中国工程院院士李培根：企业要关注知识工程
本文是根据2023年4月21日，在江苏溧阳举办的“2023智能制造知识应用创新高峰论坛”上，中国工程院院士李培根做的主题演讲整理而成。
工业APP是工业知识沉淀的成果，让工业知识在更大的范围，更高的频次，更短的路径上创造、交易与传播。在面向制造业的工业互联网架构中，工业APP处于最顶层，其余由下至上分别是数据采集层、IaaS层和工业PaaS层。最顶层的工业APP将工业技术、经验、知识和最佳实践固化封装为面向特定场景应用的应用软件，联合其他技术层构建了基于平台的数据采集、汇集、分析的工业互联网服务体系，推动制造资源泛在连接、弹性供给、高效配置。大量跨行业、跨领域的各类工业经验、知识，方法，以工业APP与工业微服务组件等形式，沉淀到工业互联网平台之上。
除了沉淀，工业APP还体现了工业知识的复用，具备了知识化、灵巧化、轻量化、独立化等属性，并可复用、移植，方便调用。此外，工业APP包含了工业知识的重构创新。在工业知识的重构创新过程中，工业知识创新的主体是海量的第三方，微服务和APP则是创新载体和成果。如工程师亦可能成为知识创新的主体，基于平台和APP的体系，把自身在某一方面的经验融入至工业APP或工业微服务组件中。
机理模型表达很难快速找到一个明确的公式或函数。而如通过AI工具找到表达规律的形式，两者的结合就可以使得工艺智能从后台走向前台。以船舶制造业为例，在大型船舶发动机领域，焊接占据日常生产工作的70%。通过MES下发工单到焊接工位对相应构件进行焊接，工人接受订单后启动机器。若操作规范性降低或其他干扰因素出现，生产现场可能与MES系统规划出现冲突。在质检环节中，需要将各个构件吊装至专门的质检车间。采用各类无损检测设备，剔除和修复质量不合格的构件。当发现深层次的焊接质量问题时，与焊接行为本身通常已经脱钩了3至15天左右，很难追溯原因，形成较大的损失。
通过引入工艺智能，企业可利用工业互联网的各类融合技术，以不低于1000hz的频率进行各类工艺参数的高频采集，根据材质特性，以极高的频率快速调用后端封装好的具体机理算法进行分析，从而使得质量问题在焊接单元之中即刻解决。例如工业APP实时检测出焊缝变窄，容深变浅，可能出现咬边的情况，分析得知可能是由于焊接速度过快，则可降低实时焊接速度。工艺智能可以让事后质量检测走向实时在线的监测和预测，这是一种质量管理模式的根本性变化。
工业APP凭借封装在其中的工业知识，同时对数据于现有模型加以分析利用，辅助制造企业构建“数据+模型”的服务体系。以卡特皮勒应用UPTAKE平台为例，卡特皮勒将工程机械与相应的所有服务以UPTAKE平台连接起来，采集来自设备、环境、工人等多方面数据，辅以针对如油耗分析、故障诊断、研发设计和成本核算等特定应用的模型，将数据与模型组合成可服务于工程机械制造商、承包商与工人等受益者的服务。
图1 UPTAKE平台“数据+模型=服务”模式示意图（图引自：范玉顺）
UPTAKE平台的核心是人工智能机器学习的引擎，其输入是360°的全景数据，不仅仅是机器数据，更重要的是一些企业数据、ERP数据、维修工单等。其他的数据来源还包括工业智能环境、地理位置、交通等。对于UPTAKE平台而言，“风机的机油”也可以用于做预测性维护的分析。UPTAKE平台已经拥有超过21亿小时的机器学习，连接了130万工业设备并不断在增加，还有6万个失效模型，UPTAKE即便是在离线状态也可以通过这些失效模型来预估机器设备的故障原因。在2018年初，UPTAKE平台一天的数据交易量达已到纽约证券交易所的六倍以上。
早期的自动化主要处理固定模式的、结构化的、确定性的问题与基于因果关系的问题，制造从业者在现实物理空间中认识传统工程技术问题，掌握“明知识、默知识”，处理此类问题的相应技术目前已较为完善。而未来的自动化侧重于对非结构化、无固定模式的、不确定性问题的控制，包括对复杂系统整体联系的认识，即“认知自动化”，从业者将从虚拟数字空间认识新的工程问题，接触可能蕴含在数据之中的“暗知识”。
《暗知识：机器认知如何颠覆商业和社会》认为知识是数据在时空中的关系。如果把时间和空间看作数据的一部分属性，那么所有的知识就都是数据之间的关系。数据在时空中的关系只有在极少数的情况下才可以用简洁的数学方程式表达出来，在绝大多数情形下，知识表现为数据间的相关性的集合。其相关性绝大多数都在我们的感觉和理解能力之外。对高维的时空人类只能“降维”想象，用三维空间类比。对于数据间的关系，人类凭感觉只能把握一阶的或线性的关系，对于二阶以上的非线性关系就很难把握。这些数据间的关系就掉入了人类感官和数学理解能力之外的暗知识大海。
在制造从业者面对大量非传统自动化问题时，智能系统凭借对数据的收集、分析与利用，进一步沉淀知识，进而为制造从业者所用。例如，智能维修系统通过AR可对获得大数据进行采集、过滤、沉淀、清洗等；从云端服务器处理获取分析处理结果，进行经验的沉淀及流程的优化；打通人和机器的物理隔离，能够客观地采集到工作中人的大数据；帮助维修人员体验和凝练维修知识与经验等。智能系统具有更高的感知能力，对数据具有更精细的过滤、清洗能力；对数据中潜藏的知识具有更强的挖掘能力，人类专家从这样的智能系统中能获得更专业的体验。
以艾普工华为例，依托工业摄像头，运用机器视觉算法，可实时视频监控分析工人作业的规范性，适用于无法机器换人的生产工位，且操作工频繁更换的情况，以保证生产作业的标准化。
图2 艾普工华作业工步智能化建模
图3 艾普工华基于机器学习的视觉目标检测
随着人工智能的兴起与不断成熟，以数据沉淀知识的有效途径获得了增强。为了让人工智能技术更好地应用于制造业中，需要产生“AI就绪数据”。美国智库两党政策中心（BPC）23年2月17日发表了题为“人工智能（AI）就绪的开放数据”的研究报告，其中提到：人工智能应用需要数据来支持人工智能模型的开发和实施，且数据必须易于查找和使用。Data.gov网站让找到联邦政府的公开数据变得更简单，但研究人员仍要花高达80%的时间将数据准备成可用的、人工智能就绪的格式。正如英特尔警告的那样，“在你的数据准备好之前，你还没有为人工智能做好准备。”那么何为“AI就绪”？收集原始数据后，对数据清理和处理，将其转化为可用的格式，为人工智能应用提供动力，称之为“AI就绪”。
以近期火爆的ChatGPT为例，ChatGPT具备的知识宽度和广度是人类个体无法比拟的，同时也具备相当的知识深度。当前，ChatGPT针对部分问题的回答可能尚不完美，但它正凭借自身强劲的学习能力不断进化。相比于如ChatGPT的AI，人类的优势在哪？人类具备哪些AI不可替代的能力？
AI的出现对企业白领的影是最大的，其中便包含了管理者与工程师。在技术飞速创新的今天，AI无法取代工程师、管理者的存在，智能工具尚需智者才能发挥光与热。那么工程师如何巧妙地利用这一工具升华自己的创造力、提升工作效率？让AI就绪不仅需要数据，亦需管理者、工程师们自身完成转型之“超越”，做好转型的准备。