新浪新闻客户端

安世亚太:知识在前方,智慧在远方——研发数字化转型的底层逻辑

安世亚太:知识在前方,智慧在远方——研发数字化转型的底层逻辑
2022年12月05日 16:23

  在《信息化在左,数字化在右——工业数字化转型的底层逻辑》一文中,我们将工业数字化转型的本质总结为——数据利用方式的转型。但对于研发体系的数字化转型,我对此不以为然,因为数据对于研发来说远远不够,研发的驱动力另有其他。

  信息化在左,司左脑之职;数字化在右,行右脑之事。那一往无前的是谁?对,就是知识!是它在一直探索通向未来的智慧之路。所以,先忘掉你的派系吧,不论你是左派还是右派,向前才有未来。我们终究不能停留在数字化阶段,因为数字化转型的终极目标是智能化和智慧化,而知识才是通往智能和智慧的阶梯,在研发设计环节尤为如此。针对这一结论,知识管理界著名的神模型——DIKW给出了相同的暗示。

  知识管理界的神模型

  DIKW模型堪称知识管理界的神模型,是表达数据(Data)、信息(Inforation)、知识(Knowledge)及智慧(Wisdom)之间关系的模型,一般的知识管理体系经常引用此模型。本模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系,每一层比下一层都赋予一些新特质,如图1所示。原始观察及量度获得数据,分析数据间的关系获得信息,在行动上应用信息产生知识。知识在不确定(模糊)场景下综合与灵活的应用产生智慧。智慧关心未来,它含有暗示及滞后影响的意味。

  图1DIKW模型:数据、信息、知识与智慧的关系  图1DIKW模型:数据、信息、知识与智慧的关系

  通过DIKW模型分析,可以看到数据、信息、知识与智慧之间既有联系,又有区别。数据是记录下来可以被鉴别的符号,是最原始的素材,未被加工解释,没有回答特定的问题,没有任何意义。信息是已经被处理、具有逻辑关系的数据,是对数据的解释,这种信息对其接收者具有意义。

  知识是从相关信息中过滤、提炼及加工而得到的有用资料。特殊背景或语境下,知识将数据与信息、信息与其在行动中的应用之间建立有意义的联系,它体现了信息的本质、原则和经验。此外,知识基于推理和分析,还可能产生新的知识。

  目前,智慧只是人类所表现出来的一种独有能力,未来的机器(软件)也许会发展出类似的能力。智慧主要表现为收集、加工、应用、传播知识的能力,以及对事物发展的前瞻性看法。在知识的基础之上,通过经验、阅历、见识的累积,而形成的对事物的深刻认识、远见,体现为一种卓越的判断力。

  智化源自知识工程

  从人类历史长河视角来看,研发的终极价值并不是很多人想象那样是为了创造新产品,而是为了知识的进化,产品只是研发知识进化的载体。就像生产果实并不是生物存在的目的,繁衍与进化才是,果实只是生物繁衍和进化的工具,是基因的载体。产品是研发的副产品,就像果实是生物进化的副产品一样。产品不会是一个组织终极的竞争力,但知识是。产品会死亡,但知识不会。一代产品死亡,会有新的产品产生,但这代产品其实只是以前知识的新载体。研发过程本质上是基于旧知识创造新知识的过程,是人类所从事活动中知识密度最高的过程。创新(或创造)是研发过程唯一看重的价值,而所有的创新(或创造)活动都是基于知识的,就像生物的新生命的产生都是基于果实中的种子。

  虽然知识是智化(即智能和智慧)的源泉,但知识不会自动变成智能和智慧,这一特点在研发过程体现相当明显。研发过程是利用现有知识创造新知识的过程,智慧研发的本质就是将研发过程的海量知识经过增值加工,形成大量的智能知识插件(或称为APP),嵌回到研发过程中。此类知识天然具有与业务工作环境互动的特点,可直接与相关研发工具建立关联,使知识与设计活动紧密融合,直接参与研发和设计工作。研发过程中,这类智能插件越多,智能化程度越高。因此,智慧研发中知识工程的核心就是对知识进行增值加工,形成智能知识插件(APP)。

  图2研发资源加工产生知识特征并实现增值  图2研发资源加工产生知识特征并实现增值

  在研发知识工程中,我们将研发资源分为实物类、数据类、信息类、模式类和技术类,并推荐各自资源加工方法,分别是电子化、标准化、结构化、范式化、模型化。对于所有资源,可以用大数据技术加工,我们称为全息化加工技术,形成智慧特征。如图2所示。

