1 不要太早地去设定框架
 

  当企业在考虑采用工业物联网(IIoT)链接与工业大数据分析的时候，最好的方法是找到一个适合企业的案例或应用作为入口。这已经是一种较为普遍的惯性思维模式。但这似乎并不是我们想像中的那么简单，因为我们很容易发现，要找到非常通用的、适合众多企业的单一使用案例并不存在。相反地，这些应用场景却分布在制造业企业部门的各个传统驱动要素里面，包括能源、可靠性、质量、生产、设计等等。换句话来讲，就是工业物联网与大数据的结合没有固定的模式，没有固定的架构，可是，我们今天却给出了太多的框架。


  过紧或过松的工程与制造公差所引发的故障导致客户无法享用产品或者是成品的货到即损质量问题等，都属于成功的工业物联网的应用案例。在结合多方实地调研以及与企业的项目合作之后，我们发现，远程监控在这两年依然居于工业物联网与大数据结合案例的首位。能源效率的管理紧随其后，而资产可靠性与设备智能所带来的质量提升则位居第三。业务转型措施被多数企业看作长期使用案例，更有可能成为明年及以后的目标。


  正是这些早期的成功案例，使得新的应用创新以及应用的方向转变成为可能。例如，从出售资产变为出售能力等共享经济的模式。美国NSF智能维护系统中心主任李杰教授在《工业大数据》一书中指出，实现制造业的价值化，实现用户需求、产品设计、制造和营销的配合，根据生产状况实现系统自我调整，降低生产过程中的浪费以及制造工业环保与安全是大数据工业制造的五大核心支撑。


       

2 重视显性素和不显性因素的必要融合


  五大支柱的焦点就是显性因素和不显性因素的融合。我们曾经关心的是产品的制造、产品的制造工艺、产品本身的质量等显性因素。考虑的因素都是可以触摸的、可直观判断的。在工业大数据里，要解决的问题却是那些不显性因素。设备处在一个在亚健康状态，我们不仅看不到，更不明白问题的根源在那里。


   由于问题大部分与显而易见的关系有关，其中包括隐形的讯息、零配件供应商、复杂的制造流程、多变的环境状况和客户使用方案等。对于未来的智能制造而言，想要达到零宕机、零排放或是零维修等目的，我们必须突破的一个关键点，就是关注相关隐形的因素，做好量化与数据交叉关联分析。


  今时今日，多数公司依然通过信息系统层次结构的控制来实现对数据流的管理，我们已经看到不少企业开始尝试从下至上、向顶层的企业应用系统和分析管控平台输送IIoT的数据的方式。而另外一种尝试就是从外源数据层，数据也同时通过企业各种门户流向的工业物联网的云端。现在的问题就是，外源的数据能否在直接与现有自动化设备相连的门户的“物”的一侧实现，或通过传感器和连接器的第二系统实现对接。


  传感器门户云的这种方案有利有弊。好的一面是，基于传感器的解决方案，尤其是专注于提供这些传感器产生的数据所形成的价值，比现有的自动化解决方案的部署更快更方便，也会经常提供积极的短期投资回报率。而不足之处便是，所产生的数据大多是控制系统内已经收集到的数据，毕竟，缺乏控制系统环境的测量数据点与环境数据的采集是较为突出的问题。

       


3 无法产生价值，没有人会在意数据的所有权


  伴随着对数据所产生的价值驱动被大众广为接受后，数据所有权及数据共享的问题变得越来越突出。那么究竟是资产设备的制造者，还是用户的机器拥有数据，目前市场没有定论。如果我们沿用信息管理的最佳实践，认同客户拥有这些数据，而设备制造者的角色是配合用户，以做好数据保管者的工作为主。的确，有一些设备供应商比较坚持自己拥有数据，而且并不愿意与客户分享原始数据，但多数供应商至少倾向为客户提供原始数据访问的有效途径，来共同参与全制造链的改进与提升。


   数据的所有权与资产/设备是否为企业带来竞争优势有密切的关系。当机器的使用还不具备竞争优势，或是没有真正为企业带来新的竞争优势的时候，数据所有与分享一般都不会得到太多的重视。一直到当机器的使用确实产生了竞争优势时，资产使用者会更多地保护数据。


  伴随着大数据理念井喷式的发展，用户对于大数据理解的成熟度也迅速提升。能够很明确的一点是，当客户没有拥有数据时，他们是不会为原始数据买单的。相反，对于供应商而言，只有通过共享数据并且提供给客户有价值的服务，才能从工业物联网的设备数据中获得回报。


  考虑到各种各样的工业物联网应用案例与场景，其中也包括新数据源，改变系统架构的数据以及多结构化数据等因素，我们今天的制造企业并不完全拥有适当的分析能力与相关的人才。不少制造业企业的确有很多数据分析的经验，但主要是集中在结构性数据集的基础上进行描述性分析，而不是利用大数据，融合实时与各种非结构化数据共同进行预测性和规范性分析。


  那么，这也意味着产业链需要全面紧密的合作，企业不仅既需要投资合适的技术，更重要的是更为重要的是，也也需要投资过程和培训。正如西格玛和精益已被融进持续改进措施之中，数字建模，机器自学习等大数据工具也需要进行深化改造，进入到制造业的每一个环节，每一个细小的功能，让制造业专家来充分使用这些大数据工具，而不仅仅专属于数据科学家的专属。

       

4 需要加速实施智能连接资产实现智能运营


  在工业大数据的推动下，趋势分析，统计分布分析，统计过程控制与优化，包括回归分析等开始运用到大量资产连接后所提供的数据。工业物联网平台技术的出现不仅仅是提升了分析的广度，更出现了加速淡化了传统分层模型的趋势与可能性。


   自90年代初诞生的制造企业生产过程执行管理系统(MES)，作为制造业协同管理的平台为现今制造的管理打下了坚实的基础。制造执行系统协会(MESA)在给MES定义中特别指出，MES必须提供实时收集生产过程中数据的功能，并作出相应的分析和处理。而如今的工业物联网在这定义的基础上，逐步使之成为智能连接运营的协调、优化平台，而不仅仅是执行与合规的集成和分析中间介层。


  工业物联网平台引起无数供应商的关注是因为工业物联网平台的构成自身就是一个多元化的整合以及不同元素之间相互探索的平台。到2020年，根据埃森则的报告，到2020年，全球传感器的数量将达到2120亿，设备所产生的数据流量接近16EB。而资产/设备是这一切的一切。


  全面启用智能连接资产/设备将能够使任何地方的工业大数据传输到任何别的地方，从一种分散控制器变为集中控制，再到全分散控制的新模式，以及支持真正的端对端价值链流程的混搭应用程序与分析功能。资产/设备全面连接不仅仅会转变控制系统层次结构，也同样会改变企业的应用程序。能够灵活处理运营数据而不仅仅是结构性交易数据，甚至有可能会颠覆我们长期基于会计的运用操作模式。
 
 
 
 来源：智慧工厂
智造家 查看全部

 导 读

P2P网络借贷平台(PEERTOPEERLENDING)，指个人通过收取一定费用的第三方平台向他人提供小额借贷，或从他人获得小额借贷的多对多网上金融借贷模式。




1、P2P网贷盈利方式及分类
 

  P2P网络借贷平台(PEERTOPEERLENDING)，指个人通过收取一定费用的第三方平台向他人提供小额借贷，或从他人获得小额借贷的多对多网上金融借贷模式。借贷双发在平台上注册之后，贷方发布贷款信息，提供身份、财产等信息，由借贷平台进行信用认证及分级，借方在网站即可浏览不同贷方的贷款信息及信用认证情况，通过利率竞拍或规定利率的方式进行投标，投标满后经过审核发放贷款。借贷平台靠收取管理费、服务费、担保费等中介费用盈利。



  2007年，中国成立第一家P2P网上借贷公司“拍拍贷”。目前，市场上活跃的P2P网贷平台超过300家，存在的P2P公司超过2000家。这些平台一般分为三种模式：第一，以“拍拍贷”为代表的线上无担保模式（目前开始对符合要求的客户担保本金）；第二，以“红岭创投”、“人人贷”为代表的线上担保模式；第三，以“宜信理财”为代表的线下交易模式。来源行业研究报告公众号report88，抄袭必究。

表1：P2P网贷三种模式比较






  与阿里金融等网络小贷市场一枝独秀相比，P2P网贷市场在行业兴起的过程中显得更加分散和参差不齐。人人贷、拍拍贷等平台已进入爆发式发展阶段，人人贷2010年上线，2012年线上成交额3.5亿，是10年与11年成交额总和的9倍，拍拍贷2012年度成交额1.9亿，是10年与11年成交额综合的2倍。

图1：2012年拍拍贷成交情况






图2：2012年人人贷成交情况






但是，众贷网、城乡贷、哈哈贷等却在运营不久便宣布倒闭，其中众贷网上线仅10天。P2P网贷进入门槛低，市场广阔，致使新进入者不断出现，但许多人并未进行深入的风险评估和战略策划，容易走向失败，即使具有前景的公司，要实现盈利需要足够的客户资源和网站口碑的积累。




