大数据作为一种新的资产、资源和生产要素，正驱动着制造业的智能化变革，尤其是随着近年来，互联网对数据价值挖掘的成功，使得传统行业开始思考如何推动价值转型，驱动工业变革，这是新的技术条件下制造业生产全流程、全产业链、产品全生命周期的数据可获取、可分析、可执行的必然结果，也是制造资源配置效率优化、制造业全要素生产率提高的迫切需求。
为进一步探索工业大数据对工业改革的深远影响，自2017年起，在工业和信息化部指导下，中国信息通信研究院连续三年主办工业大数据创新竞赛，吸引来自国内外超过5000名选手参赛，在吸引人才关注、促进工业智能化、建立工业大数据生态等方面起到重要作用。
工业大数据创新竞赛背景
大数据正处于融合发展和变革创新的重要关口。一是工业数据量激增，互联网、移动互联网、物联网三大生态顺次发展，使得全球数据总量爆发性增长，到2020年，数据总量将达到44ZB（万亿GB），其中工业数据增速将是其他大数据领域的两倍。二是软件、网络、装备等各领域间技术频繁发生跨界耦合交融，依托数据的整合作用，推动产品与服务、硬件与软件、应用与平台趋向交融，全球产业格局面临重塑。三是人工智能等技术创新进入空前密集活跃期，大幅提升大数据的应用潜能。
以大数据为内容的新一轮信息技术革命，正在推进制造业新一轮产业变革。大数据作为数字时代的关键战略资源，通过制造业全要素、全产业链、全价值链、全生命周期的数据整合汇聚与分析建模，形成数据驱动的智能和数据驱动的创新，推动企业研发设计、生产制造、供应链管理、产品服务、企业组织和产业链合作的智能化变革，并实现物理世界和数字空间的相互映射和高效协同，构筑信息互通、资源共享、能力协同、开放合作的制造业新体系，极大地扩展了制造业的创新与发展空间。面对以大数据为核心的新工业革命所带来的深刻变革，世界各主要国家高度重视，争相实施大数据引领战略和智能制造战略，积极抢占全球科技和产业竞争的制高点。如美国从2009年开始陆续推出数据开放、技术创新、协作发展系列战略与规划,并大力推动以数据为核心的工业互联网发展，目前已在先进制造、智能机器人、可穿戴设备、无人驾驶汽车、新材料及新型电子器件等多个领域实现了与大数据紧密融合，形成了明显的先发优势。德国、日本为应对新一轮数字化浪潮带来的工业变革推出了一系列政策，重点关注工业大数据价值挖掘等内容。
竞赛是推动创新探索、实践指导与人才发展的有效途径。美国早在2008年起开始探索通过竞赛方式促进大数据、人工智能与制造业融合，针对设备健康状态评估、剩余生命周期预测等问题进行方法研究和测试论证，涉及航空发动机、齿轮箱、风机测风仪、半导体、轨道交通等多个工业场景。GE也曾经发起过多次数据竞赛，悬赏解决飞行路径规划、医疗大数据等问题，并获得解决实际问题的具体模型算法和专业人才。
工业大数据创新竞赛成果
工业大数据创新竞赛（简称竞赛）以“赋能与赋智，构建工业大数据应用生态”为主题，以“开放共享、协作共赢”为原则，是首个由政府主管部门指导的工业大数据领域的权威的全国性创新竞赛。竞赛在组织方式上充分借鉴了发达国家推动工业大数据创新应用的先进模式，基于制造企业真实数据资源和需求场景，面向全社会征集优秀解决方案，在发掘专业技术人才的同时，帮助制造企业解决实际问题。
工业大数据是工业互联网的核心要素，结合产业实践和本次竞赛可以看出，现阶段工业大数据的实践落地高度依赖行业经验与人工智能等数据科学的融合，通过将行业知识、经验固化到软件中，实现对工业场景中面临的不确定性实现更加有效的管理，形成数据驱动、快速迭代、持续优化的工业智能系统。
