各位領導，各位嘉賓：

非常榮幸參加中國大數據創新發展高峰論壇，我是來自KIT研究院的中國總經理。我們的研究院位于蘇州，我今天演講的第一部分給大家概述我們在蘇州所做的工作。KIT是德國的一家理工學院，我們主要是在生產系統自動化方面開展一些實際的可行的適用于工業的研究，我們與同濟大學在機器和設備自動化方面也有一些合作。剛剛講到了工業4.0，我們的實驗室也在做這方面的工作，如何使用更先進的技術促進生產發展過程中的生產力和效率。

2010年我們建立了第一個示范創新中心，并和周圍各個大學進行合作，在研究和生產之間架起溝通的橋梁。這里展示的是們所期待的目標，是三大支柱，分別是研究、產業和培訓。我們自己的研究方法，包括與合作伙伴共同研發出來的，把研究方法應用到中國的公司，獲得更多的知識，更多先進的技術去增強智慧型發展和增強生產過程中的能力。這是以一個項目為基礎的過程，它會持續發展并且對相關領域教育有一些促進作用，因此我們通過三大支柱的形成和工作,與合作伙伴緊密的進行聯系，創造出長期的可持續的可實現的利益。

接下來講講KIT是怎么看待人工智能和人工智能的潛力在生產方面存在的挑戰。人工智能的影響，尤其是人工智能將會結合大數據的技術和深度學習的技術，開辟新的途徑，對于供應鏈來說有很大的技術參考價值，從制造和生產方面來說，有很多有用的經驗是可以借鑒的，尤其是人工智能研究和應用方面，它對于工廠設備制造商和提供商、機器人的應用等都有非常大的意義。我們會用相關的方法在整個供應鏈當中讓人工智能技術結合實際情況去使用。這對于各個行業都會有非常大的意義，尤其對于剛剛討論的制造商或是汽車制造商等等。人工智能是非常熱的話題，大家可以看到從傳感器的數據收集和數據分析，整體情況下的機器學習，很多的設備都被進行良好的監管和控制。他們的效能大大提高了，在獲得機器數據之后，會把數據發給相關的分析的同事，他們作為研究的一方提出更多自動化的應對措施，并且列出最優化策略的方法，基于已經收集出來的數據來實現最好的效果。在之后的維修也有很大的參考意義，過去機器可能會遇到預期之外的一些故障，但是通過這樣的體系之后，我們可以更好的進行預防性的維修，增強整個的生產系統的效率，解決效率低下的問題。

接下來這一方面是關于機器人，機器人也是我們合作的項目之一，對于AI的應用還有包括整個生產過程都是有很大的裨益的，在這樣的作用下，采用先進的技術，同樣會有很多的傳感器進行數據的收集，去提高機器的性能，收集各種各樣機器的數據和建模，將人和機器之間互動加強，讓自動化的過程更加靈活。這個是可視化的質量控制，同樣它也有非常多的傳感器，通過使用人工智能的技術，可以真正的去學習和識別原來不能識別的問題，把相關的知識和技術傳遞給應用者和工人，進行信息的分享。通過這樣的系統，能夠全面運用AI技術，為人類做出更多的貢獻。對于整體的生產系統，我們能看到更多大數據的應用，可以去分享系統之間不同的缺陷，更好提高效率讓工人們更加關注到底怎么樣解決這些問題，而不是像以前一樣關注識別問題，這對于質量控制方面會有很大的幫助，也會對整體的效率提高有很大的幫助。

關于整個的供應網絡，供應網絡會受人工智能的影響，包括運輸等一些其他的數據收集的歷程，在這些過程當中，使用AI技術可以很好的進行預測，同時還有更多的信息來幫助我們得出更好的預測的結論。在這個過程中，我們對數據進行不斷的調整、收集和分析，以減少安全方面的風險，也就是到最后會減少整個供應鏈的復雜程度，讓整個流程更加簡單明了。通過這樣的系統，可以有更加透明的數據分享和更及時的預防措施。通過這些例子可以看到，我們可以在更多的領域去應用人工智能技術，去應用先進的傳感器和機器學習的技術。

人工智能在生產方面的應用，確實是有很多挑戰的。它是以數字驅動的應用，這就會引起非常多的數據的產生，我們就被沉浸在數字化環境當中，有非常多的數據員，有非常多的以數據為基礎的體系和方法，還有很多非必要的數據，就是廢舊數據和不可用數據不能夠直接被轉化的數據。如何去增強數據的質量，增強數據的可用性，這是需要解決的一個挑戰。

關于黑箱模型，它是一個不透明的模型，這個不透明會造成不同的風險和挑戰，尤其是生產廠商之間，因此我們在透明度方面必須投入更多努力，去建立一個透明的模型，否則人們不會去相信這個想法，也不會去接受整個的模型生產過程仍然是滯后的。為了更好的控制生產過程，我們應該避免這種黑箱模型，應該有更加透明的模型。

計算的方面有很多的代數模型和計算模型，現在還沒有到達很強的將計算模型應用到生產廠家的過程。所以，如何將先進的計算模型數據模型應用到實際場地是我們面臨的現狀，而目前為止還沒能有效解決這個問題。如果我們真的想開展人工智能驅動的項目，80%是關于架構的建立，關于數據的處理、選擇、分析，我們需要去收集數據、轉化數據、篩選數據、整合數據，把各種想法進行集合，最后盡可能發揮數據的作用，這需要非常大的工作量，如果我們可以跟不同的人進行該方面領域的合作，會發現在這個過程中有很多的挫敗感，因為很多數據都是之前從來沒有發現的，而且在應用方面很難進行轉化，在這個過程中需要投入非常多的精力和工作，才能夠看到成功的結果。

我們的挑戰還存在于體系內關于數據系統的理解，這也是一大挑戰，其實很多的體系當中，有工程師的理解融入進去，但不是每個環節的參與者都是很好理解這個系統。從制造商的角度來說，它是需要進行全盤理解的管理，看數據是否能夠在每一個環節點得被很好的理解和儲存、使用和傳輸，每個環節之間的處理和人們對于這個數據處理的理解將是工作的重中之重。

以上只是大概介紹一下我們所面對的挑戰，尤其是人工智能運用在制造行業內面臨的問題，歡迎大家能夠到我們在蘇州的研究所參觀，共同深入探討AI的機會，以及AI運用在制造業的應用，謝謝大家的聆聽。