2、P2P网贷与银行各有千秋


P2P网贷的本质是代理了银行作为第三方进行资金再分配的角色，与银行有各自的核心优势。不同的是，P2P网贷根据模式的不同，充当了公布信息、进行担保和制作产品等一个或几个角色，投资人与借款人实时对接，而银行充当公布信息和制作产品的角色，投资人仅看到产品，如果以存款形式更无法左右资金流向。银行具有权威的金融身份、丰厚的资金来源、国家征信系统的庞大数据资源和信用甄别的大量人力资源与抵押担保的资金保障方式，长期占领了相当份额的融资市场。而P2P网贷作为新兴的融资方式，具有借款信息透明、进入门槛低、投资人高参与度与风险分散的核心优势。


P2P网贷比银行面临更大的信用和运营风险。2007年中国开始出现P2P网贷平台以来，淘宝贷、天使计划、贝尔创投等相继因网络诈骗而被调查取缔。目前几乎所有P2P网贷都靠着少量多次的模式盈利，高信用度和良好口碑的P2P网贷平台才能累积客户，这个过程需要时间。民间借贷无法获得国家征信系统信息，因此信用甄别占用平台运营的大部分花费，每年投入200万的哈哈贷因长期难以盈利而倒闭。来源行业研究报告公众号report88，抄袭必究。

图3：2012年拍拍贷成交情况






图4：2012年人人贷成交情况








3、P2P网贷与银行分踞不同市场，对银行信贷影响较小，投资者可能减少


P2P网贷调动平民投资补充小微贷款市场，不碍银行传统信贷市场。银行贷款需要提供全面的材料，等待繁琐的审核程序，小微企业及个体户很难达到银行设定的相关贷款规定，阻挡了企业小额贷款及个人小微贷款，传统银行贷款人都是贷款500万以上的企业，或具备相当还款能力贷大件商品款的个人。P2P网贷是传统金融机构、民间借贷的补充，其借款额度普遍在50万以下。2012年，拍拍贷每笔借款平均9907元，10万以下比例为97.9%，人人贷每笔借款平均69961元，10万以下比例为80.9%


从资金流入讲，由于投资选择性的增强，购买理财产品等通过银行进行投资的金额将有所减少。这意味着银行投资者的逃离、可贷资金的减少，与销售收入的下降。

图5：人人贷每笔借款额度占比









来源：中国产业洞察网
智造家 查看全部

    智能制造的核心关键词是自动化、连接和智能控制，核心要实现的是整合资源、降低成本和提高效率。作为工业制造业的下一个发展方向，它容易实现么?将会遭遇哪些挑战？



 1 问题思考

      在看图之前，先想一个问题，为什么智能制造和工业4.0是下一个方向?从最早工匠使用工具开始，科技进步的物质形式基本体现在了制造发展的过程，将科技应用到制造的过程最能体现人类理性应用工具和技术等先进手段追求利润最大化和效率最高的伟大境界。所以，按照科技发展的逻辑推断，制造必然向信息化、智能化阶段发展。简单来说，很可能是因为人类智慧已经发展到这个阶段了，再不表现出来已经不能彰显人类的更高级能力。









2第1张图：智能制造流程全景图

       西门子德国数字化工厂作为优秀的先驱者，用25年的时间已实现75%的生产作业自动化，生产线上的在线监测节点超过1000个，每天采集数据超过5000万。每年生产元器件30亿个，可24小时为客户供货，产能较数字化前提高了8倍。光看数字会觉得基本上智能制造的核心关键指标都提到了，只是不能直接感受到具体牛在哪儿。HCR慧辰TMT研究部整理了一张智能制造流程的全景图(如下)，希望能够从全局角度梳理智能制造的相关参与方和影响因素。






    从上图不难看出智能制造是个系统工程，即使单点切入也需要系统化规划之后的逐一实现。




3 挑战：全连接

   缺少任一节点的连接，都有可能影响全面自动化的实现。这里面会涉及多少连接呢?举个例子，说一个现在不太多见的产品，比如摩托车，仅发动机就有250多个零件，至于汽车约有30000个左右。对于制造过程，一个螺丝都不能少，智能制造的连接也是一样。除了这些，其他相关信息包括资金量、管理信息流、物流信息流、服务信息流等各个相关环节需要全面连接。在信息化阶段，ERP系统最大的问题点是逆向流程实现困难。到了智能化阶段除了连接点，还需要在全面连接点中设置双向监控点和生产管理连接点。基于时时海量信息传递和多节点控制的需求，需要单独的连接和数据流转通道以保证整个过程不断点、不丢包，顺利完成全过程。另外，是否有智能产品是与用户建立直接连接的前提。


挑战2：全控制

智能制造将数据流转作为核心，连接全部制造和相关环节，中间的全部过程都似“暗箱”般，非常需要随时知道发生了什么并予以人为纠偏和预警干涉。每个节点的交互设计和计算能力是实现全控制的基础。除了对环节的控制，还需要对智能设备(包括工业机器人)进行监测和控制。智能制造的生产线上将由多个智能设备来替代人类完成执行工作。人与机器的配合及人对机器的控制和管理也是智能制造挑战中比较容易出现掌控外事故的问题点。


挑战:3：资源整合

图中社会环境和用户都是智能制造的影响因素。智能制造阶段，主要存在的工厂形式为大的制造平台和小型个性化工作室。大平台可以满足小批量的定制化需求，小工作室更多体现在与用户的更直接、更短平快的连接。至于智能供应链也将出现大的供应链整合平台，针对不同个性化需求提供快速、“零库存”的供应。智能制造系统化工程需整合供应链、生产、物流、服务平台、营销资源等等，才能最大化的实现智能制造的自动化及产能最大化。

智能制造既然有如此高的要求，从以上可以总结出来两条实现路径：一条是作为龙头企业，自行尝试然后把成功经验复制到行业内其他企业，推动行业整体进步，从而实现更大范围的智能制造。另一条是行业内主要企业把相关资源整合在一起，共同尝试将所有相关环节集中在这一个平台上操作，作为独立的OEM中心存在。不难推断，产业联盟和第三方提供相关解决方案及数据服务或将成为必不可少的存在。

综上所述，智能制造即使还没实现也是符合社会经济发展规律的，本来就是一件任重道远的事儿。另外，所谓挑战对于不同发展阶段和数字化程度不同的企业意义不太一样，不能一概而论。




 4 第2张图：智能制造数据流图







挑战4：数据采集及整合应用

企业内外大小数据的采集及整合应用是智能制造效率的基础。智能产品相关数据的获取也将是产品升级的基础数据。数据采集及整合能力，尤其是外部环境数据、行业数据和用户数据的获取整合能力最耗费成本，也最能体现企业资源整合实力。智能制造对于企业数据能力的要求包括数据入口掌控数量、数据采集方式(众包之后新的模式)、数据中心规划和实现能力、数据计算资源以及智能算法的驾驭能力等等。


挑战5：数据传递通道与时时交互

这里涉及到网络通道及网络上多节点协议标准建设。多节点交互、监测和控制，以及跨行业、跨领域、跨产品等多场景的要求，需要建立新的、系统性的、统一的协议标准，除了整体架构和基础物联网外，至少先从同一行业(领域)开始细化和建立统一标准。另外，无论是从带宽(实时数据承载量)还是网速要求，目前的网络资源显然支持不了智能制造的发展要求。现在大家把希望寄予5G，寄望于物联网新的协议标准。还能说什么呢，共同期待吧。


挑战6：数据模型的多场景创建与打通

一个统计方法吃八方，一个数据模型占领全天下的幸福时光不会再有了。尽管大数据和智能算法就那些，真正考验智能制造的是基于不同场景和条件的数据架构搭建和模型应用，以及多模式和场景下的数据及数据模型打通。任何事情都会有偏差，即使没有偏差，也需要根据外部的变化进行及时调整，完全依赖机器对数据的解读和归纳也不太可能。因此，还需要能够洞察行业发展和业务路线的专业分析师对规则进行调整、优化、升级和废除。

未来，数据将成为智能制造的生命线，数据收集、存储、快速调拨、模型搭建、规则创建及整合、计算和应用，每个环节都与连接、控制和自动化息息相关。HCR慧辰TMT研究部认为，数据服务能力未来将成为第三方服务的重要发展领域和方向，数据专家和工程师都会成为炙手可热的人才。

有专家说，即使只从三大产业的角度看，这些年互联网一直致力于影响第三产业，接下来必然在农业和工业(制造业)发力，而且很有前景。专家说的对，不过，专家没说啥时候能产生全面、大范围的影响。如果一直向远方眺望，确实是早晚都能实现。如果从挑战的难度来看，仅仅依靠商业的力量是不够的。目前，世界前二经济体均在此领域有所动作，美国政府6月20日公布了一个通过刺激被称为“智能制造业”的方法来推动美国制造业的复兴的法案。智能制造创新研究所是奥巴马政府颁布的第九个制造中心，并将在美国范围内发起5个地区制造创新中心，每个中心将专注于本地区的相关技术迁移和劳动力开发。中国政府去年5月亦由国务院出台制造强国中长期发展战略规划《中国制造2025》，预计2025年制造业重点领域全面实现智能化，试点示范项目运营成本降低50%，产品生产周期缩短50%，不良品率降低50%。

