以下是精彩内容整理：
DT時代用DT實作DT
用DT來實作DT比較有趣，第一個DT代表資料的技術，第二個DT代表數字化的轉型。當資料智能碰到工業制造的時候，根據我自己的一些觀察，我覺得制造于我還是個初學者，但是在資料方面，我應該是個大學老師，兩者一結合我就是以一個非常有活力有創新的高中生或大學生來談資料智能跟工業制造。
資訊革命下半場，DT時代正式開啟：
資料取代石油，成為全球經濟基礎要素
IT技術成為重要生産力，雲計算成為基礎設施
網際網路＋物聯網構成萬物互聯的資訊互動管道
全球市值TOP5第一次全部都是科技公司：Apple，Google，MSFT，Amazon，Facebook ，全部是資料化，智能化和雲服務的公司
最近阿裡雲在大資料和人工智能方面做了很多事情，資料的重要性就不言而喻了，如果回顧一下80年代末90年代的時候，資訊革命開始出現了兩家公司，一家微軟，還有一家因特爾，近兩年來，全球市值大的公司都是智能化、資料化或者雲化的公司，蘋果已經逼近了八千億美金，Facebook、亞馬遜都超過了四千億美金，微軟過五千億了，可以看到，市值基本上反映了資本市場對這些公司的一些價值取向。
Facebook 10年規劃離不開資料智能和網際網路連接配接，谷歌的PiChai也對智能 AI表現了戰略的重視，Graph Database 對于生成關系網絡的處理效率也會繼續提高等，關于大資料的趨勢和展望，我們看到的大資料趨勢，現在國内中小企業也叫1.0、2.0，簡單的講，1.0就是大資料由于分布式計算、大資料技術的出現使得資料處理(ETL)的成本降低，原來京東方等企業的機器吐出來的很多資料，一般存3到5個月，因為存儲成本比較高；随着大資料的到來，首先就想到純曆史資料線上化就是基于這個成本，大一點的制造企業數倉系統也都應用了大資料，對物料的分析、尤其對出廠産品的分析，會有小型的數倉系統；現在的應用2.0也都做了，基本上分兩類，一類是踩油門，一類是刹車，踩油門說是開源做營銷，營銷就是對純量客戶的精耕細作，這對于制造類企業是非常有用的。刹車就是基于大資料的風險控制, 對于賬戶盜用, 網際網路反作弊的發現預防和預警等; 在金融和泛金融應用比較普及了.
關于大資料的戰略優勢，一是智能化，另一個是大資料已經到了董事會戰略讨論，今天在美國上大資料的一些項目，大概有40%到了董事會讨論，國内也有做類似的事情，大資料的三個階段，從最早的1.0成本降低，數倉調優到2.0大資料上業務應用，3.0最後到用大資料技術來建立戰略優勢，做你以前不敢想、做不了的事。比如說，以前都是統計樣本分析，現在大資料理論上是要全量資料，那樣本分析就如同像大海撈針一樣的，因為用了樣本分析，可能很多資料完全沒有撈上來，而大資料的技術會把所有的資料都撈上來，大資料技術會有一個疊代分析的過程，進而把事物的本質真正挖掘出來。
資料智能遇上工業制造
當大資料、資料智能碰到工業制造，可以從三個方面來闡述：第一是智能化，第二是融合化，第三是人性化。
所謂智能化本質上是計算機化，即不是固定僵硬的系統，而是能自動執行程式、可程式設計可演化的系統，更高的要求是具有自學習和自适應功能。無人自動駕駛汽車是智能化的标志性産品，它融合內建了 實時感覺、 導航、 自動駕駛、 聯網通信等技術，比有人駕駛更安全、更節能。
先談一談智能化，講到智能化，Facebook企業今後發展十年提到了很多，包括人工智能，AR、VR等. 從上圖我們可以看到智能化、和融合化——未來幾年全球資訊科技導圖，一方面是原創的核心技術，我們看到更多的是以矽谷為代表，矽谷、西雅圖和以色列; 而以中國為代表的，更多的是技術應用和業務模式的創新，業務模式創新倒逼我們技術也有了長足的進步. 阿裡巴巴最早的千人千面就有很多的算法技術，今天阿裡巴巴集團做算法的得有數千人吧，有做視覺識别的，有做語音識别和合成的，還有做大規模分布式算法, 以及其它前瞻性技術的。
智能化的趨勢主要有以下幾個方面：
Drive PX 2:具備12 cpu支援合并8萬億次，浮點運算和深度學習每秒萬億次，一個晶片處理能力相當于 150個Macbook Pro。
Nvidia drivenet雲參考平台, 測試自己的自動駕駛汽車, 下雪天也可以進行檢測，Volvo是第一個合作夥伴. David Kirk帶領團隊推出的利用GPU平台進行通用并行計算架構CUDA。這一架構使得程式員可以利用C語言、C++等為CUDA架構編寫程式，利用GPU平台進行大規模并行計算。這一架構釋出後很多年，在高性能并行計算領域， 英偉達仍然處于絕對的優勢地位。在過去3年裡，英偉達的自動駕駛晶片性能提升了65倍，功耗下降到原先的1/7。
自動駕駛會涉及到對人工智能大資料的發展，從我個人看，AI、雲計算、AR/VR、大資料和自動駕駛是後智能手機時代的技術驅動力。
硬體處理能力比較高，資料的爆發，算法的日漸成熟，網際網路今天一台工程車除去試跑一天，就通過車下面的ECU，搜集和傳輸的資料有幾十個G，工程車出去跑一跑，通過3G或者4G網絡，你的駕乘習慣、遇到路況怎麼轉彎、避險動作等等，這些其實在駕乘體驗的同時把這些資料收回來回報到生産系統當中，甚至我們的設計系統當中，這是一個智能閉環。
而融合化和人性化的趨勢如下：
人工智能與智能家居的互動: 現在海爾有一些冰箱已經有很多智能的小錄影機是裝在朝冰箱裡面的，比如平常主人喜歡某一類的面包，或者牛奶都是放哪一個盒裡，到了禮拜幾把這些東西都記下來之後，其實這是跟人的互動，通過語音提醒你，面包沒了或者是牛奶可能要增加了，這是一個智能化。總的來說，這是一個控制、回報、互動感覺、超前感覺等的過程。展現了充分的人性化, 由于智能帶來的人性化.
