小编导读
2018年1月27日,由工业4.0俱乐部组织的“工业4.0嘉年华”,主题为“爱【AI】在新工业-暨2018年工业人工智能高峰论坛-暨工业4.0产业生态嘉年华”在上海青浦工业园区成功举办。嘉年华上,上海产业技术研究院工程大数据服务创新中心郑树泉主任发表《人工智能@工业领域》的主题演讲,本文为演讲全文和PPT,已经嘉宾本人审阅,在此发布以飨读者!
小编提醒,点击“阅读原文”即可进入郑树泉主任新书——《工业大数据:架构与应用(大数据技术与应用)》购买链接!
今天我只有十分钟时间,我主要讲三个东西。首先是数据在智能制造中是如何工作的。第二是讲人工智能在制造领域如何用的。最后我想讲一个人工智能在智能制造应用非常典型的例子,就是预测性维修的例子。
首先是讲数据在智能制造的应用。关于工业4.0大家已讲的很多,从第一次工业革命、到第二、第三、第四次工业革命。德国的制造业比较发达,利用信息技术“自下而上”改造制造业。美国互联网比较发达,通过工业互联网使用大数据等新一代信息技术“从上到下”重塑制造业。那我国也提出了“中国制造2025”,强调工业与信息化的深度融合。其实这里面很多东西都是共同的,体现在三个方面,首先CPS把物理系统和信息系统打通,第二就是大数据,第三就是人工智能,这些是共性的一些东西。
智能制造技术体系包含智能产品、智能制造过程和智能制造模式三个方面,首先智能的产品。刚才讲到三一重工,在挖掘机上面装了智能设备变成了智能的产品,用于采集数据,设计、制造、服务过程中,都需要用到这些数据。
第二是智能制造的过程,这个制造过程包含设计、生产和服务等环节。第三更加重要的还是智能制造的模式,刚才大家所讨论的制造新的物种,很多新的智能制造模式-新物种不断出现。这里面背后是新的智能设计、智能生产和智能服务技术的支撑。
这里面我主要是想谈工业大数据。工业大数据也就是在生产各个环节之中采集的数据及相应的技术的统称。这里面工业大数据,可能刚才我们菲尼克斯的老总也讲了,企业比较讲究技术产出比,在企业你不要谈物联网,也不要谈人工智能,不要谈大数据这些抽象的概念,你要跟我谈,你这个东西怎样给我带来效益。所以在制造领域,我们不能谈诗和远方,我们更要讲究,怎样能够给我带来效益,所以我们讲大数据,到底在智能制造起什么作用?工业大数据给智能制造带来的价值主要体现在三个方面。
第一个方面,大数据可以用于提升企业战略核心竞争力,这个核心竞争力主要体现在产品质量提升,运行效率提升,成本降低等等。数据打通了以后,可以提供智能分析,寻找各种PKI改进的方向。
第二我们讲集成,我们要讲打通价值链,有三个集成。纵向集成主要是企业内部各种工业软件的集成,比我们CPS,需要SFC、MES与ERP的打通。第二是端到端的集成,提供一站式服务,比如在天猫你可以查到订单物流信息,提升了服务质量。刚才我们讲现在的制造业是一个生态系统,竞争是供应链的竞争,所以第三个集成是供应链的集成。前面讲了大数据的二个作用,工业大数据的作用可能更大的不是在这两个方面,更多在于对制造新模式的支撑。比如刚才大家讲到的共享单车的一个例子,去年我们很多造单车的厂商,把后面几年的都生产出来了。但是现在发现2018年没办法生产了,新的制造模式会带来整个产业的重组,导致过去简单的质量的提升,效率的提升,成本的降低是没有作用的,新的制造模式会造成覆盖,所以这个也是我们工业大数据所要带来的情况。这张图展示的是大数据技术包括人工智能在产品生命周期包含研发、生产到运维的环节的应用情况。
