制造业恐慌BAT不如练内功，工业大数据四个应用场景很典型 原创

“警惕制造业BAT化”，不久前朋友圈被这样一篇文章刷屏了。文中观点有点极端，自然也引起了一番争议，但可以说许多人都被戳中了痛处，尤其是实体企业人士。互联网公司越来越强劲的势头正在让工业界感到恐慌，许多人认为工业领域的话语权正在旁落，担心制造业将彻底沦为互联网的附庸，害怕数据资产为他人所分配。

其实这无可厚非，但或许对于制造业而言更应该关注的是，如何在利用技术提升企业效率的同时，坚持原来的实体工艺，甚至是推动工艺的进步；如何自己来驾驭数据，而不被互联网企业或者IT企业把住“脉门”；如何跟上时代的节奏，而不是留恋过去的一亩三分地。

日前，至顶网记者采访了昆山杜克大学李昕教授，问及他对此的看法，他说：“一方面，制造企业不需要过于担心，因为不管是BAT还是IT公司，他们都不具备足够的行业经验。以谷歌为例，过去十年他一直在推自动驾驶技术，但是两年前意识到自动驾驶并不是一个IT公司的数据专家就能单独完成的事，还必须和各个整车厂包括本田、福特等的行业专家合作来共同研发产品；但另一方面，制造企业也要防患于未然，有一定的警觉性，要看到人工智能、大数据分析等这些新的技术的重要性，不能将它们拒之门外。”

昆山杜克大学应用自然科学与工程研究院及大数据研究中心主任 李昕

要打破技术与行业的壁垒，学校将发挥重要作用

李昕教授毕业于卡内基梅隆大学，他不仅是大数据与人工智能领域的资深专家，对于数据在行业中的应用也有非常深刻的认识，被富士康集团创始人、董事长郭台铭誉为“世界知名的制造业大数据分析专家”。

与基础研究不同，李昕教授所在的应用科学与工程研究院注重的是应用研究，是通过发明数据分析的相关算法、工具和方法论，从而影响医学、制造和商业等行业领域。因此，非常重要的一点就是和产业界进行合作，把技术应用到具体的行业场景中。

刚被任命为昆山杜克大学应用自然科学与工程研究院(iAPSE)以及大数据研究中心(DSRC)主任的他，对此感到既兴奋又有压力。在他看来，中国市场由于数据量庞大，因此对于大数据的应用有着得天独厚的条件和环境。在过去的5-10年，大数据的发展主要集中在图像、视频和语音三个方向。国内外很多IT公司在这三个方向上都取得了非常成功的发展。但如果要进一步挖掘数据的价值，就必须把大数据推广到各行各业中，包括商业、医疗、制造、教育、公用事业等。

在这方面，学校将变成一个非常重要的角色。

“因为学校有各个不同方向的人才，做数据分析的、做行业技术的，他的人才体系比IT公司还要全面，从这个角度来看，学校做行业内大数据研究其实是非常合适的。”李昕教授表示。

在数据的应用过程中，有一个非常重要的环节，就是证明某类数据是有价值的，因为平时所记录和积累的数据并非都是你真正需要的。另一方面，机器学习、大数据分析需要的是有标注的数据，需要对标到人、事、物，否则数据就只是一个数字而已。但是，对于企业而言，往往很难投入大量的资金和资源在这两方面。

所以，产学研间的合作就变得非常重要。据李昕教授介绍，在美国，高校会帮助企业做很多前期的研究工作，通过与政府部门的合作在小范围内采集少量数据，根据行业需求进行标注，从而证明哪些数据是有价值的，在此基础上，企业再进行大规模产业化的推进。在这个过程中，高校还会为企业输出人才，帮助企业做技术转化。

