8月3日，“2022（第七届）大数据产业生态大会”在北京市海淀区辽宁大厦进行，应大会的邀请，走向智能研究院执行院长赵敏教授为大会做了题为《释放工业互联网的数据潜能》的主题报告。
[敏感词]是该报告的具体讲演内容（根据录音整理）。
我给大家报告的题目是《释放工业互联网的数据潜能》，也正好是匹配我们今天的这个论坛的主题。首先，我向大家介绍一下对于工业互联网看法。
关于工业互联网，很多人讲的时候，都是讲到了它的三大功能体系。主要是说：网络是基础，平台是核心，安全是保障。基本上所有的白皮书也都是这样写的。
但是，对于这个功能体系，我有一些不同的看法。因为这样的定义都是纯粹的ICT的定义，对吧？网络，ICT的，毫无疑问；然后平台，是咱们软件平台，ICT的；安全，是在说赛博安全、信息安全、网络安全，还是ICT的。
那么工业互联网，第一标签是工业，工业在哪里？——这是我一直质疑的一个问题。所以，我认为工业是主体，必须要首先澄清。而且，在工业是主体的这个前提下，我们再来谈网络，再来谈平台，再来谈安全，再来谈数据。这才是一个合乎实际情况的逻辑。
因此的话，我们在现在大家经常听到工业互联网的宣传当中，一直有这样一个悖论：网络、平台、安全、数据，但是不一定具有工业属性。而工业互联网又恰恰是为我们工业、为我们制造业提质增效的有效的手段，在我们百年交汇的这样一个新的时期下，中央高层高度重视的这样一个“新基建”的建设，，我们对工业互联网的宣传，对于其中的数据的认识，不能走偏了。这是我一直坚持的一个观点。
对于工业互联网，有很多不同的看法，至少是两派不同的观点。
很多人认为，工业互联网是罩在工业实体上的一张电信网，这是最常见的观点；或者说，是互联网社交/消费互联网那一派宣传的，说“是互联网的下半场”，我都不知道这个“下半场”是怎么推出来的。工业互联网跟我们讲的社消互联网没有一毛钱关系，这个是必须搞清楚的事情。
所以，数据有没有工业的属性，反映不反映工业的实际情况，能不能真为工业业务环节来赋能，为我们的提质增效发挥真正实际作用，这不是只是奢谈数据所能达到的，也不是像某些厂商讲的：“把你的数据给我，我来给你赋能”，这样的活动没有一个是成功的，尽管过去几年，很多的企业都在用这样的方式来去做的。
我认为这种观点下的工业互联网是“不接地气”的，他们是在平台、网络、安全这个层面的数据，跟工业少有交集。所以用这样的概念谈来谈去的话，是有很大的误解的。
其实应该是（图中）右边这个观点：工业互联网既不是工业的互联网，也不是互联网的工业，它是工业要素的联接，我反复写文章、写书说明这个观点，所以我再重复一遍：工业互联网不是工业的互联网，也不是互联网的工业，是工业要素联接的互联网络。因此的话，数据一定要具有工业属性，必须源于工业，用于工业，优于工业，而且要“接工业的底气”。
在我所认知的工业互联网当中，它是一种我们新型的ICT要素和我们传统的工业要素之间的融合，而且并不是说，传统的工业要素它就不先进，一定要避免有这种误解。工业互联网的重点是联接并且服务于我们的工业实体，而且与工业实体融为一体。
可以用两个维度来衡量我们的工业实体，这是我在马上就要出版的一本新书，叫作《人本：从工业互联网走向数字文明》，在这本书当中描述的两个维度：一个维度是我们企业最常见的“人、机、料、法、环”，这是咱们很熟悉的观点，企业常见资源；另外一个维度，是现在都被忽略掉了的，企业之间的实体关系。所有的那些企业协作关系、企业实体关系、央企集团关系、乡土合作网，或者说原生的一些线下的这种关系网络，那么实际上它（指工互网）跟它（指实体关系网）的叠加和融合，才有利于工业互联网发展。这就是我们工业的基本盘——两个维度构成：一个是资源类的“人、机、料、法、环”，一个是企业之间的实体关系。
另外一个就是数据的工业属性，我认为工业现场的数据，必须而且一直与其所依附的工业端，发生着密不可分的高频互动，以复杂的各种数据种类，映射到更为复杂的工业现场关系的网络，这才是工业互联网当中的一个实质性的东西。
你听很多人谈的数据没有任何工业属性，除了讲“五个V”之外，我就不知道他们在谈什么。数据，必须按照工业互联网所映射的工业的现场关系，以及我们企业的资源“人、机、料、法、环”，对它们进行加载、穿透，对它进行映射，而且按照工业的模型、算法和机理来进行分析、推理，才能做出能够解决工业现场实际问题的决策和预测，就如同刚才杨部长讲的，“好的数据”是给企业去解决实际问题的数据，而不是就是光谈“一个数据”的数据。