智能制造的核心技术之一是CPS,目前我们讲4.0,但是国内很多企业还是处于2.0、3.0的阶段,所以这里面要强调互联互通的问题。因为国内整个制造行业可能还是处于怎样把数据连通起来,只有我们把数据连通了以后,我们才能对数据作出分析。
智能制造的核心技术之一是CPS,目前我们讲4.0,但是国内很多企业还是处于2.0、3.0的阶段,所以这里面要强调互联互通的问题。因为国内整个制造行业可能还是处于怎样把数据连通起来,只有我们把数据连通了以后,我们才能对数据作出分析。
刚才沈斌教授也讲了,人工智能发展经历了三个阶段,我们在前面几个阶段更多是专家系统,我们希望能够模仿一个最最聪明的那个人,根据他的经验建立模型。在AI 2.0阶段,可能更多体现在大数据,自动的机器学习。我们在工业领域也反映了人工智能2.0大数据时代。这个图上展示了AI2.0在工业领域的各种应用,比如智能工厂方面、供应链方面等等。
我这里主要想讲的是预测性维修,我们希望通过预测性维修降低运维的成本。关于维修的话,有三种维修模式,首先是事件修,等出了事情或者故障再维修。第二是预防性维修。我们在生产过程中,最好不要出了故障再修,因为出了故障损失可能会比较大,电梯不能把人关进里面了,你再修,所以我们现在花很多时间,在做预防性维护,比如汽车到了多少公里或者多少时间做保养,丰田生产方式有TPM-全员生产管理,通过保养尽可能减少设备在生产过程Down的时间。当然比较理想的状态是希望能够达到预测性的维修,有点像识别亚健康治未病。在维修上有一个比较著名的曲线,浴盆曲线,大家可以看一下。
这是我们预测性维修要做的工作,这是我们根据预测性维修做了系统架构。因为我本人也是国家信标委工业大数据专家组的专家,我们也提出了预测性维修方面标准的方案建议,另外我们也起草了预测性维修的白皮书。这里面我们提出了预测性维修的模型。预测性维修流程及方法,从状态检测到故障诊断到状态预测到维修决策。
我们自己也做了三个应用场景,首先是桥梁。上海制造业占GDP的25%,对于上海来说,我们更多讲城市的管理,我们过去讲建设一个新的城市,但将来上海可能基础建设会越来越少,维修的比重会越来越大,将来人口老龄化,人工成本越来越贵,这种情况下,我们怎样能够使用预测性维修的方式,做健康的平台,降低我们的维保成本,这是很好的应用。这个我们在和上海市政设计总院,建立了基于物联网桥梁健康监控系统。
另外一个场景就是电梯。西方国家,特别是欧洲国家,靠建新电梯赚钱是不大可能了,更多是靠服务了。在我国随着电梯保有量的增加,也需要建设电梯物联网。这是电梯远程管理系统的框架。
下面风机也是一样的,零件会老化,结冰等天气情况会带来风机故障,通过建立风机故障模型,可能大大降低维修的成本,避免大的故障出现的机会。
所以这里面工业大数据也好,人工智能也好,我们认为最重要的还是数据,数据最重要的还是需要规划,我们很多企业,说一大堆数据要我分析一下,挖掘数据里面有没有金子,后来发现很多数据是不行的。因为我们讲大数据不仅仅是量大,特别是工业领域,数据量大不是问题,主要是通过数据寻找关联,寻找评估指标(Y)与影响Y的各种因数(X)的关联。所以需要规划,也就是说我们需要在规划这个环节,弄清楚这个数据到底干嘛用?能够达到什么目的?怎样支撑你业务的运行?支撑业务的改进?怎样支撑你的新制造模式,首先目标这方面要想好,然后弄清楚需要产生什么样的数据?我们还要考虑好如何能够保证数据的质量?
