“十问”总结一场阅后即焚的交流会：工业互联网是什么、为什么、谁来做？
钛媒体 TMTPost.com ｜科技引领新经济｜
什么是工业互联网？什么是产业互联网？这其中各种角色的分工又是什么，他们应该又怎样的分成方式？什么场景都能“互联网化”吗？消费互联网到产业互联网究竟要跨越多大的鸿沟？
钛媒体编辑丨赵宇航
5月26日晚间，“钛媒体前沿独角兽俱乐部·工业互联网之夜”交流会—— 一场阅后即焚的交流会在贵阳数博会期间召开。
“前沿独角兽俱乐部”是由钛媒体发起并组织的代表前沿趋势、领先能力的先锋社群，俱乐部仅针对各垂直领域头部优秀创业公司（B或B轮以上）的创始人或CEO定向邀约。我们会不定期举办俱乐部活动，包括阅后即焚的交流会、干货超多的游学走访等等活动。
在本次交流会上，我们邀请到20余位来自区块链、企业级服务商、实体企业的创始人、技术人员及运营人员，关起门来谈论一些关于工业互联网的真实疑惑。
什么是工业互联网？什么是产业互联网？这其中各种角色的分工又是什么，他们应该又怎样的分成方式？什么场景都能“互联网化”吗？消费互联网到产业互联网究竟要跨越多大的鸿沟？
一问，工业为什么要用互联网的方式来改变？
互联网的本质是在于让信息可以以更加精细的方式得以组织和流动。当我们把信息效率传输变高提升到把价值算力提高的时候，把信息从虚拟的范畴向实体的范畴去迁移的时候遇到很多难题，这个难题包括我们怎么样保证价值在网络上的传递。如果把所有工业领域的资产做一个标记和存证的方式，可以从根源上使工业互联网泛的信息的概念，它的传输和效率可以得到一定效率的提高。这是我们认为可以通过工业的方式提升互联网的精细化。
二问，实业场景和技术提供者，彼此听不懂
提起实业跟金融的关系，各个实业企业中的财务部跟对口银行的关系，他们彼此之间的黏和度不紧。我觉得很多的环节是脱节的。虽然几个基础技术的产生，人工互联网、物联网、区块链和即将到来的5G，让我们看到的产品的新的可能性，让银行业喊了很多年的供应链金融落地变成一种可能性。
但场景和持牌机构的业务部门和技术部门之间，彼此听不懂。我们的更多角色是作为一个连接器和翻译官的工作。
三问，工业互联网除了精细化管理、信息化，还能做什么？
工业互联网除了在精细化管理这方面、信息化这方面，是否也可以在我们高端制造业这样一个技术攻关的过程当中能够起到一些作用？能否用统计学帮助到技术？
比如3D打印技术有一些卡脖子的地方，因素很多，人工去分析可能分析不清楚。是否可以用统计学大数据的方法去帮助他们实现，解决这个卡脖子的问题，实现弯道超车。
四问，到底是“X+互联网”、还是“互联网+X”？
美国提工业互联网，德国提工业4.0，是基于两方不同：美国互联网更发达一些，德国是传统工业，所以他的工业和制造业特别的强势，所以这两个国家出发点最早推动的点是不一样的，但是实际上应该两者融合是政府希望的。
国内很多年前我们一直在讲“两化融合”，就是讲工业化和信息化的融合发展。从工业互联网的角度来说，我们希望“X+互联网”，而不是“互联网+X”，因为产业互联网和工业互联网可以真正做好的还是从制造企业自己本身，懂制造企业生产的过程、流程和新的技术，从这些方面再去用互联网技术再优化和提升，这样会做得比较好、比较踏实。
五问，巨头那么多，该跟谁玩儿？怎么玩儿？
中国现在整个互联网带来的阵营非常清晰，几个巨头拉开架式，对所有的合作者、玩家来说，该怎么样跟巨头保持距离、共舞？该跟谁合作？站在谁的阵营里面？该如何跟他们保持距离，能够享受平台带来的好处又不被这些巨头平台吞噬？
一位来自云计算服务商给出了自己的答案。
他认为，第一以AWS、Azure为例，美国有自己的本土特色，一家巨头做自己擅长的领域，彼此不打仗。但是中国不一样，中国阿里云、腾讯、金山等等（小米云、华为云），在一定程度上做价格挤压，单独拿出来看依然是很烧钱的方式，这种方式是走中心化云服务公司，其实很难有成本的优势。第二，中国巨头面临与客户抢客户的问题，云服务涉及到产品的时候，不光是成本较量的问题，还面临用户信誉的问题。当小型玩家没有办法用传统方式和巨头一较高下的时候，他们会在成本上下功夫，当然，商业上可能会面临很多挤压，空间很少。
