|||
李培根院士:数据驱动未来,但不是一切
文章 | 李培根
来源 | 江苏大数据
【导读】7月19日下午,中国工程院李培根院士应邀参加江苏大数据产业发展高端论坛,并以“数据理念”为主题现场发表了演讲。 李培根院士围绕自动化、数据的理念、理念的数据三个维度对企业如何通过大数据去克服数据的不确定性,正确利用数据价值、实现制造企业数字化转型作了深入的阐述。 以下是演讲实录: 尊敬的各位领导,非常荣幸有机会能够参加论坛,我本人到江苏来过很多次,江苏的产业发展给我留下了深刻的印象。不光是南京,苏锡常还有包括其他的城市,经济活跃、产业发展都给我留下了很深的印象。 我今天的话题是结合会议主题说说我的看法,我现在要说明的一点是什么呢?我其实不懂数据科学,数据科学并不是我的专业,但很多年来我都很关心数据科学的发展。像以前制造业信息化,数字化制造。今天我们讲智能制造,这是我所关心的,我说说我的看法,不对的地方大家批评。 其实几年前奥巴马和美国国会提交的一份报告里谈到:科技不只是在取代组装流水线上的工作,而是在影响任何可以被自动化的工作。即传统的自动化替代的是人的体力,但未来不一样,简单地讲是指人的脑力。 最近大众的CEO说:不远的将来汽车将成为一个软件产品,大众也会成为一家软件驱动的公司。我们很多人听到后都会感到不解,汽车是一个硬梆梆的产品,怎么会是一个软件产品呢?我认为这句话有两层意思,一是指汽车未来所应用的软件产品会越来越多,尤其是自动驾驶,无人驾驶汽车。 二是指影响未来汽车竞争力的主要因素是软件,而不是硬件。我们现在有个话题是“软件定义世界,数据驱动未来”,二者是紧紧联系在一起的。有人讲未来世界,我就说数据世界或者软件,与其相关的大量问题都是处理数据。正如刚才说的汽车是一个软件产品,由于有软件产品很多都是和数据紧密联系在一起的,汽车就会和智慧城市里的很多数据关联在一起。 下面我将会说三个话题,首先我们从自动化说起,之后会介绍理念的数据,最后会说明数据的理念。 一、自动化 传统自动化是替代人的,我们现在比较完善的自动化可以处理一些结构化的、固定模式的、确定性的问题。目前少数非结构化的问题无法通过自动化处理。未来的自动化不仅包括目前已经完善的自动化,还会像奥巴马所说的替代一切的自动化。 人的脑力包含很多东西,实际上它是非结构化的,没有固定模式,是一个不确定性的问题。这些问题的处理我们以前没有什么好的手段。实际上,这些问题需要认知自动化来处理。智能自动是另外一种自动化替代人的脑力的技术。所以替代脑力这个数字智能时代的自动化替代脑力,我们讲它超越固定的模式,有些问题没有固定的模式,例如,一个车间里节能的问题并不是一台设备上节能的问题,它没有一个固定的模式,你没有办法用一个模型去表达,车间节能的设备没法建立一个模型,此时我们可能就需要用超越模型来处理。 当然,有时候我们可以通过数据去发现模型,参数化模型等。我们需要超越确定性的问题,从而有办法处理不确定性的问题。 工业中最重要的是制造,不管是设计效率、质量、成本、绿色等,所有这些问题实际上都存在着大量不确定性,如果我们想清晰地认识,乃至驾驭企业活动那么认识这个企业的整体联系就会非常重要。 另外,非固定模式不确定性的问题是以前对我们来讲比较困扰的问题,系统到底有多少是相关联的?例如,我们人就是一个很复杂的系统,到底人有多少因素相互关联,怎么关联?因此,大数据、人工智能等的出现就像开启了一扇大门,有可能促使我们去认识整体联系、非结构化的问题、不确定性的问题等等。 我们可以想想中国的传统文化。中国古代的金木水火土,的确不能说它是科学的。但我们古人的这种认识还是有一定的合理性的,它强调了整体的联系。西医常常是“头疼医头,脚疼医脚”,但中医是联系整体来看的,即头疼是由于脚上的某个穴位引起的,只是我们现在无法从解剖学的角度去认识它。我曾经腰痛到卧床的地步,后来通过针灸就好了。 所以对于一个复杂系统来讲,其整体的联系是非常重要的。我们强调中国文化里大系统观整体联系,它是有合理解释的,只是以前的现代科学缺乏技术去认识它。我们古人是通过经验、感悟去互联的。但现在我们不能通过经验感悟去处理很多问题,只能通过数据科学、人工智能技术等去认识这些整体联系,不确定性的问题等等。 要认识整体联系或控制一些非固定模式,不确定性问题的基础是数据,但有数据就要互联。