用AI，認識西門子的另一面_風聞

李根 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

關於西門子Siemens，每個人都有自己的印象。

家住北京朝陽區的陳先生，給出的第一印象是家電，冰箱、洗衣機、烘乾機……家裏的西門子應有盡有。

清華畢業的孫芃，馬上想到的是工作。博士畢業之後的數年裏，她在中國研究院研發技術、應用至項目，最後作用在中國的城市和工業項目。

而如果你問華潤電力研究院，他們會給出更不一樣的答案。

這個答案可以概括為數據分析，可以稱之為產業互聯網，若是更符合當前的潮向，我們或許要以產業AI認知西門子。

這是一個大眾沒那麼熟悉的西門子另一面，但影響日盛，聲勢愈猛，它深入產業數字化進程中，一手抓效率，一手降成本。

沒錯，靠AI。

AI優化電廠運營

華潤電力將與西門子合作，後者通過技術能力，幫助華潤電力實現發電機組的數字化連接、提高機羣透明度，進行資產診斷和運營優化，從而幫助提高電廠的運營效益。

這也會是中國首個數字化電力遠程運營中心項目。

整個方案中，共接入了19台發電機組（總裝機容量9.6吉瓦），其中發電機涵蓋小則含30萬機組，大則60萬機組，還有特殊達上百萬，發電量能滿足1500萬個家庭日常所用。

其中，大數據、人工智能、雲計算等技術均會被應用其中，所以華潤電力與西門子的聯手，將會是一次數字化的真正落地，也是未來智能能源技術的一次代表性試水。

西門子產業AI

但華潤電力，只是西門子產業AI的眾多落地案例和客户之一。

在製造、能源、城市、樓宇等諸多領域，西門子的數字化方案都在開花結果。

西門子中國研究院大數據分析研發部總監田鵬偉説，如果從傳統機器學習算起，西門子開啓AI領域的研究和方案落地，已有30多年曆史。

早在90年代，西門子就開始在全球30多家鋼鐵廠部署基於自學習的質量控制方案，幫助客户更好利用設備。

即便當時神經網絡的方法方興未艾，但出於需求驅動，西門子就已經嘗試將其帶入方案中幫助解決問題。

從傳統的數據分析、機器學習，到近幾年大火的神經網絡和深度學習，對於西門子永遠都是工具，只要對解決問題有幫助，都會嘗試。

西門子的風格，往往不是提供一個方案，而是提供一系列方案。

典型的解決方案則可以歸為三類領域。

第一個領域，預測和預測性維護。目前在空氣質量預測、故障設備檢測和設備健康狀態預測等方面，都有應用。

第二大領域是適應和優化。與通常喜聞樂見的人機交互不同，西門子方案的交互對象是大自然一樣的無邊界對手。

比如優化風力發電的發電效率案例中，他們就需要在特定環境和氣候條件下，給出如何佈置風機、優化發電效率的方案。

第三大領域則是自然語言處理和推理，主要應用在文本數據分析和知識管理，在推理基礎上實現智能化交互，並融合傳感器數據和多媒體數據，進一步發揮作用。

而在這些行業和領域的推進中，還有一些典型的經驗和解決方案得到總結。

例如，西門子內部將某典型方案命名為設備醫生，Equipment Doctor，幫設備去診斷，幫設備去治病，並且還總結出“中西醫結合”的方法。

所謂中西醫結合，不光只是好記好聽，還在於更形象地對傳統領域合作方解釋技術原理。

在西門子產業AI落地中，這樣的形象化比喻比比皆是，比如在解釋GAN——生成對抗網絡作用原理中，他們還有“用豆腐做素肉”的比喻，AI背景的人自然都知道GAN如何發揮作用，但諸多傳統企業客户並不清楚。

於是西門子科學家們對GAN有了上述闡釋。為了讓素肉的口感更接近於真正的肉製品，GAN可以通過廚師手藝和食客口味的反覆交鋒，使得不斷精進的廚師能夠做出令最挑剔的食客也難以辨別真偽的素肉。

所以這實際也是產業AI落地中必不可缺的一部分，西門子的博士們，不光要當AI方案打造者，還要承擔AI前沿技術概念的佈道師。

而在這“中西醫結合”的方法中，就包含了諸多原本解釋起來很困難的AI概念。

所謂“中”，一方面是基於歷史文本數據、專家知識經驗建立知識庫，進而將AI能力貫穿其中，形成推理引擎，可以針對問題的現象或症狀給出方案。

而所謂“西”，利用傳感器數據和神經網絡模型相配合，一旦設備發生問題，在精確量化的指標監測下，可以及時反饋，並依靠背後的知識圖譜給出方法建議，甚至能做到問題預判，大大降低突然宕機帶來的危害。