六问，工业互联网不仅可以分配信息，还可以分配产能
在谈论工业互联网是，不同的产业链上不同的企业诉求是不一样的。
对于大型企业来说，它的信息化夯实，投资巨大。他们需要的是数据和信息。这时，企业内部的信息挖掘已经足够了，他们需要通过整个市场信息，把自己的业务往外扩张，他们需要产业链的信息和数据。这些信息和数据需要靠整个产业链跟他相关的合作伙伴，或者合作伙伴相关的上下游的企业。
而中小型企业需要的是资源。他们没有大企业足够的资源。我们看到很多中小型企业，他们需要钱，但是他们拿不到资金。因为授信额度和信息，很多都不透明的。
而互联网最优价值的是数据。但数据的来源不能仅仅依赖大企业，如果说一家大型企业充其量就是百万级的，但是很多数据是散落在产业链里面不同的中小型企业里面的。所以怎么把数据集中起来产生更大的价值，同时给他们赋能，这是工业互联网要做的。
比如说，行业里面有一个常见的问题，就是产能的问题。很多企业产能充裕，但是市场订单不充裕，导致很多产能是闲置的。而工业互联网平台的一个目标应该就是，把整个行业的产能进行整合，可以合理分布产业链上的产能，不至于让很多企业闲置很多产能和设备。这是工业互联网一个最基本的应用场景。
但解决产能是一个庞大的体系问题，这其中不仅仅是设备问题，还包括生产排期、工作人员、设备状态、物流、信息安全等等，企业在代工的时候怎么保证客户的信息安全、产品的私密性，这些都需要搭建体系。
七问：如何保障算力？同时保障信息安全？
在讨论到信息安全问题时，全球最大分布算力平台Bonic创始人介绍了如何在保障强大算力的同时保证数据传输安全。目前在Bonic平台上有超过100万计算机，现在在上面的算力已经超过了全世界最大的超算。
他介绍到，目前有很多生物学、天文学用到很多的算力，算力越大计算的结果越准确。现在科学家获取算力的资源可以到原服务商那里购买，或者他们用超算中心的超算。但是这些方式比较贵，所以可能很多科学家并没有机会去获取这样的算力资源。2015年之前我们就有一个主意，让消费者的设备可以用来计算这些数据量大的任务，这样首先最大的好处就是这些消费设备数量是非常多的，可能人手一台。
因为计算资源非常便宜，所以可以采用另外意义手段，可以把一个任务同时分配给10台计算机，谁计算快用谁的结果。这个时候，数据安全在传输和存储过程当中不是一个问题，可以通过加密的方式解决。一些现代的计算技术可以实现计算过程完全加密，甚至计算机也不知道计算的是什么任务。
八问：怎样判断一个场景能不能用人工智能？
判断一个场景能不能用人工智能，首先是要走出一个误区：原先用人解决不好的问题，用人工智能就能解决吗？指望用人工智能的方法超越人类的洞察力，是不可能的。
那么，现在人工智能做法是什么？传统IT其实是把人的做事的方法和流程，计算机程序固化下来了，然后提升效率，不会出错。但有些环节当时的IT技术没办法把人类的思考过程模拟下来，因此做不了，现在只能说是有了人工智能技术，我们可以做这部分工作。
人+机器可以极大节省人的投入，这也是非常好的方法。从这个角度，我们可以去考虑人工智能能做什么事儿。
但怎么实现，仍然还要做几件事，一是评价IT技术怎么样，如果都没有联网，传感器没有信息过来，甚至都没有计算机在做中枢的技术，没有任何反馈的信息，怎么做AI？怎么做大数据？
第二个部分是定义人工智能要做的任务，不要做非常庞大的任务，要把大任务分解成小任务，每一个小任务用什么方法解决？然后再准备数据。
第三，准备数据。数据不是越大越好，起码对于人工智能来说是这样的。我们把数据分三个层次：最底下的是越来越大的数据源，这些数据源有一些是结构化的。还有很多非结构化的，比如语音、文本、图象、地理数据等等。
