5月19日-20日，2018全球人工智能技術(shù)大會(huì)（GAITC）在北京國(guó)家會(huì)議中心隆重舉辦，全球業(yè)界頂尖領(lǐng)袖在此匯聚，圍繞AI熱點(diǎn)，分享AI領(lǐng)域最新洞見(jiàn)，引領(lǐng)年度行業(yè)發(fā)展風(fēng)向標(biāo)。

深知無(wú)限人工智能研究院首席科學(xué)家漢斯?烏思克爾特院士（Prof. Dr. Hans Uszkoreit）擔(dān)任本次大會(huì)主席。

以下內(nèi)容為漢斯?烏思克爾特院士演講摘要：

工業(yè)4.0--智能工廠

?工業(yè)4.0智能工廠的3個(gè)層級(jí)：

智慧工廠

智慧運(yùn)營(yíng)服務(wù)

智能支持服務(wù)

?智能工廠核心點(diǎn)

第一，網(wǎng)絡(luò)物理系統(tǒng)，包括傳感器、行動(dòng)體、處理器，都和物聯(lián)網(wǎng)相連。通過(guò)數(shù)據(jù)的輸入，我們可以進(jìn)行很多的學(xué)習(xí)，并對(duì)圖片進(jìn)行很多的翻譯和理解，還可以進(jìn)行相關(guān)的推理，進(jìn)行快速的迭代和自動(dòng)化。

第二，在工業(yè)4.0中，還有很重要的一點(diǎn)：Digital Twin技術(shù)--具有歷史/記憶的產(chǎn)品（或部件）的數(shù)字模型。Digital Twin主要是來(lái)自于語(yǔ)義產(chǎn)品記憶，在這個(gè)理念中，我們認(rèn)為所有的部件都應(yīng)該在自己的機(jī)器上有一個(gè)Digital Twin。一開(kāi)始建立的模型并不是非常好，它們是使用一些結(jié)構(gòu)化的語(yǔ)言以及模型，同時(shí)，人們也可以將自己的語(yǔ)言輸入到Digital Twin之中。通過(guò)Digital Twin，我們的機(jī)器可以為人所用，也可以被機(jī)器自己使用。

第三，柔性產(chǎn)品驅(qū)動(dòng)的生產(chǎn)配置。比如我們的產(chǎn)品會(huì)告訴我們的機(jī)器它下一步需要做什么樣的步驟，比如去年到哪一個(gè)生產(chǎn)點(diǎn)進(jìn)行怎么樣的加工。所以我希望我們整個(gè)的系統(tǒng)是柔性并且非常靈活的，而不是非常僵硬的。

第四，智能自動(dòng)化機(jī)器人以及人機(jī)協(xié)同。

第五，基于AI的流程優(yōu)化 - 預(yù)測(cè)資源利用率。我們可以使用預(yù)測(cè)性的資源，不光是預(yù)測(cè)性的維護(hù)，而且可以預(yù)測(cè)我們的能源使用、物料使用，可以預(yù)測(cè)所有和生產(chǎn)相關(guān)的資源。

這些都是通過(guò)我們與現(xiàn)實(shí)生產(chǎn)得到的學(xué)習(xí)結(jié)論。在DFKI，我們和很多工廠進(jìn)行了合作，希望可以把我們的技術(shù)和想法放到這些工廠里進(jìn)行實(shí)踐。

?智能運(yùn)營(yíng)服務(wù)

智能工廠的外層是智能運(yùn)營(yíng)服務(wù)，現(xiàn)在已經(jīng)有了智能出行、智能物流、智能大樓、智能產(chǎn)品、智能電網(wǎng)，這些就是智能工廠外層的一些設(shè)施，他們會(huì)和生產(chǎn)密切相關(guān)。對(duì)于運(yùn)行服務(wù)而言，它的重點(diǎn)和智能工廠或者智能手工生產(chǎn)是相當(dāng)?shù)摹?/p>

?智能支持服務(wù)

