国产91九色_日本68xxxx_欧美高清另类自拍视频在线看_欧美人禽_99久久婷婷国产综合精品青牛牛_亚洲射情

對于西門子來說，人工智能既是一個讓人興奮的課題，又是一個富有極高要求的工作內容。

如果把數字化雙胞胎比作西門子的關節，起到有機聯結工業數據的作用，那么人工智能的存在對于西門子來說，無疑就是經脈——將數據的價值和能力輸送至更深、更遠，延伸到那些不容易被挖掘或是此前難以發現的細枝末節。

舉個簡單的例子：老舊車間是否需要進行數字化升級改造？

首先遇到的問題就是掌握車間的基本情況，包括設備的運行狀態、系統的種類與架構、運營維修等信息。

然后，實現初步的數字化雙胞胎。

將這些形式迥異、來源不同的數據關聯在一起，構建一個一體化的語義模型，以便清晰地把控車間的全局狀況。

西門子助力雙星集團打造數字化工廠，圖片來自雙星

規劃定義階段之后，接下來的問題往往是：數字化究竟能夠帶來多少好處？是否值得投入？有大的提升空間？

「大部分客戶在一開始對這些問題都很難有一個清楚的把握。而我們有 AI，就可以基于語義和數據去做智能分析，然后通過仿真驗證，幫助客戶解決數字化升級中遇到的這些問題。」西門子中國研究院產品建模與仿真研發部研發總監李明說道。

而且在她看來，AI 在工業領域的潛能并不止步于分析與評估，還會在故障診斷、預測性維修等方面展現能力，

「如果僅僅知道故障卻不能判斷原因，就無法做到提前預防，這其實不算是真正幫助車間完成了改善工作。」

毫無疑問，老舊工廠的數字化升級是一個典型，但卻不是個例。

西門子擁有龐大而多元的業務與產品體系。在過去的幾十年里，西門子針對人工智能技術展開了一系列探索，并將其應用于 CT 及 MRI 結果分析的復雜圖像識別、燃氣輪機和風場等工業系統、銅價預測和電網產能利用率的預期以及工業 4.0 中用于協作、自適應和柔性生產的物理自主系統等方面。

與此同時，西門子在人工智能相關技術和人才方面上的持續投入也有目共睹。

2017 財年，西門子在相關業務的投入約為 52 億歐元，超過 2016 財年的 47 億歐元。2018 年財年，西門子的研發投資計劃在現有水平上增加 4.5 億歐元。

此外，西門子在北京、上海、蘇州、南京、武漢、無錫、青島等城市建立了研發分支機構，并在青島、成都成立了智能制造創新中心。截至 2017 財年，西門子全球研發人員已經達到約 4 萬人。

近日，西門子全球高級副總裁 Norbert Gaus 接受了機器之能的采訪，還原了這家老牌工業企業在人工智能大潮中的獨特思考與生存法則。

西門子全球高級副總裁 Norbert Gaus

以下為采訪實錄，機器之能做了不改變原意的整理。

從最初的互聯網到后來的移動互聯網，發展至后來的人工智能技術以及現在大熱的邊緣計算、區塊鏈，對于西門子而言，要抓住的技術機遇是哪些？

這涉及到我們的技術部局。

西門子擁有非常廣泛的產品和技術組合，結合技術門類，公司定義了 14 項核心科技。

西門子公司定義的 14 項核心技術

總體來說，是通過數字化手段來進行研發。

數字化是基礎，產品要實現互聯化和智能化，這也是在技術發展中我們要促成的其中一個方面，讓大家知道互聯與智能對于現場設備全生命周期的安全和可靠意味著什么。

我們有許多工作組從事這方面的研究，其中之一是將老舊工廠的設備進行互聯，另外是讓一個或多個系統實現智能化，未來將實現現場設備和系統之間的實時交互和通訊。要讓現場設備自主實現優化，這是現場層面涉及到的科技。

第二是我們研發的信息技術，用于幫助客戶和我們自己進行產品設計、制造流程的設計以及工廠的自動化和運營服務的自動化。

我們有各種各樣的工具來建造模型，用這些模型生成數據。這其中就用到 MindSphere（西門子推出的基于云的開放式物聯網操作系統）。

MindSphere 為設備提供互聯，對設備進行管理、實施功能或者實施模型；在數據端和模型端，還對產品生命周期管理工具進行連接，為利用數據開發應用程序提供了一個生態系統。這些應用程序來自西門子，也可以來自我們的合作伙伴、客戶和供應商。

