知識自動化

這是2013年出現了一個奇怪的詞語，讓許多人摸不着頭腦。

麥肯錫在《展望 2025：決定未來經濟的 12 大顛覆技術》中，研究了那些技術會對未來經濟影響產生重大影響。出乎意料，報告對“知識工作者自動化”（Knowledge-worker Automation）備加推崇，將其視為位居第二的顛覆性技術。

這個結論讓人大跌眼鏡。要知道，它是力壓雲計算、機器人、增材製造、甚至是物聯網而登上亞軍之位。圖1為麥肯錫2013年報告。

從這裏開始，知識工作者自動化，一騎絕塵，進入了人們的視野。麥肯錫認為，知識工作者，如律師，設計師，醫生等等，將會有大量的工作，可以通過軟件來完成。這個出乎意料的角度，引起了人們廣泛地思考：人腦的工作，真的可以被自動化實現嗎？然而，這個問題並不給人留下太多的思考時間，人腦的挑戰者便一一登上歷史舞台。2016年IBM的沃森在拉斯維加斯的電子消費品展上一炮打響，藍色巨人瞬間點燃了全球的“認知計算”的火把。認知計算，陌生的詞語，立刻掛在了所有的的嘴邊。

隨後谷歌的阿爾法狗AlphaGo在圍棋賽中戰勝人類頂級對手，直接挑戰了人們對於機器和軟件的思維極限。

一時間，人類的思維與機器的較量，炸窩了。而這一切，都是基於“知識工作者自動化”的實踐和發展。在國內，我們將其定義為“知識自動化”。

中國的兩化融合，IT技術搞得很快，引進的也很多。然而困境也很多，其中之一就是人低估了IT技術與工業化技術的分離度。毫無疑問，信息化和工業化的投入有個匹配的關係。在許多領域，信息化的投入已經力度很大，比如國內許多院所和企業，幾乎擁有了所有的先進軟件和IT系統，但跟國外的設計與製造能力相比，仍然有很大差距。

實際上，這就像寫文章，原來是用紙和筆寫，用word在計算機裏寫。手段雖然已經是信息化了，但word和計算機是不能保證能寫出好文章的。因為寫出好文章的關鍵還是在人的大腦裏存儲的知識、經驗、方法。道理相通。要實現兩化融合，就要實現工業技術的可描述性和顯性化表達。我國的工業化受到的重視遠遠不夠，尤其是工業技術體系，這方面比較匱乏。而如果無法將工業技術表現為可以數字化的知識，那麼IT技術就很難滲透進去。

工業技術體系不成熟，成為設計與製造最大的攔路虎之一。許多企業在搞設計研發，大量是靠直覺，沒有可靠的知識傳遞，也沒有知識積累。實際上，知識自動化，是工業化和信息化深度融合的必經之路。工程科技人員普遍存在“80%勞動，20%創造”的現象：一個設計開發工程師，往往大量時間花費在重複、搜找等工作上，80%的時間用於重複勞動，只有20%的創新時間。可怕的浪費，耽誤不起的時間，和脆弱的工業技術體系積累。

而知識自動化正是致力於將人從重複勞動中的沼澤地解放出來。 ^[1] 

知識自動化通過把各種工業技術體系模型化，然後將模型移植到智能設計與製造平台上，並通過平台，來驅動各種軟件，包括設計、仿真、計算、試驗、製造系統等，從而可以由機器完成原先需要人去完成的大部分工作，而由人完成高級的創造性、決策性工作。例如可重用設計的問題。許多工程師設計一個產品時，往往從頭開始，而實際上如果能夠運用成組技術，將產品大量模塊化。那麼工程師設計一個新產品的時候，效率會被大幅度提高。

只有這樣，才能讓工程師得以用更多的時間來進行創新。

然而，這並不是全新的命題。知識自動化儘管在概念上似乎顯得新穎，但在應用上，卻已經是實踐多年，備受主要工業國家的關注並得到了較快發展。知識自動化通過將工程知識體系轉換為“工程智能”，並驅動工業軟件和工業基礎設施，實現了人和機器的重新分工，有助於把知識技術人員從重複性勞動中解放出來。同時，知識自動化通過對企業歷史數據資產的深度挖掘，利用機器學習技術，把工程技術人員的經驗和知識（know-how知識）進行顯性化和模型化表達，實現工程技術知識的持續積累和不斷繼承，幫助企業實現可持續內生性發展。

