新闻是有分量的

【干货】王捷演讲全文:工业4.0时代背景以及全

2019-06-21 14:09栏目:评测
TAG:

  主持人:南岭(深圳创新发展研究院学术委员会执行主任):

  各位来宾大家上午好,我代表深圳创新发展研究院欢迎各位来到智库报告厅,昨天达沃斯论坛开幕,主题是工业4.0转型的力量,今天我们有幸请到了王捷教授,也是同样的主题。说明智库聚焦点的高度一致。工业4.0从经济学的本质来看,也是要素生产力的提高,这个确实是转型的力量。

  王捷教授是来自大洋的彼岸,是我们这个智库报告厅第一位国际级的专家学者,我想多一点简要的介绍。我是想用九个字来介绍一下王捷教授。

  第一是理工男,他是上海交大毕业的,然后去了迈阿密大学、斯坦福大学,在这迈阿密大学拿了硕士学位,后来又是斯坦福大学的博士。

  第二是国际化,他是来自大西洋的彼岸,是斯坦福大学教授,是斯坦福大学可持续发展与全球竞争力中心的中心主任。

  第三是跨界态,他的研究领域是跨界的,特别是在智慧城市、智能交通、智慧学习、工业4.0、可持续发展这样一些跨界的领域有较造诣和影响力。

  同时王捷教授不仅仅是一个大学教授、学者,还是多家机构的咨询顾问,他曾经担任过迪森公司、瑞士联邦银行、富国银行、惠普等多个公司和跨国机构的顾问。同时王捷教授给中国政府、给国务院发展研究中心,他领导的可持续发展研究中心与中国发改委和中国人民大学研究生院等等有很多的合作,王教授都是执行主任。他的学历、精力、阅历,造就他今天演讲的风采。

  王捷:

  非常感谢南岭秘书长的介绍,我非常荣幸能够有机会到深圳创新发展研究院,跟大家分享我对工业4.0以及智慧制造,以及所面临的背景以及将来发展的一些看法跟思考。

  我今天的演讲主要从以下几个方面跟大家分享:

  1.我们先介绍一下工业4.0的时代背景以及制高点。所谓的制高点就是关键的技术和关键的发展趋势。这里面主要讲两点,一个是自动化,第二是讲智慧学习。

  2.过去与现在的经验。这次先讲现代的背景,接下来我们从历史跟现在的发展看一下智慧制造以及工业4.0,很早以前就有人提出来如何用计算机来把各行各业的进行整合,能够接近人、能够比人做得更好。我们分享一下过去一些成功和失败的经验。

  3.工业4.0及制造智能化实践+落地。我们讲过去的背景和现在的经验最主要是落地,到底在世界范围内、在中国,我们的企业到底怎么做,我们主要从创新的角度来看一下应该有怎样的路径可以走。

  4.人才培养与研发。我结合我培养的博士生和在斯坦福大学的一些经验,看一下到底怎么样培养高质量的人才,来参与全球化的工业4.0以及智慧系统的竞争。

  我们的中心是可持续发展与全球竞争力中心,今天主要是跟大家分享我们中心我主导的一些研究,最主要的是智慧学习,从四个方面来谈:

  第一是要从广泛引领性的角度进行学习。

  第二是学习要不断地进化。不是学了一次以后就一成不变,要不断地进行进化,自身要进化。

  第三谈跨越系统性,不只是系统性。系统性大家都比较清楚,我们每个行业、每个产业都有它的系统性,但是现在不只是在一个行业、一个产业,是跨过这个系统,这是现在的一个趋势,跟广泛引领性是相当有关的。

  第四,要有引领性要不断进化,而且在不断跨越系统的基础上,要可持续的不断地创新。麦肯锡的全球研究院在2013年的时候发布了一个全球将来的引领产业以及它将来可能达到的产值。最大产值可能达到11万亿美元的产业是移动互联网,最小的产值大概也可以达到3.5万亿美元,这是将来发展的规模。比如知识自动化的产值估计最差有5万亿美元,最好有7万亿左右美元。从这些预测中我们可以看到里面最确定的一个发展趋势是:知识自动化。知识自动化包含两个主要方面:一个是知识自动化,一个是智慧学习。

  什么知识自动化?