大資料幫助從智慧工廠到工業4.0的實作，也把很多的人性化東西融合到了裡面，大資料幫助一般工業企業變智慧工廠，尤其中小企業，假設ERP系統都有，還要上PLM，我們處理很多小批量品種，包括怎麼樣從PLM系統當中将資料要無縫連接配接到MES當中，這裡工業2.5階段必須解決的事情，但是我們怎麼用大資料，尤其是端到端的大資料，打通之後，從傳統的ERP系統到PDM、MES系統中，還有機器日志當中的資料，整個生産線上的資料融合起來，怎麼真正做到朝4.0邁進呢？這就需要融合端到端的資料流不落地地整合資料, 進行智能分析和挖掘處理。
晶片到智能汽車的融合:無人自動駕駛汽車是智能化的标志性産品，它融合內建了實時感覺、導航、自動駕駛、聯網通信等技術；高通 3100億收購恩智浦，高通的晶片将傳統晶片應用到汽車領域, 高通的計算+設計+技術能力 融合汽車+自動駕駛應用=前後端的融合, 這是前後端融合的收購案例；2016年8月，英特爾4億美元收購Nervana，主攻深度學習，布局人工智能領域；2015年6月，英特爾167億美元收購Altera，整合CPU技術與FPGA技術，布局物聯網。2015年以來，英特爾頻繁收購，其中有兩次收購超過150億美元：167億美元收購Altera、153億美元收購Mobileye。這也是看重了汽車智能, 車聯網的巨大市場而而做的必要動作.
骁龍835把虹膜識别、神經網絡處理和算法應用到實時圖像處理，封裝尺寸變小 促進內建和融合, 和其它終端的內建更容易…手機到車聯網應用，功耗的降低提高了使用和應用場景，這也是融合化和人性化的完美展現吧!!!
阿裡工業實踐
下面我們圍繞智能化、融合化和人性化來聊聊，尤其是阿裡具體圍繞制造型企業做了哪些事？
智能化
智能化可以實作端到端的智能；智能硬體可以擷取和記錄資料、軌迹的智能；實作智能化需要算法的成熟, 大資料技術的運用。
智能工廠實踐架構
智能化不僅僅是生産裝置的智能，智能制造——無人工廠，全自動化，機器人的運用。 智能制造的本質首先是數字化。把我們從過去的機器、裝置、生産線、人員、車輛、管道、物流這些實體形态的東西，用數字加工，建立一個數字世界，再運用算法模型，加工分析、産生無限的價值。然後再把這新的價值，回到實體形态的商業閉環過程。
協鑫光伏是一家做矽片的企業，整個工程刀下去11刀會切出12個矽墊，然後分ABCD四級，A是最優，按照這個價格A等品跟BCD就差得比較大，我們做了什麼呢？我們把整個協鑫生産線上的生産作業資料每隔四到五分鐘，就去搜集這些資料，然後傳輸到阿裡大資料平台，用大資料技術和算法結合協鑫的老工程師經驗大幅提升了良品率. 其中收費也有網際網路創新，利用大資料平台幫你把資料整合處理，先收成本費，良品率的提升比例和收費挂鈎，阿裡雲和工業企業一起承擔, 一起成長. 提升一個點對整個企業，整個協鑫工廠就是接近一個億的收入，這是一個智能工廠的實踐。
技術架構簡單的講就是把它的切片機MES當中的資料，通過拉PULL和推PUSH，把資料傳輸到我們的共有雲平台，然後用了很多的進階算法，算完之後結果實時流同步到生産監控看闆，在生産工廠中的房間裡有實時看闆能夠以良好的可視化圖像與數字呈現給工廠管理者。
以前講智能制造是講邏輯，現在有了深切的體會，怎麼把生産線上以前看起來沒那麼有用的資料，整合到一個資料平台裡面來，完全來指導我們的生産，對良品率變化到某一個資料的時候，直接進行預警。
事業部管理座艙和台機實時監控
貨運列車故障檢測
