【工业大数据】35页PPT讲解：工业大数据特点、价值及其计算
清华陆薇：释放工业大数据价值
◆ ◆ ◆
导读：第四次工业革命以美国的工业互联网、德国的工业4.0为代表。中国也提出了“中国制造2025”的发展纲要。大数据如何助理中国工业4.0的发展，工业大数据从哪里来？大数据对于工业、制造业的价值又在哪里呢？
7月14、15日，首届大数据应用大会在成都召开。大数据文摘作为战略合作媒体，今日带来干货内容--清华大学数据科学研究院·工业大数据研究中心的常务副主任陆薇题为《释放工业大数据价值》的演讲。
在首届中国大数据应用大会上，清华大学数据科学研究院·工业大数据研究中心的常务副主任陆薇所了题为《释放工业大数据价值》的演讲。（大数据文摘记者魏子敏 摄）
◆ ◆ ◆
演讲原文如下：
很高兴有这样一个机会和大家分享我们中心对工业大数据的理解和一些工作内容。
首先，简单介绍一下清华大学数据科学研究院工业大数据研究中心。清华大学数据科学研究院成立于2014年春，结合了清华在信息技术，特别是分布式系统和数据管理分析技术方面的优势，以及工科、经济、人文、健康等各大数据应用领域的深厚积淀，致力于发挥学科交叉的协同作用，推进大数据系统研究与应用实践，培养人才，同时也参与贡献大数据相关国家战略。
众所周知，第四次工业革命以美国的工业互联网、德国的工业4.0为代表，根据各国制造业不同的发展优势而各具特点。美国制造业大量外包生产环节，比如波音公司的飞机部件是在全球多个国家制造，但是美国制造企业牢牢占据高知识产权和附加值的产品设计和服务环节，同时把控整个生态链的上下游为其服务。因此，美国提出的工业互联网的智能核心在云不在端，关注利用互联网技术的资源优化配置作用提升对整个产业生态链的效率和价值。德国的情况则正相反，德国制造业优势在于实体制造，有精良的生产设备和工艺手段。因此，德国提出的工业4.0重点在于智能工厂本身的建设，并以制造为核心，带动上下游业务发展。
我国工业具有自己的特点。一方面，我国是世界工厂，实体制造比重大，同时低水平、劳动密集、高资源消耗制造的比重也大，产业升级迫在眉睫。另一方面，我国互联网产业发展具有领先优势。过去十多年消费互联网的高速发展使互联网技术得到长足发展，互联网思维深入人心。我们需要充分发挥这一优势，并将之和制造业紧密结合，促进制造业升级和生产性服务业的发展。
因此，我国制订的“中国制造2025”战略从我国实际国情和发展需求出发，兼顾智能制造和制造服务，用互联网技术驱动制造全生命周期从设计、制造到交付、流通、服务、回收各个环节的数字化、互联化、智能化升级，推动制造全产业链智能协同，优化生产要素配置和资源利用，消弭低效中间环节，从而整体提升中国制造业发展水平和世界竞争力。
虽然发展重点各有侧重，但大数据被公认为是不可或缺的关键技术。
德国的《工业4.0十大挑战与机遇》报告指出，数据的整合分析与使用是实现工业4.0的关键能力。工业4.0有两大关键支撑技术。一个是CPS，这是智能工厂比较偏硬的部分，讲究用更加智能的基础设施来降低车间复杂度和提高灵活性。另一个是数字化企业平台，跨生产”shop floor”和经营“top floor”、贯穿CAD/PLM/MES/ERP等生产、经营信息系统的信息集成与数据融合贯通，建立伴随产品制造过程的完整信息流，做到全数字化、数据全采集、数据通路全打通、数据流动过程不落地。同时基于对这些数据的分析，使企业可以全面深入把握和优化提升产品质量、生产效率、资源利用率。
美国通用电气公司的《工业互联网白皮书》中指出工业互联网实现的三大要素是智能联网的机器、人与机器协同工作及先进的数据分析能力。工业互联网的核心是通过智能联网的机器感知机器本身状况、周边环境以及用户操作行为，并通过这些数据的深入分析来提供诸如资产性能优化等制造服务。
我国在今年推出“中国制造2025”“互联网+制造”战略的时候，也特别强调利用大数据为产业智能化提供支撑。
有一个对工业1.0到工业4.0变迁历史的总结非常精辟，借用一下：工业1.0是“工厂+机械”，利用机械替代人力，解放了生产力；工业2.0是“工厂+电”，通过电气化进一步提升生产效率；工业3.0是“工厂+电脑”，通过信息系统替代人工管理生产经营过程。那工业4.0是工厂+什么呢？顺着这个思路，3.0完成信息化之后，工厂经营生产的方方面面都已经有数据积累，再进一步的提升自然是基于这些数据进一步分析优化生产经营和探索数据驱动的新业务模式，因此，工业4.0就是“工厂+大数据”。