  知识自动化:例如世界著名的杂志《哈佛商业评论》从2000年开始到现在,到底认为什么话题对管理者是最重要的呢?根据传统的做法是我们把每期商业周刊都看一看,大家来总结一下,专家来总结一下,都是根据我们自己的理解来讲管理。我的学生用深度学习开发了一款软件是自动化的,它自动地生成《哈佛商业评论》从2000年到现在研究发表的课题对于管理来说最关键的关注点是product,也就是产品,这就是自动化。我们虽然不是商业方面的人士,但是我们用知识自动化把商业里面最关键的期刊的关注点用计算机找出来了。

  什么是智慧学习?

  智慧学习:以前我们非常自豪地说下围棋计算机永远下不过我们,因为我们人类有创造性,我们人类有艺术性。现在出来一个AlphaGo,在谷歌的伦敦研究中心叫做深度大脑,它研发出来这个软件把李世石打败了,这说明计算机自己会学习了,这说明我们过去引以为自豪的人类自己本身的素质被计算机学会了。这个AlphaGo的研发者他下围棋的水平跟专业的围棋选手肯定都不能比,但是他研发出来的程序,把引以为自豪的人的智慧、艺术性和创造性全部给打败了。他通过引领性、跨越系统性的智慧学习做到了。跨越系统性是指下围棋的人懂得一点围棋,但是不是做得最好的,做无人驾驶汽车的人是不懂驾驶的跨越式地进行整合,同时有自身的进化性。还有它最关键的技术都是用IT的科技,IT到了这个阶段可以发展出有智慧的产品,所有的AlphaGo和无人驾驶汽车都是谷歌这个最引领的公司研发的。我们所讲的智慧学习不是人的智慧学习了,而是让计算机来进行智慧学习,但是智慧学习的四个特点都具备了。

  成功与失败的经验

  商业最新发展:GE的战略转型。正是因为快速的商业发展,马上就影响到了最新商业的战略。比如GE公司是依靠资本模式不断地增长,用创新金融的方式来发展GE,但新的CEO看到这么快的技术的发展认为用过去金融创新的方式发展好像已经不行了,要开始转变方式了。所以GE几年以前有一个最大的动作,它自己本来是做软件的,现在它把GE资本那一部分卖掉了,做冰箱、做航空发动机这些卖掉了,它定义自身为工业软件公司。因为现在制高点已经放到智慧学习、知识自动化这套最新的理念里面了,这是最新的一个商业发展方向。

  时代环境变得太快了,不确定性太大了。我们根据过去与现在的经验,到底怎么把控和掌握现在工业4.0的趋势?其中有一个惨痛的整个影响了日本在IT行业的几十年落后的教训,就是在1980年左右的人工智能非常被追捧的时候,日本人想出了一个办法,就是要发展一个第五代计算机。日本有一个主要的工业推手日本国际贸易与工业部,在80年代初它在所有的重工业、轻工业、电子行业把西方别的国家,美国、欧洲都打败了,这时候在这么有成就的情况下,在1980年它就提出来要开发与人智慧相当的计算机,这就是第五代计算机。用这个概念来发展计算机,肯定是比当初1980年所有的计算机都要好。

  1980年的时候苹果刚刚出来,没有互联网,所以在当初的情况下要发展我们刚才讲的所谓的智慧学习和知识自动化不可能。但是他们认为这个可能,正是这样一个战略的思考差错,使得日本发生了变化。大家知道日本的软件行业发展是很慢的,互联网跟我们中国比要落后很多。但是他们当初的愿景是一定要开发,就是要用逻辑系统来开发。问题是在于日本第五代计算机核心关键的技术是美国发明的,日本犯了一个极大的错误,他们引进美国的最先进的逻辑有一些缺陷,日本迷信美国把美国这套东西引进来了,这是一个非常大的失败,影响了日本今后整整几十年的发展。我们今天也要吸取当初1980年日本的教训。人工智能真正要代替人还远得很,但是不管怎么样,现在已经有做出来的一些软件,能够有自己学习、有智慧学习的能力,这是我们可以感受得到的。

