安世亞太：知識在前方，智慧在遠方——研發數字化轉型的底層邏輯

在《資訊化在左，數字化在右——工業數字化轉型的底層邏輯》一文中，我們將工業數字化轉型的本質總結為——資料利用方式的轉型。但對於研發體系的數字化轉型，我對此不以為然，因為資料對於研發來說遠遠不夠，研發的驅動力另有其他。

資訊化在左，司左腦之職；數字化在右，行右腦之事。那一往無前的是誰？對，就是知識！是它在一直探索通向未來的智慧之路。所以，先忘掉你的派系吧，不論你是左派還是右派，向前才有未來。我們終究不能停留在數字化階段，因為數字化轉型的終極目標是智慧化和智慧化，而知識才是通往智慧和智慧的階梯，在研發設計環節尤為如此。針對這一結論，知識管理界著名的神模型——DIKW給出了相同的暗示。

知識管理界的神模型

DIKW模型堪稱知識管理界的神模型，是表達資料（Data）、資訊（Inforation）、知識（Knowledge）及智慧（Wisdom）之間關係的模型，一般的知識管理體系經常引用此模型。本模型將資料、資訊、知識、智慧納入到一種金字塔形的層次體系，每一層比下一層都賦予一些新特質，如圖1所示。原始觀察及量度獲得資料，分析資料間的關係獲得資訊，在行動上應用資訊產生知識。知識在不確定（模糊）場景下綜合與靈活的應用產生智慧。智慧關心未來，它含有暗示及滯後影響的意味。

圖1DIKW模型：資料、資訊、知識與智慧的關係

透過DIKW模型分析，可以看到資料、資訊、知識與智慧之間既有聯絡，又有區別。資料是記錄下來可以被鑑別的符號，是最原始的素材，未被加工解釋，沒有回答特定的問題，沒有任何意義。資訊是已經被處理、具有邏輯關係的資料，是對資料的解釋，這種資訊對其接收者具有意義。

知識是從相關資訊中過濾、提煉及加工而得到的有用資料。特殊背景或語境下，知識將資料與資訊、資訊與其在行動中的應用之間建立有意義的聯絡，它體現了資訊的本質、原則和經驗。此外，知識基於推理和分析，還可能產生新的知識。

目前，智慧只是人類所表現出來的一種獨有能力，未來的機器（軟體）也許會發展出類似的能力。智慧主要表現為收集、加工、應用、傳播知識的能力，以及對事物發展的前瞻性看法。在知識的基礎之上，透過經驗、閱歷、見識的累積，而形成的對事物的深刻認識、遠見，體現為一種卓越的判斷力。

智化源自知識工程

從人類歷史長河視角來看，研發的終極價值並不是很多人想象那樣是為了創造新產品，而是為了知識的進化，產品只是研發知識進化的載體。就像生產果實並不是生物存在的目的，繁衍與進化才是，果實只是生物繁衍和進化的工具，是基因的載體。產品是研發的副產品，就像果實是生物進化的副產品一樣。產品不會是一個組織終極的競爭力，但知識是。產品會死亡，但知識不會。一代產品死亡，會有新的產品產生，但這代產品其實只是以前知識的新載體。研發過程本質上是基於舊知識創造新知識的過程，是人類所從事活動中知識密度最高的過程。創新（或創造）是研發過程唯一看重的價值，而所有的創新（或創造）活動都是基於知識的，就像生物的新生命的產生都是基於果實中的種子。

雖然知識是智化（即智慧和智慧）的源泉，但知識不會自動變成智慧和智慧，這一特點在研發過程體現相當明顯。研發過程是利用現有知識創造新知識的過程，智慧研發的本質就是將研發過程的海量知識經過增值加工，形成大量的智慧知識外掛（或稱為APP），嵌回到研發過程中。此類知識天然具有與業務工作環境互動的特點，可直接與相關研發工具建立關聯，使知識與設計活動緊密融合，直接參與研發和設計工作。研發過程中，這類智慧外掛越多，智慧化程度越高。因此，智慧研發中知識工程的核心就是對知識進行增值加工，形成智慧知識外掛（APP）。