智能工廠的第三層——智能支持服務(wù)，我認(rèn)為對(duì)于工廠而言，最重要的東西并不在工廠之內(nèi)，很多在工廠工作的人覺(jué)得工廠或者產(chǎn)品是最重要的，但其實(shí)并非如此。產(chǎn)品的最終消費(fèi)者是最重要的，以及供應(yīng)商等，如果我的供應(yīng)商對(duì)我停止供應(yīng)，工廠會(huì)停產(chǎn)，還有投資人、監(jiān)管者、技術(shù)提供商、服務(wù)合作伙伴等等都非常重要。

同時(shí)，語(yǔ)言也是至關(guān)重要的。我們需要從所有工廠以外的地方獲取很多的數(shù)據(jù)，并把這些數(shù)據(jù)應(yīng)用于我們的工廠，比如進(jìn)行產(chǎn)品研發(fā)、產(chǎn)品升級(jí)、生產(chǎn)計(jì)劃，比如我們希望看消費(fèi)者需要的功能有哪些，消費(fèi)者的理想定價(jià)是怎樣的，還需要看我們從供應(yīng)商那里可以得到什么，因?yàn)槿绻麤](méi)有供應(yīng)商，我們無(wú)法進(jìn)行生產(chǎn)。

在這里有很多非結(jié)構(gòu)性數(shù)據(jù)，智能工廠的第三層到第一層是相互貫穿的，一方面我們需要翻譯很多的數(shù)據(jù)、語(yǔ)言，理解很多來(lái)自于不同行動(dòng)體或者合作伙伴的數(shù)據(jù)，另一方面我們也會(huì)把數(shù)據(jù)發(fā)給合作伙伴（如供應(yīng)商），需要發(fā)給他們很多數(shù)據(jù)告訴他們我們所需要的規(guī)格是什么樣的，所以整個(gè)的結(jié)構(gòu)非常復(fù)雜。通過(guò)這樣的合作可以獲得智能產(chǎn)品管理、智能客戶關(guān)系管理、智能產(chǎn)品經(jīng)理、智能投資者管理、智能監(jiān)管者管理、智能市場(chǎng)調(diào)查等等。

如何從外部獲得數(shù)據(jù)？有很多數(shù)據(jù)都來(lái)自于合作伙伴的數(shù)字內(nèi)容，包括投資人、政府等等。我們?cè)谕獠康臄?shù)據(jù)，需要使用媒體、社交媒體、開(kāi)放知識(shí)、開(kāi)放數(shù)據(jù)。

例如：

①去年，大眾因?yàn)楣?yīng)商出現(xiàn)了一些問(wèn)題，他們并沒(méi)有及時(shí)獲得警告，而大眾花費(fèi)了14個(gè)月來(lái)尋找替代供應(yīng)商。

②我們之前在一個(gè)項(xiàng)目上可以和西門子合作，他們當(dāng)時(shí)有19萬(wàn)多的直接供應(yīng)商，還有數(shù)百萬(wàn)的間接供應(yīng)商。我們希望能夠用我們的技術(shù)幫助他們，例如系統(tǒng)找出一些早期的預(yù)警信號(hào)。

知識(shí)圖譜

我們是整個(gè)開(kāi)放數(shù)據(jù)庫(kù)，我們希望做一個(gè)橋梁連接公有和私有的知識(shí)庫(kù)，希望能夠在整個(gè)知識(shí)領(lǐng)域中，包括不同的百科網(wǎng)站（如維基百科）或者其他的知識(shí)管理項(xiàng)目中，把它們和工廠的私有知識(shí)庫(kù)連接起來(lái)，這樣就能以知識(shí)圖譜的方式構(gòu)建這個(gè)大橋。比如說(shuō)Google、必應(yīng)、百度等不同類型的知識(shí)圖譜。為了把內(nèi)部和外部的知識(shí)庫(kù)聯(lián)系在一起，通常會(huì)構(gòu)建一個(gè)公司內(nèi)部的知識(shí)圖譜，這樣才會(huì)有更多的可能。