一是以行业模型为前提，从基于经验的决策转变为基于数据模型的决策。将面向不同行业、不同场景、不同学科中的工业机理、专家经验、行业知识和最佳实践固化成为数据统计、挖掘和分析模型，将业务问题转化为数据可解的问题，支持企业中的各个方面在正确的时间做出正确的决策。例如，本次竞赛两个比赛一等奖均从行业机理的理解出发，通过将领域知识和经验进行系统化管理、识别，形成针对某个应用场景的模型，并不断萃取专家知识和历史数据进行模型的优化并提高模型训练效率。
二是以数据科学为基础，从基于控制的自动化转变为基于机器学习的智能化。通过将传统数学统计与拟合方法和大数据方法结合，使得深度学习、迁移学习、强化学习等为代表的人工智能算法成为解决工业大数据领域诊断、预测与优化问题的得力工具。本次竞赛中，获奖选手均将深度学习等数据分析方法作为数据预处理与分析的重要方式，从产业界看，IBM公司将人工智能系统Watson引入其制造业解决方案体系，凭借优势明显的认知、推理和学习功能寻找数据与结果之间的内在关联，并形成新的洞察力以帮助企业进行最优决策。
三是以软件服务为目的，形成可落地执行的工业大数据解决方案。模型本身不产生价值，嵌入软件产品中支持业务改善的模型才有价值，同时软件运行过程中也有利于模型的维护、管理以及不断迭代，以适应变换的工业场景与可能出现的问题。例如，无论是传统的工业软件，还是新型的工业互联网平台，其作为工业大数据解决方案的本质，均是通过数据积累、算法优化、模型迭代，结合与算法匹配的开发框架，形成各类工业大数据解决方案，通过“数据+模型”优化资源配置效率，促进工业数据分析价值提升。
加快推进我国工业大数据发展的建议
立足当前工业大数据产业融合发展变革的关键时点与历史性机遇，有效聚合各领域企业、高校与科研机构并形成合力，以融合创新为主线，共同推进关键技术和产品的创新、部署与应用，推动深化开源开放的创新模式，以应用引领产业链整体性突破，实现向价值链高端水平跃升。
把握好工业大数据产业突破的重点方向与关键领域。一是支持上下游联合、跨界联合、产学研开展联合攻关，以工业互联网平台为重点，加快突破工业数据清洗、集成、存储计算等数据分析共性技术，消除数据分析的技术瓶颈。二是充分发挥我国工业、ICT、互联网等行业的领先企业在数据分析领域多年积累的经验，加大面向行业分析工具、算法、模型等的研发力度。三是立足产业未来发展，抓紧开展机器学习、分布式计算、流式计算等若干新兴领域的关键技术的研发和攻关。
构建以市场化机制为基础的产业生态体系。一是以联盟、专项多种方式鼓励国内制造企业和大数据、人工智能领域的软件及平台企业协作共赢，围绕自有开发框架，加强重点行业领域产用对接，形成云端工业大数据服务体系和竞争优势。二是吸取开源布局经验，大力培育、组织和支持工业大数据相关的开源社区建设，鼓励国内企业依托国际开源社区，加速推进我国工业数据分析产品和服务的研发产业化。三是引导高校建设工业大数据等“新工科”专业，鼓励高校与行业组织、龙头企业、产业园区等社会力量共建产业学院和新型交叉学科，加强工业数据建模分析、基于开源技术的软件开发等复合型人才培养。
加强与发达国家在工业大数据领域的合作交流。一方面，通过与美国、德国等发达国家在技术研究、测试床、应用推广等方面的深度交流与合作，学习其他国家先进发展模式、人才培养方式和核心技术研发模式，为我国未来工业数据分析提供可复制和可参考的样板。另一方面，积极参与工业数据分析领域的国际标准制定，确保我国工业数据分析技术标准发展符合国际主流趋势，争取参与国际标准制定，提升国际话语权和全球影响力。
閱讀更多 天津數港 的文章
