人工智能时代：破解人机共存密码（套装共10册）

在用户端，通过可视化平台也可以非常直观地看到活跃用户、流失用户、已购买用户、潜在用户等的数据，这些数据在各个环节的运作过程中都能够清晰展示出来，并进一步指导企业做出精细化决策。比如像促销活动，我们只知道要在哪个节点做促销活动是不够的，我们还需要了解这个促销活动什么时候做、做哪些、怎么做等一系列问题。要想做到数字化落地，就必须要把这些问题具体化。而用户端的这些数据可以为我们提供帮助。比如，根据可视化平台提供的近期每天使用人数，我们可以知道哪天属于淡期、哪天属于旺期，以及这些日子的特征，是周末、月末，还是都是工作日，我们从中选取适当的时候来做精准促销，提升业绩。

数据可视化可以避免出现盲人摸象的情况，数据可视化平台呈现出的全域数据视野，为探寻业务运作的各项问题提供了机会和助力。对于企业决策者来说，他们肯定更愿意看到可视化的数据模式。当然这些可视化的前提假设和实现手段是已经有了打通的数据，然后才可以做到上面所说的可视化呈现。

数据中台提供了数据的获取、整合、存储、加工和利用的服务，让我们能够更好地认识数据和使用数据，这种服务是任何业务场景都需要的。而AI中台提供的是更加具有创造性和个性化的服务，通过人工智能模型发现不同场景中的精准需求，提供业务创新的机会，从而实现业务增长。因此，数据中台和AI中台是适用于业务发展不同阶段的基础设施，数据中台为AI中台提供了基础和养料，AI中台的需求也会反过来促进数据中台的成熟。相应地，数字化与智能化也是企业发展的不同阶段，二者并没有严格的界限区分，数字化和智能化融合发展，相互促进，相辅相成。最后，通过数据可视化平台，我们可以更加直观全面地了解到商业活动中每个环节的状况和发展态势，这样在进行决策时就能更加有的放矢。

工业赋能_：数字化的物理世界

18世纪末，蒸汽机的出现使人们进入工业1.0时代；20世纪初，电力的大规模应用使整个世界进入工业2.0时代；20世纪70年代，电子技术、信息技术以及工业机器人的广泛应用推动世界进入工业3.0时代；现在，随着物联网、大数据和人工智能的融合应用，我们已经进入了工业4.0时代。在新一代技术革命浪潮中，数字化趋势已经势不可当。我们需要利用数字化技术促进产业变革，尤其是通过人工智能的应用创建具有适应性、高资源效率和更加人性化的新一代智能工厂。在这样的背景下，不仅需要将工业所处的物理世界数字化，数字化的目标还需要反作用于物理世界，驱动物理世界，改变物理世界。

数字化反作用于物理世界的第一步就是将物理世界抽象成标准化的数据集合，这是物理世界向数字世界转化的基础。这一步可以借助物联网（Internet of Things，简称IoT）完成。物联网，顾名思义，就是“万物相连的互联网”，是将各种信息传感设备与互联网结合起来的网络，它可以在任何时间、任何地点将能够独立发挥作用的物体连接在一起，实现互联互通。所以物联网的核心和基础仍然是互联网，它只不过是在互联网基础上进行了延展，扩展到了任何物品与设备之间。物联网上涵盖了大量的数据，各设备相互连接并且不断地进行数据交换。将物联网上的数据经过数据采集、数据分析和数据处理后，我们再把这些数据存储在标准化数据集合里，物理世界的抽象过渡就基本完成了。

但仅仅完成数据的抽象是远远不够的，工业4.0时代要做到数字化驱动物理世界并改变物理世界。因此，这里我们要引入一个概念——CPS（Cyber-Physical Systems），即信息物理融合系统。这是一个综合计算、网络和物理环境的复杂系统，它将计算、通信与控制深深地嵌入物理过程，使之与物理过程密切互动，实现了计算进程和物理进程的统一，从而给物理系统添加了新的能力。信息物理融合系统包括了很多智能系统，通过建立物理世界数据的人工智能模型，在数据采集输入后，系统可以进行管理、操作和预测，从而把相应的决策和洞察再反馈到物理世界。

所以，CPS紧密连接了物理世界和数据计算，通过计算进程和物理进程相互影响的反馈循环，实现深度融合和实时交互来增加或扩展新的功能，达到实时监督或者控制物理世界的目的。也就是说，CPS不但可以看作工业数据的集合地，而且同时将这些数据进行机器学习或深度学习，建立起物理世界的数据模型，并且基于这些数据模型产生智能预测和决策，从而最优化地驱动和改变物理世界。

