產業智能官 6/25
李傑
美國辛辛那提大學特聘教授、美國NSF智能維護系統中心/工業人工智能中心創始主任
大家好，今天我想講一些案例，因為我的一本新書《工業人工智能》馬上要出版了，預計6月份會在上海宣佈發佈。今天我把這本還在修訂的書帶來了，主要給大家介紹為什麼要重新定義工業人工智能，以及這和互聯網有什麼關係。我認為在工業互聯網裡儘管每個人都不一樣，每個企業做法也不太一樣，但是有一個關鍵點卻相同，即一定要為客戶解決其不能解決的問題，或者客戶可以通過你達到目的從而得到價值。不管是賣魚的、賣清酒的還是輪船高鐵的經營者，其目的都是一樣的。
1991年我進入美國NSF，大家都知道這家機構比較中立，做出來的東西全世界分享，完全公開。當時克林頓在任，官員的責任就是研究20年之後的事情，每天吃飯談20年之後的事。1995年我被公司派到日本先進產業研究院，即日本的工研院，我帶去日本的項目就是把互聯網用在機器上面，這就是美國的第一個“互聯網+”項目。那時候日本是利用衛星實現遠程控制機器。當時我代表NSF進行發動機和電梯的遠程控制研究，成果形成的論文也是唯一可以找到最早的文章。那時的速度建模一定與遠程控制相關，至於為什麼要建模，原因在於不可能只靠數據做決策，這明顯不夠。
後來1998-2000年我在美國做研發總監，2000年之後在智能維護中心擔任了教授，這個中心擁有全世界100多個企業，而且還誕生了很多新的企業。我今天就講中國的高鐵和中船。
最近這幾年我寫第一本書的時候，也是從滴水湖這裡開始寫起的。2015年開會期間上海交大創辦了先進產業研究院的工業大數據，我在會上講完之後便決定將書寫出來。這本書描繪的是2001年-2015年整合的案例，後面包括智能製造，雲上的工業智能以及最新的工業人工智能都能在下個月看到。
今天講工業互聯網，按照歷史來看基本上有以下幾種轉型做法：一是像互聯網公司說我也可以加上一個應用，變成“互聯網+”、“互聯網+金融”、“互聯網+零售”，我用人臉辨識看顧客購買了多少次，多少次不買，根據零部件的喜好來確定顧客信息。這些叫做工業互聯網與智能轉型模式，能夠帶動製造後面的過程，新制造、“工業+互聯網”、汽車、鋼鐵、風電都是如此，他本來做產品的，有問題就加互聯網，遠程可以看到，就專門監控你，不行就關掉。質量+互聯網，生產線連在一起，把整體質量問題找到，我就可以解決生產線的問題。這個成功率很高。還有就是AI大數據+雲技術賦能模式，我也可以給你解決很多問題，只要給我題目，所以你就可以做賦能。
重點來看為什麼要做互聯網，這一定有原因，雖然人是一個事情的核心，但是人和物是自然的連接，人不能沒有物。麥克風是演講的目的，所以人和麥克風要互動才能產生價值，重點是麥克風不會告訴人要做什麼，需要人有系統地管理物，比如說某某APP管理出行。我們可以利用AR、VR等技術進行遠程的管理，但是當物加上傳感，它就能以通知的方式管理人的觀念。這說卻對也不對，比如說汽車可以直接通知人在哪裡，但是必須有一個系統管理它，告訴它人是什麼東西，這個系統就是我們今天講的工業人工智能。工業互聯網是管理系統，而不是一個高大上的技術系統。工業互聯網中，我們今天要做的一定是解決顧客最大的痛點，工業互聯網公司要準備好看到最醜陋的一面，否則不要去做。這裡面的數據的技術，包括分析的技術、平臺技術、OT技術，這裡面要做的東西都是很重要的。今天講到DT，AT，PT，OT，這幾個T現在談得最多是PT。我是平臺公司，你和我合作就可以解決問題了，這個是夢想和幻想。做平臺的公司自己一定要已經成功，自己有一個平臺，接著讓問題得到解決，甚至兩個不認識的人在平臺上面解決問題。我們現在很多企業把平臺當成陽臺用，有什麼東西都放平臺上。雲平臺基本上是一個平臺，有6個分享，分享存儲，分享網絡，分享計算機，這個是基本的功能。最重要的是分享資源，不是自己有一個東西專享，而是你用的東西別人可以用。還有分享服務，分享生態，這可以帶動其他很多做生態的東西。機器出了問題，傳感器公司、維修公司都可以在這裡，數據在我這裡，所以誰先拿到數據。數據是用戶的而不是你的，所以這到底是誰的數據。這到底來講就是今天互聯網的戰場。很多公司說我要做雲平臺，要求別人給它們做出來。話不是這麼說，因為用戶和價值是在這裡產生的，只是看別人願意不願意用你的。比如說一個設備，一個機器，數據出來了，我開車就可以馬上利用車子裡面的數據和GPS定位，路況信息都一清二楚。上海政府對此不清楚，因為沒有實地考察過，但是我自己開車經過這些路，所以我知道。因此可以把車子產生的數據變成一個生態，這個