在這個生態系統的背景下，有一些非常熱門的技術，比如區塊鏈、物聯網、互連設備或者邊緣設備、人工智能、仿真和數字化雙胞胎等技術。

最后一個方面是信息安全。上百萬計的設備互聯會產生大量數據，保證網絡信息安全才能實現設備的可靠性。

這些技術方向對于我們來說，既是一個讓人興奮的課題，又是一個要求極高的工作內容。

對于人工智能在工業領域的應用，西門子有哪些可以分享的成功案例？

在工業領域，通常會把人工智能應用在維修、服務這些方面。

第一個案例是預測工業設備的維修時間。

很多時候，我們需要從火車、輪機這些關鍵部件中提取數據，來預測磨損等原因造成的故障，這里面涉及維修間隔的計算。

例如，燃氣輪機一旦出現故障，那么對于我們和客戶來說，都需要一個漫長的維修時間，而且成本十分高昂。

因此，我們需要挖取并推送數據，以便安排好在客戶方便的時間去進行維修，這樣就能節約大量的成本，實現系統的優化。

在一些場合下，我們會與客戶簽定維護合約，為其定期提供維護服務。我們的客戶并不關心你怎樣實現維修，只在乎設備能否在它的生命周期內能否正常工作。

當然，我們可以通過增加備件、增派工程師人手的方式實現的設備正常工作的要求保障?？蛻羰菬o所謂的，但我們有所謂，我們希望的是付出最小的代價完成任務。

如此一來，問題轉移到了我們自己身上，就需要通過調取數據來研究如何實現工況的優化，還要更加準確地在現場預測什么地方會出問題，以及預測問題會在什么時候出現。

另一個案例是在電網行業。

在電網里，你也許檢測到一個故障，但卻無法知道到底什么地方出現了故障，因此我們需要對故障進行精準定位。

定位越準確，維修成本就越節約。

傳統的定位方法依賴于人工，他們會通過評估數據完成定位任務?，F在我們則用人工智能訓練神經網絡，可以把定位的準確度提高 20%。

這不僅能夠為客戶節省大量的成本，還有一個妙處就是，定位能力不是依賴一個后端的超級計算去定位，而是只要在現場部署神經網絡就可以實現了。

另外，我們除了維修服務方面，還會用人工智能技術進行優化運營，例如機床等方面。我們現在還開始用人工智能技術支持產品的設計。

可以說，我們的人工智能應用非常廣泛，現在是貫穿于產品全生命周期的各個階段，覆蓋設計制造、運營、服務、維修等各個方面。

有人認為，工業領域人工智能的突破方向在于，把統計模型與領域內的知識與機理模型深度融合，您如何看待這一觀點？

我是非常認同的。

工業數據與其他環境中的數據非常不一樣。相比于商業、醫療領域，工業領域的數據量小了很多。

我們并不希望去弄來特別多的訓練數據，而且工業領域有很多龐雜的非結構、非標簽化的數據，沒有那么多可供訓練的數據，所以我們會使用仿真模型。

但有的時候，仿真模型的設計并非最優化，所以很難完成這個過程，就只能依靠傳統領域專家和人工智能專家一起開展工作的方式。

現在，我們不會單獨利用訓練數據，而是會綜合利用產品的設計、制造以及運行流程中各個方面的數據，把它們場景化、背景化，從而構建出知識圖譜，然后讓領域知識的積累實現自動化，再同機器學習以及神經網絡結合起來，進而克服工業領域中數據量不夠的瓶頸。

當然，我們所說的數據量不夠指的是故障數據不夠。

的確，在工業領域，有價值的異常、故障樣本數量相對稀缺，西門子如何解決其中數據樣本的不對稱、不平衡問題？如何最大化利用工業數據的價值？

我們會通過兩種途徑解決這個問題。

一種是使用仿真模型來生成數據，但是仿真以及現在的數字化雙胞胎，還未必能夠生成可用于機器學習的數據。

另一個途徑也是主渠道，就是利用領域知識，按照數據需求定制網絡的設計，使得我們不再需要那么多的數據。畢竟汽輪機不可能出現一百萬次故障，這樣的話，數據量是夠了，但我們就有更大的問題需要解決了。