工业大数据从哪里来？来源于产品生命周期的各个环节，包括市场、设计、制造、服务、再利用各个环节，每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然，企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。
◆ ◆ ◆
要利用好机器大数据，需要突破几类核心技术
首先是数据怎么管理的问题。海量的机器型数据如时间序列、时空数据等高速采集完成后，需要把它存下来，这涉及到数据有效打包、压缩、放置的问题。数据存下来是为了被利用，这需要支持快速定位查询到应用需求的数据，而这又是一个如何建立高效的时空数据索引的问题。
数据存好管好了，下一个问题就是如何支持各种分析。做过实际分析的人都知道，分析绝不仅仅是开发一堆算法的问题。算法只是一小部分工作，大部分的工作是根据对业务问题的理解选取需要的数据，理解数据的特征，然后根据特征设计一个合适的模型和算法。这中间数据特征的理解对机器大数据来说是很难的。因为机器数据不能为人所直观理解，需要交互特征工程。此外，从模型和算法的层面，机器数据往往是对一个物理世界系统的感知结果，而物理世界有许多机理性的原理存在，比如机械领域涉及力学原理，冶金领域涉及化学原理，因此机器大数据的分析需要有机结合机理模型和数据统计模型。还有一个常常被忽略的问题是数据质量的问题——如何把握数据质量，如何修正数据质量。
再谈应用的角度，如何更简单地访问数据和使用分析，特别是对领域专家。在多源异质数据，屏蔽数据集成关联的问题，使得领域专家不需要懂复杂的大数据技术和编程。
本文讲稿和PPT由陆薇博士和主办方授权获得，大数据文摘（bigdatadigest）和数据派（datapi）联合发布速记内容有删改。
工业大数据：工业价值转型的新视角
工业视角的转变
如果说前三次工业革命分别从机械化、规模化、标准化、和自动化等方向大幅度地提高了生产力，那么第四次工业革命与前面三次最大的区别在于：不再以制造端的生产力需求为出发点，而是将客户端价值作为整个产业链的核心，改变以往的工业价值链从生产端向消费端、上游向下游推动的模式，从客户端的价值需求出发提供客制化的产品和服务，并以此作为整个产业链的共同目标使整个产业链的各个环节实现协同优化，其本质是工业视角的转变。
不可见的问题
在现在的制造中，存在着许多无法被定量、无法被决策者掌握的不确定因素，这些不确定因素既存在于制造过程中，也存在于制造过程之外的使用过程中。前三次工业革命主要解决的都是可见的问题，例如去避免产品缺陷、避免加工失效、提升设备效率和可靠性、避免设备故障和安全问题等。这些问题在工业生产中由于可见可测量，往往比较容易去避免和解决。不可见的问题通常表现为设备的性能下降、健康衰退、零部件磨损、运行风险升高等。这些因素由于其很难通过测量被定量化，往往是工业生产中不可控的风险，大部分可见的问题都是这些不可见的因素积累到一定程度所造成的。因此，工业互联网的关注点和竞争点是对这些不可见因素的避免和透明化。
不可见的需求
从使用过程的体验角度审视产品功能，制造需要场景思维不可见的另一个特点就是制造过程和制造价值向使用过程的延续，不仅仅关注将一个产品制造出来，还应该关心如何去使用好这个产品，实现产品价值的最大化。产品的创新和创值不再仅仅是以满足用户可见的需求为导向，而是利用用户的使用数据去深刻地理解用户的使用场景，从场景中找到用户需求的空缺（GAP），这些空缺我们称之为“不可见的需求”，因为即便是用户自己都很难意识到。例如，买汽车的人大多都会提出省油的需求，于是所有汽车制造商就努力改变车型和发动机让车子更加省油。但是很少去关注用户的驾驶习惯对于油耗的影响，因为驾驶习惯对于用户而言也是不可见的，因此不会有用户去要求汽车提供驾驶行为管理的功能。所以新工业革命时代的市场竞争也会从以往满足客户可见的需求向寻找用户需求的GAP转变。以往我们将产品卖给客户之后就几乎到达了生产价值链的终点，而云计算等新技术的普及将价值链进一步延伸到使用端，以产品作为服务的载体，以使用数据作为服务的媒介，在使用过程中不断挖掘用户需求的GAP，并利用数据挖掘所产生的信息服务为用户创造价值。
数据依然是为用户提供客制化产品最重要的媒介，新工业革命时代中的制造将通过数据把终端客户与制造系统相连接，这些数据将自动决定生产系统的各个环节的决策，实现生产上下游环环相扣的整合，人的工作难度将被大大降低，在这种模式下工厂的组织构架将趋于扁平，生产资源的利用效率也更加优化。