但这些数据源的价值对人工智能价值非常之有限。这就要靠人去做数据的清洗和标注，才可以到第二个层次，就是语料，这个价值密度很高。这个时候用不同的算法对数据进行训练，就产生了模型。模型其实是一种形式的知识。
但单靠模型也不能实现人工智能，还要靠大量行业里面的东西在人的脑子当中，所以我们要用人脑的知识表示下来。所以数据分三个层次：数据量、语料、知识。如果在这个行业里面你已经有非常明确的知识了，甚至连数据源都不要，都可以做很好的AI系统。
九问：供应链金融为什么做不下去？
如何真正做供应链金融，就是需要通过在重新理解行业逻辑后，把数据结构处理出来，真正处理出来，进行分类、分标签，最终变为银行可以理解的风险。让银行在决定是否放一笔贷款的时候有一个合理的风控打分建模规则。
也就是说，对于银行来说“你讲的东西是我认的才可以计算。如果不能把你给我的数据纳入到我的风评体系当中，给我再多的数据没有意义。”这中间，真正关键的是抽取标准化数据，构建完整的数据闭环。
目前我国银行信贷的基本规则依然是抵押化、银行的一切还是围绕着担保制，这一条就限制了供应链金融的发展。而为什么现在的供应链金融做不下去，就是因为“管钱的人”看不到完整的数据闭环。
十问：工业互联网如何做客户？如何描述产品价值？
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）
提起实业跟金融的关系，各个实业企业中的财务部跟对口银行的关系，他们彼此之间的黏和度不紧。我觉得很多的环节是脱节的。虽然几个基础技术的产生，人工互联网、物联网、区块链和即将到来的5G，让我们看到的产品的新的可能性，让银行业喊了很多年的供应链金融落地变成一种可能性。
但场景和持牌机构的业务部门和技术部门之间，彼此听不懂。我们的更多角色是作为一个连接器和翻译官的工作。
三问，工业互联网除了精细化管理、信息化，还能做什么？
工业互联网除了在精细化管理这方面、信息化这方面，是否也可以在我们高端制造业这样一个技术攻关的过程当中能够起到一些作用？能否用统计学帮助到技术？
比如3D打印技术有一些卡脖子的地方，因素很多，人工去分析可能分析不清楚。是否可以用统计学大数据的方法去帮助他们实现，解决这个卡脖子的问题，实现弯道超车。
四问，到底是“X+互联网”、还是“互联网+X”？
美国提工业互联网，德国提工业4.0，是基于两方不同：美国互联网更发达一些，德国是传统工业，所以他的工业和制造业特别的强势，所以这两个国家出发点最早推动的点是不一样的，但是实际上应该两者融合是政府希望的。
国内很多年前我们一直在讲“两化融合”，就是讲工业化和信息化的融合发展。从工业互联网的角度来说，我们希望“X+互联网”，而不是“互联网+X”，因为产业互联网和工业互联网可以真正做好的还是从制造企业自己本身，懂制造企业生产的过程、流程和新的技术，从这些方面再去用互联网技术再优化和提升，这样会做得比较好、比较踏实。
五问，巨头那么多，该跟谁玩儿？怎么玩儿？
中国现在整个互联网带来的阵营非常清晰，几个巨头拉开架式，对所有的合作者、玩家来说，该怎么样跟巨头保持距离、共舞？该跟谁合作？站在谁的阵营里面？该如何跟他们保持距离，能够享受平台带来的好处又不被这些巨头平台吞噬？
一位来自云计算服务商给出了自己的答案。
他认为，第一以AWS、Azure为例，美国有自己的本土特色，一家巨头做自己擅长的领域，彼此不打仗。但是中国不一样，中国阿里云、腾讯、金山等等（小米云、华为云），在一定程度上做价格挤压，单独拿出来看依然是很烧钱的方式，这种方式是走中心化云服务公司，其实很难有成本的优势。第二，中国巨头面临与客户抢客户的问题，云服务涉及到产品的时候，不光是成本较量的问题，还面临用户信誉的问题。当小型玩家没有办法用传统方式和巨头一较高下的时候，他们会在成本上下功夫，当然，商业上可能会面临很多挤压，空间很少。
六问，工业互联网不仅可以分配信息，还可以分配产能
在谈论工业互联网是，不同的产业链上不同的企业诉求是不一样的。