  这些加工过程其实是对知识级别的提升过程,我们称为知识增值过程。不同的知识应采用不同的加工方法实现增值,指出了每层知识的具体属性、知识特征、加工方案、升级特征乃至智能和智慧的形成,比DIKW更具有实践性和可操作性。

  总结来讲,知识增值加工可明显提升知识的价值,尤其是对智能和智慧的价值,包括如下几个方面:

  a.实物的数字化提升知识的显性化程度。显性化程度越高,越接近业务应用,实用性越强;

  b.数据的标准化和信息的结构化提升知识的共享化程度。知识显性化带来效率,知识共享化带来创新;

  c.模式的范式化和技术的模型化提升知识的工具化程度。工具化程度越高,自动化和智能化程度越高;

  d.知识的全息化提升知识的智慧化程度。知识层级越高,智慧程度就越高,知识的价值越大。

  智能与智慧的辨析

  我们终于谈到了这两个剪不断理还乱的词——智能和智慧。结合上两节,总结一句话便是:信息化在左,数字化在右,知识在前方,智慧在远方。信息化和数字化迭代递归形成知识,知识经过增值加工后,终将在智能和智慧的灯塔里发挥效益。

  智能和智慧是知识工程中的两个重要概念,在智能制造时代被广泛提及,但很少有人解释他们之间的区别,常模糊处理。

  智能和智慧均来自于知识,而知识有两种:一种是确定性知识,来源于人们对经验和规律的提炼和总结;另一种是模糊性知识,来源于大数据,通过人工智能(AI)技术挖掘出来。与之相对应地,我们把“智化”分为两个层次——智能和智慧。智能是基于确定的知识(机理)、清晰的边界条件和明确的初始条件对未来的预测,我称之为“先知”。智慧是基于不确定的知识(机理)、不清晰的边界条件和不明确的初始条件对未来的预感,我称之为“先觉”。

  面对机器和软件,人们谈到智能的时候,包含着一种居高临下的赞赏,但谈到智慧的时候,却充满着一种处下仰上的崇拜。智能往往让人赞许有加,智慧则总是让人醍醐灌顶。智能是一眼看穿结局的意料之举,而智慧带来的却是结局出现后的恍然大悟。智能是面对预设路径的气定神闲,智慧则是面对未知时空的千思万虑,表现在常人面前往往是锦囊妙计。

  智能往往是科学和技术的深化,而智慧往往是哲学和思想的升华。在中国古人的认知中,智能往往与脑联系在一起,智慧往往与心联系在一起。其实,从解剖学的角度看,智能与左脑有关,智慧与右脑有关。无论是研发体系还是人造产品,用明确的知识赋能机器或软件后,它们就拥有了智能;但在这些明确的知识尚不存在的时候,则需要回到最原始的数据,对无时不有、无处不在的数据进行实时分析,从中挖掘其中潜在的隐性知识,使得机器或软件具有模糊判断和直觉思维且无往不胜的时候,它们便拥有了智慧。

  我们经常把基于明确的知识(机理)开发的逻辑化的软件,称为仿真软件,在知识(机理)不明确时,基于神经网络算法和大数据进行知识挖掘和机器学习的软件称为人工智能(AI)软件(其实,这种定义并不准确,只是简单起见,采用了流行的习惯称呼。严格讲,仿真软件也是一种AI软件,称为符号AI软件。基于神经网络和大数据的机器学习软件称为亚符号AI软件。人们常说的AI其实是亚符号AI)。因此,仿真软件是机器获得智能的基础,AI软件是机器获得智慧的基础。正如前文所以,明确的知识(机理)只占非常小的部分,人类对自然界的了解很浅,对人类社会自己的运转规律的理解也并不深。因此,人们能仿真计算的范围相当有限,或者说,智能所能达到范围相当有限,其余的部分需要靠AI及其可能达成的直觉获得。

  基于确定性机理的智能往往与质量相连,而基于不确定性机理的智慧则与创新相关。所以,针对将质量视为生命的制造,我们通常说智能制造而不说智慧制造。研发将创新视为生命,所以我们常说是智慧研发,而不说智能研发。