政策驱动、人才储备、企业投入、科研支持这些都是必要条件。新技术的开发和应用难免要在无数个坑里摸爬滚打，多少英烈仰天长叹生不逢时，也只能对抓住技术与市场最好契合时点成为英雄的人翻个白眼，继续义无反顾趟下一个泥坑。对于智能制造的发展来说，最需要的还是那些敢于趟过一个又一个坑点，拍拍泥土，总结经验教训，继续下一轮尝试的勇士。没有迎接挑战的决心，便没有迎接胜利的机会。






来源：网络。
智造家 查看全部

【项目公司简介】  
  
  巴尔自动化有限公司很早就投身无人驾驶运输系统开发过程中的技术创新。地面感应路径选择导线等传统的管理系统限制了可变性和灵活性，而这是无人驾驶运输系统具有的优势。巴尔自动化有限公司与弗劳恩霍夫生产技术自动化研究所合作推动新导航方式的研发，它们共同开发的新导航系统借助汽车内现有的传感系统，能高度灵活地在变化的环境中导航定位。这款新导航系统可以制订持续的周边实况地图，因此装配车间内的变化并不会对其运作产生影响。

奥迪（Audi）是德国大众汽车集团子公司奥迪汽车公司旗下的豪华汽车品牌，作为高技术水平、质量标准、创新能力、以及经典车型款式的代表，奥迪是世界最成功的汽车品牌之一。在奥迪汽车的生产过程中，使用了巴尔公司的无人驾驶运输系统。
 
 
【项目简介】  
 
  无人驾驶汽车的自动导航系统确保了能快速简单的调整行程路线，同时Boostcap技术专利能实现能源存储冲程平行时间内的装载。因此能达成真正的全天候运转。升降/旋转平台的模块建立使得装配布置能在有限转换时间内灵活有效的调整。此外应用于无人驾驶汽车制造的装备集成升降台的总装配线以及装配升降/旋转平台的底部装配线为操作员提供了最符合人体工学的工作环境。
 
 
【项目目标】  
 
  无人驾驶运输系统使汽车装配操作者能灵活制定生产过程，应对市场和产品变化。该系统的可变化性也使得最佳设备工作点适应当前条件。
 
 
【项目重点】  
 
   巴尔自动化有限公司与弗劳恩霍夫生产技术自动化研究所合作推动新导航方式的研发，它们共同开发的新导航系统借助汽车内现有的传感系统，能高度灵活地在变化的环境中导航定位。这款新导航系统可以制订持续的周边实况地图，因此装配车间内的变化并不会对其运作产生影响。【项目内容】  巴尔自动化公司的无人驾驶运输系统（FTS）

巴尔自动化公司开发了针对可转变工厂结构的灵活模块ConTrax。ConTrax模块提供了一种具有高度可变化潜质的解决方案。

在ConTrax流水线运输系统中，无人驾驶运输系统把工件从一个组装点运送到下一个。期间，工件被固定在一个工件载体上，并在整个工作流程中都保持这个状态。借助光学导航的运输车将它的“C”形开口对准目标位置，移动至其边缘。在这里，浮动安置的载体通过一个可调节高度的悬臂平台被轻松地抬起，被极其精确地放在中心位置。以这种方式运行的运输车无需人工操作，并且不论是人工、半自动还是全自动的装配都能够在高精确度下得到实现。



ConTrax模块的优点包括：

◆使事后工作站的整合或者减少成为可能

◆通过行驶路线的微小变动来灵活布局

◆自由进入工作位置

◆工作站之间的联系不是必须的

◆联网能力

◆灵活的工件处理

ConTrax机器人系统

ConTrax模块中还包含了用于运输周转箱和工件的机器人系统，一个建立在无人驾驶运输系统基础平台上的标准机器人。

ConTrax机器人系统的运用领域包括：

◆在机器和装配工作岗位上的工件装卸

◆带工件的周转箱（KLT）的运输，尤其是在例如装配站和连接过程中单个部件的放入和取出。

◆在变动的使用地点进行装卸

◆装配套件的拣选，例如在超市

◆人工、半自动和自动化工作站的物料供应

◆通过行驶路线的微小变动来灵活布局

















 
  查看全部

法国 Mulhouse 的汽车城（Cité de l’ Automobile）是一个神奇的地方。这里有全世界最大的汽车收藏，瑞士兄弟 Hans Schlumpf 与 Fritz Schlumpf 为这里提供了大量藏品。他们将生意赚来的钱用于购买各种汽车，这对兄弟拥有一家纺织厂。有趣的是，他们的姓「Schlumpf」在德语中的意思是蓝精灵，如果你记得《蓝精灵》，在这里你也许会惊呼「Smurftastic!（真是蓝精灵的风格！）」



由于他们的疯狂收集——以及纺织业中心在 20 世纪 70 年代转向亚洲——兄弟们的债务变得难以偿还，他们最终被迫离开了法国，回到瑞士。在那个时候，他们的汽车收藏已经价值连城，法国政府甚至发布了历史保护法令，让这些收藏免于被毁、拆解或出口，最终在 1978 年，这里被法国国务院认定为历史遗产加以保护。






Cité de l’Automobile中的汽车长廊


几年前，我有幸来到这里参观，这里现在已是世界最大的汽车博物馆了，就像汽车时代的时间胶囊。当你漫步在博物馆的大厅里，身边数百辆各个时代的汽车依次排开，你会发现这些品牌都是由一个「初创」（是的，我想你可以把这个词语用在过去的公司上）阶段开始制造汽车、创立品牌、在市场竞争中获得立足之地。在汽车发展的过程中，马匹再也不是最好的交通工具了，它们最终变成了有钱人的玩具。


第一次汽车行业繁荣是由工业革命带来的新技术推动的，这给当时的初创公司提供了机会，以有限的资金来设计和制造他们的第一辆车。举个例子：在二十世纪二十年代，汽车主要是框架车身，这种结构允许不同的供应商分别制造汽车的每一个部分，最终在生产线上将汽车拼装在一起。后来，一体化车身出现了，汽车的制造门槛开始提高，行业开始高度集成——这让大规模的公司变得越来越有竞争力。现在的电动汽车让我们想起了那个框架车身的年代，就像 BMW i3，它拥有固定框架容纳传动系统和电池。


以下这些名字只是 Mulhouse 博物馆馆藏的一部分，如果你认识其中三个以上名字的话，你就是一个汽车专家了：ABC,Amilcar, Arzens, Aster, Ballot, Bardon, Barraco, Barré, Baudier, B.N.C, Bollée, Brasier, Charron, Cisitalia, Clément de Dion, Clément-Bayard, Clément-Panhard, Corre La Licorne, Darracq, Decauville, De Dietrich……


这些上古时代的优秀初创企业并没有遇到其后阻止一切新来者的技术壁垒——内燃式发动机。这是一个被通用、福特、奔驰、丰田、宝马和大众等巨头占据超过 40 年的领域。它的出现让大小厂商之间出现了一道难以逾越的鸿沟，如今，迈凯伦、布加迪和 Lotus 早已无力向这些巨头发起挑战。


当然，现在也有像 DeLorean、Fisker 和 Artega 这样的汽车创业公司，但是提到普通汽车的制造和销售，更不用说维持经销渠道和资金链，大多数人认为这是一个由大规模和纯粹的金融力量主导的游戏。成功地在汽车行业中创建一个新的品牌难度颇大。每个获得资金少于 1 亿美元的企业迟早都会失败。特别是对于投资者来说，这个行业被认为是一个禁区，因为涉及的风险很大、成功率低。


「我们看到了数量巨大的轿车，商用汽车和其他交通工具的初创企业。」


这一切都在 2004 年台湾的一个路演中被改变了。有一个人带着他的汽车模型，试图为他的产品募集资金：Tesla Roadster。这辆新车的大多数零件都来自于这个两千三百万人口的岛屿，台湾以提供世界 80% 的 PC 与笔记本电脑闻名于世，提供 iPhone 和其他手机的几乎所有芯片。这些制造商里不乏知名企业，包括富士康、和硕联科和纬创。


在 2006 年初代特斯拉发布的时候，它的发动机就是在台湾生产的。伊隆 ·马斯克在所有人之前认识到，科技和汽车世界中，初创阶段没有区别。他获得了初始投资并开始大胆展望——没有听从那些专家的意见。特斯拉在 2009 年之间实现融资 1.8 亿美元，卖出了 147 辆汽车。






特斯拉 Roadster，第一辆可以跑上公路的锂电池纯电动汽车

几年以后，数十亿美元的资金涌入特斯拉，世界看到了特斯拉能够做到其他公司想都不敢想的——向汽车工业发起进攻。因为计算机的力量，革新开始出现，故事进入了「创业者困境」的又一个章节，这一阶段就像哈佛大学教授 Clayton Chrstensen 说到的，新技术会让旧的巨头分崩离析。更重要的是，奥迪、宝马、丰田和奔驰等现在的大公司们已经开始紧张起来，认真对待电动汽车及其技术了。


