极熵科技创立至今已有5年多了。我们在产业数据和工业数据的领域做了很多的工作，包括现在工业互联网和工业智能相关的项目，极熵都在政策及商业运作层面上做了很多。正因如此，今天我想分析一下在人工智能发展浪潮当中，工业是怎样与人工智能结合以及会发展为什么样的形态。

智能革命的核心是什么？

既然要谈在智能革命的前夜展望工业革命，首先要来聊智能革命。过去的时代我们聊的是第一、二、三次工业革命，而现在的时代是一个新的智能革命时代。到底是什么在推动人类去一次一次变革、一次一次把过去的东西颠覆而创造新的东西？我认为智能革命的创新本质上就是人类社会的进化，人类社会的进化本质上是生产力的进化，因为每一次的生产力革命其实本质都将我们的人和每个人更多的时间解放出来。

可能曾经的农业社会里每个人都要花完整一天的时间才能把自己喂饱，而随着工业的发展，大约只需要50%的人口就可以喂饱所有的人，剩下的50%的人口被释放出来了，文化、科学等领域的发展也随之而来。

智能革命的核心即生产力的进化。

智能革命中生产力的推动来源于核心科技创新

随着技术的创新，就实现了人类系统和智能系统某种意义上的重构。人有肌肉、头脑、神经，我们结成了社会团体，肌肉对应着智能装备，头脑对应着智能化算法，神经对应着物联网5G的形态，我们的社会对应着新的组织形态。我们实现了执行改造世界能力的对应，我们实现了发现问题、思维探索能力、决策能力的对应，我们实现了调动对应的思考和执行之间的对应。如果最终在人工系统里也能形成像人类社会、人类团体一样的组织形态，那么智能系统的结构问题就解决了。如果说我们能聚合众多的智能系统去跨越个体能力的边界，新的智能系统不就是一个像人一样可以实现生产力变革的社会形态或者社会组织吗？

技术发展为智能系统和智能革命做好了要素准备

我们发现走到了2020年，技术发展已经为智能系统和智能革命做好了要素的准备。从智能系统的角度来讲，随着二战后计算机的出现，随着计算机计算能力的突破，摩尔定律的发展以及相应的IT技术的发展，最近的10年、20年，大数据、云计算已经变成了耳熟能详的新鲜技术名词，而从三四年前开始，人工智能也变成了大家都觉得近在身边的技术。这种技术发展则体现了智能系统这个要素已经逐步做好准备。

智能革命中，生产力提升是最关键的要素。只有生产力的提升才能够带来人和时间的更多富裕。所以我们会发现智能革命对工业的提升将会再一次规模化地提升生产力。无人化、智能化、自动化这些工业要素决定了这一轮智能革命的发展速度，从这个角度来讲我们更应该谈工业智能。

人工智能的落地现状   

目前消费领域绝大部分机器或者是人工智能的落地大部分都是大数据和小任务的范式，数据需要大规模的标注，虽然增强学习等新的技术也在逐步提升人工智能的适用范围，但是要得到确定结论有点难。

回过头来讲，工业领域需要相应的人工智能，但是它需要什么样的智能？我个人认为，人工智能在工业领域的应用必然有极高的问题导向和确定性的要求。人工智能要适用于工业领域，必须要给一个确定性的答案，不能告诉我说这个设备有可能坏，有可能不会坏，这个结论是没有意义的。其实它的早期形态是小数据、小任务范式，很难真的获得几万台的数据，通常只能在上百台或者是上千台设备的规模上，在相对小的数据集里面达成一定的任务。

未来人工智能技术做小数据大任务的范式，复杂度非常高。就好像是领导给下属安排工作，领导不应该告诉下属具体怎么做，可能只是给一个大方向的结论，而其他具体的内容都需要下属自己来决定，这个是大任务，我觉得这个是一个发展方向。但是目前来讲能把问题导向、确定性结论和小数据小任务搞定，工业领域需要的智能就已经到来了。

极熵实践中的原则

怎么解决和面对这些问题？我自己在做企业，在做商业化的工业智能落地，所以我会讲一讲在实践当中总结的原则。

一、“两小”，即小场景和小闭环。

小场景在本质上对应小任务的范式，只要场景足够小才能对场景有足够深入的了解，才可以去真正解决三个显性挑战。这些挑战解决了就能把工业智能到底要服务于谁，怎么服务的问题给回答好。