圖2研發資源加工產生知識特徵並實現增值

在研發知識工程中，我們將研發資源分為實物類、資料類、資訊類、模式類和技術類，並推薦各自資源加工方法，分別是電子化、標準化、結構化、正規化化、模型化。對於所有資源，可以用大資料技術加工，我們稱為全息化加工技術，形成智慧特徵。如圖2所示。

這些加工過程其實是對知識級別的提升過程，我們稱為知識增值過程。不同的知識應採用不同的加工方法實現增值，指出了每層知識的具體屬性、知識特徵、加工方案、升級特徵乃至智慧和智慧的形成，比DIKW更具有實踐性和可操作性。

總結來講，知識增值加工可明顯提升知識的價值，尤其是對智慧和智慧的價值，包括如下幾個方面：

a．實物的數字化提升知識的顯性化程度。顯性化程度越高，越接近業務應用，實用性越強；

b．資料的標準化和資訊的結構化提升知識的共享化程度。知識顯性化帶來效率，知識共享化帶來創新；

c．模式的正規化化和技術的模型化提升知識的工具化程度。工具化程度越高，自動化和智慧化程度越高；

d．知識的全息化提升知識的智慧化程度。知識層級越高，智慧程度就越高，知識的價值越大。

智慧與智慧的辨析

我們終於談到了這兩個剪不斷理還亂的詞——智慧和智慧。結合上兩節，總結一句話便是：資訊化在左，數字化在右，知識在前方，智慧在遠方。資訊化和數字化迭代遞迴形成知識，知識經過增值加工後，終將在智慧和智慧的燈塔裡發揮效益。

智慧和智慧是知識工程中的兩個重要概念，在智慧製造時代被廣泛提及，但很少有人解釋他們之間的區別，常模糊處理。

智慧和智慧均來自於知識，而知識有兩種：一種是確定性知識，來源於人們對經驗和規律的提煉和總結；另一種是模糊性知識，來源於大資料，透過人工智慧（AI）技術挖掘出來。與之相對應地，我們把“智化”分為兩個層次——智慧和智慧。智慧是基於確定的知識（機理）、清晰的邊界條件和明確的初始條件對未來的預測，我稱之為“先知”。智慧是基於不確定的知識（機理）、不清晰的邊界條件和不明確的初始條件對未來的預感，我稱之為“先覺”。

面對機器和軟體，人們談到智慧的時候，包含著一種居高臨下的讚賞，但談到智慧的時候，卻充滿著一種處下仰上的崇拜。智慧往往讓人讚許有加，智慧則總是讓人醍醐灌頂。智慧是一眼看穿結局的意料之舉，而智慧帶來的卻是結局出現後的恍然大悟。智慧是面對預設路徑的氣定神閒，智慧則是面對未知時空的千思萬慮，表現在常人面前往往是錦囊妙計。

智慧往往是科學和技術的深化，而智慧往往是哲學和思想的昇華。在中國古人的認知中，智慧往往與腦聯絡在一起，智慧往往與心聯絡在一起。其實，從解剖學的角度看，智慧與左腦有關，智慧與右腦有關。無論是研發體系還是人造產品，用明確的知識賦能機器或軟體後，它們就擁有了智慧；但在這些明確的知識尚不存在的時候，則需要回到最原始的資料，對無時不有、無處不在的資料進行實時分析，從中挖掘其中潛在的隱性知識，使得機器或軟體具有模糊判斷和直覺思維且無往不勝的時候，它們便擁有了智慧。

我們經常把基於明確的知識（機理）開發的邏輯化的軟體，稱為模擬軟體，在知識（機理）不明確時，基於神經網路演算法和大資料進行知識挖掘和機器學習的軟體稱為人工智慧（AI）軟體（其實，這種定義並不準確，只是簡單起見，採用了流行的習慣稱呼。嚴格講，模擬軟體也是一種AI軟體，稱為符號AI軟體。基於神經網路和大資料的機器學習軟體稱為亞符號AI軟體。人們常說的AI其實是亞符號AI）。因此，模擬軟體是機器獲得智慧的基礎，AI軟體是機器獲得智慧的基礎。正如前文所以，明確的知識（機理）只佔非常小的部分，人類對自然界的瞭解很淺，對人類社會自己的運轉規律的理解也並不深。因此，人們能模擬計算的範圍相當有限，或者說，智慧所能達到範圍相當有限，其餘的部分需要靠AI及其可能達成的直覺獲得。

