知识工程4.0：AI+知识工程———工业企业知识工程的变迁

作者：田锋

你有没有想过，为什么会有这么多种AI方法？如果我说：“知识种类的数量决定了AI种类的数量，知识的类型决定了AI的类型。”你会不会有同感？会不会有质疑？这条规律是我在写这篇文章的时候发现的。

“我是谁？我从哪里来？我要到哪里去？” 2500多年前，古希腊哲学家苏格拉底和柏拉图提出“哲学三问”的终极命题，激发了人类对自己及世界存在本质的深刻探索。其实知识工程解决的其实也是“知识三问”的终极命题：“知识是谁？知识从哪里来？知识到哪里去？” “知识是谁”解决知识定义的问题，“知识从哪里来”解决知识来源的问题，“知识到哪里去”解决知识应用的问题。对“知识三问”的回答是对知识工程本质的深刻探索，最终会形成工业企业知识工程体系的完整解决方案。

从历史长河视角来看，人类的各种创新工作，无论是技术创新还是产品研发，无论是工艺创新还是产线设计，无论是运维创新还是管理创新等，其终极价值表面上都是为了创造新产品、新技术或新模式，但本质上都是为了知识的进化，新产品、新技术和新模式只是知识进化的载体。果实和幼崽不是植物和动物生产它们的目的，它们都是基因进化的载体。因此，知识工程就像生物进化一样，从来没有停止，而且历久弥新。知识工程也永远不会停止，只会与时俱进。当然，每次进步都会遇到困难。但每当进退维谷时，世界都会出现新的技术和方法来破局，让知识工程产业柳暗花明，豁然开朗，这一次出现的是人工智能（AI）。AI的到来让知识的产生和使用方式均发生了新的变革，让知识工程走向4.0。

谈及知识工程，我们首先要回答的一个问题是“什么是知识”，这是“知识三问”的首要问题。在很多人的意识中，知识是一个既普通又神秘的概念。我们每天都在说“知识”这两个字，“知识”一词在各类历史文献和书籍中频繁使用，但真要给知识下定义的时候，却无从落笔。

知识的学术定义其实有很多，在中国文化中就有20多种含义。《知识管理国家标准》（GB/T 23703.1）也对知识做了定义：“知识是通过学习、实践或探索所获得的认识、判断或技能”。然而，当我们进行企业知识体系梳理及建设，用这些学术定义来应对“企业到底有哪些知识？”、“哪些东西算知识？”等问题时，仍然难以作答。其实，学术上过于严谨的定义，往往给工程实践戴上枷锁。学术上关于“知识”定义如此之多，但实践中我们却很难按照这些定义开展知识工程工作。在工程应用中，我们需要的是一个具有“实践”意义的知识定义。要回答这一问题，我们须先回到企业经营的本质，来寻找知识的本质。

一家正常经营的企业，一定有三条线并行：一是“主营业务”，二是“业务管理”，三是“业务资源（知识）”。如图1所示。

         

图1. 企业经营的三条主线

“主营业务”是企业生存的主线。主营业务是一个过程，经过这个过程，企业把原材料变成满足客户需求的产品。因此，主营业务的目标是产品。主营业务的本质是“满足客户需求”。

“业务管理”的目的是保障主营业务按照既定的时间、路线和质量达成既定的目标——产出满足客户需求的产品。管理的本质是让业务单位和业务人员“有诺必践，有行必果”，“说话算话，说到做到”。

“业务资源（知识）”的目的是保障主营业务具有可行性和高效率。主营业务开展过程中，当然可以白手起家，从零做起，试错前行。但业务人员一定会想方设法寻找参考物，让工作一次做正确，至少可以提高效率。这些参考物在企业称为“资源”，究其本质，这些资源虽然是“参考物”，其实起着知识的作用，这种特征在科技型企业尤为明显。一位企业领导说：“（企业的年轻工程师）有样子的活会干，没样子的活不会干”。这里所谓的“样子”，其实就是参考物。因此，在企业中，知识的本质是“参考资源”。当然，这种资源不是朴素的资源，而是经过整理加工增值之后，具有参考价值的资源。对于科技型企业来说，知识就是“增值的科技资源”，知识工程的一项重要过程就是科技资源的增值过程。

科技资源的定义是：科研活动所资利用的一切有形物质和无形要素。按照广义分类可以分为科技人力资源、科技财力资源、科技物力资源、科技信息资源、科技组织资源五类。按狭义分类目前并没有统一的标准和划分方法。结合通用的科技资源划分法和中国企业的实际，我们将工业企业的科技资源归纳为5个大类，如表1所示。