數據生態從傳感器出來，這個是知識生態，哪一個地方不好，哪個地方正在賽車等信息都知道，這就是服務生態。三個生態做成之後就變成自然生態，但是從哪一個開始則是隨機的。就像輪胎振知道哪一個輪胎不好就從哪裡調整一樣，車子數據是你的，所以你可以做很多事，但是輪胎公司不知道。就看誰可以想到。比如說軸承APP的使用。我在通用公司工作的時候，1983年我們有一個叫查理的專家，他只要耳朵一聽，就知道這機器是軸承的內環壞了，再一聽就能發現軸承本身外環也不好，因為內環、外環、滾珠的頻率不一樣。我想說為什麼需要人去看？我們對軸承進行分類，綠色就是正常的，白色是外環，黑色是滾珠，藍色是內環，這個分類方法很好，只要開始繞了就能發現是外環問題，我們過去需要有37年工作經驗的專家來識別，而現在只需要用一個振動信號即噪音信號，而且這個數據可以全世界用，我們將數據捐給美國NASA。現在在NASA網站查一下，已經有超過3萬次下載。利用這個數據寫畢業論文並畢業的博士有850多位。我也要做成一個APP，任何人只要告訴我什麼樣的軸承，什麼樣的速度，APP直接自動幫你判斷有什麼問題。這樣一個APP在每個人都使用後就會變得值錢。不分黏性和彈性，大小型號軸承都可以用，因為顧客的輸入才能形成APP，這現在已經很成熟了。我們做工業大數據、工業人工智能，要幫助顧客找到他不瞭解的問題。重要是用戶和價值驅動。這個是最重要的目的。
現在怎麼看數據質量？發動機、輪船，高鐵等數據很多，第一個可以找到高鐵，滾珠軸承，中國的高鐵是跑300公里一小時，200公里以下的軸承中國自己可以做，200公里以上中國不能做，都是進口的，因此要知道可不可以用。很多公司說我有很多數據，我們花了6個月的時間來收集數據，但是你們的這些數據不能用，因為你們沒有背景資料，這就好比捐了很多血，但是不知道你有沒有艾滋病或者膽固醇一樣，所以我們不敢用你的數據。數據可不可用是一個重要標準，這已經是上億的產業，因為很少公司可以做這個事，這要做人家不能做的事，數據本身是斷裂的，因為拿來的時間不一樣，拿來做的方法也不一樣，數據的背景不一樣，輪船航行時天氣的背景，飛機起飛時的高度、風速都沒有，要做數據的省油服務幾乎是不可能的事。不瞭解天氣的資料，對發動機懂再多也做不出來。可不可以用歷史數據或者同類型的數據做比較呢？能不能找到關係，找到還不瞭解的問題，什麼樣的風速，什麼樣的溼度，風電葉片會結冰？甘肅不會結冰，到安徽會結冰，因為天氣溼度不一樣，路況和車子的平穩度什麼關係，都不知道，因為數據沒有歸類，所以人很難做決策。
2017年我們信通院辦的工業互聯網，主要看風電會不會結冰，當時1600個團隊，最後選了12個團隊，6個團隊做皮帶損傷，6個團隊做風電結冰。其中富士康有3個團隊，有人會問他們怎麼搞這個東西，因為他們說做大數據很強，不搞風電也可以預測出來。我慢慢更瞭解富士康，發現這個裡面我們可以有很多合作，就協助他們做工業互聯網。
後來我到富士康捐出這個數據之後，華為用雲平臺，一個是物流，一個是刀具，能預測出來刀具怎麼斷裂怎麼損耗。來參加的全部都是高校的，沒有企業界。中國企業界自己獨當一面搞工業互聯網真的很難，第一沒有時間，第二沒有環境，給你數據但沒有分析時間。有的有工具但沒有顧客數據，有的則正好相反。
我發現人工智能從上世紀80年代開始到最近已經有了相當大的改變。近幾年國內炒作的特別厲害，從互聯網+到工業互聯網，到雲再到CPS，再到人工智能都有連續炒作。納米技術從1993年的時候就開始研究，搞了將近20年，現在博士生都找不到工作，現在納米還談嗎？沒有錢所以不談了。我看人工智能再搞十年也沒有錢了，因為做不出東西怎麼有錢。大家要清楚，一個領域不能炒過了，人臉識別、聲音智能之後，人工智能怎麼賺錢，是比較大的挑戰。