所以关于这方面的研究我们写了一本书,《工业大数据架构与应用》,这个在亚马逊上可以搜,工业大数据可以找到这本书,谢谢大家!
文章为上海产业技术研究院郑树泉主任在《爱AI·在新工业》嘉年华上的演讲,已经本人审阅,版权著作权解释权属原创者所有,本文工业4.0俱乐部推荐阅读!
《人工智能革命》读书札记,冷静思考一下AI
导读
AI真的是越来越火,产业化应用也开始越来越普及了。以前陆陆续续地看过很多文章,也零碎地了解了很多知识,比如算法、机器学习(ML)、深度学习(DL)、RNN(循环神经网络)等等。
最近,静下心来,认真看了一本2017年6月出版的书(《人工智能革命:历史、当下与未来》王天一 著。觉得对自己非常有用,于是写下这个札记,供大家参考,如果需要更好地理解,建议去买一本,真的是一本很好的人工智能科普书籍。
人类智能的本质是什么?这是认知科学的基本任务,也是基础科学面临的四大难题中最难解决的一个。
人类之所以会把实现人工智能的期望寄托在计算机身上,其基础在于“认知的本质是计算”这一著名论断。
截至目前,所有的计算机都未能超出图灵机的范畴,也就必须遵循数理逻辑定义的规则。从“认知即计算”的角度出发,基于计算机的人工智能如果想要达到近似人类的思维能力,也必须建立起“自我”的概念,这无疑会导致自指的出现,也将成为不完备性定理的活靶子。
1
图灵是谁?
学计算机的人一定听过图灵奖,最近对人工智能有些接触的也一定听过图灵机。图灵就是那个发明用机械的方法来解决数据问题的人。他首次提出了图灵机的概念。图灵机以天才的抽象性模拟了人脑的计算过程,将其还原为若干最基本的机械操作。图灵机的出现本来是用于解决纯数学中的基础理论问题,可它却带来了意想不到的巨大收获:
艾伦·图灵
年仅23岁的图灵第一次接触到了德国数学家大卫·希尔伯特(David Hilbert)23个世纪问题中的第十问题:“能否通过机械化运算过程来判定整系数方程是否存在整数解?”
图灵清楚地意识到,解决这一问题的关键在于对“机械化运算”的严格定义。图灵机的纸带被划分为小格,每格中只能有0和1两种符号。
2
冯·诺依曼体系结构
冯·诺依曼体系结构
可以理解为计算机体系结构。这个诞生在列车上的卓越思想,冯·诺伊曼体系结构给计算机的性能带来了革命性突破,冯·诺伊曼体系结构包括五大部分:运算器、控制器、存储器、输入设备和输出设备,为电子计算机的逻辑结构设计奠定了基础。
冯·诺依曼理论的要点是:数字计算机的数制采用二进制;计算机应该按照程序顺序执行。
3
人工智能元年
1956年8月,美国达特茅斯学院(Dartmouth Col-lege)召开的学术会议。
约翰·麦卡锡
这次会议最重要的成果就是确定了会议所讨论的研究内容的名称——由麦卡锡提出的人工智能(Artificial Intelligence),1956年也就成为了人工智能元年。
西蒙与纽维尔
20年后分享图灵奖的纽埃尔和西蒙在达特茅斯会议上展示了人类历史上首个人工智能程序“逻辑理论家(Logic Theorist)”,“逻辑理论家”的出现在人工智能的历史上具有里程碑式的意义。这不仅因为它是第一个人工智能程序,更因为它颠覆了人们对计算机的印象。
4
专家系统
美国计算机科学家爱德华·费根鲍姆(Edward Feigenbaum)正是人工智能新路的开拓者。受哲学家弗朗西斯·培根(Francis Bacon)“知识就是力量”著名论断的指引,费根鲍姆将视线从抽象的通用证明方法转移到具体的专业知识上,强调人工智能必须在知识的指导下实现,这催生了人工智能新领域——专家系统(Expert System)的诞生。
专家系统机制
所谓的专家系统实质上是利用计算机基于已有的知识进行自动推理,从而以领域专家的角度解决实际问题。1977年,在第五届国际人工智能大会上,费根鲍姆用术语“知识工程”为这个全新的领域命名。