金融和技术上的壁垒已被打破。风险资本的世界对这些机遇感到兴奋，并且已经开始向这一行业投资。过去五年里，这一领域内的并购交易已经增长了超过 2200 亿美元。


基于高度复杂生产技术（例如内燃机）的进入壁垒将会被抹平。电动机开始成为主流。比如说，电动传动现在可以外包给 Magna 这样的公司，它也许最终会成为这一领域的富士康。


但更重要的是特斯拉在机器学习上的独特优势，而且其在传统技术（内燃技术、未连接的汽车）的根基缺乏反倒让它能够先于对手进入这个规模更大、增长更快的市场。这种做法将会将没有连接和计算机的传统模式转变成拥有自主性、共享交通、乃至最终的按需用车的自主交通（Autopia-on-demand autonomous mobility）的模式。


我们正看到有很多想要创造新式汽车、商用载具和其它交通方式的创业公司涌现出来，其中包括：NextEV, Atieva, ThunderPower, Gogoro, Navya, Borgward, Local Motors, ZMP, Faraday Future, Starship, Varden Labs, Easy Mile, Auro Robotics, Gaius, LeEco（乐视超级汽车）, Dyson, Mission Motors, Boosted, Lit Motors,Renovo Motors, Inboard Technology, Future Motion, GLM, Dubuc Motors, Dagmy Motors, Newton Vehicles, ALTe Technologies, Lumen Motors, Barham Motors, Highlands Power, Myers Motors , Tratus, Virtus Motors, AC Motors, Scalar Automotive, Fenix Vehicles, Marfil, Esco Motors, Lithos Motors。我预计在未来几年内，还会有另外几百家公司出现。


如果不久的将来你看到有红牛牌汽车在路上行驶，不要感到惊讶。


即使最创新的交通概念也会需要载具。和今天的载具相比，它们可能会有不同的构成因素，即是由不同的材料制成的、有不同的驱动方式和不同的控制方式。但总有人要去开发、制造、销售、维护和保护这些载具。如果一些参数像我们描述的那样发生了改变，现有的汽车制造商仍然还有随时间进行调整的能力。它们有获得利润的知识和流程，仍然能生产出复杂的、持久的和以安全为重的产品，而且它们知道怎么将其规模化。除此之外，它们已经有自己的品牌、声望和客户忠诚度了，这些都将能持续一段时间。


在特定一段时间内，主要的品牌将具有优势。动作快和资金充裕的新进入者也是如此。我们还有可能会看到专注于某些特定交通领域的品牌和公司出现。未来的许多进展都将基于现在尚没有答案的问题，比如新载具将会如何使用、城市和农村地区的交通如何分离、电动载具和自动化技术发展会有多快、人们会怎样接受、监管会帮助推进发展还是会拖后腿。


在汽车领域，消费者仍然会看重一些品牌的价值。保时捷这样的高端品牌就能够从这种价值受益，因此很可能不会受到像大众市场品牌那样大的影响。汽车的品牌将会有新有旧，就像大众甲壳虫的 Fender、Mini 的 Paul Smith、菲亚特 500 的 Gucci 等等。如果不久的将来你看到有红牛牌汽车在路上行驶，不要感到惊讶。


此外，即使汽车交通变得更加智能和更廉价，品牌也仍有它们的一席之地。即使 easyJet、维珍和瑞安等一些低成本的航空公司也具有自己的定位品牌。在航空业，旅客所选择的受欢迎的品牌是服务提供商（航空公司），而非载具（飞机）的制造商。我们可以想象在汽车行业和航空业之间存在一定的相似性。

还记得在 Cité de l’ Automobile 上展出的汽车公司列表吗？创业公司来了又去，只在博物馆里留下了一点遗迹。同样地，显然未来几年后前面所提到的一些汽车公司可能就已经不在了——但其中一些肯定会成为我们日常出行的主要装置。

现如今有很多新的品牌和新的想法进入这个庞大的交通运载市场（麦肯锡估值 6.4 万亿美元），并且它们并不仅仅是在制造汽车，更是在发展一个实现交通互联的新方式，这个新方式将能减少交通事故、加强道路安全、等等更多的提升。

一段时间之后，像 Schlumpf 兄弟那样的博物馆将陈列的是我们今天所熟知的汽车品牌。我很期待能有收藏者将这些新型汽车（最终的载具）都搜集到一起，并创建一个博物馆。这并不简单，但会给我们的后代带来很大的乐趣。历史总会不断重复。
 
 
 
 
 
来源：机器之心编译
智造家提供 查看全部

9 月中旬，微软报告了在语音识别方面取得的新里程碑：新系统的识别词错率降至 6.3%；一个月后，微软又公布了在这一领域成功实现了历史性突破：他们的语音识别系统实现了和专业转录员相当甚至更低的词错率（WER），达到了 5.9%！机器之心在此期间曾对微软首席语音科学家黄学东进行了专访，探讨了这一连串突破性背后的技术和语音识别领域未来的可能性。近日，机器之心又对微软研究院首席研究员俞栋进行了一次独家专访，谈论了深度学习与语音识别相辅相成的发展以及相关领域的现状和未来。


俞栋简介：1998 年加入微软公司，现任微软研究院首席研究员，兼任浙江大学兼职教授和中科大客座教授。语音识别和深度学习方向的资深专家，出版了两本专著，发表了 160 多篇论文，是 60 余项专利的发明人及深度学习开源软件 CNTK 的发起人和主要作者之一。曾获 2013 年 IEEE 信号处理协会最佳论文奖。现担任 IEEE 语音语言处理专业委员会委员，曾担任 IEEE/ACM 音频、语音及语言处理汇刊、IEEE 信号处理杂志等期刊的编委。




以下是此次专访的内容：



机器之心：请俞老师先给我们的读者介绍一下目前语音识别方面最值得关注的一些方向。

俞栋：在安静环境下并使用近距麦克风的场合，语音识别的识别率已越过了实用的门槛；但是在某些场景下效果还不是那么好，这就是我们这个领域的 frontier。现在大家主攻几点：

首先，是不是能够进一步提升在远场识别尤其是有人声干扰情况下的识别率。目前一般远场识别的错误率是近场识别错误率的两倍左右，所以在很多情况下语音识别系统还不尽如人意。远场识别至少目前还不能单靠后端的模型加强来解决。现在大家的研究集中在结合多通道信号处理（例如麦克风阵列）和后端处理从拾音源头到识别系统全程优化来增强整个系统的 表现。

另外，大家还在研究更好的识别算法。这个「更好」有几个方面：一个方面是能不能更简单。现在的模型训练过程还是比较复杂的，需要经过很多步骤。如果没有 HTK 和 Kaldi 这样的开源软件和 recipe 的话，很多团队都要用很长时间才能搭建一个还 OK 的系统即使 DNN 的使用已经大幅降低了门槛。现在因为有了开源软件和 recipe，包括像 CNTK 这样的深度学习工具包，事情已经容易多了，但还有继续简化的空间。这方面有很多的工作正在做，包括如何才能不需要 alignment 、或者不需要 dictionary。现在的研究主要还是基于 end-to-end 的方法，就是把中间的一些以前需要人工做的步骤或者需要预处理的部分去掉。虽然目前效果还不能超越传统的 hybrid system，但是已经接近 hybrid system 的 performance 了。

另外一个方面，最近的几年里大家已经从一开始使用简单的 DNN 发展到了后来相对复杂的 LSTM 和 Deep CNN 这样的模型。但在很多情况下这些模型表现得还不够好。所以一个研究方向是寻找一些特殊的网络结构能够把我们想要 model 的那些东西都放在里面。我们之前做过一些尝试，比如说人在跟另外一个人对话的过程中，他会一直做 prediction，这个 prediction 包括很多东西，不单是包括你下一句想要说什么话，还包括根据你的口音来判断你下面说的话会是怎样等等。我们曾尝试把这些现象建在模型里以期提升识别性能。很多的研究人员也在往这个方向走。

还有一个方向是快速自适应的方法—就是快速的不需要人工干预的自适应方法（unsupervised adaptation）。现在虽然已经有一些自适应的算法了，但是它们相对来说自适应的速度比较慢，或者需要较多的数据。有没有办法做到更快的自适应？就好像第一次跟一个口音很重的人说话的时候，你可能开始听不懂，但两三句话后你就可以听懂了。大家也在寻找像这种非常快还能够保证良好性能的自适应方法。快速自适应从实用的角度来讲还是蛮重要的。因为自适应确实在很多情况下能够提升识别率。

从识别来讲，我觉得目前主要是这些方向。




机器之心：Google DeepMind 最近提出了一种通过学习合成波形的方式生成语音的技术 WaveNet，据说可以生成感觉更自然的语音，微软在这方面有什么研究项目？

