第四次工业革命正在进行,智能制造作为其技术核心,是世界各国竞争的制高点。2015年中国发布的《中国制造2025》以及今年工信部发布的《十四五智能制造发展规划(征求意见稿)》,均明确了大力发展智能制造的重要性。
为助力企业拥抱智能制造,爱数于12月15日举办主题为“认知驱动·先进制造”的无界会(一)。在会前,我们特邀到复旦大学教授暨复旦-爱数认知智能联合研究中心主任肖仰华进行采访,从人工智能角度出发,就当前智能制造发展瓶颈以及工业认知发展前景等关键问题展开深度探讨。
爱数:感谢您接受我们的采访,能先给我们介绍一下人工智能当前的发展现状吗?
肖仰华:人工智能正在经历从感知智能为主向认知智能为主的过渡阶段。回望过去,从谷歌在深度学习的帮助下,第一次图像识别准确率超过人类,到AlphaGo打败人类最顶尖的棋手,整个人工智能的发展路径非常鲜明,就是用大算力、大数据去喂养深度模型。深度模型本质上是一种非线性模型,它能够从大数据中提取人类意识不到、无法定义和表达的一些特征,从而解决问题,比如语音识别、图像识别等典型的模式识别。
但是随着数据红利消失、算力到达瓶颈,识别的准确率难以提升,这个时候就需要知识来解决问题,只有把各行各业的知识用上,才能提升准确率。
举一个例子,在医院有两个病人,一个是因为新冠肺炎出现感冒发烧,一个是因为普通肺炎出现感冒发烧,两个人病情一模一样,验血、CT等检查结果也是相同的,但是病因、诊断和治疗方案完全不同,新冠肺炎需要隔离治疗,而普通肺炎仅仅需要输液就可以。如果仅仅通过检查数据,是没有办法准确确定病情的,必须要把背景知识融入进来。
认知智能因此被提上日程。知识是认知里非常重要的一个内涵,但是认知智能已经不再只是让机器具备知识,而是让机器具备知识之外的认知能力。这种认知能力除了让机器成为有知识的人工智能,还要有学识,将来甚至能懂人心,了解行业的一些基本逻辑和常识。可以说认知智能才是未来,感知智能只是实现了我们的身体和五官,而认知智能本质上是帮我们实现大脑。
爱数:落到具体的行业,比如说制造业要实现智能制造,您觉得最大的瓶颈是什么?
肖仰华:就我们的调研结果来看,目前制造业的自动化、数字化水平都处于相对成熟的阶段,头部制造业面临的困惑更多在于企业沉淀了数据、用数据贯通了流程、建立了工业互联网平台、建立了工业大数据平台,但是这些数据怎么创造价值,怎么让制造更优、更安全、更高效?
我相信这也会是将来整个制造业面临的主要挑战之一。因为一旦企业跨过不缺数据的阶段之后,就会面临数据的价值变现问题,所以智能制造会碰到的瓶颈,在我看来就是数据如何创造价值——工业数据如何进一步的创造价值,如何创造更大的价值。
那到底是什么阻碍了制造业数据的价值变现呢?我觉得会归结到刚才第一个问题,人类没办法完全理解整个工业系统的所有数据,价值变现不能光靠人,实际上现在工业系统的复杂程度不断升高,绝对超出了少数几个专家的认知水平,只有实现机器的认知能力,才能实现数据的价值变现,达到让制造更优、更安全、更高效的目的。
爱数:您觉得解决这个瓶颈的关键点是什么,对于企业来说,这其中有什么需要注意的问题呢?
肖仰华:阻碍数据价值变现的关键主要还是缺乏认知能力,光靠人去理解数据是行不通的,机器至少要适当具备人类对数据的理解和认知能力。机器如何具备这种能力?我觉得这可能要经过两个阶段,先从数据变成知识,再从知识变成认知能力,这也是中国发展智能化的战略路径。
首先我们需要从行业数据中加工提炼出知识,从而赋能实际应用。这就好比我以前说的数据是原油,原油没办法直接使用,必须通过加工厂才能提炼出各种各样的燃油,提炼出各种各样的石油衍生品,比如塑料制品,这些制品才有可能在我们的应用场景中发挥作用。
所以,必须要先从数据变成知识,再从知识变成能力。第一个阶段考验我们怎样把数据加工成知识,能不能实现自动化;第二个阶段考验我们怎样把知识变成认知能力,在这一过程中,大家会发现知识还不够,还缺乏什么,这就需要我们一直提到的认知智能的概念。
爱数:最后谈一谈您对制造企业应用认知智能的展望吧。
肖仰华:不管从人工智能的技术趋势,还是从工业企业自身发展的趋势来看,让机器具备认知能力,进而代替人类从事一些体力劳动(包括简单的脑力劳动)是必然趋势。
根据我对工业企业的调研结果,年轻人正在远离工厂,我们的下一代基本不太可能再进车间,再浑身机油的去运维设备,这些工作将交给机器和机器的大脑完成,人只需要在大屏幕后通过人机混合的智能形态来干预整个工业的生产制造和各个环节。这个趋势是不可逆转的,这将是一条难而正确的光明之路。
之所以说难,是因为工业场景和消费互联网场景不同,无法单单靠数据驱动。在工业认知智能的实践过程中,所有数据都是工业系统产生的,如何获取和表达员工的经验也是一大挑战。消费互联网可以完全靠数据驱动,借助海量数据挖掘出用户的兴趣爱好和意图,但是工业互联网是知识密集型产物,整个互联网工业系统是知识密集型产业,所以它一定是强知识应用的,一定要把工业知识和数据融会贯通。
现在的工业系统过于复杂,传统的专家系统已经无所适从。我曾经碰到过一些案例:一个故障发生之后,部门专家坐在一起论证,一个月都解决不了故障问题。没有任何一个专家能够应对整个系统,开发系统的人员流转后,早就没有人对系统的全貌有认知能力。而数据能学到一些专家意识之外的系统规律,所以数据加知识融合的道路,是实现工业认知的一条基本路径,但是这条路还有很多事情要做,还有很多困难、很多问题需要解决。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
