基于AI+知识工程的智慧研发
作者：田锋
一、AI+知识工程是智慧研发的基础
经过精益转型和正向变革，企业的研发模式已经优化，创新能力已经建立，其主要矛盾是缺乏高可持续发展能力和随需应变的柔韧特性，亟需通过对知识灵活、充分和智能化的应用，让企业降低对组织稳定性的依赖，以适应个体崛起时代的新特征，让人员和知识协作工作，并随着价值的变化而灵活聚散，这正是智慧研发所要解决的问题。
智慧革命主要解决研发体系三维架构中“知识维”的智慧化需求，该阶段的核心手段是知识工程，将研发过程所有活动需要的所有类别的知识进行梳理，利用各类知识加工方式对其进行增值加工，形成数字化形态的智能体，通过AI智能匹配的方式融入到研发活动中，使得研发活动完成过程由数字化、且能自动工作的知识所支撑。
其实，知识不仅是智慧研发基础，也是精益研发和正向设计的基础，也就是说，知识是所有数字化转型层级的基础。但数字化程度越高，知识的存在感越低。当然不是知识变少了，而是获取、加工和使用知识的方式更智能和智慧了，是手中有剑、心中有剑还是无剑胜有剑的差别。
智慧革命的本质其实是研发知识利用方式的第三次转型——智化，力图发挥知识全集的作用，把确定性知识加工成APP形成智能，把不确定性知识利用AI技术提取智慧。知识高度密集密集，并充分融入研发体系，特别是AI的深度参与，将对当前的研发主体——人提出挑战！未来的研发人员不是仅是深谙知识系统的人，而且是可驾驭AI的人，甚至就是AI自身。
信息化在左，司左脑之职；数字化在右，行右脑之事。那一往无前的是谁？对，就是知识！是它在一直探索通向未来的智慧之路。所以，先忘掉你的派系吧，不论你的左派还是右派，向前才有未来。数字化转型的终极目标是智能化和智慧化，而知识才是通往智能和智慧的阶梯，在研发设计环节尤为如此。
二、知识管理界的神模型
从研发角度来看，知识是研发的智慧源泉。从知识角度来看，研发是知识的终极归宿。智慧研发提出了企业研发体系框架和理想蓝图，知识工程是智慧研发蓝图的实现方略。智慧研发是突变式的转型升级，知识工程是基于微创新的渐进式的持续进步。我们将智慧研发称之为仰望星空，知识工程称之为脚踩大地。智慧研发实际上是知识工程工作从量变到质变的过程。针对这一结论，知识管理界著名的神模型——DIKW给出了相同的暗示。
DIKW模型堪称知识管理界的神模型，是表达数据（Data）、信息（Inforation）、知识（Knowledge）及智慧（Wisdom）之间关系的模型，一般的知识管理体系经常引用此模型。本模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，每一层比下一层都赋予一些新特质，如图-1所示。原始观察及量度获得数据，分析数据间的关系获得信息，在行动上应用信息产生知识。知识在不确定（模糊）场景下综合与灵活的应用产生智慧。智慧关心未来，它含有暗示及滞后影响的意味。
图-1DIKW模型：数据、信息、知识与智慧的关系
通过DIKW模型分析，可以看到数据、信息、知识与智慧之间既有联系，又有区别。数据是记录下来可以被鉴别的符号，是最原始的素材，未被加工解释，没有回答特定的问题，没有任何意义。信息是已经被处理、具有逻辑关系的数据，是对数据的解释，这种信息对其接收者具有意义。
三、知识工程的新发展
（1）远知识，知识似乎与工作有关，但距离业务应用太远，使用起来不直接、不方便。同一条知识，不同的人理解不同，应用效果也相去甚远；
（2）浅知识，只关注显性知识的表面价值，看不到隐性知识的深层智慧。
为此，我们提出以下两项要求，作为知识工程下步发展的重要方向：
（1）近知识，所有的知识可以像工具那样直接使用，无需二次加工。无论用何种方法获得知识，在应用系统中可以即插即用。只有工具化的知识才能保证不同的人使用结果相同，因为工具化的知识具有自动化和智能化特征，将人为因素降到最低；
（2）深知识，提炼归纳分析知识的隐性价值。利用智慧分析方法，将隐性知识按照业务应用情景显性化，在研制人员工作过程中获得智慧导航。基于大数据和大模型的智慧分析方法是一项前瞻性技术，在本文中作为知识工程未来发展展望，做一定程度的涉及。
通过以上的发展，形成由三个层次构成的知识工程体系，如图-2所示。
图-2知识工程体系的三层结构
三层结构中的中间层是传统的知识管理体系，将已有知识按照业务需要进行分门别类管理，支撑业务人员的查询和搜索。
知识管理向上，梳理研制流程，将知识与研制流程的工作包伴随，将知识融入流程。知识管理向下，深挖设计过程中的知识。知识管理向上发展是面向流程的知识工程的重点，向下发展是知识工程下步发展的重点。
四、知识增值为智能体
