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

深知無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個層級：

智慧工廠

智慧運營服務(wù)

智能支持服務(wù)

?智能工廠核心點

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

第二，在工業(yè)4.0中，還有很重要的一點：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主要是來自于語義產(chǎn)品記憶，在這個理念中，我們認(rèn)為所有的部件都應(yīng)該在自己的機器上有一個Digital Twin。一開始建立的模型并不是非常好，它們是使用一些結(jié)構(gòu)化的語言以及模型，同時，人們也可以將自己的語言輸入到Digital Twin之中。通過Digital Twin，我們的機器可以為人所用，也可以被機器自己使用。

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

第四，智能自動化機器人以及人機協(xié)同。

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

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

?智能運營服務(wù)

智能工廠的外層是智能運營服務(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，他們會和生產(chǎn)密切相關(guān)。對于運行服務(wù)而言，它的重點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得工廠或者產(chǎn)品是最重要的，但其實并非如此。產(chǎn)品的最終消費者是最重要的，以及供應(yīng)商等，如果我的供應(yīng)商對我停止供應(yīng)，工廠會停產(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，語言也是至關(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，比如進行產(chǎn)品研發(fā)、產(chǎn)品升級、生產(chǎn)計劃，比如我們希望看消費者需要的功能有哪些，消費者的理想定價是怎樣的，還需要看我們從供應(yīng)商那里可以得到什么，因為如果沒有供應(yīng)商，我們無法進行生產(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)、語言，理解很多來自于不同行動體或者合作伙伴的數(shù)據(jù)，另一方面我們也會把數(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，所以整個的結(jié)構(gòu)非常復(fù)雜。通過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)都來自于合作伙伴的數(shù)字內(nèi)容，包括投資人、政府等等。我們在外部的數(shù)據(jù)，需要使用媒體、社交媒體、開放知識、開放數(shù)據(jù)。

例如：

①去年，大眾因為供應(yīng)商出現(xiàn)了一些問題，他們并沒有及時獲得警告，而大眾花費了14個月來尋找替代供應(yīng)商。

②我們之前在一個項目上可以和西門子合作，他們當(dāng)時有19萬多的直接供應(yīng)商，還有數(shù)百萬的間接供應(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。

知識圖譜

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

維基百科非常龐大，是一個巨大的數(shù)據(jù)庫。但維基百科所有的印刷版，公開發(fā)行的只有這么多，這也是我們?yōu)槭裁聪胝嬲龑崿F(xiàn)線上瀏覽或者查詢。因為如果完全都做打印版的，對于語音學(xué)家或者知識領(lǐng)域的專家來說，很難實現(xiàn)突破。如果我們想做一些搜索和檢索會非常困難，并且有些知識是沒有辦法轉(zhuǎn)化為知識圖譜的。

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

針對大數(shù)據(jù)的NLP技術(shù)

?自然語言理解存在的2個問題

語言模糊性

同樣的句子，在一些語境下可能會有不同理解，比如某一個詞語、某一個句子可以有不同的解讀。比如“放”這個詞，如果去字典上查有很多不同的理解，或者時光如梭的英文也有不同的理解。人們對于解讀同一件事情的方式是千千萬萬的，大家都有不同的解讀，所以對于語言的解讀和翻譯非常困難。

我們在2008年做過一個研究，微軟買入了Powerset這個公司，其實可以用不同的詞語，比如說買入、收購或者其他的詞語，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了，甚至是吞并。不同的詞語可以表達(dá)出相同的意思。對人們來說，他們可以想出不同類型的詞語，比如社交媒體上的人或者記者可能會根據(jù)自己的內(nèi)容表達(dá)選擇一個最佳的詞語，但對于機器學(xué)習(xí)來說比較困難。

我們需要打造出一套基于統(tǒng)計學(xué)的機器學(xué)習(xí)、神經(jīng)元學(xué)習(xí)，而且整個的潛力和挑戰(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B，我們需要讓機器理解，他究竟是獲得了某一個東西，還是真的收購了某一家公司。所以我們必須從這些句子中提取相應(yīng)的信息。比如說它的價格、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，還有一些簡單的信息，簡單的信息可以忽略不計，因為它可能會有變化。所以我們在分析語料時，我們會用綠色標(biāo)注出最重要的信息是我們想讓機器去學(xué)習(xí)的。

超級學(xué)習(xí)技術(shù)

我們還會根據(jù)神經(jīng)原的組成部分進行具體的語義解析，我們會提取信息做語義的篩選。因為可能一句話里，他說微軟投資了Powerset這家公司，他用了投資這個詞，但我們還要對整個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，目前也在中國有一些合作的項目。我們還在不斷地更新、改進，現(xiàn)在也可以識別中文。同時我們也希望能夠覆蓋更多的語言。