  另外一个成功的案例是美国的Tesla电动车运用智慧引领带来的广泛的适用性,他用跨越引领性和自动化来造他的跑车。大家知道跑车造得最好的一定是汽车厂家。2009年的时候最大的GE通用汽车的一个管生产和技术的副总讲了,他说所有的专家都跟我讲电动汽车不行,关键技术没有解决。关键技术就是电池技术,电池技术没有解决,这个电动车就解决不了。后来Elon Musk,他说现在的关键技术没有解决,我是用IT的技术解决关键的技术,到现在为止锂电池的储存技术仍然没有解决,他说不要紧,我用IT的引领技术把7千块锂电池拼起来做成一个所谓的电池箱,电池箱把电池技术给解决了。他用引领的IT的思维,他把7千块电池变成7千个小的分布式的电池,分布式的电池用IT把它可靠性研究跟可靠性地结合,做出了一款电池箱是非常可靠的。这就是用了引领科技的概念,他是做IT的人跟汽车不搭边的。

  第三是自身的进化性,即商业模式上在汽车上不断地进化,从跑车到现在各种各样的商用车,还有家用车,现在出了一款X的概念车都有了,技术、商业模式不断地进化。这是用IT的引领思维跨越式的思考,同时不断地进化,现在最成功的是一款在汽车行业认为不可能的电动汽车。

  智慧工厂

  第三个是最近的最热门的智慧制造,智慧制造要从德国讲起,这是德国提出来的。我一直有这样一个观点,不管是做研究还是跟大家分享经验,一定要从自己本身的,或者是从最最权威的这些数据来进行研究。我刚才跟大家分享的自动化的《哈佛商业评论》一样的,不能根据自己想的或者是自己知道的,自己做了几个案例就跟大家分享,这个还不够。德国做得最好的一个机构Fraunhofer,他们做工业制造和工业4.0是整合了研究中心、大学,还有很多大型的公司,用科学的、系统的方法,做了一个研究中心叫做Fraunhofer的IOSBINA,Fraunhofer是一个很大的研究中心,我跟他们的所长讨论,智慧制造主要包括三个方面,第一个是智慧工厂,第二是智慧生产,第三是智慧服务,这三个加起来的智慧才叫做所谓的智慧制造。

  我先分享智慧工厂,我们看看他们是怎么来定义智慧工厂的。

  1.从智慧工厂对他的需求来说,他的工厂里面能够生产各种不断变化的产品,不是生产一种产品。如果他是生产汽车的话,这个汽车肯定要不断地改进他要不断地适应,而不是说生产汽车的工厂去生产肥皂,不是这个概念。他的概念是对某一类的产品能够有定制化,同时快速改变他生产的功能、生产的能力来适应。

  2.要改善工厂的条件,工厂里面的布置要更加合理化,不能占地很多,或者是人员对他的利用不科学也不行,对工厂里面的安排要更加合理化。

  3.对资源的利用要更加充分,能源、水、自然的利用要更加绿色化。

  4.要增加决策的科学性跟准确性,优化决策。优化决策是一个很大的概念,工厂里面有从生产线的工业到小组长,再到车间主任,再到上面的高层领导。所以优化决策不是一句空话,而是在所有的各个层面都能够让他们做优化的决策。

  5.对制造系统要了如指掌,不能临时出问题,将来生产的时候,关键的产品来了,大的订单来了,机器坏了,这个不行。

  这些东西都是智慧工厂的关键的要素。用什么技术进行实现?一个是要把相关的设备、相关的人员和相关的产品,要把他连接起来,能够自主进化、自主管理,能够有自动的进化功能、改善功能等等。具体的办法是对数据进行分析,就是大数据。大数据通过什么传感器怎么采集,再通过物联网连接。最关键的后面是人机交互的情况。这就是德国现在最最先进的,他们认为所谓的工业4.0当中的智慧工厂。