表1工业企业科技资源分类及举例            

         

任何企业一经创建，总是会源源不断建设和产生资源，这些资源的自然利用是企业应用知识的初级形式。如果我们对资源进行改造加工，提升其显性化、共享化、智能化程度，则可使资源更接近业务，就更具有知识特征。因此，知识是被增值加工后的资源。因此，知识工程建设和资源建设之间没有绝对界限，凡是对企业有用的资源，都应该纳入知识工程的建设范围。

知识工程的变迁过程其实人们在回答“知识三问”的本质问题而逐步进步和深入的过程。在可追溯的过去到可与预见的未来，工业知识使用方式有五次变革：知化、秩化、治化、智化和织化，即五个ZHI，并由此带来了知识工程的五次变迁，如图2所示。

知识工程1.0是人类针对知识所发起的最自然的行动：内容管理。企业将已有（已知）的知识或资源（如文本、图片、视频、音频、文档等）进行采集、存储、管理和共享。这个阶段企业完成知识的“知化”。

         

图2.知识工程的变迁

知识工程2.0需要完成知识的“秩化”，通过业务流程把松散的知识按照业务需要建立起秩序，在业务执行过程中主动推送知识，而不是人在业务需要的时候去库里找知识。也就是让知识活起来，在合适的时间、合适的场景下去主动找合适的人。

知识工程3.0需要完成知识的“治化”，通过数字化方法对产品知识进行治理，将其浓缩凝聚在一起形成模型，成为逻辑化和自动化知识。模型是人类对知识最极致的提炼，形成显性化的高价值知识，并将其泛化应用在更多、更大和未知的场景之中。

知识工程4.0需要完成知识的“智化”，通过人工智能方法对知识进行智能化或智慧化加工，将明确性知识利用AI技术形成自运行的工具，将模糊性知识利用AI技术升华成为自进化的因果律，从而产生智能和智慧，促进业务的智能化和体系的智慧化。

知识工程5.0需要完成知识的“织化”，将不同形态的知识织成洞察之网，建立广泛的知识生态，知识生态具有全息化特征。这种生态不是确定和静态的，而是模糊且不停进化，具有明显的量子特征。模糊和进化的特征之一就是反脆弱，异己与反例越多，它进化的就越快。

总结来讲，知识工程1.0是单机时代的产物，2.0是信息时代的产物，3.0是数字时代的产品，4.0则是智能时代的产物，5.0将是量子时代的产物。

人们很早已经认识到，一家企业的强大之处，往往不在于引进了多少先进技术，而在于真实积累了多少现有知识。但多数企业知识依附于个人，知识的传承与共享没有途径和平台。知识无法在产品研发过程中有效应用，也不利于研发人才培养。多数研发资源缺少共享平台，限制了资源的有效利用，使得产品研发主要靠个人能力而非集体力量。内容管理便希望解决这些问题，企业将已有（已知）的知识（如文本、图片、视频、音频、文档等）进行采集、存储、管理和共享。为此人们要建立相应的系统、工具和流程，其核心目标是确保已知的知识内容能够被高效、有序、一致地管理起来，并在需要它的受众中共享，这便是曾经广为流传的内容管理方案，如图3所示，这是知识库+知识管理系统。

         

图3 内容管理：知识库+管理系统

我们认为内容管理是知识工程的起点，是人类对知识使用方式的第一次变革，即知识工程1.0，其特征是知识的“知化”。

显然，在知识工程1.0时代，试图解决“知识三问”中的“知识是什么”的问题，以及已知知识各归其位的问题。其基本假设是：（1）企业有很多现成的、显性化、高价值的知识；（2）只要知识管理好了，就应该能得到充分应用，促进业务发展。

但是，我们研究发现，企业的内容管理困局恰恰来源于这两个并不成立的基本假设。所以，知识工程完全没有达到人们的希望，后来的知识工程都是从解决这两个基本假设的错误入手，解决知识的来源和知识的去向问题，也就是“知识三问”中后两个问题。

开展过内容管理的企业总会发现一个问题——知识没有融入业务过程，也没有融入到设计过程和工具中，没有对研发活动起到支撑作用，存在知识与研发两张皮现象。多数企业的内容管理工作明显存在以下三个大困局：

（1）无知识。资深员工不知如何把知识共享出来，甚至意识不到自己有知识。当我们邀请即将离岗的专家把他们的知识梳理出来的时候，专家们往往是一脸茫然；

（2）弱知识。由于知识的梳理和挖掘存在问题，所以知识管理软件中的知识过于泛泛，与工作关系较弱，只能作为闲来翻翻消遣之用。由于专家不能提供知识，企业的知识管理项目组只好从内外部搜罗现有材料放入到知识管理平台中，此类知识与实际业务势必相去甚远。另外，知识的强弱是相对而言的，知识只有放在正确的位置，才能称得上知识，否则就是冗余信息。因此，知识如何恰如其分地出现在正确的地方，是知识工程的一项重要工作；