我们需要人工智能技术去决策控制一些非模式、不确定性的问题,而且人工智能技术也是以数据为基础。 因此有了第三次数字化浪潮,早期的数据驱动过程,比如我们在企业里的数控机床加工过程就是数据驱动的。在数据驱动相关的一些问题中,现在我们强调数据驱动企业,我们讲数据化、智能制造,数据驱动,这是我觉得我们从事数据科学的人需要要关注的。当然未来将会涉及到更多的关键技术,包括人工智能、5G、区块链等等。 二、理念的数据 所谓理念的数据,就是围绕企业的理念去收集处理数据。例如,像海尔这样的现代企业的基本理念就是“以客户为中心”,因此,海尔建立了一个工业互联网平台,收集了大量的客户数据,从而能够在产品开发阶段通过客户数据把用户的碎片化需求进行整合,与用户交互,实现“以客户为中心”的目标。显然,围绕企业“以客户为中心”的理念整合数据是非常重要。 所以海尔的研发模式与传统的瀑布式模式不同。瀑布式模式是通过市场调查进行需求分析,之后研发产品;即是先有产品再有客户。而海尔的研发模式是在产品开发的过程中通过网络,即互联网平台与用户迭代、交互,根据客户的需求生产产品;既是先有用户再有产品。因此,理念的数据引起了研发模式的颠覆。 再如,“绿色”也是现代企业的一个重要的理念。“绿色”不光是指没有污染,也指资源消耗少。虽然美国的用电很便宜,但DeepMind谷歌数据中心的耗电量很大。后来通过改进DeepMind把耗电降低了15%,且实现了设备投资的收回。事实上,他们通过数据中心几千个传感器去收集温度、电量、耗电量等设备及建筑物的结构(不同数据中心建筑物的结构都不一样)数据,之后对数据进行深度学习等处理实现节能效果。显然,该例中数据收集的标准即为节能的理念、绿色的理念。因此,类似这类问题是完全没有固定模式的,我们不可能通过建立模型来解决。 这样的技术也可以被用在其他方面。如减少半导体生产,半导体耗水很厉害;帮助企业提高生产效率等。同样我们国内也有应用很好的例子,例如酒钢钢铁企业为了节能减排,在高楼上面安装了很多传感器,效果非常好,平均提高劳动生产力5%,降低纯铁成本15元,预期在全行业推广后,直接经济效益70亿元/年。 三、数据的理念 接下来介绍数据的理念,首先数据里面实际上隐含着另外一种存在,以尿布和啤酒为例,虽然超市专家以前没有意识到,但尿布和啤酒销售存在关联。我们很多观点消失在人们的眼睛中,人们看不到,也淹没在人们的模糊感觉中。 我们有时候可以在相似中发现一些显著的差异,例如Lexus通过Twitter大数据分析,从伦敦奥运会冠军中筛选广告代言人。无论邀请姚明还是刘翔都具有相似性,他们都是体育明星,但他们还是有差异的,就需要通过数据去分析了解。另外,我们可以在巨大的差异之间发现相似的规律,例如,AlphaGo在所有的围棋对局中,每一个人哪怕是同一个选手,每次对局都很不一样,所以就要从很多的差异中寻找相似的规律,得到新的认识。 对于企业来说,以财务信息和业务信息的融合为例。实际上,很多企业的财务信息和业务信息并没有很好地融合,就车间里一些具体设计业务的工艺来说,生产上方方面面的信息并没有真正地被财务信息所利用,但实际上这个业务流程是和财务信息相关的。我们没有精细的数据收集,所以传统的信息和业务信息相互独立。因此如何从大量的信息中进行挖掘,进行成本控制是非常有意义的工作。 其次,隐处的另外一种存在淹没在人的自以为是中,AlphaGo这是臭棋,实际上AlphaGo对围棋有新的认识,这是人类没有认识到的。有的紧闭地存在深处,有超越人的智慧,特别的思维过程。所以我认为数据其实是“非人类思维”的种子。像AlphaGo有非人类的思维,人类以前没意识到一样,数据是“非人类思维”的种子,我们如何从数据到信息,到智能,再到非人类思维。这对我们认识自动化是非常重要的。 我们要超越人的感知,例如,我几个月前去台湾一个很普通的大学参观,其中的一个教授说:控制磨床进刀,老师傅通过听模具的声音可以判别出其质量如何,或者应该如何去控制。然而,他们通过测量噪声,噪声要测量很容易,测量电流的变化,把数据收集起来和质量等进行深度学习。结果显示数据分析之后的磨床进刀控制要比人的感知好得多。 刚才所说的AlphaGo实际上就是非人类思维。最可怕的不是人类,是非人类思维。在很多情况下,计算机系统,人工智能系统可能比我们的看法或感知更加细致入微。 