波音、空客在工業技術體系構建方面優勢明顯。1994年，波音公司發起了數字化製造改革（DCAC/MRM），把飛機的數十萬個零部件全部數字化，同時採用模塊化而非零部件級的層級控制，形成了完全可控的數字化產品體系，並將大量的工業技術體系數字化，融合到企業工業軟件中，把信息化軟件的作用發揮到了極致。這項改革使得波音成為了製造業數字化的先驅，也直接奠定了波音在飛機制造領域的領先地位。隨着工業技術的數字化改造的完成，波音的知識自動化進程大大加速。

在波音夢幻飛機787的整個研製過程使用了8000多款軟件，這其中只有1000多款是商業軟件，包括常用的CAD、CAE等——我們企業所能見到的軟件，大都是這一類。真正使波音與眾不同的是，還有7000多款是屬於波音公司自己的、非商業化的軟件。這正是波音幾十年積累下來的核心能力。包括飛機設計、優化以及工藝等的關鍵知識經驗，都在這7000多款軟件裏。飛機設計與製造的知識自動化，這才是波音的核心競爭力。這些是外界同行通過交流、學習、考察無法看到和學到的。 ^[2] 

空客也類似，工程師每完成一個成果還要同時提交一份方法報告，説明這個成果是怎麼做的，之後這個報告會提交到COC部門（能力中心）去做歸納總結整理。如此一來，每個人做的工作都是在前人的基礎之上，協同完成整體工作。遇有個別人的離開也不會影響整體工程，因為其他人知道他那部分是怎麼做的。

這正是知識自動化的力量。

知識自動化解決的人與機器的分工問題，或者説是人與數據、人與知識的連接問題。最主要包括四個方面：基礎數據的連接和異構處理；既有知識庫的管理（手冊、資料等）；專家經驗的描述和數據與知識的模型化。

專家經驗的顯性化，是最為核心的人力資產的體現。專家經驗的描述和顯性表達，屬於認知計算的重要部分，它包括詞表、語料庫、深度標引、語義計算等技術。圖2為知識自動化的轉化要素。

而基礎數據的連接，則是最為基礎的連接要素。 圖3為知識自動化的核心要素。

Levy發現1970年有50%的僱員工作在藍領和職員這兩個大的分類，到了2000年，這個數字下降到40%。這個比例的下降，部分原因來自這裏面的一些工作被計算機化了。

這個變化，緩慢而堅定。

而對“知識性工作的自動化”的描述中，Levy進行了更加仔細的回答。在《勞動力新分工》一書中，作者小心地區分了類似計算這類規則的工作，和類似模式識別和溝通計算的工作。

模式識別和複雜溝通都代表了數字勞動力幾乎不能跨越的巔峯。這在當時，由於人工智能發展的頓挫，被令人信服地廣泛接受。

然後僅僅不到7年，2011年蘋果iPhone 4發佈了獨具特色的Siri（語音助理服務），可以直接跟人的語音進行交互，代表了機器複雜溝通的新高度；

緊接着谷歌的無人駕駛汽車，作為複雜模式識別的代表性機器，已經可以在大街上自主行駛。

兩大堡壘，相繼被攻克。所有對技術的保守估計，都會被證明是自砸英明的預測。實際上，知識自動化，如果不是説向人類的大腦提出挑戰，至少看是緊鑼密鼓地為人類從重複性勞動中解放出來——不管是律師，銀行職員，還是碼農。這種解放，是意味深長地雙刃劍。它當然指向了更大創新，也必將造成更大的職業再教育和社會就業問題。圖4為分佈兩端的數字化勞動力和人類。

此時再看一下美國GE公司提出的工業互聯網的Mind+ Machine，二者連接靠什麼？ 最重要的一點，就是專家的know-how的模型化。實際上，GE非常強調專家知識，也是它一再強調，工業互聯網中的 Advanced Analysis 跟傳統的統計分析，根本不同的地方，就是可執行的知識。從知識自動化的角度，再去理解GE何以想成為一家軟件公司，事情就簡單多了。如果説機械自動化、電氣自動化解放的人的雙手，那麼知識自動化正在解放人的大腦。知識自動化何以在短時間爆發出如此大的能量，我們尚無法回答。然而它就像《指環王》中的索羅一樣，一直在你看不見的地方積蓄自己的力量，這一點卻是毫無疑問。它需要的是一個時間點，那一刻，所有的明亮是夢幻性地綻放。此後，唯有跟隨。