（3）死知识。即使平台中有一些有用的知识，但在遇到问题时却反倒找不到这些知识。研发人员通常是通过搜索方式来寻找知识，往往发现要么搜索出来太多无关知识，要么搜索出来很少的知识，难以支持研发工作。

知识工程2.0便是基于解决知识工程1.0的困局而提出来的。我们提出这样一个新的解决方案：知识与研发流程伴随，如图4所示。这是一个两层结构，底层结构与是知识工程1.0的结构：知识库+知识管理系统。上层结构是业务流程（或研发流程）及业务活动（工作包），把每个关键工作包的知识梳理出来，与该工作包伴随起来。这样可以利用研发业务活动进行知识的产生、组织、管理、应用和创新。

         

图4 知识与业务流程的伴随

这个方案的以下特点很好地解决了以上三个问题：

（1）有知识，让专家意识到自己确实有知识。让专家在知识挖掘和整理的过程中有章可循。当专家明确了要梳理自己擅长的工作包相关的知识和资源时，他们都表现得驾轻就熟；

（2）强知识，所有知识都与工作直接强相关。无论用何种方法获得知识，都是雪中送炭的知识，而不是锦上添花的知识。工作包上的知识只可能是与完成本工作包相关的知识，其他知识没有机制和机会出现于此处。

（3）活知识，在业务需要的时候，知识就出现了。变“人找知识”为“知识找人”，让知识主动推送到研发人员的工作桌面上。工作人员领取到工作包的时候，知识就同时获得；

基于流程的知识管理方案思路清晰，方法具体，一经提出，便得到了企业的认可。只要持之以恒，不仅对知识管理的企业落地起到了关键作用，对精益研发体系建设的落地也起到了支持作用。该方案具有以下特点：

（1）多方式的搜索实现按需抽取。系统的智能检索功能提供关键词、概念以及高级搜索三种方式给用户带来了全方位与更彻底的检索方式。知识工程系统对搜索结果进行了相关度排序。同时基于文章内容中的主要概念，对每篇文章自动生成摘要。此外，知识工程系统能根据用户浏览内容或者是检索条件产生变化的动态摘要，使用户通过摘要就能判断是否要打开进行查看，并且能够动态了解信息条目之间的关系。

（2）科研活动知识伴随模式实现按用重构。新的研制活动或任务需要构建关联、伴随知识时，可随时到研制知识库中抽取知识，关联到该任务上。当研制工作的应用需求变化等原因，原来已关联到该科研活动的知识不能满足当前任务需求时，可在研制知识库中重新检索知识，来更新对应科研活动的伴随知识。将研制活动中产生的新知识，送回到知识库中，以完善知识库。

(3)通过知识关联技术，将知识与科研活动结合，利用知识工程平台将伴随知识自动推送到研制工作环境中的知识工程应用端。还可自动生成知识的扩展关系，推送特定知识的相关知识、术语、科研活动。

知识工程2.0通过解决“知识三问”中“知识到哪里去的问题” ，一定程度解决了知识与业务的融合问题，受到企业欢迎。但“知识三问”中的“知识从哪里来”的问题并没有解决好。人们发现了一个重要问题：推送到业务桌面的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。这其实提出来了知识的质量问题，甚至对推送来的“知识”是不是真正的知识给予质疑。

所以，在知识工程3.0阶段，我们致力于解决一件事情——对知识进行数字化加工，形成真正高质量的知识，让知识可以像数字化工具那样直接使用，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。

基于以上的考虑，可以对图4形成的两层结构进行优化和扩展，形成由三个层次构成的知识工程体系，如图5所示。

         

图5 知识工程体系的三层结构

三层结构中的中间层是内容管理体系，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。

图5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工具型的知识。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，这种方式也提供了随用随积累、随用随创新的知识积累与应用模式。

表1所述的五类企业资源中均包含明显的知识特征，各类资源加工方法分别是电子化、模型化、标准化、结构化、范式化。曾经有一种综合方法是把这些不同种类的知识按照某种规则，组合形成专家系统，在合适的场景中综合使用所有相关知识快速获得类似专家的指导，因此专家系统是一种综合知识的“规则化”加工方案。完整信息参见表2。

