工业人工智能与企业转型应用案例

美国辛辛那提大学特聘教授、美国NSF智能维护系统中心/工业人工智能中心创始主任李杰上台演讲；

大家好，今天我想讲一些案例，因为我的一本新书《工业人工智能》马上要出版了，预计6月份会在上海宣布发布。今天我把这本还在修订的书带来了，主要给大家介绍为什么要重新定义工业人工智能，以及这和互联网有什么关系。我认为在工业互联网里尽管每个人都不一样，每个企业做法也不太一样，但是有一个关键点却相同，即一定要为客户解决其不能解决的问题，或者客户可以通过你达到目的从而得到价值。不管是卖鱼的、卖清酒的还是轮船高铁的经营者，其目的都是一样的。

1991年我进入美国NSF，大家都知道这家机构比较中立，做出来的东西全世界分享，完全公开。当时克林顿在任，官员的责任就是研究20年之后的事情，每天吃饭谈20年之后的事。1995年我被公司派到日本先进产业研究院，即日本的工研院，我带去日本的项目就是把互联网用在机器上面，这就是美国的第一个“互联网+”项目。那时候日本是利用卫星实现远程控制机器。当时我代表NSF进行发动机和电梯的远程控制研究，成果形成的论文也是唯一可以找到最早的文章。那时的速度建模一定与远程控制相关，至于为什么要建模，原因在于不可能只靠数据做决策，这明显不够。

后来1998-2000年我在美国做研发总监，2000年之后在智能维护中心担任了教授，这个中心拥有全世界100多个企业，而且还诞生了很多新的企业。我今天就讲中国的高铁和中船。

最近这几年我写第一本书的时候，也是从滴水湖这里开始写起的。2015年开会期间上海交大创办了先进产业研究院的工业大数据，我在会上讲完之后便决定将书写出来。这本书描绘的是2001年-2015年整合的案例，后面包括智能制造，云上的工业智能以及最新的工业人工智能都能在下个月看到。

今天讲工业互联网，按照历史来看基本上有以下几种转型做法：一是像互联网公司说我也可以加上一个应用，变成“互联网+”、“互联网+金融”、“互联网+零售”，我用人脸辨识看顾客购买了多少次，多少次不买，根据零部件的喜好来确定顾客信息。这些叫做工业互联网与智能转型模式，能够带动制造后面的过程，新制造、“工业+互联网”、汽车、钢铁、风电都是如此，他本来做产品的，有问题就加互联网，远程可以看到，就专门监控你，不行就关掉。质量+互联网，生产线连在一起，把整体质量问题找到，我就可以解决生产线的问题。这个成功率很高。还有就是AI大数据+云技术赋能模式，我也可以给你解决很多问题，只要给我题目，所以你就可以做赋能。

重点来看为什么要做互联网，这一定有原因，虽然人是一个事情的核心，但是人和物是自然的连接，人不能没有物。麦克风是演讲的目的，所以人和麦克风要互动才能产生价值，重点是麦克风不会告诉人要做什么，需要人有系统地管理物，比如说某某APP管理出行。我们可以利用AR、VR等技术进行远程的管理，但是当物加上传感，它就能以通知的方式管理人的观念。这说却对也不对，比如说汽车可以直接通知人在哪里，但是必须有一个系统管理它，告诉它人是什么东西，这个系统就是我们今天讲的工业人工智能。工业互联网是管理系统，而不是一个高大上的技术系统。工业互联网中，我们今天要做的一定是解决顾客最大的痛点，工业互联网公司要准备好看到最丑陋的一面，否则不要去做。这里面的数据的技术，包括分析的技术、平台技术、OT技术，这里面要做的东西都是很重要的。今天讲到DT，AT，PT，OT，这几个T现在谈得最多是PT。我是平台公司，你和我合作就可以解决问题了，这个是梦想和幻想。做平台的公司自己一定要已经成功，自己有一个平台，接着让问题得到解决，甚至两个不认识的人在平台上面解决问题。我们现在很多企业把平台当成阳台用，有什么东西都放平台上。云平台基本上是一个平台，有6个分享，分享存储，分享网络，分享计算机，这个是基本的功能。最重要的是分享资源，不是自己有一个东西专享，而是你用的东西别人可以用。还有分享服务，分享生态，这可以带动其他很多做生态的东西。机器出了问题，传感器公司、维修公司都可以在这里，数据在我这里，所以谁先拿到数据。数据是用户的而不是你的，所以这到底是谁的数据。这到底来讲就是今天互联网的战场。很多公司说我要做云平台，要求别人给它们做出来。话不是这么说，因为用户和价值是在这里产生的，只是看别人愿意不愿意用你的。比如说一个设备，一个机器，数据出来了，我开车就可以马上利用车子里面的数据和GPS定位，路况信息都一清二楚。上海政府对此不清楚，因为没有实地考察过，但是我自己开车经过这些路，所以我知道。因此可以把车子产生的数据变成一个生态，这个数据生态从传感器出来，这个是知识生态，哪一个地方不好，哪个地方正在赛车等信息都知道，这就是服务生态。三个生态做成之后就变成自然生态，但是从哪一个开始则是随机的。就像轮胎振知道哪一个轮胎不好就从哪里调整一样，车子数据是你的，所以你可以做很多事，但是轮胎公司不知道。就看谁可以想到。