俞栋：微软也在做类似的工作，但是因为合成的研究团队和工程团队都在中国，我对他们具体到哪个地步不是特别清楚。有一些信息我也不能直接披露，所以就不详细讲了。




机器之心：深度学习已经在语音识别得到了非常出色的表现，您觉得未来语音识别还能在深度学习的哪些方面实现突破？

俞栋：刚才我讲了，其中的一个可能性就是通过各种类型的 prediction 和 adaptation 使得深度学习模型表现更出色，这是有可能继续提升的地方。另外就是 end-to-end 建模。

还有，像我们最近也在做一些特殊环境中的语音识别，比如说在高噪音环境下、或者你说话的时候有背景的音乐、或者是会议室里面有多个人同时说话——这些情况下现在的语音识别效果是很差的。所以我们也在研究如何用深度学习的方法在比如多说话人的情况下做得比原来传统的方法好。我们现在已经在 arXiv 上面发布了一个早期结果的预印本（Permutation Invariant Training of Deep Models for Speaker-Independent Multi-talker Speech Separation），含有更多实验结果的正式版本现在正在审稿中。我们的这一称为 Permutation Invariant Training 的方法主要用于语音分离。用这种方法整个 process 比较简单而效果很好。在这些方面深度学习都能带来一定的突破。当然，我前面也讲了，完全解决这些问题需要软硬结合，从拾音到前端和后端需要系统性优化。




机器之心：在类似汉语这种多音字、多音词比较多的语言中，语音识别方面有什么和英语这样的拼音语言不一样的地方？

俞栋：从语音识别的技术角度来讲，没有太大的区别。因为你最终都是将语音信号，即 waveform sequence，变成字或者词的 sequence。多音字和多音词只是词表里对应的字或词有多个发音规则而已，这在其他语言比如英语中也很常见。

不过中文是一个有音调的语言，音调对字和词的识别是有影响的。音调信息如果用好的话，就有可能提升识别率。不过大家发现 deep learning 模型有很强的非线性映射功能，很多音调里的信息可以被模型自动学到，不需要特别处理。

唯一可能不一样的地方是如果你用 end-to-end system，建模单元会不一样。因为在英语里面你一般会选用字母、音素、或音节 作为建模单元，而不会选用词作为建模单元。但在中文里面你可以直接用汉字作为建模单元。所以建模单元的选择上可能会不太一样。除此之外，基本上没有太大区别。




机器之心：技术上没有太大区别？

俞栋：没有太大区别。




机器之心：具体来说，您觉得自然语言处理能够给语音识别带来哪些帮助？

俞栋：目前来讲，自然语言处理对语音识别本身的帮助还不是很大。要说帮助比较大的方面——如果语言模型（language model）算做自然语言处理的话，语言模型还是起到了很大作用的，尤其是在有噪音的环境下，如果没有语言模型来做约束，效果一般来说都比较差。但是除此之外，现在的 NLP 技术对语音识别没有起到很大的作用。大家尝试过很多用自然语言处理技术提升识别率的方法，但效果都不理想。

但是理论上来讲它应该是可以起到作用的。因为我们理解句子含义，我们能发现有一些语音识别结果是不 make sense 的，比如说前面的主语跟后面的宾语根本就不搭，在这种情况下识别系统应该选择其他的 hypothesis，对话系统则应该寻求澄清，但是现有系统没有这么做。没有这么做的原因在于它其实不理解到底用户说了什么，也没能充分利用远距离的 dependency 信息。这样的错误，有可能通过自然语言处理的技术发现并得到更正。但是语义分析是个很困难的问题，如何做还是一个未知数。




机器之心：刚才我们讲到在噪音环境下，包括远距离环境下的识别，除了这个，还有多个说话人一起说话的情况下的语音识别。在这三个方面，您觉得现在和未来可以通过什么样的方式来解决这个问题？

俞栋：前面提到过，解决远距离识别很重要的一点是需要硬件的支持。至少以目前的技术，仅仅通过后端处理效果还不够好。因为信号在传输的过程中衰减很厉害，距离越远衰减越厉害，信噪比就越差。所以远距离识别一般都需要做增强。比较好的增强需要硬件支持，比如说麦克风阵列。深度学习方法也能提供一些帮助。当你有多通道信息的时候，深度学习方法还可以做自动的信息融合以提升远距离语音识别的性能。

多通道信号处理，比如麦克风阵列，对分离含噪语音和多人混合语音也至关重要。另外，深度学习方法比如我刚才提到的 Permutation Invariant 训练方法也可以解决一部分语音分离问题，是整体解决方案中的重要一环。分离后的结果可以送到后端做识别。后端的识别结果反馈回来也能帮助提升分离和说话人跟踪的效果。所以最终的系统应该是前端的分离跟后端的识别融合互助的系统。




机器之心：从您和邓力老师的那本书《Automatic Speech Recognition： A Deep Learning Approach》出版到现在，您认为期间深度学习有了什么新的研究成果? 哪些研究成果您认为是很重大的？

俞栋：我们写这本书的时候，LSTM 这样的模型才刚刚开始成功应用于语音识别。当时大家对其中的很多 技巧 还没有很好的了解。所以训练出来的模型效果还不是那么好。最近，我的同事 Jasha Droppo 博士花了很多时间在 LSTM 模型上面，提出了一种很有意思的基于 smoothing 的 regularization 方法使得 LSTM 模型的性能有了很大的提升。他的 smoothing 方法的基本思想在我们的 human parity 文章中有介绍。

另外一个比较大的进展是 Deep CNN。最近两年里，很多研究组都发现或证实使用小 Kernel 的 Deep CNN 比我们之前在书里面提到的使用大 kernel 的 CNN 方法效果更好。Deep CNN 跟 LSTM 比有一个好处。用 LSTM 的话，一般你需要用双向的 LSTM 效果才比较好。但是双向 LSTM 会引入很长的时延，因为必须要在整个句子说完之后，识别才能开始。而 Deep CNN 的时延相对短很多，所以在实时系统里面我们会更倾向于用 Deep CNN 而不是双向 LSTM。

还有就是端到端的训练方式也是在我们的书完成后才取得进展的。这方面现在大家的研究工作主要集中在两类模型上。一类就是 CTC 模型，包括 Johns Hopkins 大学的 Dan Povey 博士从 CTC 发展出来的 lattice-free MMI；还有一类是 attention-based sequence to sequence model。这些模型在我们的书里面都没有描述，因为当时还没有做成功。即便今天它们的表现也还是比 hybrid model 逊色，训练的稳定性也更差，但是这些模型有比较大的 potential。如果继续研究有可能取得突破。

另外一个进展是单通道语音分离，尤其是多人混合语音的分离。这方面有两项有趣的工作。一个是 MERL 的 John Hershey 博士提出的 Deep Clustering 方法，另外一个是我们提出的 Permutation Invariant Training。实现上，Permutation Invariant Training 更简单。John Hershey 认为有迹象表明 deep clustering 是 permutation invariant training 的一个特例。

这些都是在我们完书之后最近两年里比较有意义的进展。




机器之心：也是在这个月，Google 发了神经网络翻译系统（GNMT），您对这个系统有什么看法？微软在这方面有没有这样的研究？

俞栋：微软很早以前就在做类似的工作了。你可能知道微软有个基于文本的翻译系统，在 Skype 上也有一个 speech to speech translation system。在这些系统里我们已经用到了 neural machine translation 的一些东西。不过翻译主要是由另外的团队在做，我在这里面涉及比较少。




机器之心：语音特征参数提取与鲁棒性语音识别与合成的关键因素，特征参数在不利的噪声环境下，鲁棒性都会急剧下降。目前有什么新的研究可以在特征提取中保持语音信号的最重要参数吗？

俞栋：目前，一个方法是用信号处理技术对输入信号进行分离和增强。另一个方法是用 deep learning 取代人工从 waveform 直接提取特征。只要训练数据的 coverage 足够大，各种各样场景的训练数据都有，模型的结构设计合理，那么模型的泛化能力和鲁棒性就能得到提升。两种方式结合可以得到更好结果。不过，泛化是机器学习的一个未解决的基本问题，更好的解决方案有待于机器学习理论的进展。




机器之心：微软在语音识别上如何解决方言带来的口音问题，比如说「le」和「ne」？针对方言，微软的语料库是从何而来的？

俞栋：一个简单的方法是增加带口音的训练语料。如何有效利用这些语料有些讲究。大概 3、4 年前，我们发过一篇文章，研究怎么样在 deep learning model 上做自适应。带口音的识别问题可以看作一个自适应的问题。假设你已经有标准语音的模型，带口音的语音可以看成标准语音的某种偏离。所以我们的解决方法是做自适应。做自适应的时候，我们可以把有类似口音的语料聚合在一起以增加训练数据。我们发现这样做效果挺不错。如果已经有系统上线，收集带口音的语料并不困难。如果你用过 Windows Phone，你就知道 Windows Phone 的 Cortana 里面有个选项——你想用标准的识别模型还是想用含口音的模型？用户可以选择。