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。加工完成的知识我们称之为知识插件，其实就是我们在业务中使用的工业APP。这也解释世界领先的工业公司声称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知识增值加工形成的APP，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。

显然知识工程3.0中的知识加工方法皆为数字化时代的知识加工方法，通常只关注显性知识的表面价值，看不到显性知识下面的隐性知识及其深层智慧。在智能化时代的知识工程4.0中，我们利用基于人工智能方法对知识进行智慧化加工，将知识冰山水下的隐性知识显性化，并提炼归纳分析其隐性价值。

我们把知识的智慧化加工过程称为知识资源的“精智化”。“精智化”是我们提出的独具特色和优势的“AI+知识工程”方法体系——精智知识工程的核心特征，精智化加工是在数字化加工成果的基础上利用AI技术做进一步加工，获得精智化知识，其方法、特征、价值与用途如表2所示。当然，在3.0缺失的情况下，也可以直接从原始资源开始直接加工，起点不同，代价和效果肯定也不同。

表2. 数字化知识加工方法和AI加工方法的比较

         

大模型之火点燃了人工智能产业，但人工智能不是只有大模型。为什么有这么多种AI？到底有多少种AI？从表2可见，我们所见到的不同人工智能方法其实是和不同知识类型对应的，也就是说知识类型的数量决定了AI方法类型的数量。不同知识类型对加工方法有不同需求，从而产生了各种各样的AI方法，譬如：

（1) 实物类知识，在数字化加工方法中，采用扫描建模方法，可以将实物资源电子化，以方便管理和调用。在精智化加工中，采用基于AI的实物图形、图像和文字进行智能识别并生成精微的数字化格式，直接参与到知识的进一步加工和应用中。

（2) 技术类知识，在数字化加工方法中，采用数字建模方法形成了数字模型。在精智化加工中，采用基于AI的降阶与降维方法，对这些数字模型进行进一步训练，形成精益化技术模型，基于此模型为智能业务开发了基于AI的快捷工具（精益APP：AI-Based APP）。

（3) 数据类知识，在数字化加工方法中，采用数据建模方法形成了标准化的数据模型。在精智化加工中，采用大数据方法对这些已经标准化的数据模型再训练，淬炼其中高价值的规律，用以对未来进行预测。

（4) 信息类知识，在数字化加工方法中，采用标签标引的方法可以将文献类材料进行结构化。在精智化加工中，采用基于我们独有的高价值制造业语料训练的精专大模型，对企业内部的信息类知识进行再训练，形成精专化内部大模型，进而在企业中进行生成式的知识应用。

（5) 模式类知识，在数字化加工方法中，采用流程建模的方法形成企业高效高质量的工作范式。在精智化加工中，采用精通富流程生成环境，可以基于以往业务产生的信息类知识（规范标准、工作报告等）智能生成完整丰满的富业务流程，这些基于AI的工作范式开发为可自执行、自进化的智能化富流程。

（6) 全类别知识，在数字化加工方法中，通过建立知识库、知识规则和推理机，开发专家系统，将以上各种知识综合形成专家系统，在特定场景下提供专家建议。在精智化加工中，采用精英智能体开发环境，对以上各种精智化知识进行综合、集成和调用（如精通富流程和精益APP），形成为可自执行、自进化、无幻觉的智能体，成为人类的精英化的工作助理。

（7) 知识网络与生态，在数字化加工方法中，没有合适的方法完成知识网络与生态的构建。在精智化加工中，可以采用现已具备的高质量权威工业知识图谱，不仅消除了工业智能的幻觉担忧，还将前六种形态的精智化知识编织成形成庞大的高质量和全息化的知识网络和知识生态，为走向知识工程5.0和通用工业智能（IAGI）奠定基础。

我们基于3.5亿篇高质量的工业文献训练和研发而成精专大模型和精纬知识图谱，并在此基础上开发了一系列独具特色的子系统：精微实物识别系统、精益APP开发工具集、精通富流程系统、精淬大数据系统和精英智能体开发环境，这些子系统与精专大模型平台及精纬知识图谱构建平台共同构成精智知识工程平台，如图6所示。

         

图6. 精智知识工程平台及潜在应用领域

精智知识工程具有以下特点：

（1) 精专大模型：高质量的语料是精专大模型的基础。经过30年国家项目合作，我们拥有了国内外最全的经过大量顶级行业专家编校的权威工业数据存储及获取渠，积累形成最全工业专业语料库。该语料库主要包括全文语料和词体系语料，涵盖了中、英、日、德、俄、法等国家语种，全文总量超过3.5亿篇，约9800亿Token。针对庞大的语料库构建需求，发展出强大的语料库智能构建系统，主要包括文档结构化解析工具（期刊、手册、图书等9种类型文档的定向OCR及结构解析）、语料库协同审校平台和语料库自动构建系统（基于任务）。