总体来说，物理世界的数字化过程首先要有数据，然后通过IoT打通生产制造环节将数据整合在一起，再通过建立相应的人工智能模型，进一步理解整个生产制造过程，比如其中的某一个步骤需要怎么调控参数，怎么优化生产制造的目标，从而形成最优化的决策，实现效果的提升。其中，CPS不仅可以实现针对物理世界的实时计算，还可以通过数字世界建立的模型将操控指令反馈到物理世界，驱动物理世界的调控和改变。

工业数字化赋能实现路线图

我们已经明确了工业数字化的总体目标：不但要将工业所处的物理世界数字化，而且还要将数字化反作用于物理世界，驱动和改变物理世界。如图5-5所示，工业数字化赋能的实现可以分为五个阶段：试点连接、全面连接、数据洞察、业务优化和链路集成。

在试点连接阶段中，要完成试点工业设备连接、数据采集集成、设备故障收集和设备性能分析等，这是最简单的数据收集，可以在单点上完成。此后进入全面连接阶段，把所有生产设备、检测设备和客户反馈等相关数据通过IoT和其他手段收集到数据中台上，完成大规模数据的采集和全链路数据打通。

下一阶段就是在数据基础上，搭建初步的CPS，形成完整架构，进行数据洞察分析。在这一阶段中，通过收集的全链路数据，建立人工智能模型，进行设备故障诊断、故障预测、可靠性分析、寿命预测和质量分析等。接下来继续完善CPS，根据预测性结果，进行业务优化，对整个工业生产链路做出相应的资产性能优化、维护策略优化、备件库存优化和产品性能优化等。业务优化阶段完成后，进入链路集成阶段，实现上下游信息和流程的集成、资源的共享，完成从生产型企业向服务型企业的转型。这也是企业成为数字化领导者的实现路线。整个过程从分步连接数据，到数据洞察、迭代和扩展，再到链路集成和整合优化业务流程，最终形成业务模式的创新。

通过工业数字化赋能的路线图，我们可以更形象地理解智能生产制造的各个阶段——从试点连接阶段，进阶到在IoT平台上连接更多设备和节点，对数据进行全面洞察，做出预测，从而优化业务目标，更好地提升产能、降低能耗、降低故障率等。工业生产的指标都可以通过数字化的方法进行优化，最终形成整个链路上的集成，向智能制造方向过渡和发展。

在工业数字化赋能的路线图中，要实现数字化赋能，最重要任务之一就是建立人工智能模型，也就是建立相关输入因素数据_x及目标值_y之间的相关函数关系。如图5-6，模型的作用就是在获得相关输入因素数据（例如生产数据、能耗数据、质量数据和环境数据等）以及和生产目标相关的输出值后，对这些数据进行学习，进而通过人工智能产生因素数据和目标值对应关系的模型。在实际生产过程中，工厂将各生产过程中感知到的数据导入生成的模型，根据输出的结果完成决策和反馈，实现工艺参数推荐、过程优化和设备综合效率优化，最终实现预期的生产目标，如提升优良率、降低成本、提升效率或是节省能源等。

所以简单地说，工业数字化赋能的核心是提供全链路人工智能模型服务，通过分析工艺参数和关键指标之间的关系，进一步预测生产制造环节的关键指标，再根据预测结果完成相应的操控决策和反馈的闭环，最终为企业带来良品率提升、能耗降低和效益增加等效果。数字化赋能的过程完成之后，操作人员在生产制造中每一个环节需要关注的重点、操控的参数等，就都可以被科学地预测和制定。这样就可以做到生产制造环节的数字化赋能和优化。

以上的数字化赋能主要是针对生产制造而言的。虽然生产制造和零售是业务中两大不同的环节，但这一数字化赋能的方法论是通用的。也就是说，在数字化系统建立起来后，只要设定了业务目标，我们就能通过学习输入和输出之间的相关性进行预测性判断。至于如何操控系统参数，如何调整业务流程等，对于生产制造和零售环节的应用来说是异曲同工的。

国内智能工业案例

工业，在我们大部分人的眼中，就是一些与钢筋水泥打交道的产业，并且一直被划分在传统行业的范畴内。早期，行业内甚至流传着“工业不需要互联网”的言论。但随着技术的完善和落实，数字化、智能化系统越来越多地在车间中投入使用并取得了较好的运作效果。此时，“工业不需要互联网”的言论开始出现崩塌的迹象，“工业大脑”逐步在各地工业企业中广泛应用，不断攻占工业制造的各个领域。