  智能是明确的,非0即1,中间也许会有几档。而智慧是模糊的,在0到1之间无级变速。一旦搞清楚机理,智能就是必然的和恒定的。但智慧却是不确定的,往往一开始显得弱智,但可无限期持续进化,充满想象空间。智能就像人的智商,终身不变化,但智慧却不能用智商衡量,随着年龄的增长,人会显得更智慧。当然,一个人也有可能终身浑浑噩噩,一辈子都不曾获得智慧。君不见很多AI,一开始概念性感,被资本追捧,但多年未见效益,最后泡沫破裂。智能的难度在于前期过程,即人类明确知识的过程,不在于后期机器计算的过程。而智慧正好相反,其难度在于后期的数据分析和算法的持续进化,而不在于前期的数据获取和家有算法初长成。

  因此,我们必须警惕数据有陷阱。人们总是被要求“用数据说话”,似乎数据就是科学的和理性的。真是这样吗?未必!当你需要数据来做判断的时候,其实表明你的思维中已经失去了逻辑,所以也不存在科学和理性了,数据只是你大胆决策的安慰剂。被展现出来的数据往往都是那些短期的相关性,是聪明人常利用的手段。真正的规律是长周期的,长周期的数据并不可信。这么长周期中,技术条件特别是数据收集条件在一日千里地变化,相同规律下,不同历史条件获得的数据表现并没有可比性。其实,底层逻辑往往是悟到的,是不需要数据的。尼采的书里没有数据,《道德经》里也没有;黑格尔和马克思的书里没有数据,《易经》里也没有。

  智能是矢量,其优化和进步具有明确的方向性,而智慧是标量,其进化和演衍的方向往往是模糊的。所以,智能和当下判断有关,智慧则与长远韬略有关。智慧可遇不可求,对机器和人都是如此,否则便有了执念,走火入魔。智能和智慧之间是个轮回。今日的专家,明日可能开悟变成智者;今天智慧的归宿,必将是明天的智能,就像昨天的知识是今天的常识一样。一项智慧演化的终局就是智能,智者从模糊性中悟出的因果律被长久验证后,必然变成确定性知识,从而可以进入机器变为智能。也只有如此,人类才会稳序进步,智慧也才会有更远的使命。

  聪明与智慧的辨析

  前文我们提到聪明人,是想说不能把智慧和聪明混为一谈,虽然都是在面对未知时,由数据分析能力带来的一种特质。图3是在“机理明确与否(明确和模糊)”坐标轴之外,增加了另一个坐标轴——成因掌握与否(相关性和因果律),从而将人或机器分为四类。相关性是人类认识世界的初级反应,因果律则是对底层规律的深度洞察。年轻时候看到的往往是相关性,年长之后才可能看到因果律。只看到相关性的人往往并不能意识到这只是相关性,常自以为是地认为是因果律,总是把表面现象当成了本质规律。只有那些真正看到因果律的人,才能看清事物的底层逻辑。

  图3聪明、智能和智慧的关系  图3聪明、智能和智慧的关系

  那些面对未知却能悟到因果律的人,我们称为“智者”,是具有大智慧的人。那些只能看到相关性的人,我们称为“机灵鬼”,是常说的那种很会见机行事的聪明人。聪明人对当下的利益得失敏感异常,反应迅速,而智者都“难得糊涂”和“大智若愚”,看似对利益得失毫不计较,木讷迟钝。其实,这种“糊涂”是我们常人和聪明人看来的糊涂,这种“愚”也只是我们常人和聪明人看来的愚。对智者来说,这根本不是糊涂,更不是愚,而是看到了常人和聪明人看不到的因果律,正所谓的大巧若拙。相对于因果律中反映出来的长周期的大起大落,眼前的一点小波动实在不值得计较,这就是为什么智者总是远见卓著,能决胜千里。聪明人只看到眼前的相关性带来的小波动,所以能抓住的短线利益绝不轻易放弃,而智者会安静等待那个长波峰的到来,然后闲庭信步地出手。对智者来说,大道至简,因果律函数的参数其实少之又少,抱朴守拙即可从容应对,无需眼观六路耳听八方,更不需要三头六臂大杀四方。

