【大数据】两化融合下的大数据未来

2018 年 5 月 8 日 产业智能官 两化融合服务号

工业大数据特征

”

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。IBM提出的大数据的5V特点被业界广泛认可：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。

与传统大数据相比，工业大数据还有可见性（Visibility）这一显著特征。所谓可见性即通过大数据分析使以往不可见的重要因素和信息变得可见。正是因为工业大数据的专业性特点，工业大数据的挑战和目的一般通过“3B”和“3C”来理解。

Bad Quality：数据质量差。受制于生产一线数据获取手段，以及现有传感器、传输信道的稳定性，加之不可避免的人为干扰，极大地降低了所采集数据的准确性和真实性。
Broken：碎片化。面向应用要求具有尽可能多维度的样本数据，全方位反映生产过程中各类变化的因素，保证从数据集中能够提取出真实反映对象状态的全面性信息。
Below Surface：隐匿性。除了对数据所反映出来的表面统计特征进行分析以外，更应该关注数据背后的物理意义以及特征之间关联性。
Comparison（比较性）：通过纵向或横向比较，发现数据波动的规律和异常，为海量信息的分类与管理奠定基础。
Correlation（相关性）：借助大数据相关技术，才能发掘出不同维度数据的相关性，从不同维度分析同一生产过程，优化生产效率。
Consequence（因果性）：工业生产的流程众多，影响因素错综复杂，但无论如何目标都是利用最少的材料，生产出质量最优的产品。因此，在制定特定决策时，需要通过数据预测分析出其所带来的影响，判断决策是否对于实现最终目标有益。

工业大数据的产生和收集贯穿于工业生产的全过程，从不同的角度折射出生产过程的影响因素对于生产过程的影响。通过对于数据的汇总和分析，以信息化和工业化融合为基础，辅助制造业向前发展。

“

工业大数据技术

”

工业大数据从产生到使用需要经过数据获取、数据存储、数据清洗、数据建模和分析决策的过程。其中数据获取能够通过传感器以及设备上的控制检测单位完成，而主要研究内容集中在其余的四个环节上。

数据存储

传统关系型数据库已经难以满足大数据背景下的数据存储需求，为此非关系型数据应运而生。为此越来越多的企业开始使用MongoDB、Redis、CouchDB 等非关系型数据库（NoSQL）。这些非关系型数据库，简化了数据之间的关系，因此非常容易扩展，可以适应数据量迅速上涨的要求，并且特别适合部署在分布式存储系统中，符合大数据发展的要求。

数据处理

数据处理包含数据的清洗、筛选以及加工。然而，受制于存储容量、数据读取速度、硬件稳定性等原因，传统的计算机系统已经无法满足海量数据的处理要求。为解决这一问题，Hadoop 等新的分布式系统架构应运而生，但在效率以及速度方面仍不能令人满意。

模型建设

与传统建模建立在理论体系的基础上不同，大数据为数据建模提供了从数据角度逆流而上，根据数据采集结果对传统数据模型进行修正，尤其是在边界条件上的修正将极大的优化甚至颠覆传统模型。

分析决策

大数据分析指的是运用不同方法以发现数据的隐藏模式，未知相关性和其他有用信息的过程，最终目标是帮助决策者更进一步了解数据，发现数据的规律，以便科学决策，提升生产效率。目前商业分析工具成为行业的研究重点，BI、图像识别等关键技术吸引了大量的企业投资，但目前大多处于研发探索阶段。

“

机遇与挑战

”

工业大数据发展态势可谓良好，然而在应用的各个环节仍然存在着不少暗礁与险滩，需要从业者予以一一攻克。

首先，在数据采集方面虽然已经有射频识别（RFID）、红外感应器、全球定位系统和激光扫描器等信息传感设备在制造车间使用，大大提升了工厂的信息采集能力。但是由于各个制式的传感器数据的异构性，缺乏统一的采集标准，大量的非结构化数据对下一步的数据处理造成了极大困难。同时，由于数据采集过程中缺少数据模型的支撑，造成部分关键数据缺失的情况，这都需要企业在大数据建设过程中予以充分的考虑。