机器之心：今年，微软发布了 CNTK。您能说一下 CNTK 跟 Theano、TensorFlow、Torch、Caffe 这些工具的区别吗？以及在微软语音系统上是怎么样应用 CNTK 的？

俞栋：所有的这些开源工具现在都做得相当好了，都能够满足一般的研究或者是工程的需要。但是每一个开源工具都有自己的长处和弱点。CNTK 是唯一一个对 Windows 和 Linux 都有比较好的支持的深度学习工具。相比较其他工具，CNTK 对多 GPU 并行训练有更好的支持, 不仅并行效率高，而且简单易用。CNTK 对 C++的支持也是最全面的，你可以完全使用 C++来构建、训练、修改、和解码模型。CNTK 版本 1 对 Python binding 支持比较弱。但是刚刚发布的版本 2.0 提供了非常强大的 Python binding。另外，CNTK 提供了许多运行效率很高的并行文件阅读模块，大大提升了并行效率。这里我想提一下，我的很多同事都对 CNTK 2.0 有很大贡献。尤其值得一提的是 Amit Agarwal，他是我见过的非常难得的优秀软件工程师和架构师，他主导设计了 CNTK2.0 的主要 API。我在他身上学到很多东西，我非常享受与他讨论的时间。

我和几个同事刚开始写 CNTK1.0 的时候，主要用户是语音识别研究员和工程师，所以 CNTK 对语音相关的模型、数据结构、和文件格式支持得相对比较好。因为语音识别系统训练数据很大，我们很早就在 CNTK 中实现了并行训练的算法。目前，微软产品线所有的语音识别模型都是用 CNTK 训练的。最近我们的语音识别系统在 SWB 数据集上能做到比专业转录员错误率还低，CNTK 对缩短我们达到这一里程碑所需的时间有很大贡献。




机器之心：您曾说过，人工智能的成功在于将多种方法的整合到一个系统。在你们最近发表的论文中，我们看到目前最新的语音识别的研究用到了多任务优化（Multitask Joint learning）以及多种模型混合（ensembles of models）的方法，能谈谈他们的优势吗？

俞栋：语音识别相对来说是一个任务比较单一而非通用的人工智能系统。语音识别的问题定义得也比较清晰。在这样的系统里面，把深度学习模型与其他模型进行整合的重要性相对来说比较小。这也就是为什么只要你有足够的数据和运算能力，即便是完全的 deep learning end-to-end system 表现也不错。不过目前来讲，深度学习和 HMM 相结合的混合模型在大多数场景下仍然表现最佳。

语音识别中使用多任务优化的主要目的是增加模型的泛化能力或利用一些不能直接利用的辅助信息。而多种模型混合（ensembles of models）的主要目的是利用模型间的差异来增强混合后模型的表现。值得指出的是，由于深度学习模型是非线性非凸的优化问题，当初始模型不同时，最后的模型也不同。尽管这些模型的平均表现很接近，但因为他们收敛到的点不一样，模型之间仍有差异，融合这些模型也能提升一些性能。

但是更通用的人工智能系统还需要能做决策（decision-making）、要做推理、要能理解。对于这样的系统来说，单靠深度学习方法远远不够。而需要结合过去几十年里人工智能其他分支取得的一些进展，比如说增强学习、逻辑推理、知识表达、以及最优和次优搜索。还有如果我们想让一群人工智能系统自己从与环境的交互中快速寻找答案，那么诸如蚁群算法和遗传算法一类的算法就变得很重要了。




机器之心：今年您觉得在语音识别方面有哪些比较重量级的论文值得去读，能否推荐几个给我们的读者？

俞栋：除了前面提到的 LF-MMI 、 Deep CNN（包括我们最近发表的 LACE 模型）、和 Permutation Invariant Training，另外一个比较有意思的论文是 MERL 在 arXiv 上发表的一篇文章。他们结合了 CTC 和 attention-based model，利用这两个模型各自的长处来克服对方的弱点。




机器之心：您是怎么看待监督学习、半监督学习和无监督学习这三个学习方式呢？

俞栋：监督学习是比较 well-defined，有比较明确的任务。目前来讲，深度学习对这一类问题 效果比较好。

无监督学习的目的是要寻找数据中的潜在规律。很多情况下，它试图寻找某种特征变换和相对应的生成模型来表达原始数据。但无监督学习不仅本身困难，对无监督学习系统的评价也很难。原因是通过无监督学习找到的规律不一定对你将来的任务有帮助，或者它对某一任务有帮助，换一个 任务就没有帮助了。当然，如果你的目标仅仅是数据压缩，评价还是容易的，但我们使用无监督学习压缩本身往往不是主要目的。




机器之心：那半监督学习呢？

俞栋：半监督学习介于两者中间。因为你已经有一部分标注信息了，所以你 的任务是明确的，不存在不知如何评估的问题。半监督学习在实用系统里还是有一定作用的。比如说我们需要标注大量数据来训练语音识别系统，但人工标注既花时间又花钱，所以你往往有比标注数据多得多的未标注数据。没有标注过的数据，也有很多可以利用的信息，虽然它们的价值远远小于标注的数据。半监督学习对我们的系统性能有一定的提升。




机器之心：最后一个问题，在整个人工智能的布局上，您认为语音识别是一个怎样的定位？

俞栋：在很多应用场合，语音识别是一个入口。没有这个入口的话，大家都会觉得这个智能机器不够智能或者与这个智能机器交互会有困难。人机交互中语音识别是第一步。如果语音识别做得不够好，那后期的自然语言理解等的错误率就会大幅上升。这也是为什么语音到语音的翻译要比文本到文本的翻译难很多，因为在语音对语音的翻译系统里语音识别产生的错误会在后面翻译的过程中放大。

历史上，语音识别也为机器学习和人工智能提供了很多新的方法和解决方案。比如语音识别里的关键模型 Hidden Markov Model 对后来机器学习的很多分支都有帮助。深度学习也是先在语音识别上取得成功，然后才在图像识别和其他领域取得成功的。
 
 
 
 
 
来源：机器之心
智造家提供 查看全部

  近年来德国率先提出"工业4.0"概念，美国推行"先进制造伙伴关系"计划，日本实施"智慧制造系统"，而中国也提出了"中国制造2025规划"，这些都指向同一个目标，那就是希望通过先进的IT与自动化技术来促进制造业的革新，以实现"智能化"，提升效率，降低成本。

 而要实现这个目标工业机器人是不可或缺的一环



1. 工业机器人的发展背景

  从1920年，"Robot"这个词被捷克剧作家创造出来，到现在机器人已经发展了近百年，从最初的单纯用于搬运的工业机器人，到第二代具有视觉传感器以及信息处理技术的工业机器人，再到目前正在研究的"智能机器人"，工业机器人的发展及应用日新月异。








2. 工业机器人的应用场景

    在短短50多年的时间中，机器人技术得到了迅速的发展，在众多制造业领域中，工业机器人应用最广泛的领域是汽车及汽车零部件制造业，并且正在不断地向其他领域拓展，如机械加工行业、电子电气行业、橡胶及塑料工业、食品工业、木材与家具制造业等领域中。

   在工业生产中，焊接机器人、磨抛加工机器人、焊接机器人、激光加工机器人、喷涂机器人、搬运机器人、真空机器人等工业机器人都已被大量采用。




1、磨抛加工机器人

   磨抛加工机器人主要应用于航空、航海、核电叶片磨抛，采用机器人持砂带在叶片表面磨抛，采用柔性接触、视觉定位的方式减小磨抛缺陷。






   与人工磨抛相比，具有加工时间短，型面精度高，表面粗糙度小，加工一致性好的特点。能适应大负载，恶劣的工作环境。精度要求高。



2、焊接机器人

   弧焊机器人主要应用于各类汽车零部件的焊接生产，主要有熔化极焊接作业和非熔化极焊接作业两种类型。






   在该领域，国际大型工业机器人生产企业主要以向成套装备供应商提供单元产品为主。应用特点：要求快速平稳移动，定位精度要求较高。



3、激光加工机器人

  激光加工机器人是将机器人技术应用于激光加工中，通过高精度工业机器人实现更加柔性的激光加工作业。






  通过对加工工件的自动检测，产生加工件的模型，继而生成加工曲线，也可以利用CAD数据直接加工。可用于工件的激光表面处理、打孔、焊接和模具修复等。精度要求较高。



4、真空机器人

  真空机器人是一种在真空环境下工作的机器人，主要应用于半导体工业中，实现晶圆在真空腔室内的传输。






  真空机械手难进口、受限制、用量大、通用性强，其成为制约了半导体装备整机的研发进度和整机产品竞争力的关键部件。精度要求较高。



5、喷涂机器人

   喷漆机器人一般采用液压驱动，具有动作速度快、防爆性能好等特点，可通过手把手示教或点位示数来实现示教。






   喷漆机器人广泛用于汽车、仪表、电器、搪瓷等工艺生产部门。喷涂机器人所处工作环境恶劣，其精度要求较低。



6、搬运机器人

  搬运机器人由计算机控制，具有移动、自动导航、多传感器控制、网络交互等功能，它可广泛应用于各行业的柔性搬运、传输等功能，也用于自动化立体仓库、柔性加工系统、柔性装配系统；






