃代表的是產品自身，其差異性程度并不明顯，例如一臺電視機在擋住了 Logo 之后就很難被區分出來是哪家公司生產的。而蛋白所代表的價值卻是差異化的重要體現，也是企業的品牌和可持續性價值的所在。而數據將成為挖掘這些價值的重要手段，其主要體現在：

　　1、利用數據挖掘在使用中獲得新的知識和技術對現有產品進行改進;

　　2、利用數據去發現和定義用戶未知的需求;

　　3、以數據為媒介向用戶提供增值服務。

　　經驗可以傳承，但無法長久傳承，但具有邏輯性的數據可以傳承。煎蛋模型，就是從大問題導向到大價值導向。蛋黃是大問題，蛋白是大價值。數據是從大問題開始，但它絕對不是目的，必須要做到大價值并發揮最好的作用。

　　就在不久前，由工業和信息化部指導，中國信息通信研究院、工業互聯網產業聯盟主辦的第二屆工業大數據創新競賽決賽答辯正式落下帷幕 [注]。作為競賽連續兩年評審團的專家，李杰教授在倍感欣慰的同時也深有感觸。高校參賽者的基礎算法能力雖不容小覷，但是由于沒有基礎數據，項目構建過程中仍有很多問題。對此，李杰教授總結道，若要真正實現智能制造，我國仍需要一批工業大數據的年輕生力軍，下到工廠，讓算法的能力補償有經驗的專家，相互結合補充，共同助力工業智造高質量發展。

　　工業智造關鍵要素 ABCDE

　　傳統人工智能概念始于上世紀 50 年代。半個多世紀以來，人類利用自然語言、神經辨識、神經網絡或形象辨識等方法，讓機器學習規律，進而提供廣泛維度解決方案。相較于前者，工業人工智能隸屬垂直領域，其屬性聚焦于工業制造系統，涉及汽車、飛機、輪船等移動工具的安全性、節能性、耗油性，工業制造機器人的穩定性、精密性、風力發電的效益性、節能性等相關課題。

　　李杰教授在談到工業人工智能的關鍵要素時說道，工業人工智能可以用“abcde”的特征進行分類，這些關鍵要素包含分析技術 (Analytics Technology)，大數據技術 (Big Data Technology)，云或網絡技術 (Cloud or Cyber Technology)，專業領域知識 (Domain Knowledge)，證據 (Evidence)。

　　分析(A)是 AI 的核心，它只有在其他要素都存在時才能產生價值。大數據(B)與云(C)是提供數據來源和工業人工智能平臺必不可少的兩個要素。然而，專業領域知識(D)和證據(E)也是常常被忽略的兩個重要因子。專業領域知識(D)是下列事項的關鍵要素：

　　1、了解問題并專注于利用工業人工智能去解決它;

　　2、理解系統以便于收集正確且高質量的數據;

　　3、了解參數的物理含義以及它們如何與系統或流程的物理特性相關聯;

　　4、了解這些參數因機器而異。

　　證據(E)也是驗證工業人工智能模型以及它們與累積學習能力相結合的重要要素。收集數據形態模式及與它相關聯的證據，我們才能改進 AI 模型使之更加準確全面并且與時俱進。這也是當代人工智能、工業大數據領域從業者需要具備五個重要資質。

　　現如今，人工智能時代已悄然來臨，機遇就在前方，發展就在腳下。但自 AI 熱潮掀起以來，業界對于人工智能取代人類工作的討論就沒有停止過。對此，李杰教授表示人工智能并不是取代人，而是在做人類做的不好，或者人類不想做的事情。

　　早在上個世紀 80 年代的美國，人工智能就已應用在一些簡單的控制領域，包括機器人，機器視覺，形象識別等技術。而機器人智能化并不是要取代人們工作，而是幫助人找到一個更高效、更靈活、更健康的環境。當業務的空間維度高，復雜性高，不確定性高的時候，人工智能就可發揮自身優勢，協助人類進行工作。

　　[注]：2019 年 1 月 13 日，由工業和信息化部指導，中國信息通信研究院聯合工業互聯網產業聯盟、華為、富士康、積微物聯共同主辦的第二屆“中國工業大數據創新競賽”決賽答辯會議在中國信息通信研究院隆重舉行。

　　競賽自 2018 年 11 月啟動以來，吸引了來自海內外近 3000 名參賽選手。兩道競賽題目分別為“鋼卷倉儲吞吐量預測”和“刀具剩余壽命預測”，由清華大學軟件學院王建民院長和美國智能維護系統(IMS)中心主任、富士康工業互聯網副董事長李杰教授分別擔任專家組組長。聯合主辦方華為公司也為競賽提供了云計算資源和華為云 EI 機器學習服務的支持，富士康和積微物聯分別提供了真實數據資源和應用場景。同時，競賽也得到了北京工業大數據創新中心、昆侖數據、天澤智云、美國國家儀器、ABB、蒂森克虜伯等國內外企業和研究機構的大力支持。