  让机器拥有智能是比较现实的目标,成为专家才是常人和聪明人的普遍归宿。那些掌握了明确知识(机理)和因果律的专家,如果愿意走出舒适区,勇于面对未知,总是看向远方和未来,持续修炼而至开悟,就可能成为智者。而机灵鬼则无法如此阶跃,他们必须先进步成专家,才能修炼为智者。可以想象这期间他需要艰难克制多少眼前的诱惑,所以聪明人相比于常人,也许更不容易成为智者。在武侠小说中常见这种现象,那些最终修得正果的人一开始看上去总是像郭靖那样拙朴。因此,数据分析和AI可以对知识进行全息化透视,但不能停留在响应式的相关关系层次上小富即安,而是要将分析结论发展为确定性知识(机理),并可以将适用范围向外推演,让因果关系迈向未知领域去解决问题,才可能让机器(软件)拥有智慧。

  自从有了AI的概念,人类就开始担忧自己的未来。本质上,今天的机器就像常人。常人希望变成专家,机器希望拥有智能。所以,人类担忧的并不是机器拥有智能,而是另外两件事。一方面担心AI停留在聪明象限无法自拔,只会耍小聪明,此起彼伏的AI小聪明带来的破坏性让人类无法收拾残局。如果仅仅是小聪明,人类还是可以将其制服,因为历史上从来没有靠小聪明一统天下的。所以人类真正担心是另一个可能——AI进化出大智慧。若智慧被AI超越,人类将彻底丢失其控制权,像现在的动物一样沦为牛马或宠物。那时候,AI可能会像今天的人类谈论AI一样,来谈论如何提高人类的智能和智慧了。

  今天的机器(软件)和真正的智能相去甚远。由于明确机理太少,仿真软件只形成一些适应面不宽的专家系统。AI依赖数据和算法正在走出“常人”这一象限,刚刚走进“聪明”象限,还未达到“智能”,更不用说“智慧”。基于以上的担忧,人类希望AI赶快度过“聪明”进入“智能”,但又希望能把它封印于“智能”一级,不要继续进化。不过,担忧归担忧,基于人类的社会达尔文主义本性,AI的发展是不以几个吹哨人的意志为转移的,就像核扩散一样。人们明明已经看到了核能的可怕,也一直在担忧核能的发展和扩散,但核能的发展和扩散的脚步却一刻也没有停止。何况AI仅仅是个起步,其所谓的危害只是个概念而已。即使哪一天真的出现了令人类错愕的意外,AI也不会停下其发展的脚步,反倒是其发展的催化剂,就像今天的核能一样。某一家的核弹研制成功,另一家只会加快步伐,绝不会坐以待毙。

  研发数字化转型的底层逻辑

  如果说,数据利用方式的改变决定了工业数字化转型的类型,那么,知识利用方式的改变,则决定了对研发做了何种数字化转型。如果说,能源使用量可以衡量原子工业运行的强弱,数据使用量可以衡量数字工业的强弱,那么,知识使用量可以衡量研发强弱。能源是原子工业的动力,数据是数字工业的动力,而知识则是研发的动力。因此,研发数字化转型的本质其实是“研发知识利用方式的转型”。

  依我来看,数字工业社会利用数据的方式的转变同样适用于知识:知化、秩化、治化、智化和织化,最终促成研发数字化的五次转型,如图4所示。

  图4人类对知识的利用方式的变革带来研发体系的数字化转型  图4人类对知识的利用方式的变革带来研发体系的数字化转型

  与工业数字化转型相似,在知识利用方式的五次转型中,中间的“三化”——秩化、治化和智化是中国企业研发数字化中最需要和常见的转型模式。

  知识的“秩化”是通过流程把松散的知识按照业务需要建立起秩序,在业务执行过程中主动推送知识,而不是人在业务需要的时候去库里找知识。也就是让知识活起来,在合适的时间、合适的场景下去主动找合适的人。

  知识的“治化”是通过模型化过程对产品知识进行治理,将其浓缩并凝聚在一起,形成更逻辑化和自动化知识。模型应当是人类对知识最极致的提炼,并将其反向应用在更多更大更未知的场景之下。

  知识的“智化”使得对知识的改造工作更加登峰造极,力图发挥知识全集的作用,促进设计的智能化和体系的智慧化。将所有确定性知识加工形成APP,嵌入设计过程而形成 “智能”。将模糊性知识利用大数据和AI技术浴火历练,升华成为因果律便形成智慧。

  以上“三化”就是《研发数字化转型三级跳》的来由,如图5所示。

  图5研发数字化转型三级跳  图5研发数字化转型三级跳

  (来源:新视线)

责任编辑:孙青扬

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2022 SINA Corporation

All Rights Reserved 新浪公司 版权所有