5
人工智能领域的三大学派
在人工智能学术界,很早就有人提出过自下而上涌现智能的方案,只不过它们从来没有引起大家的注意。一批人认为可以通过模拟大脑的结构(神经网络)来实现,而另一批人则认为可以从那些简单生物体与环境互动的模式中寻找答案。他们分别被称为连接学派和行为学派。与此相对,传统的人工智能则被统称为符号学派。自20世纪80年代到90年代的十年间,这三大学派形成了三足鼎立的局面。
三大学派,三足鼎立
三大学派分别从高、中、低三个层次来模拟智能。
符号主义学派
符号主义学派的代表人物是达特茅斯会议的与会者之一麦卡锡,而他对人工智能的理解也代表了符号主义学派的见解,“(人工智能)是关于如何制造智能机器,特别是智能的计算机程序的科学和工程。它与使用机器来理解人类智能密切相关,但人工智能的研究并不需要局限于生物学上可观察到的那些方法。”。符号主义学派认为人工智能源于数理逻辑。用于机器定理证明的逻辑演绎系统事实上也继承了图灵测试的衣钵。该学派认为人类认知和思维的基本单元是符号,而认知过程就是对符号的逻辑运算。
连接主义学派
连接主义学派并不认为人工智能源于数理逻辑,也不认为智能的关键在于思维方式。这一学派把智能建立在神经生理学和认知科学的基础上,强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。
行为主义学派
在智能方面,行为主义学派并没有把关注焦点放在人类身上,而是投向了昆虫。行为主义学派的机械代表作首推美国麻省理工学院教授罗德尼·布鲁克斯(Rodney Brooks)设计的六足行走机器人,它被视为“控制论动物”,是一个基于感知-动作模式模拟昆虫行为的控制系统。
行为主义学派的算法代表则是美国科学家约翰·霍兰(John Holland)提出的遗传算法和美国心理学家詹姆斯·肯尼迪(James Kennedy)提出的粒子群优化算法。
遗传算法对进化中的自然选择现象进行了高度抽象,通过变异和选择,实现目标函数的最优化;
粒子群优化算法则通过模拟动物的群体行为解决最优化问题。
6
通用人工智能
通用人工智能(Artificial General Intelligence)由德国计算机科学家马库斯·胡特(Marcus Hutter)提出,计算机科学与技术专业用语,专指通用人工智能。为了与传统人工智能或主流人工智能的AI用词相区分,故此增加General。他对这一概念给出了精当的定义:
智能是主体在各种各样的纷繁复杂的环境中实现目标的能力。
谈论通用人工智能,“哥德尔不完备性”定理就是个不可回避的问题。这一定理由奥地利数学家哥德尔提出——就是气走冯诺伊曼那位老兄,是对希尔伯特提出的23大难题中第二个的回应。
哥德尔不完备性定理
在任何包含初等数论的形式系统中,都必定存在一个不可判定命题。为了通俗地解释不完备性定理,比如:这句话是错的。
把这一概念翻译成计算机能够理解的语言,得到的结果就是通用归纳模型和序贯决策理论的结合。通用归纳将归纳转化为预测,而预测的关键是对数据的建模或编码表示,预测的精度依赖于对模式的掌握程度。诸如分类、类比、联想、泛化等与智能相关的要素,都可以被广义地理解为对模式的追求,对计算机而言则是找寻最优编码。但找寻最优编码的过程无法通过解析方式执行,只能通过试错不断逼近。
序贯决策理论
试错的实质就是序贯决策理论,它研究的是在客观概率分布已知但具体状态不确定的动态环境中,主体如何寻求最大化期望效用。它从初始状态开始,每个时刻根据所观察到的状态和以前状态的记录,依照已知的概率分布,从一组可行方案中选用一个能够获得最大化期望效用的最优方案,接着观察下一步实际出现的状态,然后再作出新的最优决策,如此反复进行。但最关键的问题是,如果这种客观的概率分布未知怎么办?
