近日在中新人工智能高峰論壇上，德國科學院院士漢斯·烏思克爾特詳細介紹了AI與工業(yè)融合的概念和具體案例。他表示，AI+工業(yè)原理分為三層，由內到外分別是，生產(chǎn)層、運行層和數(shù)據(jù)結合層。經(jīng)由這三層，智能制造創(chuàng)造了巨大生產(chǎn)力。

論壇上，德國、深知無限人工智能研究院院長、首席科學家，德國人工智能研究中心科學董事漢斯·烏思克爾特教授帶來主題演講：“德國工業(yè)4.0與中國AI產(chǎn)業(yè)發(fā)展的機遇與挑戰(zhàn)”。以下是漢斯·烏思克爾特的演講內容。

大家下午好！我在AI領域已經(jīng)工作了有30多年了，使用了不同的應用，我想要跟大家分享智能制造的一個理由是因為它跟我的背景有一點關系。

首先，我會給大家介紹一下AI的一些工業(yè)應用。然后再給大家介紹工業(yè)4.0和智能制造，接下來我會簡單地給大家介紹一些機器學習和深度學習，還有一些未來的展望。

在過去的十年，我建立了一個德國人工智能中心。隨著AI變得越來越流行了。除了傳統(tǒng)的IT公司，比如SAP，軟件公司，微軟公司等。漸漸，很多制造的企業(yè)也加入進來比如Facebook、寶馬、博世、空客等。他們都是機器制造的公司，在過去的一年，這些制造企業(yè)不斷地要求我們幫助他們進行變革，把他們的公司轉型成一個現(xiàn)代化的數(shù)字驅動的公司，能夠讓他們使用工業(yè)4.0。

關于智能工廠，我們一共有三層。

首先，核心層，也就是智能工廠，或者說生產(chǎn)本身，AI在這里也能夠發(fā)揮一些作用。主要概念就是通過物聯(lián)網(wǎng)把機器聯(lián)系在一起，AI根據(jù)這個傳感器上傳的數(shù)據(jù)來進行分析，這就是核心。

實際上，這個機器與之前的制造工廠，比如說iphone、汽車工廠、手機工廠是不一樣的。區(qū)別在于，他們很多的解決方案并不是泛泛的，而是具體的。此時我們使用了一些機器人，有一些工人他們的工作已經(jīng)也不再嚴格分工了，這就形成了工人與個機器人之間進行通信，互相溝通的需求——這是智能工廠的一個核心的部分——也就是網(wǎng)絡和實體的系統(tǒng)互相地聯(lián)系起來，即用物聯(lián)網(wǎng)，把處理器和傳感器聯(lián)系在一起。

其次，有個非常重要的概念——“數(shù)字雙胞胎”（指以數(shù)字化方式拷貝一個物理對象，模擬對象在現(xiàn)實環(huán)境中的行為，對產(chǎn)品、制造過程乃至整個工廠進行虛擬仿真，從而提高制造企業(yè)產(chǎn)品研發(fā)、制造的生產(chǎn)效率。）。這樣一來，整個制造流程、數(shù)字產(chǎn)品以及系統(tǒng)，都有一個孿生的數(shù)字化鏡像。有一些產(chǎn)品本身就可以讓機器下達指令，從而為生產(chǎn)制定一個計劃，對于一些中度的自動化的生產(chǎn)，實現(xiàn)人機互動，AI驅動優(yōu)化的產(chǎn)品和流程、預防性維修，預測能耗的目標。

第二層，除了純生產(chǎn)之外，我們還有運行的服務。比如說公司內部的移動性出行，還有智能的物流、智能的建筑、智能的產(chǎn)品和智能電網(wǎng)。由于有“數(shù)字雙胞胎”，如果你對流程、產(chǎn)品和手冊進行編碼的話，這將會是一個非常非常復雜的內容，再加上培訓，供應商、合作伙伴服務這些數(shù)據(jù)進來，體量非常龐大，因此我們需要對運行服務進行重新的設計。

最后，我們來看最外面的一層——數(shù)據(jù)結合。最外面的一層是通常被人們所忽視的，但實際上它決定一個公司成敗與否。為什么呢？因為大部分最重要的那些數(shù)據(jù)來源于公司以外，比如你的客戶、合作伙伴、供應商、監(jiān)管當局、技術合作提供商、媒體、投資商以及股東，還有你的競爭對手。這就意味著說，我們最大的一個挑戰(zhàn)是要把所有的數(shù)據(jù)，也就是智能工廠內部的數(shù)據(jù)與外部的數(shù)據(jù)進行結合。

要了解外部的數(shù)據(jù)是非常復雜的。因為那些外部數(shù)據(jù)的來源，并不能把數(shù)據(jù)以這種結構式的方式給你，你拿到的通常都是非結構性的數(shù)據(jù)。你需要把內外部的數(shù)據(jù)結合到一起。如果你能解決這個問題的話，你才有客戶關系管理，或者說，你的供應鏈就比較的智能了。智能實際上意味著我們要使用互聯(lián)互通，要使用物聯(lián)網(wǎng)，使用大數(shù)據(jù)，要使用分析，要使用商業(yè)的情報，當然還要使用AI來幫助你不斷地去優(yōu)化整個的流程。不僅僅是優(yōu)化，這個系統(tǒng)還能告訴我們，這些問題是否解決了。

我們?yōu)槭裁匆褂猛獠康臄?shù)據(jù)和知識？首先，這取決于我們到底要實現(xiàn)什么樣的目標？要監(jiān)督流程，獲得早期預警，審視是否出現(xiàn)偏差，如果有偏差的話我們要早期介入，幫助我們盡早決策。舉個例子，我們的合作伙伴之一——西門子，他們已經(jīng)采取了我們主要的設備，也就是我們的公司出產(chǎn)的一個知識路線圖。我們要做的事情是，希望從外部獲得知識，與公司的圖譜結合，可以知道我們生產(chǎn)的地點在什么地方，使用什么樣的技術，在全世界各地有什么樣事件的發(fā)生。再把這些信息和我們企業(yè)內部的信息結合到一起，這就形成企業(yè)的知識圖譜。

不要低估這些知識。舉例來說，《大英百科全書》這是世界上最豐富的《百科全書》，但這也只是它的打印版。如果你把所有知識都打印出來，應該有多大的量呢？包括維基百科在內的百科來源，都在慢慢地轉化為一些結構的數(shù)據(jù)。實際上很多的知識現(xiàn)在正在經(jīng)歷著這樣的一個轉型：機器學習。

回到西門子的合作例子上來。西門子有19萬的供應商，我們的企業(yè)知識圖譜，幫助他們做供應鏈的觀察和管理。對內外部信息進行輸入、提取，在這個基礎之上能夠去做一些結構性的轉型。就外部媒體信息而言，不僅僅包括媒體，還包括社交媒體，比方說像推特網(wǎng)，甚至來自鐵路、警察部門、高速巡警、消防部門等。這樣的一些信號整合在一起之后，我們搭建了大數(shù)據(jù)平臺和研究中心。

這樣的一些應用，對整個工業(yè)的流程有很大幫助。所以我們希望能夠從這些未結構的信息進行學習，轉化為結構的信息，并且在相應的場景下進行解讀。最終希望把一些顯性的知識，比如說工業(yè)的知識，行業(yè)的知識，能夠通過經(jīng)驗來進行掛鉤，使得機器學習、深度學習得以實現(xiàn)。如果做不到這一點，我們是無法去應對，無法滿足復雜的工業(yè)現(xiàn)實所面臨的一些需求。謝謝！