  智慧工厂是什么?智慧工厂不是说一个简单的技术系统,智慧工厂是一个有人加进去,把人与技术加进去,同时让人与技术能够变成有智慧的一个生产系统,这就叫做智慧工厂。这是德国现在最先进的也就是最前沿的定义什么叫智慧工厂。里面有几个关键的因素,最主要的人的参与,人要随时随刻掌握实在的、真实的信息,不是专家讲的信息,而是真正的实时的最关键的信息。不是我们过去靠经验一个八级钳工讲的知识,。第二个是产品要不断地进行跟踪,不管你什么产品,他都能够实时地知道你这个产品到底做到什么程度,或者出了工厂以后到底谁来帮你维修。还有最后一个是,有信息能力的,不断有感知能力的机器。这就是德国他们专家的看法,他们跟美国人不太一样,美国专门做一些创新公司,创新公司都是做软件为主。德国人他是硬件跟软件一起做,所以这套东西完全做出来以后再跟大家分享,再进行改善。所以很多人都去参观过,德国的这套东西完全做出来了,而且以后有机会的话可以把这套东西引到我们深圳,让深圳的对智慧制造感兴趣的企业家可以跟国际接轨。

  做智慧工厂德国人跟中国人、跟美国人都一样,是要做科研的,而不是一蹴而就可以做出来的。主要做的科研是从技术方面、从新的组织构架方面,管理构架也要变。同时人的技术水平也要变,这三个是要研究的。同时要研究这三个方面,一个是不断地可适应性,第二个是人类资源也要有效利用。第三个是可用性,就是在各种复杂的情况下,要马上能够设计新的产品,可应用型。以这三个方面作为切入点,对组织、技术、人员要进行重新地思考、培养,以及进化。

  研究中心的主任跟我一起做合作,他做了一个报告是知识自动化和智慧学习在将来的工业4.0当中的应用。德国人有一个特点,他们真的是产学结合,德国有一个大的汽车厂在中国就是宝马,宝马中国想用他的这套东西来改善推进我们中国的工业4.0。说我们中国政府非常希望宝马能够把4.0的技术带到我们中国来,一起进行研发,一起进行应用。宝马中国的两个人跟院长讲要引进智慧制造。院长上个礼拜跟我讲宝马中国邀请我跟他们进行探讨。宝马的总装车间最先进的技术是他们自己做的,他们跟西门子一起做的,他们的技术是不公开的,但是他们有一级供应商、二级供应商、三级供应商,这些供应商愿意跟我们进行合作和研究,怎么让他们的制造水平符合宝马的要求,就是怎么样要产学研互动。德国人是比较相信他们自己的本身系统,他们一般不会找我们,他们是找德国的专家,然后跟我们合作。一个礼拜之前北京的宝马总部来跟我谈以后怎么样合作,他们的要求也是很特定的,对于中国所有的制造企业来说也是一个非常有启发性的。他们的要求很简单,我们的产品越来越多样化,如果做一个产品就用一个生产线太贵了,一定要把这个成本降下来,要做柔性生产线。

  工业4.0如何在中国落地

  刚才讲了现代的背景,过去的经验,成功与失败,以及德国人对现在4.0最新的发展与定义。接下来我想谈谈到底我们怎么样落地我们中国。

  这是一个非常复杂题目,中国现在讲创新,我想从创新和4.0之间的关系方面来探讨一下,所有的产品从一开始最难的地方也是投入最大的基础研究,拿锂电池来说,肯定要把电池的性能不断地提高,肯定要用别的材料带动锂,这是所谓的基础研究,但是基础研究的投入特别大,我们大家一般希望用已经现成的技术来进行创新,已经有了现成的技术进行总合创新,就是把现成的技术结合一下进行创新,创出一个新的产品。新的产品被市场不断地接受,然后成熟了。成熟以后有两个可能,一个是客户端不断地创新,中国做得非常好的阿里巴巴,还有亚马逊,都是把客户跟生产企业之间直接联系起来了。还有苹果Apple做体验店做得很好。