建立了未知概率分布下的决策体系,就建立了通用人工智能,这也正是“算法概率”的宗旨与要义。
7
模式识别
通过计算机来实现人工智能,最初的路径是模式识别(Pattern Recognition)。模式识别的黄金时代出现在20世纪80年代,它强调的是如何让计算机程序去做一些看起来很“智能”的事情,就像是有个人躲在盒子里伪装成机器的样子。模式识别技术的主要作用在于发现、区分、检测或提取存在于我们周围世界中的模式,这依赖于怎么从观察数据中进行信息提取和表示,结合背景知识,最终得到新知识和概念的形式。
早期的计算机模式识别研究将重点放在数学模型的建立上。模式识别的范畴,人工神经网络正是解决模式识别问题的主流方法。
8
多层神经网络的工作原理
下层神经元的输出是上层神经元的输入,不同层次的神经网络使用不同的神经元来分辨输入信号的不同特征,经过多层神经网络处理后得到的不同区域还可以进一步进行交、并、异或等逻辑运算。这样一来,多层神经网络就可以表示出更复杂的空间划分,得到更精确的判定效果,其代价则是更高的计算复杂度。
9
人工神经网络
人工神经网络的作用是分类,人工神经网络的数学本质是一种特殊的有向图,这个有向图可以由一层或多层节点组成,每一层的节点都通过有向弧指向上一层的节点,每一条有向弧都用一个权值来描述,同一层的节点之间则并无连接。输入层的节点按照有向弧的权值进行函数变换,变换后的输出传递给第二层的节点作为输入;第二层的节点如此这般执行同样的操作,其输出再作为第三层的输入。最后在输出层,哪个节点的数值最大,输入的信号就被划分在哪一类。
人工神经网络的本质是通过计算机算法来模仿、简化和抽象人脑的若干基本特性。1981年,两位神经生物学家大卫·胡贝尔(David Hubel)和托尔斯滕·魏泽尔(Torsten Wiesel)连同另一位科学家分享了诺贝尔医学奖,他们二位的主要贡献在于“发现了视觉系统的信息处理方式:可视皮层是分级的”。
10
强化学习
强化学习是从动物学习、参数扰动自适应控制等理论发展而来,其基本原理是:如果Agent的某个行为策略导致环境正的奖赏(强化信号),那么Agent以后产生这个行为策略的趋势便会加强。Agent的目标是在每个离散状态发现最优策略以使期望的折扣奖赏和最大。
强化学习把学习看作试探评价过程,Agent选择一个动作用于环境,环境接受该动作后状态发生变化,同时产生一个强化信号(奖或惩)反馈给Agent,Agent根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化(奖)的概率增大。选择的动作不仅影响立即强化值,而且影响环境下一时刻的状态及最终的强化值。
强化学习不同于连接主义学习中的监督学习,主要表现在教师信号上,强化学习中由环境提供的强化信号是Agent对所产生动作的好坏作一种评价(通常为标量信号),而不是告诉Agent如何去产生正确的动作。由于外部环境提供了很少的信息,Agent必须靠自身的经历进行学习。通过这种方式,Agent在行动一一评价的环境中获得知识,改进行动方案以适应环境。
强化学习系统学习的目标是动态地调整参数,以达到强化信号最大。若已知r/A梯度信息,则可直接可以使用监督学习算法。因为强化信号r与Agent产生的动作A没有明确的函数形式描述,所以梯度信息r/A无法得到。因此,在强化学习系统中,需要某种随机单元,使用这种随机单元,Agent在可能动作空间中进行搜索并发现正确的动作。
总结
世界顶级的计算机科学家高德纳(Donald Knuth)曾经如此评价人工智能:“人工智能已经在几乎所有需要思考的领域超过了人类,但是在那些人类和其他动物不需要思考就能完成的事情上,还差得很远。”
的确差的很远,我也认同。但人工智能不就是用来服务人类的不足,去更有效地去探索更多的未知领域和世界。
人类的发展过程就是人类的经验的积累过程,棋谱是专业棋手的经验,算法是码农的经验,案例是律师的经验,公式是数学家的经验。但经验不一定是完善的,好比围棋下法,变化太多,人类根本不可能去揣摩各种变化,因为人类的计算能力不足以思考所有的解。所以只能按照经验去设定主流的开局布局(因为这是前人经验,所以后来人也就不去找更多的新解,也可能靠人类的计算力根本算不出来)。
经验非常的重要,但经验也局限了我们。所以人工智能的辅助(不仅仅只是计算能力的提高),可以观察和协助人类分析各类历史数据的趋势,对未来进行预测,以帮助人类做出决策。对于整个社会的发展起到非常跨越式的帮助。正如马斯克的Neuralink项目一样,让人连接AI或许是个好的方向。
