21世纪初，当技术世界还并无“维护”二字时，发动机、电梯等设备故障维修解决的是后果，而维护则是“事前诸葛”。有了预测，就可预防，维护优化工作才可真正实现提质增效降本减存。“直到2000年，我发现有些事情不是那么正确了，因为很多数据没有被高效地利用。”李杰教授在采访中说道。

为此，先后在美国自然科学基金会（nsf）、美国联合技术公司（utrc）担任研发要职的李杰教授在2000年做出了一个重要决定——去大学任教并启动工业大数据的研发。在当时，这还是一个从未被挖掘过的领域。

那么，工业人工智能如何提升产业竞争力？人工智能会造成大量失业吗？工业大数据和我们日常常说的互联网大数据究竟有什么关系？带着这些问题，小编此次采访到了身处工业自动化与机器人领域近40余年的科学家——李杰教授，这位为“工业大数据”命名的科学家将向你讲述关于人工智能、工业大数据领域的那些事。

挖掘工业大数据的价值痛点

20世纪80年代初，当美国汽车产业开始逐渐意识到与日本产业之间的竞争时，自动化、机器人视觉等技术相继获得重视，美国品质革命就此开始。在此期间，李杰教授先后在美国自然科学基金会（nsf）、美国联合技术公司（utrc）担任研发要职，主持研发了普惠发动机、奥迪斯电梯等新一代产品和项目，并资助了包括增材制造（3d打印）与纳米制造等多个项目。

众所周知，大数据的来源之广、历史背景之深共同组成了“大”的特性。但相比于互联网大数据，工业大数据来源于供应链和制造流程等众多环节，其特性更聚焦在问题点，而不是需要点。

“互联网大数据是从数据中找寻还未产生价值的东西，工业大数据则是从痛点中寻找怎么避免让你‘痛’的东西。”李杰教授解释道，工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。

换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

李杰教授曾提出一个“煎蛋模型”，来阐述产品与服务价值之间的关系。蛋黄代表的是产品自身，其差异性程度并不明显，例如一台电视机在挡住了logo之后就很难被区分出来是哪家公司生产的。而蛋白所代表的价值却是差异化的重要体现，也是企业的品牌和可持续性价值的所在。而数据将成为挖掘这些价值的重要手段，其主要体现在：

1、利用数据挖掘在使用中获得新的知识和技术对现有产品进行改进；

2、利用数据去发现和定义用户未知的需求；

3、以数据为媒介向用户提供增值服务。

经验可以传承，但无法长久传承，但具有逻辑性的数据可以传承。煎蛋模型，就是从大问题导向到大价值导向。蛋黄是大问题，蛋白是大价值。数据是从大问题开始，但它绝对不是目的，必须要做到大价值并发挥最好的作用。

就在不久前，由工业和信息化部指导，中国信息通信研究院、工业互联网产业联盟主办的第二届工业大数据创新竞赛决赛答辩正式落下帷幕[注]。作为竞赛连续两年评审团的专家，李杰教授在倍感欣慰的同时也深有感触。高校参赛者的基础算法能力虽不容小觑，但是由于没有基础数据，项目构建过程中仍有很多问题。对此，李杰教授总结道，若要真正实现智能制造，我国仍需要一批工业大数据的年轻生力军，下到工厂，让算法的能力补偿有经验的专家，相互结合补充，共同助力工业智造高质量发展。

工业智造关键要素abcde

传统人工智能概念始于上世纪50年代。半个多世纪以来，人类利用自然语言、神经辨识、神经网络或形象辨识等方法，让机器学习规律，进而提供广泛维度解决方案。相较于前者，工业人工智能隶属垂直领域，其属性聚焦于工业制造系统，涉及汽车、飞机、轮船等移动工具的安全性、节能性、耗油性，工业制造机器人的稳定性、精密性、风力发电的效益性、节能性等相关课题。

李杰教授在谈到工业人工智能的关键要素时说道，工业人工智能可以用“abcde”的特征进行分类，这些关键要素包含分析技术（analyticstechnology），大数据技术（bigdatatechnology），云或网络技术（cloudorcybertechnology），专业领域知识（domainknowledge），证据（evidence）。

分析（a）是ai的核心，它只有在其他要素都存在时才能产生价值。大数据（b）与云（c）是提供数据来源和工业人工智能平台必不可少的两个要素。然而，专业领域知识（d）和证据（e）也是常常被忽略的两个重要因子。专业领域知识（d）是下列事项的关键要素：

1、了解问题并专注于利用工业人工智能去解决它；

2、理解系统以便于收集正确且高质量的数据；

3、了解参数的物理含义以及它们如何与系统或流程的物理特性相关联；

4、了解这些参数因机器而异。

证据（e）也是验证工业人工智能模型以及它们与累积学习能力相结合的重要要素。收集数据形态模式及与它相关联的证据，我们才能改进ai模型使之更加准确全面并且与时俱进。这也是当代人工智能、工业大数据领域从业者需要具备五个重要资质。

现如今，人工智能时代已悄然来临，机遇就在前方，发展就在脚下。但自ai热潮掀起以来，业界对于人工智能取代人类工作的讨论就没有停止过。对此，李杰教授表示人工智能并不是取代人，而是在做人类做的不好，或者人类不想做的事情。

早在上个世纪80年代的美国，人工智能就已应用在一些简单的控制领域，包括机器人，机器视觉，形象识别等技术。而机器人智能化并不是要取代人们工作，而是帮助人找到一个更高效、更灵活、更健康的环境。当业务的空间维度高，复杂性高，不确定性高的时候，人工智能就可发挥自身优势，协助人类进行工作。