对于大型企业来说，它的信息化夯实，投资巨大。他们需要的是数据和信息。这时，企业内部的信息挖掘已经足够了，他们需要通过整个市场信息，把自己的业务往外扩张，他们需要产业链的信息和数据。这些信息和数据需要靠整个产业链跟他相关的合作伙伴，或者合作伙伴相关的上下游的企业。
而中小型企业需要的是资源。他们没有大企业足够的资源。我们看到很多中小型企业，他们需要钱，但是他们拿不到资金。因为授信额度和信息，很多都不透明的。
而互联网最优价值的是数据。但数据的来源不能仅仅依赖大企业，如果说一家大型企业充其量就是百万级的，但是很多数据是散落在产业链里面不同的中小型企业里面的。所以怎么把数据集中起来产生更大的价值，同时给他们赋能，这是工业互联网要做的。
比如说，行业里面有一个常见的问题，就是产能的问题。很多企业产能充裕，但是市场订单不充裕，导致很多产能是闲置的。而工业互联网平台的一个目标应该就是，把整个行业的产能进行整合，可以合理分布产业链上的产能，不至于让很多企业闲置很多产能和设备。这是工业互联网一个最基本的应用场景。
但解决产能是一个庞大的体系问题，这其中不仅仅是设备问题，还包括生产排期、工作人员、设备状态、物流、信息安全等等，企业在代工的时候怎么保证客户的信息安全、产品的私密性，这些都需要搭建体系。
七问：如何保障算力？同时保障信息安全？
在讨论到信息安全问题时，全球最大分布算力平台Bonic创始人介绍了如何在保障强大算力的同时保证数据传输安全。目前在Bonic平台上有超过100万计算机，现在在上面的算力已经超过了全世界最大的超算。
他介绍到，目前有很多生物学、天文学用到很多的算力，算力越大计算的结果越准确。现在科学家获取算力的资源可以到原服务商那里购买，或者他们用超算中心的超算。但是这些方式比较贵，所以可能很多科学家并没有机会去获取这样的算力资源。2015年之前我们就有一个主意，让消费者的设备可以用来计算这些数据量大的任务，这样首先最大的好处就是这些消费设备数量是非常多的，可能人手一台。
因为计算资源非常便宜，所以可以采用另外意义手段，可以把一个任务同时分配给10台计算机，谁计算快用谁的结果。这个时候，数据安全在传输和存储过程当中不是一个问题，可以通过加密的方式解决。一些现代的计算技术可以实现计算过程完全加密，甚至计算机也不知道计算的是什么任务。
八问：怎样判断一个场景能不能用人工智能？
判断一个场景能不能用人工智能，首先是要走出一个误区：原先用人解决不好的问题，用人工智能就能解决吗？指望用人工智能的方法超越人类的洞察力，是不可能的。
那么，现在人工智能做法是什么？传统IT其实是把人的做事的方法和流程，计算机程序固化下来了，然后提升效率，不会出错。但有些环节当时的IT技术没办法把人类的思考过程模拟下来，因此做不了，现在只能说是有了人工智能技术，我们可以做这部分工作。
人+机器可以极大节省人的投入，这也是非常好的方法。从这个角度，我们可以去考虑人工智能能做什么事儿。
但怎么实现，仍然还要做几件事，一是评价IT技术怎么样，如果都没有联网，传感器没有信息过来，甚至都没有计算机在做中枢的技术，没有任何反馈的信息，怎么做AI？怎么做大数据？
第二个部分是定义人工智能要做的任务，不要做非常庞大的任务，要把大任务分解成小任务，每一个小任务用什么方法解决？然后再准备数据。
第三，准备数据。数据不是越大越好，起码对于人工智能来说是这样的。我们把数据分三个层次：最底下的是越来越大的数据源，这些数据源有一些是结构化的。还有很多非结构化的，比如语音、文本、图象、地理数据等等。
但这些数据源的价值对人工智能价值非常之有限。这就要靠人去做数据的清洗和标注，才可以到第二个层次，就是语料，这个价值密度很高。这个时候用不同的算法对数据进行训练，就产生了模型。模型其实是一种形式的知识。
但单靠模型也不能实现人工智能，还要靠大量行业里面的东西在人的脑子当中，所以我们要用人脑的知识表示下来。所以数据分三个层次：数据量、语料、知识。如果在这个行业里面你已经有非常明确的知识了，甚至连数据源都不要，都可以做很好的AI系统。