  同时可在车站、机场、邮局的物品分捡中作为运输工具。其负载大，无严格精度要求。



3、工业机器人分类

工业机器人按不同的方法可分下述类型：具体看下图！







4、工业机器人性能评判指标

  表示机器人特性的基本参数和性能指标主要有工作空间、自由度、有效负载、运动精度、运动特性、动态特性等。










1、工作空间（Work space）

   工作空间是指机器人臂杆的特定部位在一定条件下所能到达空间的位置集合。工作空间的性状和大小反映了机器人工作能力的大小。



2、运动自由度

   运动自由度是指机器人操作机在空间运动所需的变量数，用以表示机器人动作灵活程度的参数，一般是以沿轴线移动和绕轴线转动的独立运动的数目来表示。

   自由物体在空间自六个自由度（三个转动自由度和三个移动自由度）。工业机器人往往是个开式连杆系，每个关节运动副只有一个自由度，因此通常机器人的自由度数目就等于其关节数。机器人的自由度数目越多，功能就越强。



3、有效负载(Payload)

   有效负载是指机器人操作机在工作时臂端可能搬运的物体重量或所能承受的力或力矩，用以表示操作机的负荷能力。

   机器人在不同位姿时，允许的最大可搬运质量是不同的，因此机器人的额定可搬运质量是指其臂杆在工作空间中任意位姿时腕关节端部都能搬运的最大质量。



4、运动精度(Accuracy)

  机器人机械系统的精度主要涉及位姿精度、重复位姿精度、轨迹精度、重复轨迹精度等。

  位姿精度是指指令位姿和从同一方向接近该指令位姿时的实到位姿中心之间的偏差。重复位姿精度是指对同指令位姿从同一方向重复响应n次后实到位姿的不一致程度。

  轨迹精度是指机器人机械接口从同一方向n次跟随指令轨迹的接近程度。轨迹重复精度是指对一给定轨迹在同方向跟随n次后实到轨迹之间的不一致程度。



5、运动特性（Sped）

   速度和加速度是表明机器人运动特性的主要指标。在机器人说明书中，通常提供了主要运动自由度的最大稳定速度，但在实际应用中单纯考虑最大稳定速度是不够的，还应注意其最大允许加速度。



6、动态特性

  动态特性结构动态参数主要包括质量、惯性矩、刚度、阻尼系数、固有频率和振动模态。



5、工业机器人全方位解读

1、我国的工业机器人现状

工业机器人之所以能在中国市场异军突起：

        首先是因为在成本上，机器人通常仅为人工成本的四分之一；

        其次，机器人在质量、效率、管理等方面还能带来很多新的附加值。

  所以，在机器人技术快速提升、价格大幅下降、人工短缺、人力成本上升等因素的综合作用下，中国的工业机器人产业正处于一个井喷时代。



2、工业机器人的关键技术

   工业机器人由3大部分6个子系统组成。3大部分是机械部分、传感部分和控制部分。6个子系统可分为机械结构系统、驱动系统、感知系统、机器人-环境交互系统、人机交互系统和控制系统。请加微信号：robotinfo 学习工业智能化知识。

   机器人关键基础部件主要分成以下三部分：高精度减速机，高性能交直流伺服电机和驱动器，高性能控制器等。机器人性能指标主要有工作空间、自由度、有效负载、运动精度、运动特性、动态特性等。




3、工业机器人面临的技术挑战

   虽然机器人技术在近几年取得了非常大的进步，但我们要清醒地看到中国工业机器人产业发展面临的巨大挑战。
 
 
 
 
来源：智慧工厂
智造家提供 查看全部

工业大数据在中国是伪命题
 
大数据本来有更加学术化的名称：数据密集型（Data-Intensive）计算研究。微软在2009年组织撰写《第四范式：数据密集型科学发现》一书，给与这种方法以“范式里程碑”的待遇。而对于大众而言，这些不过是野地径自升起的炊烟，无人知晓也无可关注。

后来随着Big Data这个简洁明了的概念一炮打响，各种大数据这才迎风而上。

工业大数据不过是其中一种BigBang。工业4.0轻松地接过这一闪亮的火把，搅动了人们对于大数据无穷的想象力和不着边际的信心。数字设计、数字工厂、数字制造等一时间喧嚣而上，难免给人造成一种温暖的假象：到处都是工业大数据。有些舆论甚至断言，中国拥有全世界最大的工业大数据——大概理由是因为中国有最多的设备和工厂现场。

然而，且慢，数据现场，远非工业大数据之地。
 

中国真的有工业大数据吗？

贵阳大数据中心，以政府主导型的数据为基础，基本是城市数据、政务数据、物流数据等；阿里云是以消费者数据为基础，十多年淘宝历程，沉淀了大量的用户行为数据。

但是，对于那些不分昼夜轰鸣的设备，工业数据仍然是暗无天日的黑油、黑煤炭。对中国制造业而言，些许的光亮或闪烁，远没有到大规模发光发热的时代。更为重要的事情，还需要工业领域去优先解决。
 
 

不是煤炭创造了工业革命

对于第一次工业革命的发源地，煤炭在英国发挥了巨大的作用。1700年，英国煤产量是世界其他地区的5倍；1800年，是欧洲其他地区的5倍。

然而，谜团犹在，英国拥有煤炭，好像是该国逃离农耕陷阱的根本要素。但与此同时，德法日和清朝，都有大面积煤田，却未得到大规模的开采。煤炭与工业革命的关系值得明辨。

实际上，这不是一个煤炭创造了工业革命的问题，而是工业革命创造了煤炭需求的问题。


换言之，英国煤炭工业的飞速发展，只是财富和技术已经到达高水平的一个征兆。

煤炭对于英国第一次工业革命的战略意义，此刻正如工业大数据之于中国制造2025。由于蒸汽机的驱动，煤炭犹如脱缰之野马，成为工业革命源源不断的动力。正如一把复杂钥匙吻合一把锁，这种类似的模式，第一次将人力一劳永逸地解脱出农耕时代。工业根基肇始。一段时间后，这个开锁程序被世界模仿，并且换成石化燃料和内燃机。

这一模式，影响了随后二百多年的工业史。




 
图1 煤炭与工业大数据的对比

随着智能制造的发轫，看上去这个模式，马上就要交给了工业大数据。而此刻，我们必须意识到，数据对于新工业革命的意义，尤其是对于中国制造2025的意义，是一种全新的密码锁模式——中国工业化还并不太熟悉的一种模式。
 
 

无数据 不知识

数据、信息和知识的关系，有时候容易混淆。大致而言，数据最开始都是未经组织的，大量存在却价值极低；底层的数据需要通过信息化和工业化，才能转化为知识体系。

从数据到信息，本身就是一种过滤机制——这需要一种提炼，然后可执行、可传递的信息形成知识。知识分为隐性和显性，隐性知识往往存在于人本身之中，传递性很差。






图2 数据、信息和知识的模型

可惜的是，传统知识管理的DIK模型（Data-Information-Knowledge）关系，是一个单线程关系。它只解决了知识的提炼，没有解决回馈问题。

就工业大数据而言，最重要的就是对它进行密集型的分析——工业知识断不能缺位。GE在谈及工业互联网的时候，给与了“专业知识”以高度的重视。工业大数据不是传统的数据统计分析，而是基于专业知识的引导，才能挖掘出数据真正的价值。

显然，知识体系必须重新作用于数据本身，才能形成工业大数据的价值。在工业领域，“无知识，不数据”。没有工业经验的线性化指引，数据就不会高速转化，工业大数据的价值，就不会产生。

对于数据而言，信息化作了第一次提升，使得数据归类、文本化和沉淀；但必须通过工业化才能进行第二次提升，才能将数据提升到知识的高度，形成真正的Know-how、经验、最佳实践、直觉；在此基础上，挖掘形成大数据的新产业价值。





 
图3 工业大数据与知识的关系

如果数据是石油，设备是藏宝地图，那么知识是唯一的钻探工具。中国工业技术体系没有形成线性化，尚无法形成驱动力。那些数据深藏在设备里，深锁在系统中，它们只在规定的范围局部流动，一如地表下的熔岩。它们有着澎湃的能量，却无法驾驭。

就此而言。中国就没有工业大数据。甚至连显性化的工业数据都没有。我们工业化短短的行程，使得我们习惯于硬件思维和设备思维，还没来得及形成珍惜工业数据的意识。对那些有着厚重的工业技术体系和知识转化的GE、西门子而言，当他们在说工业大数据的时候，他们有着一个我们很多企业没有的隐含条件。

这是我们需要有的清醒意识：不要将无数的现场数据等同于工业大数据。

就中国制造业而言，知识才是最大的拦路虎。工厂中各种数据，如果没有领域知识和业务建模的前提，不过满工厂堆砌起来的一座座数据垃圾山。

对于企业而言，必须静下心来想一想：数据何在？知识何在？这是一种全新的范式，我们并不熟悉它：工业大数据模式，需要先看懂密码锁规格，再去找钥匙。
 
 
 