  我们讲在新产品现在的情况下合成创新到底是个什么概念,我再用我们做的一个科研做一个例子,我的学生做了一款非常有意义的产品,他在盲人的头上戴一个帽子装一个摄像头,这个摄像头可以眼观四方,可以把周围的环境通过摄像头获取到。问题是盲人看不见,但是盲人的听觉特别厉害,他就要把他周围的环境变成音响。例如一个盲人,没有这个产品他看不见,只能用很简单的粗浅的方法来感知他的周围。因为他看不见,所以他要用很大的力气去听。这是一个通过技术合成解决盲人看不见的问题,这是一个小的研究项目一共做了大概2个月。盲人戴着这个东西以后,把周围所有的信息都采集到了,采集到了以后他对信息进行深度地学习,就来区别这是什么,这是一个杯子,这是一个人,这是一个椅子,区别了以后盲人还是看不见,他们就用虚拟现实,把三维的距离和东西变成声音。例如这边有一个位置,盲人就想找这个位置,他通过脑点波发一个指令给这个设备,他越走近设备这个声音会越响,盲人就知道了。大概两三个学生在很短的时间把这个技术做出来了,所以我们一定要用引领的技术,把他跟深度学习结合以后做出这样的产品。这是产品的创新,现在可以非常快速的将前沿的引领技术,进行跨系统地进行整合。

  我们再讲讲企业流程,这跟我们的4.0相当有关。日本他在几十年生产做得这么好,他的杀手锏就是精益制造,就是他在物流和生产的排产做得非常高效,而且不浪费,日本有很多的系统是人机相结合的,日本是用人机交互不断地纪律性和组织隐秘性,解决了流程当中一个关键的问题叫做精益制造和精益流程。我们现在有大数据了,日本还是停留在手工,我们做一个研究,用大数据的方法使工厂里面处理订单、处理生产流程更加有效,就是说各种产品不同的颜色,到了一个工厂,通过不同的工序,以及工序前面有储存,加强学习法来对这样的一个生产系统进行模拟,看看他在原有的精益制造基础上还可以提高多少,这是关键的问题要解决的。如果精益制造已经最好了,我们的深度学习、强制学习做出来的东西还没有他好,这就说明也不用做了。这是做科研最关键的,东西还没有做出来以前,我们要搞清楚这个方法是不是用大数据,是不是有用。第一个产品来一个做一个,用的耗时最多。精益制造的话耗时差不多减少一半多。用我们最新机器学习,在这种情况下在精益制造的基础上,我们真正运用好大数据,对我们生产流程的改进可以起到关键的作用。

  所以我们做的这些科研跟我们的成果,是希望真正对产业界是有用的。真正要做这些科研,要做很多的基础研究的。我们培养的人才、博士生,就让他们对真正问题的本质进行分析,在这个基础上来看我们最新的技术跟传统的技术比,到底有没有进展的空间,是不是可以自身进化。如果日本的精益生产已经是最好的了,我们进化不了,就向日本学习就好了。现在做出来我们可以看出来,他是可以比精益生产更好的,这种情况下我们可以将来投入资源来做这个事情。

  这是做机器的情况模拟,人也很重要。我们又做了一个模拟,有的人可以熟练地操作一种机器,有的人可以熟练地操纵三种机器,让他们进行组合,摆到生产系统里面有什么影响,在他的排产和执行方面,可以看出来不同的人的素质对机器的熟悉程度,的确是会对他的生产排产跟生产的机器维修都有影响。一般的情况下,、人员的不同的配置,、对他的产品线的智能化也是有非常大的影响。这些研究都是在国际上有影响力的智能化会议ETFA上进行发表。

  刚刚从创新的角度谈了创新区域通过合成创新,可以很快速地用引领技术进行引导,同时在智慧工厂这一块通过流程的改造,也可以把原来的本来是2.0的,就是自动化,可以通过加了智慧的排产跟人员不断地培训,变成2.8了。另外一个系统,可能已经是自动化跟信息化了,已经3.0了,但是智慧化这一块没有做。智慧化就是用各种最新的办法,用计算机来进行排产,这一块没有做。所以弄得不好3.0、3.2的系统反而没有2.8的系统好了。也就是说现在通过引领技术最新的这套智慧技术,用在排产、用在人员跟管理结构当中,增加你的决策的准确性,可能比一个已经到了全自动化、全信息化,但是决策系统还没有安装的这个公司,反而可能会更加实用、更加好,这就是日本在当初的时候用人机结合,同时用最好的纪律来执行所谓的精益生产超过了欧美大规模生产的主要的一个关键的道理。

