第四次工業(yè)革命正在進行,智能制造作為其技術核心,是世界各國競爭的制高點。2015年中國發(fā)布的《中國制造2025》以及今年工信部發(fā)布的《十四五智能制造發(fā)展規(guī)劃(征求意見稿)》,均明確了大力發(fā)展智能制造的重要性。

為助力企業(yè)擁抱智能制造,愛數于12月15日舉辦主題為“認知驅動·先進制造”的無界會(一)。在會前,我們特邀到復旦大學教授暨復旦-愛數認知智能聯(lián)合研究中心主任肖仰華進行采訪,從人工智能角度出發(fā),就當前智能制造發(fā)展瓶頸以及工業(yè)認知發(fā)展前景等關鍵問題展開深度探討。

愛數:感謝您接受我們的采訪,能先給我們介紹一下人工智能當前的發(fā)展現狀嗎?

肖仰華:人工智能正在經歷從感知智能為主向認知智能為主的過渡階段?；赝^去,從谷歌在深度學習的幫助下,第一次圖像識別準確率超過人類,到AlphaGo打敗人類最頂尖的棋手,整個人工智能的發(fā)展路徑非常鮮明,就是用大算力、大數據去喂養(yǎng)深度模型。深度模型本質上是一種非線性模型,它能夠從大數據中提取人類意識不到、無法定義和表達的一些特征,從而解決問題,比如語音識別、圖像識別等典型的模式識別。

但是隨著數據紅利消失、算力到達瓶頸,識別的準確率難以提升,這個時候就需要知識來解決問題,只有把各行各業(yè)的知識用上,才能提升準確率。

舉一個例子,在醫(yī)院有兩個病人,一個是因為新冠肺炎出現感冒發(fā)燒,一個是因為普通肺炎出現感冒發(fā)燒,兩個人病情一模一樣,驗血、CT等檢查結果也是相同的,但是病因、診斷和治療方案完全不同,新冠肺炎需要隔離治療,而普通肺炎僅僅需要輸液就可以。如果僅僅通過檢查數據,是沒有辦法準確確定病情的,必須要把背景知識融入進來。

認知智能因此被提上日程。知識是認知里非常重要的一個內涵,但是認知智能已經不再只是讓機器具備知識,而是讓機器具備知識之外的認知能力。這種認知能力除了讓機器成為有知識的人工智能,還要有學識,將來甚至能懂人心,了解行業(yè)的一些基本邏輯和常識?？梢哉f認知智能才是未來,感知智能只是實現了我們的身體和五官,而認知智能本質上是幫我們實現大腦。

愛數:落到具體的行業(yè),比如說制造業(yè)要實現智能制造,您覺得最大的瓶頸是什么?

肖仰華:就我們的調研結果來看,目前制造業(yè)的自動化、數字化水平都處于相對成熟的階段,頭部制造業(yè)面臨的困惑更多在于企業(yè)沉淀了數據、用數據貫通了流程、建立了工業(yè)互聯(lián)網平臺、建立了工業(yè)大數據平臺,但是這些數據怎么創(chuàng)造價值,怎么讓制造更優(yōu)、更安全、更高效?

我相信這也會是將來整個制造業(yè)面臨的主要挑戰(zhàn)之一。因為一旦企業(yè)跨過不缺數據的階段之后,就會面臨數據的價值變現問題,所以智能制造會碰到的瓶頸,在我看來就是數據如何創(chuàng)造價值——工業(yè)數據如何進一步的創(chuàng)造價值,如何創(chuàng)造更大的價值。

那到底是什么阻礙了制造業(yè)數據的價值變現呢?我覺得會歸結到剛才第一個問題,人類沒辦法完全理解整個工業(yè)系統(tǒng)的所有數據,價值變現不能光靠人,實際上現在工業(yè)系統(tǒng)的復雜程度不斷升高,絕對超出了少數幾個專家的認知水平,只有實現機器的認知能力,才能實現數據的價值變現,達到讓制造更優(yōu)、更安全、更高效的目的。

愛數:您覺得解決這個瓶頸的關鍵點是什么,對于企業(yè)來說,這其中有什么需要注意的問題呢?

肖仰華:阻礙數據價值變現的關鍵主要還是缺乏認知能力,光靠人去理解數據是行不通的,機器至少要適當具備人類對數據的理解和認知能力。機器如何具備這種能力?我覺得這可能要經過兩個階段,先從數據變成知識,再從知識變成認知能力,這也是中國發(fā)展智能化的戰(zhàn)略路徑。

首先我們需要從行業(yè)數據中加工提煉出知識,從而賦能實際應用。這就好比我以前說的數據是原油,原油沒辦法直接使用,必須通過加工廠才能提煉出各種各樣的燃油,提煉出各種各樣的石油衍生品,比如塑料制品,這些制品才有可能在我們的應用場景中發(fā)揮作用。

所以,必須要先從數據變成知識,再從知識變成能力。第一個階段考驗我們怎樣把數據加工成知識,能不能實現自動化;第二個階段考驗我們怎樣把知識變成認知能力,在這一過程中,大家會發(fā)現知識還不夠,還缺乏什么,這就需要我們一直提到的認知智能的概念。

愛數:最后談一談您對制造企業(yè)應用認知智能的展望吧。

肖仰華:不管從人工智能的技術趨勢,還是從工業(yè)企業(yè)自身發(fā)展的趨勢來看,讓機器具備認知能力,進而代替人類從事一些體力勞動(包括簡單的腦力勞動)是必然趨勢。

根據我對工業(yè)企業(yè)的調研結果,年輕人正在遠離工廠,我們的下一代基本不太可能再進車間,再渾身機油的去運維設備,這些工作將交給機器和機器的大腦完成,人只需要在大屏幕后通過人機混合的智能形態(tài)來干預整個工業(yè)的生產制造和各個環(huán)節(jié)。這個趨勢是不可逆轉的,這將是一條難而正確的光明之路。

之所以說難,是因為工業(yè)場景和消費互聯(lián)網場景不同,無法單單靠數據驅動。在工業(yè)認知智能的實踐過程中,所有數據都是工業(yè)系統(tǒng)產生的,如何獲取和表達員工的經驗也是一大挑戰(zhàn)。消費互聯(lián)網可以完全靠數據驅動,借助海量數據挖掘出用戶的興趣愛好和意圖,但是工業(yè)互聯(lián)網是知識密集型產物,整個互聯(lián)網工業(yè)系統(tǒng)是知識密集型產業(yè),所以它一定是強知識應用的,一定要把工業(yè)知識和數據融會貫通。

現在的工業(yè)系統(tǒng)過于復雜,傳統(tǒng)的專家系統(tǒng)已經無所適從。我曾經碰到過一些案例:一個故障發(fā)生之后,部門專家坐在一起論證,一個月都解決不了故障問題。沒有任何一個專家能夠應對整個系統(tǒng),開發(fā)系統(tǒng)的人員流轉后,早就沒有人對系統(tǒng)的全貌有認知能力。而數據能學到一些專家意識之外的系統(tǒng)規(guī)律,所以數據加知識融合的道路,是實現工業(yè)認知的一條基本路徑,但是這條路還有很多事情要做,還有很多困難、很多問題需要解決。

（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）