當然，熟悉AI或機器學習方案的人都知道，這套“中西醫結合”的方法，大道至簡，就是AI方案落地具體領域和行業的解法。

比如生產優化的例子。

在基於數控機牀的精加工過程中，客户都希望更好實現生產質量優化，提升加工的良率。

於是就是按照上述“中西醫結合”的方法，西門子方案能夠自動給出客户建議：哪些參數能提升良率，什麼樣的參數值可以運用其中，最後良率可以提升至怎樣的效果。

值得一提的是，西門子內部，其實也有自己的“AlphaGo”。

但不是用來下圍棋，而是運用AlphaGo背後的多層神經網絡、強化學習等技術，將其運用至燃氣輪機的氮氧化合物排放優化以及風力發電效率提升問題上。

而且相比圍棋，這些領域的規則都不算清晰，問題的邊界也不算明確，比如氮氧化合物排放是完全在燃氣輪機的燃燒室裏進行的，完全動態。

但就在這樣的情況下，西門子運用AI還是實現了15%的效能優化。

不過AI落地也好，打造行業解決方案也罷，究竟有無標準可篩選先後，有沒有“首先、其次”的路徑可走？

可能沒有。

需求驅動，業務驅動

因為從西門子的經驗來説，都是需求驅動、業務驅動。

西門子產業AI解決方案出爐，都是從客户的痛點、數據情況和目標價值出發。

在工業領域，起初的需求是設備和系統預測。

西門子創立百年，打造了眾多著稱全球的設備，進入數據驅動、AI加持階段，對設備和系統的預測、檢測，自然可以形成AI方案。

於是從業務出發，以需求驅動，西門子的產業AI一點點起步。

​並從最初的設備檢測和維護，慢慢進入更多精細化服務和市場。

而且在產業領域的數字化升級中，有太多降低成本、提升效率的事情，可以通過數據和AI發揮作用。

所以AI也在給西門子帶來變革，過去他們只是設備製造和提供商，但現在，將會是全鏈條服務的方案打造者。

這個過程中，西門子的軟硬件裝機量也側面發揮作用，因為只有設備擁有聯網、數據採集等能力，才能利用AI發揮作用。

不過產業領域搞AI，依然還有數據本身方面的挑戰。

比如通常不缺數據的工業，其實對於能滿足要求的數據很緊缺。

另外數據樣本也是難題，比起專門的AI領域有數據標註公司，工業領域還沒有類似產業鏈服務，畢竟只有專家才能完成工業數據的標註，而且很多工業設備不允許現場出問題，導致異常數據極其有限，想要進行故障檢測就變得更富挑戰。

最後，還有遷移性方面的問題。目前AI垂直縱深的領域，模型遷移並非難事，但在產業領域，即便同一個客户，在做完一套解決方案後，進行一次檢修，更換一次零件，就可能需要基於新的傳感器數據重新訓練，進而優化模型。

有時候，同樣設備的解決方案從客户A拓展至客户B，或者同一客户希望拓展至所有類似設備，都會讓遷移性經受大挑戰。

但這種挑戰換個角度，也成為了這家數字化設備巨頭深耕產業AI的優勢所在。

因為針對產業領域的這些挑戰，不停迭代、不斷適應新情況，最初的難關越過之後，就成了壁壘。

不一樣的產學研和創新

當前談論AI，無法不談論產學研。

產業領域應用也一樣，都要吃透最新技術，解決現實難題，推出產品化方案。

田鵬偉自述，跟其他公司研發模式略有不同，他們的研究院不僅需要學習更新最新技術和研究，也要思考和實踐如何把這些技術研究落地到客户方案中。

這種需求，推動了他們的創新模式形成。

在西門子內部，AI落地可以歸結為兩大方向：一是從AI引擎往下落地的AI+，二是從場景和領域向上結合的**+AI**。

從創新模式來看，研究院更側重於“AI+”，會着重思考如何把最新技術應用進方案，而各業務集團（Division），則從“+AI”角度，思考場景問題可以利用什麼樣方案解決。

最後研究院和業務集團聯動，真正讓技術發揮價值。

西門子的諸多科班出身博士們，雖然隸屬研究院，但出差和“下鄉”時間很多，因為西門子研究院的工作不是埋頭實驗室，還需要一線瞭解客户需求和場景。

但這可能也正是西門子及其研究院留得住人才的原因之一。

田鵬偉畢業就加入西門子，至今已將近10年，他很享受技術從實驗室到真實場景中落地後發揮價值的成就感。

還有開頭提及的孫芃，清華畢業後也來到西門子，至今司齡8年，她參與的智慧城市解決方案方案目前已經落地香港、無錫、蘇州等智慧城市項目中。

而且這還不是孤例特例，西門子的研究院彷彿別有魔力。

在AI狂飆激進的年代裏，它彷彿天降防護罩，保證這些科學家沉心靜氣，源源不斷往傳統領域輸出技術價值。

桃李不言，下自成蹊。

現在是時候從中國更新印象，認識西門子的另一面——產業AI的那一面。