而且，我們不只看機器的數據、傳感器的數據，也會去看服務報告、制造報告等，以形成一個語境、上下文關系。如此一來，我們就可以把機器數據與其他的數據整合起來，綜合展開評估，也就彌補了機器數據的不足。

從 2001 年開始，西門子前前后后收購了 20 余家與工業軟件相關的公司，我們可以理解為西門子正在變成一家工業制造行業的軟件平臺級公司嗎？基于這一點，西門子在技術研究上和微軟等其他軟件公司相比，有什么差別？

我們和其他軟件公司的差異就在于 IoT（物聯網）和 IT（信息技術）之間的區別。

我們在軟件業務上往往會提供工具來支持產品的全周期管理，包括產品的設計以及制造產品的工廠的設計，工廠的運行等方面，這里有很大的區別。

我們總是可以借鑒到 IT 廠商在 IT 方面的專業知識，再結合我們自己在垂直領域中的專有知識。要知道，你是設計一個工廠，還是設計一個建筑；是設計一個電網，還是設計一個設備，領域知識是很不一樣的。

不僅需要設計工具能夠聚焦在某一個垂直領域的使用上，也需要長期積累大量的知識和豐富的經驗。因此，我們會把 IT 行業和我們在專業領域的專有知識相結合，這是我們在軟件業務方面的方法。

另一方面，現在 IT 技術已經貫穿到每一個產品當中，也就是每一個產品線都在越來越智能化，越來越能適應物聯網的世界。

現在的產品需要做到智能、可靠、安全、耐用。一個產品往往會有 20 年左右的壽命周期，所以我們希望相應的 IT 技術也能跟上產品的使用年限。

我們不僅要提供所需的軟件、硬件，還要區考慮到部分部件是在本地加工，部分部件需要在云端進行管理。

在云端管理不同國家的數以百萬計的設備，是物聯網世界中獨一無二的挑戰。

我們現在所處的行業與其他行業既有相似性也有差異性，我們的確可以從傳統 IT 廠商那里得到學習和借鑒，但我們也要知道哪些技術是可以拿來用的，哪些是我們必須自己去開發的。

西門子在工業領域的 AI 應用上有著怎樣的推廣策略？在實地完成工廠的自動化改造過程中，遇到過哪些問題？

首先，我們擁有一系列非常完整的解決方案。

從研究的角度出發，我們也認識到中國有很多老舊企業擁有數據不存在的問題，所以產線改造不沒有想象中容易。

老舊工廠的改造和傳統的工廠智能化項目有一些區別。我們會從工廠的底層設計到物聯網設備的安裝，以及到最后的數據采集和展示展開研究。

針對中國的這個獨特需求，西門子研究院會開發一個全新的解決方案，去討論如何解決老舊車間的數字化雙胞胎命題。

西門子中國研究院是一個做開放創新的機構，會在很多項目上與本地的企業客戶展開一些試點項目的創新合作，進而驗證我們的研究方向和方法。

做研究也要了解市場，我們會在市場上找到一些代表性的企業。

例如，去年九月的西門子創新日上，我們就與兩家當地的企業簽署了備忘錄，分別是一汽錫柴和蘇州耐世特，得到了當地政府的大力支持。

這兩家企業都是大量使用了我們的設備，我們會幫助它們基于現有生產線通過數據獲取的方式實現生產效率的優化。

如何看待中國的人工智能以及智能制造能力？

作為一家在華經營多年的企業，我們感受到了中國的長足進步，尤其是在工業領域。

眼下，不管是人工智能還是其他技術領域，各個國家都在各自展開研究。不管是中美德，還是其他的國家，都在開發數字化雙胞胎以及自動化等技術，也都擁有優質的人才。

在人工智能的開發上，最大的瓶頸其實并不在于數據，而是人才。我們希望能夠從各地招攬到最優秀的人才為我們所用。

中國就擁有非常多的人才，西門子在中國建立了除德國以外最大的研究機構，這也是有原因的。

中國擁有非常強大的云服務提供商，并不弱于其他國家。在基礎技術和產品方面，中國也有很強的技術實力。

未來，我們會基于中國本土所研發出來的這些技術，與中國的合作伙伴和客戶一起展開合作。我們并不是說要引進或是出口技術，而是會綜合利用中國的技術以及西門子自己的技術，包括 MindSphere，再把這些技術匯集起來為中國客戶所用。