比如说轴承APP的使用。我在通用公司工作的时候，1983年我们有一个叫查理的专家，他只要耳朵一听，就知道这机器是轴承的内环坏了，再一听就能发现轴承本身外环也不好，因为内环、外环、滚珠的频率不一样。我想说为什么需要人去看？我们对轴承进行分类，绿色就是正常的，白色是外环，黑色是滚珠，蓝色是内环，这个分类方法很好，只要开始绕了就能发现是外环问题，我们过去需要有37年工作经验的专家来识别，而现在只需要用一个振动信号即噪音信号，而且这个数据可以全世界用，我们将数据捐给美国NASA。现在在NASA网站查一下，已经有超过3万次下载。利用这个数据写毕业论文并毕业的博士有850多位。我也要做成一个APP，任何人只要告诉我什么样的轴承，什么样的速度，APP直接自动帮你判断有什么问题。这样一个APP在每个人都使用后就会变得值钱。不分黏性和弹性，大小型号轴承都可以用，因为顾客的输入才能形成APP，这现在已经很成熟了。我们做工业大数据、工业人工智能，要帮助顾客找到他不了解的问题。重要是用户和价值驱动。这个是最重要的目的。

现在怎么看数据质量？发动机、轮船，高铁等数据很多，第一个可以找到高铁，滚珠轴承，中国的高铁是跑300公里一小时，200公里以下的轴承中国自己可以做，200公里以上中国不能做，都是进口的，因此要知道可不可以用。很多公司说我有很多数据，我们花了6个月的时间来收集数据，但是你们的这些数据不能用，因为你们没有背景资料，这就好比捐了很多血，但是不知道你有没有艾滋病或者胆固醇一样，所以我们不敢用你的数据。数据可不可用是一个重要标准，这已经是上亿的产业，因为很少公司可以做这个事，这要做人家不能做的事，数据本身是断裂的，因为拿来的时间不一样，拿来做的方法也不一样，数据的背景不一样，轮船航行时天气的背景，飞机起飞时的高度、风速都没有，要做数据的省油服务几乎是不可能的事。不了解天气的资料，对发动机懂再多也做不出来。可不可以用历史数据或者同类型的数据做比较呢？能不能找到关系，找到还不了解的问题，什么样的风速，什么样的湿度，风电叶片会结冰？甘肃不会结冰，到安徽会结冰，因为天气湿度不一样，路况和车子的平稳度什么关系，都不知道，因为数据没有归类，所以人很难做决策。

2017年我们信通院办的工业互联网，主要看风电会不会结冰，当时1600个团队，最后选了12个团队，6个团队做皮带损伤，6个团队做风电结冰。其中富士康有3个团队，有人会问他们怎么搞这个东西，因为他们说做大数据很强，不搞风电也可以预测出来。我慢慢更了解富士康，发现这个里面我们可以有很多合作，就协助他们做工业互联网。

后来我到富士康捐出这个数据之后，华为用云平台，一个是物流，一个是刀具，能预测出来刀具怎么断裂怎么损耗。来参加的全部都是高校的，没有企业界。中国企业界自己独当一面搞工业互联网真的很难，第一没有时间，第二没有环境，给你数据但没有分析时间。有的有工具但没有顾客数据，有的则正好相反。

我发现人工智能从上世纪80年代开始到最近已经有了相当大的改变。近几年国内炒作的特别厉害，从互联网+到工业互联网，到云再到CPS，再到人工智能都有连续炒作。纳米技术从1993年的时候就开始研究，搞了将近20年，现在博士生都找不到工作，现在纳米还谈吗？没有钱所以不谈了。我看人工智能再搞十年也没有钱了，因为做不出东西怎么有钱。大家要清楚，一个领域不能炒过了，人脸识别、声音智能之后，人工智能怎么赚钱，是比较大的挑战。