当你读到这里的时候,请教您个小问题,如果人+AlphaGo和AlphaGo对弈,或者人+AI对AI,你觉得谁的赢面大?
擦掉铁锈,人工智能让这家美国老牌钢铁厂转型重生
科技行者
企业利用数据分析的主要方向之一,就是规划业务和优化运营——这一直是“运营研究”分析方法的长期重点。然而这通常在一个相对较小的范围内完成,仅仅使用少数变量的单个模型。现在,认知工具(Cognitive tools)——特别是机器学习——可以让这个用途在广度和深度上更上一层楼。
人工智能在制造和运营方面的作用可能不为人所知,但是我们有机会使用这些工具来显着提高重要行业的效率和有效性。以美国大河特种钢铁厂“Big River Steel”为例,这家大型钢铁制造企业正试图在最具工业特性的行业内进行重大转型。Big River Steel的先例告诉钢铁行业,机器学习同样适用它们。
位于美国阿肯色州的Big River Steel广泛使用传感器、控制系统和基于机器学习的优化。通过与人工智能咨询公司Noodle.ai合作,Big River Steel开发了多种技术来提高炼钢的实践和利润。Big River Steel首席执行官David Stickler经常表示:“我们是一家在生产钢铁的科技公司。”
Big River Steel在以下6个主要方面使用机器学习,尽管每个方面在应用成熟度上有所不同:
· 需求预测:Big River Steel通过明智地使用资金而取得成功,所以它需要准确预测钢铁需求。要做到这一点,就采用具有宏观经济数据、钢铁的历史需求、制造业动态、钢铁大客户的动态(例如住房开工、石油钻台数量)的机器学习模式。
· 资源开发和库存管理:和小型钢铁厂一样,Big River Steel的原材料是废钢,所以需要预测其可用性。Noodle.ai开发了“废钢指数”,并正在与Big River Steel合作,采取对冲方式购买废钢。
· 调度优化:什么时候生产什么,这是任何钢铁厂都要做出的重要决定,特别是当你最重要的投入是电能(用于熔炼废钢的电弧炉)时,就更加关键了。优化模型能使非高峰时间的能源消耗最大化,从而使能源成本最小化。
· 生产优化:所有钢厂都有非计划事件,如漏钢(当铸造时钢水从铸模中脱落)和堆钢事故(当热轧钢从辊子掉到磨机地板上时)。这些事件会使生产停滞,既危险又要付出成本代价。机器学习模型可以预测何时最有可能发生事故,并最大程度减少事故的发生。
· 预测性维护:随着工业机器数量的增加,Big River Steel可以使用机器学习模型来确定维护关键机器和设备的最佳时间。
· 出站运输优化:像亚马逊这样的公司一直在优化他们的出站供应链,但这在钢铁厂很少见。 Big River Steel与客户和托运人合作,将出站运输的成本降到最低,并优化客户交付窗口。
有了这些应用,Big River Steel和其他公司改善的运营能力,但最有价值的好处来自于整合。Big River Steel正在试图为工厂的业绩和盈利能力进行“端到端”优化,已经具有不同模型将业务计划和运营的不同部分进行互连,并且在整个企业中进行优化。
这种规划和优化的综合方法仍处于早期阶段,细化的话还需要更多的数据、算法的调整和大量的计算能力。但是Stickler和Noodle.ai的数据科学家都相信这是可以实现的。
来源:forbes.com
作者:Tom Davenport
编译:科技行者
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能)分支用来的今天,企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中,利用AI-CPS OS形成数字化+智能化力量,实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能,而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化,这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合,没有颠覆现状的意愿,这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量,领导者必须在行业、企业与个人这三个层面都保持领先地位:
重新行业布局:你的世界观要怎样改变才算足够?你必须对行业典范进行怎样的反思?