  我们从科研到了实际的操作,接下来要讲的是在新的情况下德国已经走了很多了,很领先了,我们不要样样东西都是从头开始。我们来看看新的样板,在这个基础上到底有多少最新的这些概念已经得到了应用。

  第一个是整个的制造体系,刚刚讲到智慧工厂、柔性制造这些概念,到底怎么执行。人机交互很重要,现在的机器人有一个问题,现在的机器人还没有这么聪明,他碰到人也不知道躲避,所以人会受伤害。新一代的机器人能够跟人更好地配合。还有智慧整体运营、智慧设计。

  刚才讲了智慧制造有几个方面,一个是智慧生产,还有一个是智慧产品,智慧产品里面很重要的是要打通设计环节,同时要用最先进的办法进行设计。智慧设计过去用来做又费力又费时,又不安全的事情。HONDA怎么样用他的智慧设计来制造汽车。碰撞实验是汽车的一个关键实验,因为这个产品设计的时候,要是安全性不好,这个产品肯定不行。过去大家看到是真实地撞一下,现在不用撞了,用软件模拟,软件模拟有什么好?要模拟得准确,这是水平了。过去撞一下这辆车就报废了,软件可以不同地角度撞几千下,而且这个软件不会报废,这就是智慧设计。用软件做出来的设计模拟,比现在硬件来撞要科学得多,而且要全面得多。过去只能撞一部或者是十部、一百部,但是现在随便你撞,不同的角度、不同的速度都可以。这个方面是我们大家从智慧设计里面要做的智慧产品,这些就是最最关键的,同时也是最最基础的。

  再介绍一个非常关键的就是柔性制造,要生产不同的产品,用一个流水线进行生产,需要几百个不同的阀门,都要在一条生产线上生产。大家可以看到柔性生产线并不是完全自动的,他是人机互动的。最大的特点是什么地方都有提醒,你要用什么工具,哪一道步骤完全是不会出错的,这是他的关键。他要对人进行鉴别的,有的人水平高一点他提示少一点,水平低的他提示得多一点。这就是所谓的新样板,要有新的工具,什么工具代表了什么时候的生产力,用这套最先进的工具,从设计到制造,到将来产品的总装,到最后的服务,全部都是用这套工具来完成的。这是一个非常复杂的系统,都是靠这套新的工具。例如一个美国的公司Aucodesk,他从设计到设计的评估,到生产跟设计的一体化等等,都是靠这套软件来做的。这是新的工具,不但只有理念、有科研,在实际真正做的时候,特别是做产品、做高端产品的时候,一定要跟最新的工具箱结合。要做好的产品还是要通过这套新的工具进行做,没有这套新的工具,我们产品的设计总归还是不能超越3.0的水平。