有一个例子是最近特别流行的智能手环，佩戴智能手环可以采集睡眠过程中的数据，醒来之后可以通过查看数据分析的结果，睡眠质量如何、多少时间是深睡眠状态、深浅睡眠交替的曲线等信息都一目了然。这时我们才发现决定睡眠质量的并不是一共睡了几个小时，而是深睡眠所占整个睡眠时间的比例。白天精力好坏是我们可见的现象，但睡眠质量是不可见的，智能手环通过睡眠数据的分析将不可见的睡眠质量变成了可见可测的结果，并利用这些信息帮助用户去管理可见的生活。
新工业革命并不仅仅是制造业的革命，而是一场更加深刻的变革，创新模式、商业模式、服务模式、产业链和价值链都将产生革命性的变化，制造业的文化，从“机器崇拜，流程崇拜”进入到人文主义视角的“价值定义”，今天的零售业逐步向“内容，IP”化转移，制造业的产品或服务，未来也会走向“IP导向的制成品” ，生产线和消费者使用处于永远互动的状态，并延伸基于数据的增值服务，云计算、人工智能、和大数据都是支撑这个转型的基础条件，工业升级，最根本的驱动力来自于商业模式与智能服务体系的创新技术变革，这两者才是未来工业界竞争的蓝海。
工业大数据的3B与3C
什么是工业大数据？
一提到大数据，人们首先会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势等应用。但是对工业大数据的定义和应用却很难直观地理解和想象。现在对大数据最为流行的定义来自于维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出的4V特性，即Volume(数据量大)、Velocity(流动速度快)、Veracity（准确性难把握）、和Variety(来源多样性)。这个定义是针对互联网和社会环境中的大数据，从数据工程的技术挑战方面所提出的。而工业大数据的挑战和目的则要通过“3B”和“3C”来理解：
工业大数据应用的“3B”挑战：
- Bad Quality: 在工业大数据中，数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议、和组态软件等多个技术限制。对数据质量的管理技术是一个企业必须要下的硬功夫。
- Broken: 工业对于数据的要求并不仅在于量的大小，更在于数据的全面性。在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的缺失会使分析过程碎片化。举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数，而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说，在进行数据收集前要对分析的对象和目的有清楚的规划，这样才能够确保所获取数据的全面性，以免斥巨资积累了大量数据后发现并不能解决所关心的问题。
- Background (Below the Surface): 除了对数据所反映出来的表面统计特征进行分析以外，还应该关注数据中所隐藏的背景相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。这一类数据包括工况设定、维护记录、任务信息等，虽然数据的量不大，但在数据分析中却起到至关重要的作用。
工业大数据分析的“3C”目的：
- Comparison（比较性）：从比较过程中获取洞察，既包括比较相似性，也包括比较差异性。比较的维度既可以是在时间维度上与自身状态的比较，也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。
- Correlation (相关性)：如果说物联网是可见世界的连接，那么所连接对象之间的相关性就是不可见世界的连接。对相关性的挖掘是形成记忆和知识的基础，简单的将信息存储下来并不能称之为记忆，通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息的效率，我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节，而是有一个如线头一样的线索，你去牵它一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。
- Consequence (因果性)：数据分析的重要目的是进行决策支持，在制定一个特定的决策时，其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度最大化，把破坏度最小化的“结果管理”。结果管理的基础是预测，例如在现在的制造系统中，如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响，就可以在制造过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加。
