乐动LDSports|德国科学院院士：传统企业寻求变革 向智能制造靠近

本文摘要：6月1日，以“深度视野，对话未来”为主题的首届“中新的人工智能高峰论坛”在新加坡·南京生态科技岛开会。

6月1日，以“深度视野，对话未来”为主题的首届“中新的人工智能高峰论坛”在新加坡·南京生态科技岛开会。本届高峰论坛由南京市人民政府、新加坡企业发展局、江苏省经信委、江苏省商务厅、江苏省人民政府外事办公室作为指导单位，南京市商务局、南京市建邺区政府、中国人工智能学会主办。

论坛上，德国、自知无限人工智能研究院院长、首席科学家，德国人工智能研究中心科学董事汉斯·乌思克尔特教授带给主题演说：“德国工业4.0与中国AI产业发展的机遇与挑战”。在演说中，汉斯·乌思克尔特详尽讲解了AI在工业上的概念和明确案例。他谈AI+工业原理分成三层，由内到外分别是，生产层、运营层和数据融合层。经由这三层，智能生产建构了极大生产力。

以下是汉斯·乌思克尔特的演说全文，亿欧在不转变本意的基础上展开了删改。大家下午好！我在AI领域早已工作了有30多年了，用于了有所不同的应用于，我想跟大家共享智能生产的一个理由是因为它跟我的背景有一点关系。首先，我会给大家讲解一下AI的一些工业应用于。然后再行给大家讲解工业4.0和智能生产，接下来我会非常简单地给大家讲解一些机器学习和深度自学，还有一些未来的未来发展。

在过去的十年，我创建了一个德国人工智能中心。随着AI显得更加风行了。除了传统的IT公司，比如SAP，软件公司，微软公司等。

慢慢，很多生产的企业也重新加入进去比如Facebook、宝马、博世、空客等。他们都是机器生产的公司，在过去的一年，这些生产企业大大地拒绝我们协助他们展开变革，把他们的公司转型成一个现代化的数字驱动的公司，需要让他们用于工业4.0。关于智能工厂，我们一共有三层。

首先，核心层，也就是智能工厂，或者说生产本身，AI在这里也需要充分发挥一些起到。主要概念就是通过物联网把机器联系在一起，AI根据这个传感器上载的数据来展开分析，这就是核心。实质上，这个机器与之前的生产工厂，比如说iphone、汽车工厂、手机工厂是不一样的。

区别在于，他们很多的解决方案并不是泛泛的，而是明确的。此时我们用于了一些机器人，有一些工人他们的工作早已也仍然严苛分工了，这就构成了工人与个机器人之间展开通信，相互交流的市场需求——这是智能工厂的一个核心的部分——也就是网络和实体的系统相互地联系一起，即用物联网，把处理器和传感器联系在一起。

其次，有个十分最重要的概念——“数字双胞胎”（指以数字化方式拷贝一个物理对象，仿真对象在现实环境中的不道德，对产品、生产过程乃至整个工厂展开虚拟世界建模，从而提升生产企业产品研发、生产的生产效率。）。

这样一来，整个生产流程、数字产品以及系统，都有一个孪生的数字化镜像。有一些产品本身就可以让机器发布命令指令，从而为生产制订一个计划，对于一些中度的自动化的生产，构建人机对话，AI驱动优化的产品和流程、预防性修理，预测能耗的目标。第二层，除了显生产之外，我们还有运营的服务。

比如说公司内部的移动性上下班，还有智能的物流、智能的建筑、智能的产品和智能电网。由于有“数字双胞胎”，如果你对流程、产品和手册展开编码的话，这将不会是一个十分非常复杂的内容，再行再加培训，供应商、合作伙伴服务这些数据进去，体量十分可观，因此我们必须对运营服务展开新的的设计。最后，我们来看最外面的一层——数据融合。

最外面的一层是一般来说被人们所忽略的，但实质上它要求一个公司胜败与否。为什么呢？因为大部分最重要的那些数据源于公司以外，比如你的客户、合作伙伴、供应商、监管当局、技术合作提供商、媒体、投资商以及股东，还有你的竞争对手。这就意味著说道，我们仅次于的一个挑战是要把所有的数据，也就是智能工厂内部的数据与外部的数据展开融合。

要理解外部的数据是非常复杂的。因为那些外部数据的来源，并无法把数据以这种结构式的方式给你，你获得的一般来说都所谓结构性的数据。你必须把内外部的数据融合到一起。如果你能解决问题这个问题的话，你才有客户关系管理，或者说，你的供应链就较为的智能了。

智能实质上意味著我们要用于互联互通，要用于物联网，用于大数据，要用于分析，要用于商业的情报，当然还要用于AI来协助你大大地去优化整个的流程。某种程度是优化，这个系统还能告诉他我们，这些问题否解决问题了。我们为什么要用于外部的数据和科学知识？首先，这各不相同我们究竟要构建什么样的目标？要监督流程，取得早期预警，检视否经常出现偏差，如果有偏差的话我们要早期插手，协助我们尽快决策。荐个例子，我们的合作伙伴之一——西门子，他们早已采行了我们主要的设备，也就是我们的公司出产的一个科学知识路线图。

我们要做到的事情是，期望从外部取得科学知识，与公司的图谱融合，可以告诉我们生产的地点在什么地方，用于什么样的技术，在全世界各地有什么样事件的再次发生。再行把这些信息和我们企业内部的信息融合到一起，这就构成企业的科学知识图谱。不要高估这些科学知识。

举例来说，《大英百科全书》这是世界上最非常丰富的《百科全书》，但这也只是它的打印机版。如果你把所有科学知识都打印机出来，应当有多大的量呢？还包括维基百科在内的百科来源，都在慢慢地转化成为一些结构的数据。实质上很多的科学知识现在正在经历着这样的一个转型：机器学习。

返回西门子的合作例子上来。西门子有19万的供应商，我们的企业科学知识图谱，协助他们做到供应链的仔细观察和管理。对内外部信息展开输出、萃取，在这个基础之上需要去做到一些结构性的转型。

就外部媒体信息而言，某种程度还包括媒体，还包括社交媒体，比方说像推特网，甚至来自铁路、警员部门、高速巡警、消防部门等。这样的一些信号统合在一起之后，我们搭起了大数据平台和研究中心。

这样的一些应用于，对整个工业的流程有相当大协助。所以我们期望需要从这些并未结构的信息展开自学，转化成为结构的信息，并且在适当的场景下展开理解。最后期望把一些显性的科学知识，比如说工业的科学知识，行业的科学知识，需要通过经验来展开挂勾，使得机器学习、深度自学以求构建。

如果做到将近这一点，我们是无法去应付，无法符合简单的工业现实所面对的一些市场需求。谢谢！。

本文来源：乐动·LDSports(中国)体育官网-www.hhxiaojudeng.com