如今，昆山杜克大学正在尝试将这样的模式引入中国，帮助中国的企业完成数字化的转型。

就制造业而言，大数据能拿来做什么？

就制造业而言，李昕教授介绍了大数据在其中的四个应用场景：

调度优化。通过数据分析，了解产品在每台机器上需要的处理时间，做出把每个产品送到哪个机器进行处理的最优方案，在保证每道工序有序进行的同时，让资源的利用最优化。

设备监控。通过在每台机器上安装多个传感器从而实时监测设备状态，可以及时甚至提早发现故障，做出应对措施，维持生产线的正常运行。

虚拟测试。分析不同的数据量之间是否相关，如果存在相关性就可以用一个数据量去估计另一个数据量。

故障追踪。监控生产线中产品的制造过程，从而发现故障是来自于某一台机器、某一种原材料还是某一位操作员。

以虚拟测试为例，在制造业的过程中要测量很多不同的指标，一旦发现指标不合格，就会把这个产品作为次品处理掉。这样的测试带来了非常昂贵的成本，在半导体芯片制造行业，测试成本占到所有制造成本的25%-50%左右。因此，通过虚拟测试的方法，发现数据量之间的相关性，就能大大降低测试的代价。比如在集成电路制造中，一块硅片包含很多芯片，传统的方法要对每个芯片的各类指标进行测试，成本非常高。但利用虚拟测试，就可以通过测试量的相关性大大降低测试成本。

当然，李昕教授也指出，由于制造业不同细分类别之间千差万别，汽车制造、半导体制造、家电制造之间的情况各不相同，因此，不能用同一套大数据分析方法进行处理。“为此，我们会找到细分领域中具有代表性的几个公司进行合作，尝试数据分析的方法，观察其带来的效益情况。如果这样的方法能够带来比较大的经济利益，就会在这个公司乃至整个细分领域内进行推广。”

当然，由于面临着机械学、光学、热学、材料等多种复杂学科的相互影响，工业大数据的分析实际上要比其它行业来得更为复杂和困难。因此，李昕教授认为，行业内部大数据分析应该由行业内的企业推动，而不是IT公司来独自主导。

未来需要的是复合型的人才

在多年来的研究中，李昕教授发明了许多新颖的数据分析算法、工具和方法论，并且已被商业化成为与全球每个人都息息相关的产品，包括智能手机、自动驾驶车辆和虚拟现实设备等。因此，对于当前炙手可热的人工智能话题，他也颇有感触。

他认为，未来机器人代替代替企业工人的部分工作是必然的，这将提高企业的生产效率、降低生产成本。另一方面，就如当初计算机的出现让许多职业消失的同时也创造了许多新的职业一样，人工智能的发展也将带来许多新的工作种类。最根本的问题在于，每个人不能让自己的知识老旧，必须跟上这个时代知识的翻新速度，才能保持自己在职业市场中的竞争力。

从人工智能的商业化来看，目前也面临着一些瓶颈。李昕教授认为，这样的瓶颈与数据分析一样，关键就在于打破技术与业务的壁垒，定义具体的应用场景，这个过程大致还需要5-10年的时间。

“在未来的5-10年，人工智能在行业内会有比较大的推动。目前在我看来，其中最大的难点就是缺乏复合型的人才，所以培养同时具备数据技术和行业经验的跨学科的人才在未来将变得越来越重要，而这也是诸如昆山杜克大学这样的一批高校当前的重要任务。”李昕教授说。

李昕教授简介：

李昕教授是电子工程和数据分析领域的国际知名科学家，在研究和先进制造方面拥有丰富的经验，现为昆山杜克大学应用自然科学与工程研究院(iAPSE)以及数据科学研究中心(DSRC)主任。是国际电气与电子工程师协会（IEEE）会士。

在与健康信息学和智慧社区相关的多个跨学科领域，李昕教授的发明做出了重要贡献，影响人们的日常生活。例如其最近的研究兴趣聚焦于将大数据分析应用到儿童早期教育语言环境、智能建筑信息系统以及自动驾驶中。

在研究生涯中，李昕教授发明了许多新颖的数据分析算法、工具和方法论，并且已被商业化生产为与全球每个人都息息相关的产品，包括智能手机、搜索引擎、自动驾驶车辆和虚拟现实设备等。

在学术上，李昕教授的大量研究聚焦于集成电路和半导体制造的数据分析，他领导了多个有影响力的项目来建模、分析和优化制造变异性。其研究工作得到了学术界的高度评价，曾6次荣获最佳论文奖，其中包括2013年和2016年的IEEE 唐纳德O.佩德森最佳论文奖，得到媒体的广泛报道。