通过数据的全链路打通和人工智能模型计算，智能工业可以深入到各行各业，达到赋能工业的目的。这样的例子比比皆是：在汽车行业，基于人工智能视觉处理的汽车工件合格性检测系统已成功在汽车零部件制造企业得到应用，有效地提高了汽车工件不良品检测效率；在烟叶行业的分级应用中，按照烟叶分级的国家标准，针对不同地域提供烟叶分级模型，可以有效地降低烟草公司人力成本，实现高效高质的分类。

智能工业可以运用到工业流程的各个环节，例如，在对产品的质量检测中，通过训练多层神经网络模型，可以对物体表面的缺陷进行大小、位置、形状的检测。在不规则缺陷检测方面，智能工业的准确率与传统模式相比有了明显的提升，譬如通过深度学习训练LED（发光二极管）芯片缺陷识别及分类模型，能够有效提升产品质量和检测效率。再比如，光伏的电子发光检测应用通过数字化和智能化手段支持单晶和多晶暗域、黑边、黑角、各种隐裂等十数种缺陷识别，全面提升了缺陷分类准确率。

人工智能在工业领域成功落地的案例有很多，华菱星马就是其中的一例。华菱星马是一家重型卡车、重型专用车的生产商，在全国汽车生产领域占据着重要地位，其节能环保大功率发动机智能工厂项目已获批国家制造业互联网融合试点示范项目，其汽车生产的智能水平目前国内领先。华菱星马通过对工厂进行数字化、智能化的改造升级，建立起了多种智能化信息系统平台并进行相应集成，从产品的设计开发、生产、销售直到服务的全生命周期中，对各种数据进行采集和分析，真正实现了产品生产的数字化和智能化。

在发动机质量控制方面，华菱星马通过多种系统平台和技术手段实现了数字化赋能。在进行数据采集的同时，华菱星马还兼顾设备运行状态和质量管理的监控以及控制功能，统筹协调由多台全自动在线测量机和几十套装配辅助设备等组成的发动机生产线。如果接到生产订单，系统可以直接将订单信息及物料清单传递到生产线进行生产。在生产过程中还能记录产品的质量信息以及其他重要数据，形成完整的产品信息档案，搭建产品质量数据库，生成产品质量报表，以便在产品进入市场后进行产品质量追溯。

在提升服务质量方面，华菱星马基于现有的车联网系统平台研发了出一套智能服务系统“智慧华菱”。该系统借助人工智能，可以统计出自定义区域内车辆的通过次数，分析出车厂服务站的覆盖能力；其远程车况诊断功能，可以实时把控车辆的车速、转速、档位、里程、油耗、平均油耗、小时油耗、运行时间等，让用户对车辆的运行状态了如指掌，并且为预测性维护提供了有效数据支撑。对以上数据进行分析，也可以反作用于生产决策，对产品设计和性能提升起到积极的作用。

工业数字化除了应用于产品生产线上之外，对于优化产品质量也起到了举足轻重的作用。例如，天合光能作为全球最大的光伏组件供应商，电池片是其重点供应的组件。但有一段时间，天合光能在电池片的质量优化方面遇到了问题。他们尝试了多种方法，最终通过工业大脑平台解决了这个问题。工业大脑平台基于大数据，结合了人工智能以及工业领域的专业知识，在提高产品良品率、优化产品生产过程等方面发挥着很大的作用。该平台搜集了天合光能电池片从接收订单到产品生产完成全过程的所有数据，并进行了深度分析，再结合业务智能算法平台识别出生产过程中对电池片质量产生关键影响的重要环节，针对这些环节提出优化方案，进而在实际生产过程中不断调节该优化方案，直至达到电池片的质量优化目标。在工业大脑平台的帮助下，天合光能的电池片生产良品率提高了5%，对天合光能产品整体质量的提升都起到了有效的促进作用。

从20世纪70年代开始，能源就和人口、粮食、资源以及环境一起被列为当今世界面临的五大问题。能源短缺会给人们的工作生活带来很大不便。而且，随着工业的发展，人们对于能源数量和质量的要求越来越高，加剧了能源短缺的问题。此外，能源使用过程中排放污水、废气等污染环境的问题也日益凸显。基于数字化的智能工业能在节约资源、提高资源利用率、防治环境污染等方面大有可为。

例如，三众能源就利用人工智能为全球累计降碳70多万吨，累计节约电量将近60万千瓦时。三众能源是一家综合型的能源科技公司，响应国家可持续发展战略号召，为节能减排的重灾区——工业，提供人工智能帮助。三众能源研发的人工智能节能产品应用在燃气锅炉、空气源热泵、空调等大型能源系统上，能够很好地实现节能减排。人工智能节能产品的具体运行过程如下：首先，通过数据采集器，实时采集能源设备的运行状态、环境参数以及用户偏好等各种数据；然后，对这些数据进行人工智能分析，及时调整、控制能源设备的运行，达到节能减排的效果。