九问：供应链金融为什么做不下去？
如何真正做供应链金融，就是需要通过在重新理解行业逻辑后，把数据结构处理出来，真正处理出来，进行分类、分标签，最终变为银行可以理解的风险。让银行在决定是否放一笔贷款的时候有一个合理的风控打分建模规则。
也就是说，对于银行来说“你讲的东西是我认的才可以计算。如果不能把你给我的数据纳入到我的风评体系当中，给我再多的数据没有意义。”这中间，真正关键的是抽取标准化数据，构建完整的数据闭环。
目前我国银行信贷的基本规则依然是抵押化、银行的一切还是围绕着担保制，这一条就限制了供应链金融的发展。而为什么现在的供应链金融做不下去，就是因为“管钱的人”看不到完整的数据闭环。
十问：工业互联网如何做客户？如何描述产品价值？
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）
美国提工业互联网，德国提工业4.0，是基于两方不同：美国互联网更发达一些，德国是传统工业，所以他的工业和制造业特别的强势，所以这两个国家出发点最早推动的点是不一样的，但是实际上应该两者融合是政府希望的。
国内很多年前我们一直在讲“两化融合”，就是讲工业化和信息化的融合发展。从工业互联网的角度来说，我们希望“X+互联网”，而不是“互联网+X”，因为产业互联网和工业互联网可以真正做好的还是从制造企业自己本身，懂制造企业生产的过程、流程和新的技术，从这些方面再去用互联网技术再优化和提升，这样会做得比较好、比较踏实。
五问，巨头那么多，该跟谁玩儿？怎么玩儿？
中国现在整个互联网带来的阵营非常清晰，几个巨头拉开架式，对所有的合作者、玩家来说，该怎么样跟巨头保持距离、共舞？该跟谁合作？站在谁的阵营里面？该如何跟他们保持距离，能够享受平台带来的好处又不被这些巨头平台吞噬？
一位来自云计算服务商给出了自己的答案。
他认为，第一以AWS、Azure为例，美国有自己的本土特色，一家巨头做自己擅长的领域，彼此不打仗。但是中国不一样，中国阿里云、腾讯、金山等等（小米云、华为云），在一定程度上做价格挤压，单独拿出来看依然是很烧钱的方式，这种方式是走中心化云服务公司，其实很难有成本的优势。第二，中国巨头面临与客户抢客户的问题，云服务涉及到产品的时候，不光是成本较量的问题，还面临用户信誉的问题。当小型玩家没有办法用传统方式和巨头一较高下的时候，他们会在成本上下功夫，当然，商业上可能会面临很多挤压，空间很少。
六问，工业互联网不仅可以分配信息，还可以分配产能
在谈论工业互联网是，不同的产业链上不同的企业诉求是不一样的。
对于大型企业来说，它的信息化夯实，投资巨大。他们需要的是数据和信息。这时，企业内部的信息挖掘已经足够了，他们需要通过整个市场信息，把自己的业务往外扩张，他们需要产业链的信息和数据。这些信息和数据需要靠整个产业链跟他相关的合作伙伴，或者合作伙伴相关的上下游的企业。
而中小型企业需要的是资源。他们没有大企业足够的资源。我们看到很多中小型企业，他们需要钱，但是他们拿不到资金。因为授信额度和信息，很多都不透明的。
而互联网最优价值的是数据。但数据的来源不能仅仅依赖大企业，如果说一家大型企业充其量就是百万级的，但是很多数据是散落在产业链里面不同的中小型企业里面的。所以怎么把数据集中起来产生更大的价值，同时给他们赋能，这是工业互联网要做的。
比如说，行业里面有一个常见的问题，就是产能的问题。很多企业产能充裕，但是市场订单不充裕，导致很多产能是闲置的。而工业互联网平台的一个目标应该就是，把整个行业的产能进行整合，可以合理分布产业链上的产能，不至于让很多企业闲置很多产能和设备。这是工业互联网一个最基本的应用场景。
但解决产能是一个庞大的体系问题，这其中不仅仅是设备问题，还包括生产排期、工作人员、设备状态、物流、信息安全等等，企业在代工的时候怎么保证客户的信息安全、产品的私密性，这些都需要搭建体系。
七问：如何保障算力？同时保障信息安全？