以我的一个计算机绘画作品为例,它实际上是根据我们拍的树林的照片画出的作品。我们人作画的时候,有的地方透着光,有的地方有阴影;但计算机绘画实际上是计算机对照片的分析,它更加的细致入微,用一种夸张的手法表现了出来。这说明了计算机或者人工智能系统比人的感知更加细致入微。 另外,关于数据的理念,我们需要重视数据收集常常需要跨系统、跨领域、跨媒体的,某一个问题的表征并不一定集中在某一个特定的系统数据之中。例如美国大选时特朗普当选很意外,美国主流媒体认为特朗普不可能当选。如果跨媒体收集数据,绝对不会得出特朗普败选的结论。因为人们只关注了主流媒体,没有看民间媒体,所以才会感到意外。再如我们要判断经济趋势,判断选民的意向,光看报纸是不行的,还需要我们去跨系统,跨媒体了解相关信息。 我们车间的质量问题不一定只和设备、工具、工人有关系,还会涉及到供应商、环境、气候,甚至是某一特定的时期,社会上的特定活动等。就以正在举行的世界杯为例,车间的质量说不定与这些比赛有关。跨媒体也是一个很重要的方面,收集不同媒体的数据,例如facebook,微信,中央电视台等。这些媒体都传递了很多数据,而且这些数据可以从一定的程度上反映经济问题,经济趋势等。 之后,我们介绍数据的工作理念,在企业中,我们常说业务数据化、数据业务化。所谓业务数据化,即企业里每一项工作,每一个活动,每一项业务都要数据化。我们企业远远没有达到业务数据化。所谓叫数据业务化,即指数据工作是由专门的业务部门来处理。目前政府部门已有专门的部门来处理数据,如大数据局。但是在企业中,我们所有计算机中心或信息中心和数据中心是不同的。专门处理企业数据收集的范围,数据传送的标准等和数据相关的部门才是数据中心。 还有大家熟悉的数字双胞胎的理念,在企业里现在非常强的。在企业中,数据驱动强调的是无数的流动。企业数据驱动包括在流水线上的。例如,德国巴斯夫企业生产的洗发水、液体肥皂是可以根据香味和颜色等喜好定制的,而且定制过程是根据记录了数据的芯片实现的,体现了数据驱动。而双胞胎强调的是数据从一个程序无缝流到另一个程序的过程。 最后,需要注意的是,不要指望一切都在预测和控制之中。近几年有专家说:大数据、人工智能计划经济成为可能,马云也有这样的观点,认为什么都可以掌握,但我觉得这是不可能的。人是有自由意志的,你发布了什么计划,你一定要我种花生,那我想种别的东西,假如说我是一个农民的话,除非你规定任何你只能够生产什么、工作什么,这个是不可能的事情。如果说你有一些预测,而我因为你的预测马上做出改变。显然,经过改变,原来的东西实际上已经发生了变化。因此,很多个体行为是无法预测的,但对一个群体来说,预测又是可能的,因为群体之内的自由意志可能相互平衡抵消。但我们认为一切都在掌控之中、控制之中是不大可能的。 另外不能迷信数字与智能技术,数字与智能技术依然存在漏洞。更复杂的社会,也意味着更复杂的纠错机制、更高昂的纠错成本。正如墨菲定律所说,“如果事情有变坏的可能,不管这种可能性有多小,它总会发生。”我相信这句话还是有一定道理的。 总之,数据驱动不是一切,大数据、人工智能开启了认识整体联系,认识不确定性,认识非固定模式等问题的大门。我们应该围绕企业的理念和目标去收集、处理数据。尝试去深刻地理解数据的一些基本理念等。 谢谢大家。 李培根,工学博士,博士生导师,中国工程院院士,原华中科技大学校长、中共十七大代表,第十一届全国人大代表,东华大学机械制造工艺与设备专业的本科毕业生,1981年在华中工学院(现华中科技大学)获得硕士学位,1987年在美国威斯康辛-麦迪逊大学获得博士学位。 李培根院士一直从事机械与制造领域的教学与科研工作,曾为国家863/CIMS主题、国家863/机器人技术主题专家组成员、国家863先进制造及自动化领域专家委成员,现任中国机械工程学会自动化专业委员会常务理事,并担任教育部机械工程教学指导委员会主任委员、全国高校制造自动化研究会理事长、中国机械工程学会副理事长、湖北省机械工程学会理事长、机械设计制造及自动化专业教学指导分委员会主任委员。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-8-30 07:13
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社