重新构建企业:你的企业需要做出什么样的变化?你准备如何重新定义你的公司?
重新打造自己:你需要成为怎样的人?要重塑自己并在数字化+智能化时代保有领先地位,你必须如何去做?
AI-CPS OS是数字化智能化创新平台,设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端,可以帮助企业将创新成果融入自身业务体系,实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉,形成了领导力模式,使数字化融入到领导者所在企业与领导方式的核心位置:
精细:这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切,进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能:模型随着时间(数据)的变化而变化,整个系统就具备了智能(自学习)的能力。
高效:企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力,这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性:数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验,其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域:技术、文化、制度。
边界模糊:数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化,还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长:
创造虚拟劳动力,承担需要适应性和敏捷性的复杂任务,即“智能自动化”,以区别于传统的自动化解决方案;
对现有劳动力和实物资产进行有利的补充和提升,提高资本效率;
人工智能的普及,将推动多行业的相关创新,开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议:
超越自动化,开启新创新模式:利用具有自主学习和自我控制能力的动态机器智能,为企业创造新商机;
迎接新一代信息技术,迎接人工智能:无缝整合人类智慧与机器智能,重新
评估未来的知识和技能类型;
制定道德规范:切实为人工智能生态系统制定道德准则,并在智能机器的开
发过程中确定更加明晰的标准和最佳实践;
重视再分配效应:对人工智能可能带来的冲击做好准备,制定战略帮助面临
较高失业风险的人群;
开发数字化+智能化企业所需新能力:员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说,创造兼具包容性和多样性的文化也非常重要。
子曰:“君子和而不同,小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能,像君子一般融合,一起体现科技就是生产力。
如果说上一次哥伦布地理大发现,拓展的是人类的物理空间。那么这一次地理大发现,拓展的就是人们的数字空间。在数学空间,建立新的商业文明,从而发现新的创富模式,为人类社会带来新的财富空间。云计算,大数据、物联网和区块链,是进入这个数字空间的船,而人工智能就是那船上的帆,哥伦布之帆!
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能),在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号: AI-CPS,更多信息回复:
新技术:“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”;新产业:“智能制造”、“智能金融”、“智能零售”、“智能驾驶”、“智能城市”;新模式:“财富空间”、“工业互联网”、“数据科学家”、“赛博物理系统CPS”、“供应链金融”。
官方网站:AI-CPS.NET
本文系“产业智能官”(公众号ID:AI-CPS)收集整理,转载请注明出处!
版权声明:由产业智能官(公众号ID:AI-CPS)推荐的文章,除非确实无法确认,我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题,烦请原作者联系我们,与您共同协商解决。联系、投稿邮箱:erp_vip@hotmail.com