虽然知识是智慧的源泉，但知识不会自动变成智慧，这一特点在研发过程体现相当明显。图-2中，知识工程向下发展，是根据知识的类别，选择合适工具进行增值加工。通过软件的知识建模工具生成数字化和工具化的知识，称为智能体。智能体直接与相关研制工具建立关联，使这些知识天然具有与业务工作环境互动的特点，直接启动应用，使知识与设计活动紧密融合，直接支持设计工作。另外，这种方式也也提供了随用随积累、随用随创新的知识积累与应用模式。
研发过程是利用现有知识创造新知识的过程，智慧研发的本质就是将研发过程的海量知识经过增值加工，形成大量的智能体，嵌回的研发过程中，如图-3所示（该图中，研发理想模型的每个矩形或菱形就是一个业务构件，每个构件是由较多任务构成，而业务流程就是由这些任务组成的）。此类知识天然具有与业务工作环境互动的特点，可直接与相关研发工具建立关联，使知识与设计活动紧密融合，直接参与研发和设计工作。研发过程中，这类智能插件越多，智慧化程度越高。因此，智慧研发中知识工程的核心就是对知识进行增值加工，形成智能体。
图-3理想模型中业务构建的展开
在研发知识工程中，我们将研发资源分为实物类、数据类、信息类、模式类和技术类，并推荐各自资源加工方法，分别是电子化、标准化、结构化、范式化、模型化。对于所有资源，可以用AI技术加工，我们称为全息化加工技术，形成智慧特征。如图-4所示。
图-4研发资源加工产生知识特征并实现增值
这些加工过程其实是对知识级别的提升过程，我们称为知识增值过程。不同的知识应采用不同的加工方法实现增值，指出了每层知识的具体属性、知识特征、加工方案、升级特征乃至智能和智慧的形成，比DIKW更具有实践性和可操作性。
总结来讲，知识增值加工可明显提升知识的价值，尤其是对智能和智慧的价值，包括如下几个方面：
a． 实物的数字化提升知识的显性化程度。显性化程度越高，越接近业务应用，实用性越强；
b． 数据的标准化和信息的结构化提升知识的共享化程度。知识显性化带来效率，知识共享化带来创新；
c．模式的范式化和技术的模型化提升知识的工具化程度。工具化程度越高，自动化和智能化程度越高；
d． 知识的全息化提升知识的智慧化程度。知识层级越高，智慧程度就越高，知识的价值越大。
其实，这也解释世界领先的工业公司拥有上万工业软件的原因。我们知道全球可以买到的工业软件也不过千种，工业企业怎么可能会有这么多工业软件，唯一的解释就是领先企业自己开发工业软件，但工业软件并不是他们的主营业务。其实，这些所谓的工业软件其实就是此类智能体，是领先企业内部开发的知识智能体。这项工作是我们国内工业企业应该要补的一堂课。下文举几类研发体系中常见的知识插件库实例：流程插件、设计插件、仿真插件、质量插件等。
流程是研发管理和运营的核心，同时流程本身也是知识的一种，称为模式类知识。对模式类知识进行数字化建模，形成研发流程模型库、协同设计模式库、研发流程交付物库、标准与规范库等，并使其可自动化运行。
正向设计过程是基于模型的过程，其中基于模型的系统工程（MBSE）是其最重要的过程之一。模型本身就是一类技术密集型的知识，称为技术类知识。对技术类知识进行归一化和标准化，通过数字化建模，形成客户需求库、技术需求库、系统设计模型库、快速论证模型库、产品模型库、技术模型库、专利技术库等。按照产品线的需求，这些知识聚合为不同的产品技术平台。
仿真的前提是物理问题的模型化，其前置活动就是建模。将仿真类知识按照仿真学科聚类。利用软件封装与建模技术，形成多学科集成模式库、仿真模板库、仿真流程库、仿真数据库、仿真模型库、仿真规范库、仿真标准库、数字试验模型库、经验公式与算法库等。
对质量相关知识按照质量学科聚类，进行不同类型的加工。利用数字化建模工具，形成研发流程库、质量策略库、质量检查表库、质量归零数据库、质量审计数据库、质量评审过程库、外场质量数据库、生产质量数据库、产品运行数据库、质量大数据分析模型库等。
五、智慧研发模型及平台
将研发知识进行增值加工，形成数字化知识，即能知识插件，通过AI技术让知识插件融入到所有与之高度匹配的研发工作包中，从而融入到研发全体系和全过程，让研发体系智慧化。随着融入到研发活动中的智能体从少量逐渐变得海量与泛在，研发体系将逐渐变得智慧。研发知识工程的目的就是建立研发过程智能体库，并将插件与研发过程（活动）智能关联起来，实现知识的泛在化。
研发理想模型是复杂产品研发体系的终极蓝图，也是研发数字化转型的顶层指导。在智慧变革阶段，我们需要将数字化知识和智能科技（如云计算、大数据及AI、物联网、XR图形技术等）融入理想模型，提升体系的智慧程度，最终将将研发理想模型进行智慧化升级为如图-5所示的智慧研发理想模型。
图-5智慧研发理想模型
根据智慧研发理想模型，我们将数字化集成研发平台参考框架做了实例化，增加了云计算框架、AI增加和知识体系的融入，并考虑了数字孪生体开发的需要，形成智慧研发平台如图-6所示。
图-6智慧研发平台
总结来讲，智慧研发体系的核心使命是在企业内部通过知识工程实现企业内研发体系的智慧化，知识工程是研发智慧化的核心工程。
来源：数字孪生体实验室