在讨论到信息安全问题时，全球最大分布算力平台Bonic创始人介绍了如何在保障强大算力的同时保证数据传输安全。目前在Bonic平台上有超过100万计算机，现在在上面的算力已经超过了全世界最大的超算。
他介绍到，目前有很多生物学、天文学用到很多的算力，算力越大计算的结果越准确。现在科学家获取算力的资源可以到原服务商那里购买，或者他们用超算中心的超算。但是这些方式比较贵，所以可能很多科学家并没有机会去获取这样的算力资源。2015年之前我们就有一个主意，让消费者的设备可以用来计算这些数据量大的任务，这样首先最大的好处就是这些消费设备数量是非常多的，可能人手一台。
因为计算资源非常便宜，所以可以采用另外意义手段，可以把一个任务同时分配给10台计算机，谁计算快用谁的结果。这个时候，数据安全在传输和存储过程当中不是一个问题，可以通过加密的方式解决。一些现代的计算技术可以实现计算过程完全加密，甚至计算机也不知道计算的是什么任务。
八问：怎样判断一个场景能不能用人工智能？
判断一个场景能不能用人工智能，首先是要走出一个误区：原先用人解决不好的问题，用人工智能就能解决吗？指望用人工智能的方法超越人类的洞察力，是不可能的。
那么，现在人工智能做法是什么？传统IT其实是把人的做事的方法和流程，计算机程序固化下来了，然后提升效率，不会出错。但有些环节当时的IT技术没办法把人类的思考过程模拟下来，因此做不了，现在只能说是有了人工智能技术，我们可以做这部分工作。
人+机器可以极大节省人的投入，这也是非常好的方法。从这个角度，我们可以去考虑人工智能能做什么事儿。
但怎么实现，仍然还要做几件事，一是评价IT技术怎么样，如果都没有联网，传感器没有信息过来，甚至都没有计算机在做中枢的技术，没有任何反馈的信息，怎么做AI？怎么做大数据？
第二个部分是定义人工智能要做的任务，不要做非常庞大的任务，要把大任务分解成小任务，每一个小任务用什么方法解决？然后再准备数据。
第三，准备数据。数据不是越大越好，起码对于人工智能来说是这样的。我们把数据分三个层次：最底下的是越来越大的数据源，这些数据源有一些是结构化的。还有很多非结构化的，比如语音、文本、图象、地理数据等等。
但这些数据源的价值对人工智能价值非常之有限。这就要靠人去做数据的清洗和标注，才可以到第二个层次，就是语料，这个价值密度很高。这个时候用不同的算法对数据进行训练，就产生了模型。模型其实是一种形式的知识。
但单靠模型也不能实现人工智能，还要靠大量行业里面的东西在人的脑子当中，所以我们要用人脑的知识表示下来。所以数据分三个层次：数据量、语料、知识。如果在这个行业里面你已经有非常明确的知识了，甚至连数据源都不要，都可以做很好的AI系统。
九问：供应链金融为什么做不下去？
如何真正做供应链金融，就是需要通过在重新理解行业逻辑后，把数据结构处理出来，真正处理出来，进行分类、分标签，最终变为银行可以理解的风险。让银行在决定是否放一笔贷款的时候有一个合理的风控打分建模规则。
也就是说，对于银行来说“你讲的东西是我认的才可以计算。如果不能把你给我的数据纳入到我的风评体系当中，给我再多的数据没有意义。”这中间，真正关键的是抽取标准化数据，构建完整的数据闭环。
目前我国银行信贷的基本规则依然是抵押化、银行的一切还是围绕着担保制，这一条就限制了供应链金融的发展。而为什么现在的供应链金融做不下去，就是因为“管钱的人”看不到完整的数据闭环。
十问：工业互联网如何做客户？如何描述产品价值？
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）
在谈论工业互联网是，不同的产业链上不同的企业诉求是不一样的。
对于大型企业来说，它的信息化夯实，投资巨大。他们需要的是数据和信息。这时，企业内部的信息挖掘已经足够了，他们需要通过整个市场信息，把自己的业务往外扩张，他们需要产业链的信息和数据。这些信息和数据需要靠整个产业链跟他相关的合作伙伴，或者合作伙伴相关的上下游的企业。