因此未来我们人工智能投资的可能性、可成长性、可用性都很难验证。我产品可以用还需要你投资吗？我直接找客户马上用了，为什么还要你投资。以前搞机器人，机器一故障半个小时，损失的钱你来赔。那还要不要？所以机器人企业一个个死了。我可以用你的，但如果判断损失你要承担，你却又不敢，那叫什么人工智能。数据环境会变，它不是固定的。需要辨别出来什么地方出问题，所以在很多方式里面解决一个系统工程，如何验证这个系统是否可用就很重要。所以我当初定义工业人工智能（维基百科也是我写的）时写道，人工智能是认知科学，是研究如何将图像和自然语言用在医疗以及辨识上的科学，所以成功率是有的，但问题是怎么让成功率不受到任何变化的干扰。国外的人工智能并不是解决一个奇幻的问题，问题解决完之后，就可以重复解决，这可以很稳定地传承下去。

比如说我退休，有人接替我，取代我，比我以前稍微好一点，但是好不到哪里去。以前一个个学，不同的专家不一样，人工智能用训练的方式可以做，但是每次零部件要更换，系统有变化都要重新做，老系统和新系统无法自动覆盖。因此现在人工智能必须要做自动调整，它可以一直做调整。这个里面他需要这种东西。我们要看哪一种方式适合解决什么问题。

第一个中国船舶案例。我之所以要做中船互联网，是因为当时韩国在做并且技术处于第一，那个时候中国还不是第一。要做船的监控，泵，轴承，我说船最大的问题就是耗油性，当时根据船舶的位置，每天角度的变化，根据它的阻力可以找到关系。现在整个团队都已经形成并实现了民营化，我们可以一年省掉6%的油费。第一条智能船是2017年12月6日正式成立，业务并不是卖船，而是卖船的管理和服务。有几个人听过宽度学习？这是我们犯错经验得出来的，很多东西在运转，有很多风电在运转，但是要监控每个风电吗？所以我们申请宽度学习专利，学生3次考试，总考好的没有问题，总考得不好就补习，所以就知道哪一个不好哪一个好。高铁有两个转向架，每个转向架有4个电机，一比就知道哪一个不好。我可以很快知道哪一个风电好或不好，放在一个风电里面看，看哪一个风电哪一个不太稳定。不管天气好不好，船出去就可以做维修，一比就知道哪一个不好了。我们要去巴黎旅行，问十个朋友哪里好玩，问了十个知道了，哪一个地方好就去哪一个地方。

高铁在开动的时候，很多的数据从轮毂中产生，高铁十几节，一节有两个转向架。我们当时做了整个群的监控，这个里面根据速度变化爬坡加速减速找到类似性，就可以找出哪一个好哪一个不好。我知道中车哪一个电机不好，哪一个节车箱什么问题，一比较就出来了。这样很快，因为总共2万多辆车要怎么用。所以整个高铁可以往上拉起来。有一天比如说中车的车子出来之后，动车和谐号，信号出来一比知道哪一节哪一个电机不好，集中在这个电机和其他的电机做比较，就可以得出哪一个最差。把整个系统变成整个集成，中车可以很快找到不好的电机。这个就是宽度学习。

下一个案例就是电池，电动车也是一样，特斯拉有2000多个电芯。电池充放电的时候会变，我要找的电池是哪一节电池，在云上面直接做运算。数据并不需要存储，因为云上就可以完成。充电的时候就知道电池什么问题。那个时候韩国某市长特别来看电池信息基地，建模。这个就是我们讲的智能大数据，2010年开始做的，现在有十个专利，我们等企业碰，碰了之后找他们。用云做电子的很少，只有两个。

接下来我们讲工业互联网的案例。我们去年协助富士康申请了灯塔工厂，全国有17个，因为富士康有17万的机床，18000条线。如果要做这个事，数据量是足够大，工业云需要加强边缘的智能化。物端不用这么快， 因为不需要马上做决策。我们用了很多工业互联网软件预测生产当中的问题，问题预测出来，最后关停工厂。富士康目前有8个停运工厂，我不需要看机器了。目前全世界有16个，今年有7个，第一年有9个，今年7个富士康和西门子总共16个。基本上我们这个东西最重要就是集中在边缘端。

最后我们现在有一个问题，人工智能找不到人，请不起人，留不住人。我们建立一个产业学院，专门培养人才，我帮富士康做的时候只有30多人搞AI，现在有1000多人。

传统人工智能是传统科学，永远不会停的，但是工业人工智能是要解决过去的问题和未来的问题。人工智能不能解决过去的问题，但是工业人工智能一定要解决过去的问题，高铁、车辆、风电，深度学习，宽度学习都要有。我的书是6月份出，是由交通大学出版社发行的，大家有兴趣可以看一下，也有很多案例在里面。今天就讲到这边，谢谢大家。