工业领域的企业家对于价值的诉求一定是最高的。如果说做新技术没有价值收益就不会有投资，因为企业的核心目标是盈利。所以小闭环是指的小的价值闭环，其本身在小场景里面构建了一个的工业智能问题，同时回答了这个问题，并且把价值带到了终端，本质上来讲这就已经把工业智能落地给实现了。

二、批量复制、集群智能

当把单个工业智能落地实现了以后，我们第二步的目标就是批量复制，基于这个批量复制去产生集群智能。为什么要产生集群智能？这就要回归到我们之前讲的人工智能目前最擅长解决的还是大数据问题。那么基于小场景小闭环，我们实现了批量复制、产生集群智能可以回答更多更大的问题。基于此我们目前已经构建了一些真正有价值的东西。

比如说“DbPE-CPS”动力车间智能运维。它就是在这个工业生产企业的动力车间小场景构筑小场景的智能化维护，包括说人力优化的小闭环。目前我们在工业小场景里面已经为千家客户带来了真正的经济效益，所以我们这个产品成为了国家工信部的工业产品和设备上云试点示范平台，同时我们企业也拿到了国家工信部制造业与互联网融合试点示范企业。我觉得这就是对小场景小闭环、批量复制执行智能思路的肯定，我们未来也还会进一步用这个思路去解决更多的问题，带来更多的价值。

当消费领域中从数据出发的探索变成从问题出发的工程模式，这种新的工程模式就是一种目标很明确的人工智能发展模式，可以极大推动工业智能的发展，本质上来讲也就是极大推动智能改革的研究。所以我也一直在各个领域、角度呼吁，工业智能的研究一定要考虑工程问题，而不是应该考虑科学问题。科学问题是基础，但是如果真的来定义工业智能领域，那么一定要对问题的解决和价值有更明确的要求，这个是我在探讨工业智能在智能革命里面到底扮演什么样的角色，以及它本身的特性层面上明确提出来的一些东西。

工程中的问题分析

大家期望未来工业智能帮忙解决问题，与其说直接跳到做这部分，我们不如先考虑提问的部分。

首先把工业现场的问题根据能避免的、能解决的及可见的和不可见的分为四个象限。对于可见、可解决的问题，我们应该敏捷应对；对于可见、能避免的问题，我们应该通过持续训练来改善和避免；对于不可见、可解决的问题，我们应该有预测性的方法去发现这些隐藏的问题；对于那些不可见，且我们目前没有办法避免的问题，只能说我们需要通过获取新的知识和能力把它变成可见的。当我们可以把问题划分清楚了，再去考虑工业智能能不能解决这些问题。

白

人工智能如何解决问题

那么在这之后，我们如何通过工业智能解决这些问题呢？

A：对于那些可见、能解决的问题，可以通过决策优化建模分析的手段，在象限一里面实现优化应对，降低优化应对的成本，提高优化应对的效率。

B：对于那些可见的、可解决的问题可否避免？我们可以通过自动识别等手段把这类问题变成可见、可避免的问题，只要问题不发生就能降低损失，提高效率。

C：通过预测判断等手段，把象限三中不可见但可解决的问题变成可见的问题。这样就能实现问题的提前解决或避免。

D：通过建立认知模型、数字孪生、构建知识图谱等新能力对实体的工业生产做建模和预测，把不可见的问题提前判断出来并且直接避免问题的发生，最终实现全面无人化的工业生产。这是对于工业智能最大的期望。

当我们把问题定义出来后，这四种方法可以成为我们通过工业智能解决问题的通路。

举个例子，我们可以实现对工业机器人企业具体问题的划分。

有些问题属于A，包括调试及针对超负荷使用的智能判断等。那么通过构建一个方法或者是构建工业智能能够优化的问题就属于B了。比如说基于数据的积累，判断未来可能造成的紧急问题故障，提前告知客户处理方法，避免客户的巨额损失。在客户生产中出现复杂故障之前做准备或者通过在线的智能云方案为每个客户提供定制化优化解决方案，则属于C。预测行业的发展提供优先于行业发展的智能设计方案是D的范畴。通过对问题进行初步的归类，将它们分别归到ABCD四类中，就能找到应对的具体工业智能解决方法了。

所以我们会发现工业智能未来是复合智能，需要构建从发现问题到感知、数据、算法、执行完整的闭环，当我们构建成完整闭环的时候，工业智能就会以对场景和应用细节有更高要求的这种更复杂的落地形态来真正产生价值。当这种认知被所有对工业及对工业智能感兴趣的人所认可的时候，这种高要求一定会推动整个工业智能快速发展。工业智能的发展本质一定是将智能革命更快推到我们身边的过程。