上圖為貨運列車故障檢測分析，鐵路、貨車運作之後，車廂與車廂之間的螺栓可能松了，就可能會有各種各樣的故障，20幾年前都是靠勞工敲，聽聲音松沒松，最近這幾年提高了很多，靠鐵軌上的快速成像拍照，一分鐘能拍幾萬張照，照片實時檢測，主要有資訊采集裝置、資訊傳輸裝置、和列檢檢測中心，人工在列檢中心稽核所采集的列圖檔，發現故障上報。需要在5分種内人工檢測完一萬五千張圖檔，人工漏檢率千分之一以上；人力成本高，每個站點約30人，每班8小時輪值，進行現場檢查。全國一萬多人人力成本；按人均月3000元成本，每個場站每年需要人力成本100萬，383站點約3.83億元人力成本。對于TFDS的系統的使用和故障的識别需要組織大量教育訓練，人員更替時成本更高；以人工經驗做判斷，會有漏報和誤報情況，肉眼不易察覺的重點故障難以檢測。
我們做了什麼事呢？第一件事就是拿出了故障的圖檔進行訓練，對漏檢率大幅減少，對80%多現在不會引起故障的圖檔盡可能的用這個圖檔處理系統來做，而對10%左右有可能引起故障的，采用一個雙保險的流程，也就是一方面用圖檔識别來做，另外再加人工的處理流程，可以看到涉及圖檔識别檢測識别，項目結果如圖所示，大家可以看到，我們的故障識别率現在能做到96%左右，一般故障是指不會引起事故的，現在漏檢率已經很低了，為什麼會引起事故性的故障，而引起事故的故障資料樣本比較少，隻用算法訓練出來的結果一定沒有那麼強，這是圖檔識别的應用，此外還可以減少機檢的時間，對于一般故障通過試用機器學習、圖檔識别可以大幅減少勞動力。
除了這個我們還準備在貨運超載、探測電纜方面應用圖檔識别，隧道裡現在有火車過去，對電纜的下陷或者下塌，其實用圖檔識别也比較容易了；甚至對大的汽車，我們給浙江省高速公路做了車輛逃費識别相關項目，我們用圖象識别，根據車牌、車的形狀和顔色這三個次元基本上能夠做出智能發現逃費的嫌疑車輛。
飛機發動機健康管理
阿裡跟科工集團成立了一個國家級的大資料實驗室，現在開始做探索性的一些事情，就是飛機的發動機管理，這可能沒那麼容易，但是我們開始嘗試了，馬航事件後來定位鎖定就是發動機上的EHM，就是發動機健康管理系統。
這裡我列了飛機的參數，收集這些飛機的參數對發動機的壽命預測和主要零部件的健康管理還是很有用，把這些資料都收集起來以後，能夠對飛機的發動機，主要的零部件做一個提前半步的故障預測，大幅降低非計劃外的維修時間, 進而節省成本。還有一件事，飛機發動機是成本比較貴，飛機的成本機油也是貴，用的是航空油，為什麼航空公司有的時候要買一些油的期貨，也是防止油價的波動，但是油的消耗的相當比例是由起飛和降落的時候飛行員決定的。我們通過資料智能分析起降時飛行員的操作行為與航油的損耗之間的關系, 進而強化最佳實踐節省航油.
融合化
融合也有很多，具體包括以下幾方面：
大資料與小資料的融合
大資料與特征工程的融合 (摩擦學, 動力學,控制理論與工程經驗等等)
企業自動化和數字化與ERP, MES資訊化融合
政府部門(經信委,工信廳) + 專業研究院 + 資料智能企業 + 轉型企業的融合
企業資料+：挖掘企業自己資料、沉澱企業自己資料、網際網路資料、打通資料和盤活資料。
企業CRM和财務資料融合如圖所示。
資料鍊路的閉環打造商業的閉環融合。
人性化
人性化包括：
機器與工廠中的房間到可視化的視覺觸摸和互動——從冰冷到溫暖
大資料仿真使用者設計, 人的使用已經融合到産品疊代過程
使用者的訂單與定制化智能生産——從被動到參與
資料智能給人類的驚喜: 通透了解你 (訂車到了智能出行與旅遊) 實時服務你(大型停車場的智能導行)
機器生産的體溫觸摸如圖所示。
訂單與生産的連接配接 Connect：
工業企業：由内及外，漸進、改良、更新生産系統的智能化
網際網路：由外及内，從商業系統的智能化 從訂單 (人或者企業的需求+體驗) 倒逼生産系統的智能化（C2M) 這也給了智能生産很多人性化的元素.
本文為雲栖社群原創内容，未經允許不得轉載，如需轉載請發送郵件至[email protected]；如果您發現本社群中有涉嫌抄襲的内容，歡迎發送郵件至：[email protected] 進行舉報，并提供相關證據，一經查實，本社群将立刻删除涉嫌侵權内容。