而中小型企业需要的是资源。他们没有大企业足够的资源。我们看到很多中小型企业，他们需要钱，但是他们拿不到资金。因为授信额度和信息，很多都不透明的。
而互联网最优价值的是数据。但数据的来源不能仅仅依赖大企业，如果说一家大型企业充其量就是百万级的，但是很多数据是散落在产业链里面不同的中小型企业里面的。所以怎么把数据集中起来产生更大的价值，同时给他们赋能，这是工业互联网要做的。
比如说，行业里面有一个常见的问题，就是产能的问题。很多企业产能充裕，但是市场订单不充裕，导致很多产能是闲置的。而工业互联网平台的一个目标应该就是，把整个行业的产能进行整合，可以合理分布产业链上的产能，不至于让很多企业闲置很多产能和设备。这是工业互联网一个最基本的应用场景。
但解决产能是一个庞大的体系问题，这其中不仅仅是设备问题，还包括生产排期、工作人员、设备状态、物流、信息安全等等，企业在代工的时候怎么保证客户的信息安全、产品的私密性，这些都需要搭建体系。
七问：如何保障算力？同时保障信息安全？
在讨论到信息安全问题时，全球最大分布算力平台Bonic创始人介绍了如何在保障强大算力的同时保证数据传输安全。目前在Bonic平台上有超过100万计算机，现在在上面的算力已经超过了全世界最大的超算。
他介绍到，目前有很多生物学、天文学用到很多的算力，算力越大计算的结果越准确。现在科学家获取算力的资源可以到原服务商那里购买，或者他们用超算中心的超算。但是这些方式比较贵，所以可能很多科学家并没有机会去获取这样的算力资源。2015年之前我们就有一个主意，让消费者的设备可以用来计算这些数据量大的任务，这样首先最大的好处就是这些消费设备数量是非常多的，可能人手一台。
因为计算资源非常便宜，所以可以采用另外意义手段，可以把一个任务同时分配给10台计算机，谁计算快用谁的结果。这个时候，数据安全在传输和存储过程当中不是一个问题，可以通过加密的方式解决。一些现代的计算技术可以实现计算过程完全加密，甚至计算机也不知道计算的是什么任务。
八问：怎样判断一个场景能不能用人工智能？
判断一个场景能不能用人工智能，首先是要走出一个误区：原先用人解决不好的问题，用人工智能就能解决吗？指望用人工智能的方法超越人类的洞察力，是不可能的。
那么，现在人工智能做法是什么？传统IT其实是把人的做事的方法和流程，计算机程序固化下来了，然后提升效率，不会出错。但有些环节当时的IT技术没办法把人类的思考过程模拟下来，因此做不了，现在只能说是有了人工智能技术，我们可以做这部分工作。
人+机器可以极大节省人的投入，这也是非常好的方法。从这个角度，我们可以去考虑人工智能能做什么事儿。
但怎么实现，仍然还要做几件事，一是评价IT技术怎么样，如果都没有联网，传感器没有信息过来，甚至都没有计算机在做中枢的技术，没有任何反馈的信息，怎么做AI？怎么做大数据？
第二个部分是定义人工智能要做的任务，不要做非常庞大的任务，要把大任务分解成小任务，每一个小任务用什么方法解决？然后再准备数据。
第三，准备数据。数据不是越大越好，起码对于人工智能来说是这样的。我们把数据分三个层次：最底下的是越来越大的数据源，这些数据源有一些是结构化的。还有很多非结构化的，比如语音、文本、图象、地理数据等等。
但这些数据源的价值对人工智能价值非常之有限。这就要靠人去做数据的清洗和标注，才可以到第二个层次，就是语料，这个价值密度很高。这个时候用不同的算法对数据进行训练，就产生了模型。模型其实是一种形式的知识。
但单靠模型也不能实现人工智能，还要靠大量行业里面的东西在人的脑子当中，所以我们要用人脑的知识表示下来。所以数据分三个层次：数据量、语料、知识。如果在这个行业里面你已经有非常明确的知识了，甚至连数据源都不要，都可以做很好的AI系统。
九问：供应链金融为什么做不下去？
如何真正做供应链金融，就是需要通过在重新理解行业逻辑后，把数据结构处理出来，真正处理出来，进行分类、分标签，最终变为银行可以理解的风险。让银行在决定是否放一笔贷款的时候有一个合理的风控打分建模规则。