我给大家举一个例子。一个是大家熟知的，我用传感器去采集工业现场的数据，那就是高频的，比如说一个石化企业，它是流程制造业，通常的话会有5万到10万个数据采集点，大家注意，在一个央企的大型的石化企业当中，一般会有5万到10万的数据采集点。每一个数据采集点上的每一个传感器，就算1秒钟只采10个数据的话，那就是100万条，更何况实际采的数据量，可能还要相当大。这是我后面要谈到的，这些高频的、实时的数据，或者叫时序数据。
另外一个，我把它放到一个不是央企，不是大国企业，而是一个典型的中小微企业（场景），比如说被服厂。对于工业现场，我们怎么把人和机器的动作有序地拆解，形成我们的工业基础数据？这才是我们要研究的——我们要研究工业现场这种叫作“Ergonomics”，就是“人机工程学”，就是要研究人的每一个躯干肢体，它有什么样的“动素”，它能发生什么样的“基础动作”，这个“基础动作”会构成什么样的“生产动作”，这个“生产动作”再形成什么样的“标准工艺”，这个“标准工艺”我们再把它分成合理的步骤，排好我们的“标准工序”，最后这个“标准工序”再形成“工序线”，“工序线”再用我们的“产线”来实现，这才是从人和机器拆解，我们把它从工业现场提炼出来，它生成了我们最基础的工业数据，或者叫工艺数据。
这种基础数据我们把它数字化，我们把它放到电脑里面去，因此它形成了比特化的基础数据，也就是说，我们数字化在数字化什么？数字化我们工业现场的所有的机器的动作、人的动作，所有的工艺步骤，这个时候才形成了我们一整套的这些所谓的DIKW——我在[敏感词]会去讲它的作用。
我们可以从顶层往下降维、解构数据，在软件里去查询；也可以在底层不断地向上升维、重构数据——重构是干什么？是经过计算、决策之后，以更好的方式来去生产，来去优化我们（拆解了人、机基础工艺数据）的工业现场。
大家可以看到，在这样一个DIKW体系当中，D就是Data，I就是Information， K是Knowledge，W是Wisdom——我们把它叫作“决策”或“预测”，这个是体现了我们的系统的一种智能（或者叫智慧）。
大家可以看到，工业现场的实体，我们把它用比特数据进行解构，这是真正的基于二进制的数字化，我们电脑的原理、软件的原理就是这么来的，因为从根本上来说，它们就是0和1。
比特0和1，可以用ASCII编码表示任何的东西。一个8位是一个字节，两个8位或者说16位，或者说64位——64位就可以编码我们全世界任何一粒砂子，都可以编码进来。这就是刚才我们讲到的数据是什么？是用二进制表达的，一个8位、一个8位的这样的东西。
它可以是数字，数字没有任何意义，只能比较大小——我知道100比99大，2比3小，除此之外，没有任何意义，因为它没有时空背景。还有一些数据是单词类的，比如说只是一个“价格”，它叫“石油”，它叫“汽油”，或者这个叫“摄像机”，这些都是叫数据，都在电脑里。
但是当我把数据给它拼合起来，我再往上一层，它就变成了信息，为什么呢？“20”是一个数据，“元”是一个数据，“20元”就变成了“钱”，而不是20匹，20辆，20吨，所以数据就被赋予了时空意义，这就是信息。我们的工艺当中的任何一个动作，也就具有了时空意义。信息消除了数据的不确定性。
那么再往上，我还可以进行升维和重构，为什么呢？因为我们可以说：“我要买20吨汽油，该是多少钱”，这句话又变成了一条知识，对吧？我告诉你，要20吨油该是多少钱，对吧？因此的话，我们又把数字化的信息——这个information变成了知识，有了具体的语义。
而知识和知识的关联，就更不一样了。刚才杨部长谈到关联的问题，零散的数据、信息作用不大，甚至包括零散知识。但是当你把它们关联起来，作用就大了！刚才举的“天眼查”的例子，就是非常好的例子。对于我们来说，我们可以说每吨柴油多少钱，那么我们再判断，俄乌现在在打仗，那么再判断，油气价格在欧洲一定会涨，如果你做大宗货物，你正好面向欧洲做，那么你就可以事先囤一批货。所以，你利用已有的数据、信息、知识，最终构成了一个带有智能性或智慧性的这样一个预测和决策，那么我们才能够正确的去判断、去做事情，才能够去消除我们经常所面对的、这些外部世界的高度的不确定性。
因此这就是决策和预测所带来的价值，这也是我们基本的数字化、信息化的逻辑，也就是说，来源于工业现场、运行在软件之内、存储于电脑之中的、所有的不同的格式的那些数据，才是我们要谈的“数据”。
因此，工业大数据搞了很多，广义上说，市场调研、需求分析、产品规划、工艺制定等等这一票，都叫数据，还有库存啊，等等。
在我们工业互联网当中，按照不同阶段，我们可以有在研品、在制品、在用品，有不同的数据；按照采样的频率，也有不同的数据；按照属性的划分，也有不同的数据，比如说实时数据、时序数据、标识数据等等——咱们部里面讲到这个工业互联网的标识，这也是一类数据。