总结而言，互联网和商业大数据与工业大数据在技术挑战、数据属性、和分析目的等方面有很多区别，这也决定了两者技术手段的不同。
虽然互联网大数据与工业大数据的核心问题与技术路径不同，但并不意味着两者是格格不入的。相反，将互联网大数据与工业大数据相整合，能够相得益彰产生更大的价值。举例而言，制造系统正在改变过去生产驱动销售的“Push”模式和销售驱动生产的“Pull”模式，虽然已经具备满足不同订单需求的“柔性”生产模式，但依然无法改变对市场应激式的生产模式。未来的智能制造系统将以数据来驱动，体现在设计过程的数据化（PLM、CAD）、制造系统驱动的数据化（MES、DCS）、和生产资源管理的数据化（ERP）等方式。但是这些都还只看到了制造系统本身，而忽略了这些数据化的源头应该是对市场和客户的数据化。利用商业大数据对市场进行预测、绘制客户需求画像、和分析供应状态实时评估等方式，能够从本质上将制造系统从应激式转变成为预测型的生产模式。
“不可见的世界”的价值
“有之以为利、无之以为用”是出自老子《道德经》中的一句话，其中的智慧放在当今工业的价值模式中依然十分受用。这句话可以理解为：一切事物的实体为我们提供可以凭借的可见的基础条件，而其中所隐藏的空间和可变化的无限可能才是被我们真正使用并创造价值的所在。我们在《工业大数据》一书中，曾用煎蛋模型来阐述产品与服务价值之间的关系（图一）：蛋黄代表的是产品自身，其差异性和客制化程度并不明显，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。而蛋白所代表的增值服务却是差异化和客制化的重要体现，也是企业的品牌和可持续性价值的所在。这些价值存在于用户的使用场景、隐形因素的相关性、和产品被制造和使用的全生命周期这些“不可见世界”中。数据将成为挖掘这些价值的重要手段，主要体现在：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；利用数据去发现和定义用户未知的需求；以数据作为媒介向用户提供增值服务。
图一：工业价值的煎蛋模型新思维
以风力发电为例，风机本身的差异化并不明显，用户的定制化需求也并不强烈，但是风机在运行过程中的发电能力、运行稳定性、和运维成本等却是用户价值的核心。利用风机的运行大数据可以对风机进行健康管理、对潜在的运行风险进行预测、和对风场的运维进行优化，从而提升风机的可用率、改善发电效率、和降低运维成本。风机的制造厂商也可以不再仅仅通过卖出装备获得一次性的盈利，还可以通过向用户提供使用过程中的增值服务实现持续性的盈利。
人类社会在经历了200多年的科技革命后，已经积累了巨大的工业产品存量，工业的基础设施和大量基本生产要素，如机床、电力设施、动力设施、制造装备、交通装备等需求都已逐渐趋于饱和。因此德国的“工业4.0”战略中将面向制造系统的集成和软件服务作为重点，具体表现在“纵向集成”、“横向集成”和“端到端集成”。同样发现这个问题的还有美国GE公司，他们意识到装备销售过程中的获利远远不及在产品使用过程中的价值服务，客户需要的价值也远不止对产品状态的保持，更在于如何去使用这些能力来实现更高效的价值再创造。
以数据为核心使产品发挥最大的能力，归根结底是利用数据建模实现对状态、环境和任务的精确评估，对管理和控制活动进行实时的决策优化，并协同和调度相关产品高效率运行的过程。
“无忧”的制造环境
制造系统中的问题同样也有 “ 可见” 和“ 不可见”之分，我们对待这些问题的方式既可以在问题发生后去解决，也可以在问题发生前去避免。生产系统中存在的“不可见”问题包括设备性能的衰退、精度的缺失、易耗件的磨损、和资源的浪费等，可见的问题往往是这些不可见因素积累到一定程度所引起的，比如设备的衰退最终导致停机、精度的缺失最终导致质量偏差等。就如同冰山一样，可见的问题仅仅是冰山一角，而隐性的问题则是隐藏在冰山下面的恶魔。通过大数据对“不可见”问题获得深刻的洞察，是实现无忧虑制造环境的基础，也是智能制造的本质。