  刚才跟大家分享了我们的研发,再分享一下另外的几个研发。现在分享一个智慧基础设施,比如道路交通,我们这次来道路交通很拥堵,一个关键的问题是在十字路口,就是交叉路口红绿灯的控制不够智慧,我们现在总是一个方向给30秒,另外一个方向20秒,不会变的,或者是车子多了或者是关键时段一个方向停20秒,另外一个方向停10秒钟,所有现在的红绿灯都是安装好了就设定了,每50秒进行变化。碰到这种情况大堵塞的时候一定要请交警来亲自指挥了。现在IBM就有很复杂的系统来控制交通,这都是从IT3.0角度来出发说怎么做。关键的问题是红绿灯到底怎么控制这是要做科研的,我的一个马上要毕业的研究生,他做了这样一个科研(PPT)。第一个图的红绿灯是固定的,这是在我们斯坦福大学旁边一个城市的交通,红绿灯排得比较多,车辆有积压的情况。我们看看让这个灯根据车流的情况调整一下,同样的车流拥堵的情况会好一点,而且这是最简单的学习,我们只是在每一点上进行学习,不是把所有的红绿灯把他们进行连起来进行学。最后的结果是,整个交通系统拥堵等的时间比稍微改一改根据车流的情况调整红绿灯,情况要好得多。我们这个优化不是最优的优化,我们只是单点的优化,单点的优化就比现在固定式的红绿灯好了很多。也就是说对所有的道路都不进行改造,主要把红绿灯这个关键的东西升级到4.0,让它有智慧,这个系统本身就带起来了,从2.0变成2.8了。这种情况下,对所有的红绿灯系统它没有我们这套智慧,但是它信息化了,变成3.5的水平了,可能还没有我们这套简单地加了一个可控的红绿灯来得好,所以我们学到的一个经验,我们中国企业或者是中国的工程,要跟智慧4.0相结合,不是说盲目地要追求我们的基础设施变成3.0以后才可以做的,我们的基础设施只有2.0的水平,有一点机械化的水平,装一点传感器在这上面,主要是我们的脑子发展得好,把4.0里面的控制的东西弄好、软件弄好,提升还是很快的。正是因为我们这套系统,使将来所有的车联网跟红绿灯以后的交流从道理上来讲都提供了可能性。例如我们跟GE通用电器做的一个研究,比如现在要做各种各样的测试,而且测试出来的结果都不一样,同时MRI测试出来是一种结果,血液测试出来另外一种结果,这种结果给医生判断非常难,这么复杂的情况下怎么让医生、让病人得到最好的治疗呢,这是一个大的问题,我们跟通用电器做合作,用智慧学习的这套系统来判断癌症,又在国际的顶尖期刊上发表这篇文章。我们做智慧交通的学生一共做了两个月,通用电器看到我们的东西以后说这个东西非常好用,在他们的内部进行推广。说明现有的人才跟我们4.0真正需要的人才之间的差距太大了,现有的IT的人才跟4.0所需要的IT人才不是一回事情。

  讲到管理,管理需要创新,对每个企业很关键的就是创新能力,创新能力有两种很重要,一是要有纵向的创新人才,深度的创新人才,他们对一个问题很懂,二是要有横向的创新人才,他都懂一点,同时知道怎么做集成,他对某一个可能不太懂。

  过去的理论认为创新的人才越多,纵向的越多、横向的越多,这个企业的创新会越来越好的,这是过去的概念。我们从调研里面用大数据进行客观分析发现,其实每个企业它有不一样的特征值,也就是说有一段时间企业就算不断引进纵向的跟横向的创新人才,企业创新的业绩基本上是差不多的,到了某种临界值运气好,正好碰到引进的人才跟企业实际情况相结合比较好,这种情况下才能真正提升企业的创新能力。管理是社会科学,我们用大数据,用智慧学习,用在所有的管理上取得了这些比较有意思的成果。我们千万不能说引进人才越多越好,其实在大部分的情况下,特别是在起步阶段,要是没有到一定的储备跟一定的人才结合,企业可能创新水平永远是提升不了。

  我们研究工业设计,工业设计里面水处理的膜,我们用反渗透膜的水处理,这个出水量有时候不够,有时候是过滤的杂质不行,我们又用机器学习的方法,把他进行优化的设计,各种情况下知道通水量又多,同时把杂质过滤得最多。这篇文章又是一在一个英国皇家化学杂志上发表。另外一篇差不多的文章在自然杂志上发表,就是用所谓计算学习的方法,来处理过去化学实验当中不可能做的这些实验的方法。

  我们跟大家介绍了从人才培养的角度,现在我们做4.0的人才需求和知识结构跟过去完全不一样,要用新的方法、新的思考,特别是要用智慧学习,要从引领性、跨越系统性、不断进化性,这几个角度进行探讨。我们中国发展非常快,同时深圳是中国发展的龙头,有很好的基础,我希望跟大家共同探讨,能够向深圳的企业家、政府、科研人员学习,互相学习,能够把4.0真正地在深圳起到一些落地。