因此未來我們人工智能投資的可能性、可成長性、可用性都很難驗證。我產品可以用還需要你投資嗎？我直接找客戶馬上用了，為什麼還要你投資。以前搞機器人，機器一故障半個小時，損失的錢你來賠。那還要不要？所以機器人企業一個個死了。我可以用你的，但如果判斷損失你要承擔，你卻又不敢，那叫什麼人工智能。數據環境會變，它不是固定的。需要辨別出來什麼地方出問題，所以在很多方式裡面解決一個系統工程，如何驗證這個系統是否可用就很重要。所以我當初定義工業人工智能（維基百科也是我寫的）時寫道，人工智能是認知科學，是研究如何將圖像和自然語言用在醫療以及辨識上的科學，所以成功率是有的，但問題是怎麼讓成功率不受到任何變化的干擾。國外的人工智能並不是解決一個奇幻的問題，問題解決完之後，就可以重複解決，這可以很穩定地傳承下去。
比如說我退休，有人接替我，取代我，比我以前稍微好一點，但是好不到哪裡去。以前一個個學，不同的專家不一樣，人工智能用訓練的方式可以做，但是每次零部件要更換，系統有變化都要重新做，老系統和新系統無法自動覆蓋。因此現在人工智能必須要做自動調整，它可以一直做調整。這個裡面他需要這種東西。我們要看哪一種方式適合解決什麼問題。
第一個中國船舶案例。我之所以要做中船互聯網，是因為當時韓國在做並且技術處於第一，那個時候中國還不是第一。要做船的監控，泵，軸承，我說船最大的問題就是耗油性，當時根據船舶的位置，每天角度的變化，根據它的阻力可以找到關係。現在整個團隊都已經形成並實現了民營化，我們可以一年省掉6%的油費。第一條智能船是2017年12月6日正式成立，業務並不是賣船，而是賣船的管理和服務。有幾個人聽過寬度學習？這是我們犯錯經驗得出來的，很多東西在運轉，有很多風電在運轉，但是要監控每個風電嗎？所以我們申請寬度學習專利，學生3次考試，總考好的沒有問題，總考得不好就補習，所以就知道哪一個不好哪一個好。高鐵有兩個轉向架，每個轉向架有4個電機，一比就知道哪一個不好。我可以很快知道哪一個風電好或不好，放在一個風電裡面看，看哪一個風電哪一個不太穩定。不管天氣好不好，船出去就可以做維修，一比就知道哪一個不好了。我們要去巴黎旅行，問十個朋友哪裡好玩，問了十個知道了，哪一個地方好就去哪一個地方。
高鐵在開動的時候，很多的數據從輪轂中產生，高鐵十幾節，一節有兩個轉向架。我們當時做了整個群的監控，這個裡面根據速度變化爬坡加速減速找到類似性，就可以找出哪一個好哪一個不好。我知道中車哪一個電機不好，哪一個節車箱什麼問題，一比較就出來了。這樣很快，因為總共2萬多輛車要怎麼用。所以整個高鐵可以往上拉起來。有一天比如說中車的車子出來之後，動車和諧號，信號出來一比知道哪一節哪一個電機不好，集中在這個電機和其他的電機做比較，就可以得出哪一個最差。把整個系統變成整個集成，中車可以很快找到不好的電機。這個就是寬度學習。
下一個案例就是電池，電動車也是一樣，特斯拉有2000多個電芯。電池充放電的時候會變，我要找的電池是哪一節電池，在雲上面直接做運算。數據並不需要存儲，因為雲上就可以完成。充電的時候就知道電池什麼問題。那個時候韓國某市長特別來看電池信息基地，建模。這個就是我們講的智能大數據，2010年開始做的，現在有十個專利，我們等企業碰，碰了之後找他們。用雲做電子的很少，只有兩個。
接下來我們講工業互聯網的案例。我們去年協助富士康申請了燈塔工廠，全國有17個，因為富士康有17萬的機床，18000條線。如果要做這個事，數據量是足夠大，工業雲需要加強邊緣的智能化。物端不用這麼快， 因為不需要馬上做決策。我們用了很多工業互聯網軟件預測生產當中的問題，問題預測出來，最後關停工廠。富士康目前有8個停運工廠，我不需要看機器了。目前全世界有16個，今年有7個，第一年有9個，今年7個富士康和西門子總共16個。基本上我們這個東西最重要就是集中在邊緣端。
最後我們現在有一個問題，人工智能找不到人，請不起人，留不住人。我們建立一個產業學院，專門培養人才，我幫富士康做的時候只有30多人搞AI，現在有1000多人。
傳統人工智能是傳統科學，永遠不會停的，但是工業人工智能是要解決過去的問題和未來的問題。人工智能不能解決過去的問題，但是工業人工智能一定要解決過去的問題，高鐵、車輛、風電，深度學習，寬度學習都要有。我的書是6月份出，是由交通大學出版社發行的，大家有興趣可以看一下，也有很多案例在裡面。今天就講到這邊，謝謝大家。
本文系Jay Lee教授在2019浦江創新論壇-產業論壇“工業互聯網創新發展論壇：工業互聯網助推製造業高質量發展”上的演講。整理人：許楊博文。閱讀更多 AI工信科創 的文章