比如说，实时数据就必须是实时采的，实时来用，它才有作用。一旦过去了，它就没有什么用了。但是，这些数据如果把它留存下来，它有明确的时空背景，消除了里面的噪声和垃圾数据的话，那么它对于未来的分析是有意义的。但是还必须要完整的、从哪产生的，有那个时空背景。
时序数据是带有时间戳的数据，一定是带有时间戳的，要分得清楚先后，一旦分不清楚先后，这些数据就全部都是垃圾，没有任何意义。
所以我们一定要强调一点：这个数据来源一定是“时空背景+业务逻辑”。
数据不会凭空来，也不会悄然遁去。数据的产生要有明确的工业现场的时空背景，是真实的我们的“人、机、料、法、环”等工作信息的映射。所以我们在工业实体上的上下游企业，他们之间的合作，我们把这个需求，因为需求是刚性的，我下了订单，你接了订单，就要按合同、按照契约精神给我来做这个订单。订单一步一步分解到企业里面，就会变成不同的内部业务环节和流程。我们就会去备料，我们就会准备工艺，我们就会启动机器，一步一步去做出产品。
所以，我们所有的数据的来源和业务需求必须要匹配，才能产生合乎逻辑的结果。这是我们要说的，离开了业务需求、工业现场的时空背景，去讨论数据，是不科学的，不正确的，也是荒谬的。
那么，数据怎样炼？
我们一定要知道：在企业当中的数据，是我们业务场景呈现的状态变量；在软件中的数据是模型、算法所支配客体对象；在机器当中，数据是驱动设备、控制它去精准运转的指令。因此，数据的属性和功能，它往往是非常多元化的。
所以，说数据是新型生产要素，一点没有问题。数据可以通过软件赋能而迸发出巨大的生产力。但是数据本身它不是生产力。这个概念我们就是要予以澄清。
原料级的数据一定要经过处理才能够使用，就像刚才我说的，从“动素”一直到“产线”的这样一个拆解，我们把这些数据都提炼出来，但是这是原始工艺数据，它要数字化之后，进到我们的信息系统，进到我们的数字化系统当中去算，按照最优的那些模型和算法——软件里面全部都是算法，合乎工业逻辑的基本模型和算法，让它去算。
把软件作为“磨（魔）盘”，把原料级的数据进行各种颗粒度的精细加工，不断地识别、接收、计算、解读、打磨、重构，最后再生成符合我们业务需求的精品数据，再用软件作为“增压泵”，用网络作为“管道”，把精品级的数据，给它“泵”回到你所需要的地方，就是刚才我画的那张图中的生产现场，它要回到我们的业务环节当中去，重新放大、赋能、解构、重构我们的业务，让它产生最好的一个软件赋能的效果、数据赋能的效果。
因此，我们数据有这么两手硬的功能：第一，用来显示，在大屏幕上、各种屏幕上显示我们的计算结果；第二，按照人预先设计的这个自主决策，数据直接进到我们的设备当中，就是我不显示而直接去驱动（设备）。
所以第一种形式，是第三次工业革命的结果；第二种形式，是第四次工业革命结果。大家今天看到的自动驾驶汽车就是这种方式，数字指令自动就可以去驱动机器。
数据源于工业时空，优于赛博时空，回归工业时空，一去一来，算力提速，模型精炼，算法优化，数据焕新，数据映射的那些企业资源，都在软件的算法的巧妙安排下得到最优配置。
因此，我认为，数据它确实是可以为我们企业释放出巨大的能量。
但是还要注意，数据到底是“姓公”还是“姓私”？所有的企业都不愿意把数据分享出来，因为这属于是“我的（数据）”，是私有性。但是，数据也有具有无损拷贝的这种属性，那么一旦出了企业的范围，它就是失控。
数据还具有“公有性”，就是说你一定要在一定范围之内来流动，不流动的数据是没有价值的。只有流动的数据，被软件充分解构、重构的数据，才具有这种流动价值。
因此，我们怎么能够去消除这种矛盾？那就一定要让数据流动起来。流速如果越快，流动越顺畅，分享的范围越大，流动频次越高，它产生的价值就越大。这个是数据给我们的赋能。
尽管我们不能把所有数据变成是公有的，但是工业互联网一定有这个职能，要把一部分私有性的数据转换成公有性的数据。否则，我们为什么要建工业互联网的大数据中心？我们回答不了这个问题。
数据本身具有两面性，既可以载舟，也可以覆舟，如果模型和算法有问题，在算力加持下，高速流动和分析的数据，由于软件千百倍地放大，会让错误的结果随之放大，造成大范围的业务损失。
所以我们要注意：工业是主体，核心是数据，关键是软件。
工业互联网天然具有工业属性。这就是我们所谈到的，具有工业属性的数据，必须在一定范围之内流动、交易，才有可能演变成动态价值流，形成数字生产力，为企业产生巨大价值。为数字经济做出应有的贡献。
好，我就讲到这，谢谢大家！
8月4日（今天），“2022（第七届）大数据产业生态大会”还有一整天会期，有众多内容丰富的专业报告，值得大家在线下、线上观看和分享。详细会议内容请在下图中扫二维码观看。
官网首页
一键拨号
产品中心
联系我们