（2) 精纬知识图谱：高质量的工业知识图谱是消除工业大模型幻觉的根本途径。经过30年国家科技项目积累，大量顶级行业专家投入《图情规则》编织和术语本体转化，我们最终形成包含36个行业、400+万词和900+万知识图谱。基于领域本体转化的三层结构知识图谱方法论具有明显的行业先进性，据此方法论打造了图谱智能构建系统，主要包括行业词汇发现、词间关系挖掘、属性及属性值填充等自动构建功能以及图谱协同审校平台。可以利用AI技术，自动化地从海量非结构化文本中抽离实体、关系、属性，明显提升构建效率。

（3) 精淬大数据：现代工业数据越来越大型和复杂，超大型复杂数据的处理能力是工业大数据基础。我们基于“STEP+IFC”融合标准开发了IFCDB/STEPDB，是国内首个自主开发的复杂结构数据（如CAD、BIM等）管理的专用数据库系统。该系统可明显减少超大型数据模型的显示和浏览时间，十亿级面片/千万级零部件模型的复杂查询秒级返回。该系统直接解析STEP/IFC，模型转换完全避免手工重建模型， 某个实例中，CAE前处理时间可以缩短50%以上。利用该系统可明显降低成本，包括：1）存储成本，通过几何简化和LSM存储优化，减少冗余数据量30%以上；2）集成成本，统一数据库替代多系统接口开发，降低运维复杂度。

（4) 精益APP：我们经过30年的工业产品设计和工业仿真的积累，形成上万个工业场景下的设计模型库、仿真案例库及多学科集成模型库，并在本模型库之上开发了大量数字化时代的工业APP。精益APP开发环境提供了基于工程AI方法（AI4 E，AI-Based-ROM）方法和物理AI方法（AI4S，PINN: Physics-informed neural networks，物理神经网络）的工具集，利用这些工具集，对这些海量的数字化模型和APP进行AI加工，可以形成降阶和降维模型，基于这些模型可以开发可快速运行的智能时代的APP：AI-Based-APP。

（5) 精通富流程：我们提出的数字化研发流程五层模型及建模方法论，并基于数字化流程开展了大量的流程驱动的知识工程及精益研发平台的建设和应用，30年来得到充分实践验证，并形成大量业务流程库。精通富流程系统可以基于精专大模型，结合前文的五层流程模型、建模方法论及流程库，智能生成并管理高质量的富业务流程。富流程中不仅包含五层业务流程，还智能关联工作包的伴随知识。

（6) 精英智能体：智能体是人类的AI助理。当前世界的智能体困局来源于业务流程的不完备、大模型的知识幻觉以及缺乏针对性强的业务快捷APP。这正是精智知识工程中的精通富流程、精专大模型、精纬知识图谱以及精益APP存在的目的，精智知识工程的以上特点决定了精英智能体可成为工业人的精英型助理。

综上可见，虽然知识是智慧的源泉，但知识不会自动变成智慧，必须经过必要的智慧化加工才能拥有智慧,这正是精智知识工程体系的目的和目标。基于精智知识工程平台及其提供的工具，不仅可以实现企业传统知识工程的AI化转型，还可以开发、建设和赋能智能设计、智慧研发、智慧生产、智慧运维、智慧管理等领域的业务智能体或智慧业务平台，如图6中的顶层灰色部分。

知识工程进入4.0阶段，并不代表着1.0、2.0和3.0的做法失效。恰恰相反，它们所采用的优秀和有效的做法在4.0不但被继承了，而且被AI焕新了，譬如：1.0的知识搜索在4.0焕新成为智能问答，2.0的流程知识伴随焕新成为智能伴随，3.0的知识加工在4.0焕新成为精智加工，专家系统被焕新为精英智能体。这印证了前文的观点：知识工程不仅历久弥新，也在与时俱进。

篇幅所限，本文没有展开各节的详细内容，计划在未来将就以下议题展开深入和具体的讨论，敬请关注：

（1) 精智知识工程平台功能及应用            

（2) 精智知识工程的知识加工方法            

（3) 基于精智知识工程的智能设计            

（4) 基于精智知识工程的智慧研发            

（5) 基于精智知识工程的数字孪生

（6) 基于精智知识工程的智能工艺

（7) 精智知识工程赋能智慧生产            

（8) 精智知识工程赋能智慧运维            

（9) 精智知识工程赋能智慧管理            

（10) 知识工程5.0：全息生态之网