制造改进与转型的机会空间可以被分为四个部分（图二），第一个部分是去满足用户可见的需求和解决可见的问题，这个空间内依然有中国制造需要补的课，比如质量、污染、和浪费等问题，需要的是持续的改善与不断完善的标准化。第二个空间在于避免可见的问题，需要从使用数据中挖掘新的知识对原有生产系统和产品做加值改善。第三个空间在于利用创新的方法与技术去解决未知的问题与创造新的竞争力，例如具有自省能力的设备，以及利用传感器与大数据使不可见的问题透明化，进而去管理和解决不可见的问题。第四个象限是寻找和满足不可见的价值缺口，避免不可见因素的影响，这部分需要利用大数据分析产生的智能信息去创造新的知识和价值与传承力，这也是工业互联网的最终目标。
图二：可见与不可见的转型思维
通过分析数据，预测需求、预测制造、利用数据去整合产业链和价值链，这就是工业大数据的思维。工业互联网是一场在不可见世界中的战争，而工业数据分析的竞争力则是连接可见与不可见世界的桥梁。
利用大数据实现无忧的制造环境有三个方向，数据在每一个阶段中扮演的作用也并不相同。第一个方向是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。在这个过程中，数据可以作为经验和知识的载体。第二个方向是依靠数据去分析问题产生的隐性线索（evidence）、关联性、和根原因等，进而利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的。现在的制造系统正在经历从第一个阶段到第二个阶段的转变过程，在完成这个过程后，制造系统将不再有‘surprise’，使得所有隐性问题在变成显性问题和影响之前都可以被提前解决。第三个方向是通过对数据的深度挖掘，建立知识和问题之间的相关性，从数据中启发出新的知识，并能够利用知识对制造系统进行精确的建模，产生能够指导制造系统活动的镜像模型，从系统的设计端避免可见及不可见问题的发生。
这三个方向对企业都非常具有借鉴意义，但是需要根据不同的情况侧重于不同的方向。总的来概况，这三个方向分别适用于以下几类情况中问题的解决：
第一个方向：适合在某一个领域已经经营了很久，有了一定的经验积累，但是却很难总结出为什么做的好或是不好。
第二个方向：在解决了可见的问题之后，仍然存在一些不可见问题对制造系统造成的影响，希望能够了解不可见因素的变化过程和相互的关联性，积累更加深入的制造知识。
第三个方向：在制造基础还较为薄弱的领域，并没有形成太多有效的数据，但是拥有非常丰富的使用数据和经验，则可以借助使用过程中积累的知识对制造系统提出设计的要求。
图三：问题、数据、与知识的关系及管理方式
图三简明地阐述了大数据与智能制造之间的关系：制造系统中“可见”和“不可见”问题的发生及解决的过程中会产生大量的数据，通过对这些数据的分析可以了解问题产生的过程、造成的影响和解决的方式。通过对数据的深度挖掘和抽象化建模后可以形成知识，进而利用知识去认识、避免、和重新定义问题。数据在其中起到的作用，是使这个过程从以往依靠人的经验（Experience based）转向依靠挖掘数据中隐性的线索（Evidence based），使得制造知识能够被更加高效和自发地产生、利用和传承。因此，问题和知识是目的，而数据则是一种手段。今天我们来谈利用大数据实现智能制造，是因为大数据正在逐渐成为易得的资源，而在制造系统和商业环境变得日益复杂的今天，利用大数据去解决问题和积累知识将是更加高效和便捷的方式。
数据本身不会说话，也并不会直接创造价值，真正为企业带来价值的是数据分析和挖掘之后产生的洞察和行动的价值，是数据经过实时分析后及时地流向决策链的各个环节，是让数据成为面向客户创值服务的媒介和依据。工业大数据的目的并不是追求数据量的庞大，而是通过系统式地数据收集和分析手段，实现价值的最大化。所以推动工业价值转型和智能制造的并不是大数据本身，而是大数据分析技术所带来的洞察，行动的准确性与速度。在新制造革命的转型中，更加有效地积累和利用数据资源与知识的传承，决定了能否在新竞争环境中脱颖而出。工业大数据定义了制造价值的新主张，这个价值的应用既可以外向，也可以是内向。内向是利用大数据去解决和避免制造系统中的“不可见”问题，实现无忧的制造环境。外向是利用大数据在产品的使用过程向用户提供智能增值服务，实现制造价值的延续。这两者对于中国制造而言，一方面是解决制造“大而不强”的挑战，另一方面是改善制造附加值较低的瓶颈。中国应该利用好使用数据的资源，不断提升企业对制造的理解和知识积累速度，才能弥补中国在装备制造和核心零部件等方面的弱势，逐步弥补这些弱势领域造成的短板，让世界看到中国在工业大数据中创知和创值的成功经验。
扩展阅读
《工业大数据》
《从大数据到智能制造》
《CPS:新一代工业智能》
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：[email protected]