基於確定性機理的智慧往往與質量相連，而基於不確定性機理的智慧則與創新相關。所以，針對將質量視為生命的製造，我們通常說智慧製造而不說智慧製造。研發將創新視為生命，所以我們常說是智慧研發，而不說智慧研發。

智慧是明確的，非0即1，中間也許會有幾檔。而智慧是模糊的，在0到1之間無級變速。一旦搞清楚機理，智慧就是必然的和恆定的。但智慧卻是不確定的，往往一開始顯得弱智，但可無限期持續進化，充滿想象空間。智慧就像人的智商，終身不變化，但智慧卻不能用智商衡量，隨著年齡的增長，人會顯得更智慧。當然，一個人也有可能終身渾渾噩噩，一輩子都不曾獲得智慧。君不見很多AI，一開始概念性感，被資本追捧，但多年未見效益，最後泡沫破裂。智慧的難度在於前期過程，即人類明確知識的過程，不在於後期機器計算的過程。而智慧正好相反，其難度在於後期的資料分析和演算法的持續進化，而不在於前期的資料獲取和家有演算法初長成。

因此，我們必須警惕資料有陷阱。人們總是被要求“用資料說話”，似乎資料就是科學的和理性的。真是這樣嗎？未必！當你需要資料來做判斷的時候，其實表明你的思維中已經失去了邏輯，所以也不存在科學和理性了，資料只是你大膽決策的安慰劑。被展現出來的資料往往都是那些短期的相關性，是聰明人常利用的手段。真正的規律是長週期的，長週期的資料並不可信。這麼長週期中，技術條件特別是資料收集條件在一日千里地變化，相同規律下，不同歷史條件獲得的資料表現並沒有可比性。其實，底層邏輯往往是悟到的，是不需要資料的。尼采的書裡沒有資料，《道德經》裡也沒有；黑格爾和馬克思的書裡沒有資料，《易經》裡也沒有。

智慧是向量，其最佳化和進步具有明確的方向性，而智慧是標量，其進化和演衍的方向往往是模糊的。所以，智慧和當下判斷有關，智慧則與長遠韜略有關。智慧可遇不可求，對機器和人都是如此，否則便有了執念，走火入魔。智慧和智慧之間是個輪迴。今日的專家，明日可能開悟變成智者；今天智慧的歸宿，必將是明天的智慧，就像昨天的知識是今天的常識一樣。一項智慧演化的終局就是智慧，智者從模糊性中悟出的因果律被長久驗證後，必然變成確定性知識，從而可以進入機器變為智慧。也只有如此，人類才會穩序進步，智慧也才會有更遠的使命。

聰明與智慧的辨析

前文我們提到聰明人，是想說不能把智慧和聰明混為一談，雖然都是在面對未知時，由資料分析能力帶來的一種特質。圖3是在“機理明確與否（明確和模糊）”座標軸之外，增加了另一個座標軸——成因掌握與否（相關性和因果律），從而將人或機器分為四類。相關性是人類認識世界的初級反應，因果律則是對底層規律的深度洞察。年輕時候看到的往往是相關性，年長之後才可能看到因果律。只看到相關性的人往往並不能意識到這只是相關性，常自以為是地認為是因果律，總是把表面現象當成了本質規律。只有那些真正看到因果律的人，才能看清事物的底層邏輯。