維基百科非常龐大，是一個(gè)巨大的數(shù)據(jù)庫(kù)。但維基百科所有的印刷版，公開(kāi)發(fā)行的只有這么多，這也是我們?yōu)槭裁聪胝嬲龑?shí)現(xiàn)線上瀏覽或者查詢。因?yàn)槿绻耆甲龃蛴“娴模瑢?duì)于語(yǔ)音學(xué)家或者知識(shí)領(lǐng)域的專家來(lái)說(shuō)，很難實(shí)現(xiàn)突破。如果我們想做一些搜索和檢索會(huì)非常困難，并且有些知識(shí)是沒(méi)有辦法轉(zhuǎn)化為知識(shí)圖譜的。

我從Google的系統(tǒng)中截取了一個(gè)關(guān)于藝術(shù)領(lǐng)域的例子。由Google的知識(shí)圖譜所提供，并不是來(lái)自于某一個(gè)單一的文檔，而是一個(gè)結(jié)合。

針對(duì)大數(shù)據(jù)的NLP技術(shù)

?自然語(yǔ)言理解存在的2個(gè)問(wèn)題

語(yǔ)言模糊性

同樣的句子，在一些語(yǔ)境下可能會(huì)有不同理解，比如某一個(gè)詞語(yǔ)、某一個(gè)句子可以有不同的解讀。比如“放”這個(gè)詞，如果去字典上查有很多不同的理解，或者時(shí)光如梭的英文也有不同的理解。人們對(duì)于解讀同一件事情的方式是千千萬(wàn)萬(wàn)的，大家都有不同的解讀，所以對(duì)于語(yǔ)言的解讀和翻譯非常困難。

我們?cè)?008年做過(guò)一個(gè)研究，微軟買入了Powerset這個(gè)公司，其實(shí)可以用不同的詞語(yǔ)，比如說(shuō)買入、收購(gòu)或者其他的詞語(yǔ)，它可能只是用了非常模糊的詞，但我們知道他們是全資收購(gòu)了，甚至是吞并。不同的詞語(yǔ)可以表達(dá)出相同的意思。對(duì)人們來(lái)說(shuō)，他們可以想出不同類型的詞語(yǔ)，比如社交媒體上的人或者記者可能會(huì)根據(jù)自己的內(nèi)容表達(dá)選擇一個(gè)最佳的詞語(yǔ)，但對(duì)于機(jī)器學(xué)習(xí)來(lái)說(shuō)比較困難。

我們需要打造出一套基于統(tǒng)計(jì)學(xué)的機(jī)器學(xué)習(xí)、神經(jīng)元學(xué)習(xí)，而且整個(gè)的潛力和挑戰(zhàn)都是前所未有的。如果我們學(xué)習(xí)了這些詞組，比如A收購(gòu)B，我們需要讓機(jī)器理解，他究竟是獲得了某一個(gè)東西，還是真的收購(gòu)了某一家公司。所以我們必須從這些句子中提取相應(yīng)的信息。比如說(shuō)它的價(jià)格、涉及到的公司，我們需要提取出正確關(guān)鍵的詞組。而且我們需要高亮出最關(guān)鍵的信息，還有一些簡(jiǎn)單的信息，簡(jiǎn)單的信息可以忽略不計(jì)，因?yàn)樗赡軙?huì)有變化。所以我們?cè)诜治稣Z(yǔ)料時(shí)，我們會(huì)用綠色標(biāo)注出最重要的信息是我們想讓機(jī)器去學(xué)習(xí)的。

超級(jí)學(xué)習(xí)技術(shù)

我們還會(huì)根據(jù)神經(jīng)原的組成部分進(jìn)行具體的語(yǔ)義解析，我們會(huì)提取信息做語(yǔ)義的篩選。因?yàn)榭赡芤痪湓捓?，他說(shuō)微軟投資了Powerset這家公司，他用了投資這個(gè)詞，但我們還要對(duì)整個(gè)信息做一些篩選和解讀。這樣才能把非結(jié)構(gòu)化的信息真正的結(jié)構(gòu)化。

我們之前也發(fā)表了很多的文獻(xiàn)和相應(yīng)的專利，我們也在很多行業(yè)的應(yīng)用上有所推廣，目前也在中國(guó)有一些合作的項(xiàng)目。我們還在不斷地更新、改進(jìn)，現(xiàn)在也可以識(shí)別中文。同時(shí)我們也希望能夠覆蓋更多的語(yǔ)言。