也就是说，对于银行来说“你讲的东西是我认的才可以计算。如果不能把你给我的数据纳入到我的风评体系当中，给我再多的数据没有意义。”这中间，真正关键的是抽取标准化数据，构建完整的数据闭环。
目前我国银行信贷的基本规则依然是抵押化、银行的一切还是围绕着担保制，这一条就限制了供应链金融的发展。而为什么现在的供应链金融做不下去，就是因为“管钱的人”看不到完整的数据闭环。
十问：工业互联网如何做客户？如何描述产品价值？
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）
判断一个场景能不能用人工智能，首先是要走出一个误区：原先用人解决不好的问题，用人工智能就能解决吗？指望用人工智能的方法超越人类的洞察力，是不可能的。
那么，现在人工智能做法是什么？传统IT其实是把人的做事的方法和流程，计算机程序固化下来了，然后提升效率，不会出错。但有些环节当时的IT技术没办法把人类的思考过程模拟下来，因此做不了，现在只能说是有了人工智能技术，我们可以做这部分工作。
人+机器可以极大节省人的投入，这也是非常好的方法。从这个角度，我们可以去考虑人工智能能做什么事儿。
但怎么实现，仍然还要做几件事，一是评价IT技术怎么样，如果都没有联网，传感器没有信息过来，甚至都没有计算机在做中枢的技术，没有任何反馈的信息，怎么做AI？怎么做大数据？
第二个部分是定义人工智能要做的任务，不要做非常庞大的任务，要把大任务分解成小任务，每一个小任务用什么方法解决？然后再准备数据。
第三，准备数据。数据不是越大越好，起码对于人工智能来说是这样的。我们把数据分三个层次：最底下的是越来越大的数据源，这些数据源有一些是结构化的。还有很多非结构化的，比如语音、文本、图象、地理数据等等。
但这些数据源的价值对人工智能价值非常之有限。这就要靠人去做数据的清洗和标注，才可以到第二个层次，就是语料，这个价值密度很高。这个时候用不同的算法对数据进行训练，就产生了模型。模型其实是一种形式的知识。
但单靠模型也不能实现人工智能，还要靠大量行业里面的东西在人的脑子当中，所以我们要用人脑的知识表示下来。所以数据分三个层次：数据量、语料、知识。如果在这个行业里面你已经有非常明确的知识了，甚至连数据源都不要，都可以做很好的AI系统。
九问：供应链金融为什么做不下去？
如何真正做供应链金融，就是需要通过在重新理解行业逻辑后，把数据结构处理出来，真正处理出来，进行分类、分标签，最终变为银行可以理解的风险。让银行在决定是否放一笔贷款的时候有一个合理的风控打分建模规则。
也就是说，对于银行来说“你讲的东西是我认的才可以计算。如果不能把你给我的数据纳入到我的风评体系当中，给我再多的数据没有意义。”这中间，真正关键的是抽取标准化数据，构建完整的数据闭环。
目前我国银行信贷的基本规则依然是抵押化、银行的一切还是围绕着担保制，这一条就限制了供应链金融的发展。而为什么现在的供应链金融做不下去，就是因为“管钱的人”看不到完整的数据闭环。
十问：工业互联网如何做客户？如何描述产品价值？
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）
无论是探索产业互联网，还是探索工业互联网，都经历了几个阶段。第一个阶段是卖技术，“我的算法有多少好，多少牛，我可以提供最先进的技术”。
第二阶段卖的解决方案，基于核心产品的解决方案。需要把很多技术的能力分装好，要很多的模型需要预先训练好，很多行业要提前做好数据的装备，这个时候形成数据解决方案，可以解决客户闭环场景的问题，可以给他们带来利益，这才是持续经营的人工智能要做的事。
第三个阶段是理念，去描述公司提供的是什么样的理念和服务整套的模式。不同的场景需要不同的知识不是技术，这个时候技术、服务提供者需要一个很好的服务体系传递给需求方。（本文首发钛媒体，作者/赵宇航）