精益数据观 斩除数据浪费

两化融合走了十年之路，给中国制造业培养了一批工厂级的IT人才。就中国整体而言，许多企业的信息化水平并不低；但知识化和工业数据，则处于非常低的价值链。受各种信息孤岛的影响，数据被捆绑了，犹如被深嵌在花岗石上的钻石，数据处于高度不流动性。不流动的数据，不太可能发挥工业大数据的价值。

过去几十年，中国制造市场不知疲倦地耗资引进各种设备自动化——一种自由购买的商品，一种吞噬数据的黑洞机器；中国工厂也略知皮毛地、半推半就地引进了精益思想，它的烙印还没来得及成为我们血液中的自由元素。

而此刻，全新的数字化技术却已经来到身边，成为我们必须面对、必须应答的时代拷问。

新的浪费，正在形成。

中国的工厂必须用知识来解放数据。中国制造者们，此刻必须开始意识到，我们最熟视无睹的“数据浪费”， 已经成为一种新的触目惊心的挥霍。这是一种可怕的工业无知。它如一只令人生厌的乌鸦，站在设备的控制板上，嘲笑着我们在设备上所做的大把大把的投资。 





图4 工业大数据的价值观

就设备的效率而言，我们需要设备自动化；
就资源的浪费而言，我们需要精益生产观；
就数据的效率而言，我们需要知识自动化；
就数据的浪费而言，我们需要精益数据观。

从工业大数据的角度，中国制造业尚处于数据的黑金时代。

在当下，工业大数据还是中国制造业的伪命题。


正是此刻，数据与知识的关系，更加耐人寻味。在这样一个i额时代，所有企业都将逐渐意识到数据的重要性。但如何能够完成数据的解放，将数据释放出来，仍然需要穿过“无视知识”的认知障碍，仍然需要借助大量的专业化知识。这是中国两化深度融合过程中，工业化必须单独回答的命题。

如果我们忽略管理者深浅不一的见识和技术上互相标榜的流派，那么工业4.0时代的所有命题，其实只有两个：数据和用户。所有的障眼法都由此而来。

而工业知识的显性化、模型化和固化，则是破解数据障眼法的唯一之道。
 





更多内容请关注 www.imefuture.com 
大数据文摘精选 TOP10
研究人员或将利用人体传输数据
大数据胜身边的应用，印在身上的二维码
紫金桥实时数据库实现焦化厂生产能源调度信息管理系统 
 
 
 
 
来源：知识自动化 林雪萍
智造家提供 查看全部

“在公共交通领域，当前趋势一定是电动化，未来方向是纯电动客车和燃料电池客车为主，因燃料电池客车与纯电动客车可以基本共用动力系统及整车控制系统平台。所以我们一直在坚定地走纯电动客车这条路，毫不动摇！”10月13日，在2016节能与新能源汽车产业峰会上，安凯汽车股份有限公司新能源客车研究所所长陈顺东向工业头条记者说道。

为什么趋势一定会是电动化呢？陈顺东给出了三方面解释：


首先，目前电动客车在公共交通领域正迅猛增长，已经成为一股强劲的潮流；未来，随着电池技术的进步、整车性能的提升以及“油补改电补”的政策倾斜，公交公司在电动客车方面拥有更多的利润。


其次，相比传统的燃油客车，电动客车驾驶起来更加便利。“现在公交司机中有很多是女性，每天踩离合器换挡非常辛苦，一天下来可能要踩千次以上；我们自己也有体验，每当遇到拥堵状况，神经就会紧张起来，不时变换车速、踩油门、踩刹车，即便驾驶私家车也会觉得累，更别说驾驶公交车了。但电动化新能源客车一上来就是自动挡，极大地减轻了司机的开车强度，一旦习惯了就不想再开传统车了。”陈顺东笑着说道。


第三，从宏观角度来说，发展电动车是振兴我国汽车工业的必由之路。“传统汽车的发动机、电喷系统、高压共轨系统等等核心零部件技术都掌握在外国企业的手中，他们赚取了行业的大部分利润；而在纯电动车方面，虽然我们的电池技术跟国外也还是有差距，但中国的市场很大，可以通过市场拉动取得电池技术的快速进步。”陈顺东指出。


自2002年涉足纯电动客车开始，安凯迄今已连续推出了五代产品，基本保持着每三、四年一代的节奏。在这种执着深耕和持续创新下，安凯不仅在市场上取得了辉煌成就，更在新能源客车研发方面处于领先者地位。陈顺东透露，目前安凯在市场上运行的新能源客车已经接近1万辆；而今年2月，安凯的“国家电动客车整车系统集成工程技术研究中心”顺利通过科技部验收，中心的目标是建成集电动客车整车系统集成研究开发、工程化试验、产业化生产、人才培训和开放服务为一体的高新技术成果工程化和人才培养基地，不仅要为企业开发出市场所需的电动客车，还将成为行业发展、企业进步的技术聚集地和辐射源，为提升行业整体水平，增强行业国际竞争力贡献力量。




下一代产品将重点攻克哪些问题？

目前，安凯正紧锣密鼓地开发下一代电动客车产品。那么其要攻克的重点都有哪些呢？



陈顺东表示，安凯的第六代产品将在六大方面发力：
 
第一，要解决“全寿命”问题，下一代产品将不再需要更换电池；
 
第二，要做到“高防护”。目前的电动客车防水能力普遍不足，一旦在水中长时间浸泡，会对电池造成损坏与燃烧，既不安全，破坏成本也高。而安凯的下一代产品将提升更高的防护能力，解决这一问题；
 
第三，要实现“全地域”。中国幅员辽阔，南北温差大，北方的冬季十分寒冷，很多电动客车都无法在低温下运行，而安凯将通过在整车结构设计上进行保温、加热等一系列创新，解决低温运行的问题。
 
第四，轻量化，下一代纯电动客车在保证里程需求时整车整备质量不高于同级别传统车，甚至更轻。
 
第五，能够快速充电，整车应具有一定的快速充电功能，除插电充电外，还需支持无线充电功能，满足15分钟快速补电续驶里程能够达到50公里以上。
 
第六，智能网联化。
 
“当然，通过这一系列努力，我们希望能够实现最后一点，这就是在全生命周期内，电动客车的成本大幅降低，为客户创造出更大的价值。”陈顺东说道。






市场将真正属于掌握核心技术的企业


安凯是不是应该专注纯电动一条路线呢？陈顺东并不这样认为。“混合动力客车短期内还是有一定市场的。至少当前这个阶段，我们还离不开。各地推广的政策不同，如果全部推广纯电动客车的话，成本会很高。”陈顺东分析道，“所以目前纯电动和混合动力两条路要一起走。”

而在谈及新能源汽车补贴政策逐渐“退坡”时，陈顺东却并未表现出丝毫的担忧。他向工业头条表示：“实际上，我们是非常认可国家补贴政策循序渐渐、慢慢‘退坡’。在补贴政策的推动下，市场在迅猛增长，大家都能享受到这份红利，不太能体现出差异来；一旦补贴退潮，全面进入市场化，我们就会知道究竟谁在‘裸泳’——市场将真正属于那些掌握核心技术、真正能把产品做好的企业。”
 
 
 
 
 
来源：工业头条 康晓博
智造家提供 查看全部

 
汽车、飞机、高铁是由哪些部件组成？
[b]你知道？[/b]
 
[b]VR、无人机、智能手表、机器人供应链体系是怎么样？[/b]
[b]你了解吗？[/b]
 [b]锂电池、OLED、触摸屏、光伏、风电、家居、建筑...[/b]
 
[b]这些行业的产业链你都知道吗？[/b][b]而这些，新材料在线®都可以在一秒钟告诉你！[/b]
 报告目录
 
1、汽车产业链全景图
2、手机产业链全景图
3、飞机产业链全景图
4、最全VR产业链全景图
5、新能源汽车产业链全景图
6、超全家具产业链全景图
7、高铁产业链全景图
8、机器人产业了全景图
9、无人机产业链全景图
10、智能手表产业链全景图
11、锂电池产业链全景图
12、车载摄像头产业链全景图
13、建筑材料产业链全景图
14、超全面膜产业链全景
15、OLED产业链全景图
16、各类电池产业链全景图
17、光伏产业链全景图
18、风电产业链全景图
19、LED产业链全景图
20、触摸屏产业链全景图
……汽车产业链全景




 手机产业链全景图






飞机产业链全景图 




最全VR产业链全景图





 新能源汽车产业链全景图




 超全家居产业链全景图





 高铁产业链全景图




 机器人产业了全景图





 无人机产业链全景图
 



智能手表产业链全景图





 锂电池产业链全景图





 车载摄像头产业链全景图





 建筑材料产业链全景图




 超全面膜产业链全景图（必收藏）





 OLED产业链全景图




 各类电池产业链全景图





 LED产业链全景图





 触摸屏产业链全景图





 
文章来源于 新材料在线 查看全部