圖3聰明、智慧和智慧的關係

那些面對未知卻能悟到因果律的人，我們稱為“智者”，是具有大智慧的人。那些只能看到相關性的人，我們稱為“機靈鬼”，是常說的那種很會見機行事的聰明人。聰明人對當下的利益得失敏感異常，反應迅速，而智者都“難得糊塗”和“大智若愚”，看似對利益得失毫不計較，木訥遲鈍。其實，這種“糊塗”是我們常人和聰明人看來的糊塗，這種“愚”也只是我們常人和聰明人看來的愚。對智者來說，這根本不是糊塗，更不是愚，而是看到了常人和聰明人看不到的因果律，正所謂的大巧若拙。相對於因果律中反映出來的長週期的大起大落，眼前的一點小波動實在不值得計較，這就是為什麼智者總是遠見卓著，能決勝千里。聰明人只看到眼前的相關性帶來的小波動，所以能抓住的短線利益絕不輕易放棄，而智者會安靜等待那個長波峰的到來，然後閒庭信步地出手。對智者來說，大道至簡，因果律函式的引數其實少之又少，抱朴守拙即可從容應對，無需眼觀六路耳聽八方，更不需要三頭六臂大殺四方。

讓機器擁有智慧是比較現實的目標，成為專家才是常人和聰明人的普遍歸宿。那些掌握了明確知識（機理）和因果律的專家，如果願意走出舒適區，勇於面對未知，總是看向遠方和未來，持續修煉而至開悟，就可能成為智者。而機靈鬼則無法如此階躍，他們必須先進步成專家，才能修煉為智者。可以想象這期間他需要艱難剋制多少眼前的誘惑，所以聰明人相比於常人，也許更不容易成為智者。在武俠小說中常見這種現象，那些最終修得正果的人一開始看上去總是像郭靖那樣拙樸。因此，資料分析和AI可以對知識進行全息化透視，但不能停留在響應式的相關關係層次上小富即安，而是要將分析結論發展為確定性知識（機理），並可以將適用範圍向外推演，讓因果關係邁向未知領域去解決問題，才可能讓機器（軟體）擁有智慧。

自從有了AI的概念，人類就開始擔憂自己的未來。本質上，今天的機器就像常人。常人希望變成專家，機器希望擁有智慧。所以，人類擔憂的並不是機器擁有智慧，而是另外兩件事。一方面擔心AI停留在聰明象限無法自拔，只會耍小聰明，此起彼伏的AI小聰明帶來的破壞性讓人類無法收拾殘局。如果僅僅是小聰明，人類還是可以將其制服，因為歷史上從來沒有靠小聰明一統天下的。所以人類真正擔心是另一個可能——AI進化出大智慧。若智慧被AI超越，人類將徹底丟失其控制權，像現在的動物一樣淪為牛馬或寵物。那時候，AI可能會像今天的人類談論AI一樣，來談論如何提高人類的智慧和智慧了。

今天的機器（軟體）和真正的智慧相去甚遠。由於明確機理太少，模擬軟體只形成一些適應面不寬的專家系統。AI依賴資料和演算法正在走出“常人”這一象限，剛剛走進“聰明”象限，還未達到“智慧”，更不用說“智慧”。基於以上的擔憂，人類希望AI趕快度過“聰明”進入“智慧”，但又希望能把它封印於“智慧”一級，不要繼續進化。不過，擔憂歸擔憂，基於人類的社會達爾文主義本性，AI的發展是不以幾個吹哨人的意志為轉移的，就像核擴散一樣。人們明明已經看到了核能的可怕，也一直在擔憂核能的發展和擴散，但核能的發展和擴散的腳步卻一刻也沒有停止。何況AI僅僅是個起步，其所謂的危害只是個概念而已。即使哪一天真的出現了令人類錯愕的意外，AI也不會停下其發展的腳步，反倒是其發展的催化劑，就像今天的核能一樣。某一家的核彈研製成功，另一家只會加快步伐，絕不會坐以待斃。

研發數字化轉型的底層邏輯

如果說，資料利用方式的改變決定了工業數字化轉型的型別，那麼，知識利用方式的改變，則決定了對研發做了何種數字化轉型。如果說，能源使用量可以衡量原子工業執行的強弱，資料使用量可以衡量數字工業的強弱，那麼，知識使用量可以衡量研發強弱。能源是原子工業的動力，資料是數字工業的動力，而知識則是研發的動力。因此，研發數字化轉型的本質其實是“研發知識利用方式的轉型”。

依我來看，數字工業社會利用資料的方式的轉變同樣適用於知識：知化、秩化、治化、智化和織化，最終促成研發數字化的五次轉型，如圖4所示。