其次，工业现场环境相对恶劣，电磁干扰等更是家常便饭，传输信道极易受到其他电子设备的干扰，造成数据的丢失和损坏。同时，大量数据的采集对原有车间的网络基础建设也是一项考研。窄带物联网协议虽然解决了上述问题，但是其传输速度又受到了限制，为此亚马逊、IBM等企业均启动的相应的研究。

最后，对于数据的利用，最终要落实到大数据模型的建立以及基于模型的科学决策上。但是，目前大数据模型的建立仍存在一定的困难，主要由于工业大数据来源于工业生产，涉及众多的生产过程。对于大数据分析师而言，虽然在数据分析建模领域有丰富的经验，但无法深刻理解工业生产过程，因此无法实现对大数据的精准分析。另一方面，工业生产专家虽然熟悉生产过程，但缺乏相关的统计学知识和数据分析技能，面对大数据时经常显得束手无策。因此，要解决这一问题，需要企业培养一批既懂生产过程，又具备统计及数据分析能力的人才，与大数据分析师一起联合攻关，共同构建大数据模型。

工业大数据应用方向思考

国内大数据的宣传早已过热，很多区县级政府也在考虑成立大数据局，政府对大数据热几乎没有抵抗力，企业没有紧跟就对了，在大数据高潮中反省政府的大数据行为、冷静一下头脑是有益的，毕竟大数据应用是一个经济问题，一窝蜂地大数据会使人犯“大炼钢铁”一类的错误。

警惕大数据过热

1.1 过热产生盲目性

1.2 大数据应用效益存在问题

大数据最积极的推动者是政府，但是政府工作如何从大数据应用中获益一直没有清晰的答案，有效的大数据应用集中于互联网企业和金融领域并非政府工作，迄今一本像样的政府大数据应用案例都编写不出来，这种情况下推力政府大数据应用会带有很大的盲目性，这是技术导向而不是问题导向，技术导向必然会造成浪费。

1.3 大数据不是包治百病的神药

现在对大数据的宣传已经远远胜过对城市问题的探讨，问题还没搞清药方就先开出来了，大数据药方再灵也不可能解决自己都没有诊断清楚的问题。任何技术都有其长处和短处，大数据也是一样，都有其能解决与不能解决的问题，各地政府首先要明确要问题是什么，然后再审视大数据技术能否发挥作用，不能反过来先定大数据再去找问题，政府工作明确目标永远比搞清技术更重要。

大数据源自互联网的推动

2.1 大数据是如何产生的？

任何有社会影响力的新名词都不是望文生义可以解释的，这些名词都被赋予了成语含义，“大数据”便是其一。历史上超大规模的数据很多却不被称为大数据，是因为单纯数据量增长并没有形成巨大社会影响力。

大数据概念是大的数据量与现代信息技术环境相结合涌现的结果，因此引发了巨大的效益机会，“大数据”一词的发明与宣传是为了抓住这个新机会。

2.2 没有互联网便没有大数据

任何资源的价值展现都离不开特定的环境，互联网前的海量数据因缺少规模化的社会应用而不为人们重视，互联网创造了大数据应用的规模化环境，大数据应用成功的案例大都是在互联网上发生的，互联网业务提供了数据，互联网企业开发了处理软件，互联网企业的创新带来了大数据应用的活跃，没有互联网便没有今天的大数据产业。

2.3 大数据是“大智移云物”的共同产物

如果没有汽车与高速公路石油产业不会那么重要，同样，没有互联网、云计算、物联网、移动终端与人工智能组合的环境大数据也没那么重要。大数据的价值并非与生俱来而是应用创新之结果，价值是由技术组合创新涌现出来的。离开环境的支持大数据毫无价值，就像离开了身体的手不再有手的功能一样。

传统大数据思维局限于支持决策

3.1 传统的大数据应用理念

人们对事物的想象力很容易受所用词汇的暗示，“大数据”容易暗示人们关注数据规模而忽略信息技术背境的巨大变化所涌现的新机会。政府官员的工作经历很容易把大数据应用想象为只是统计应用在数量上的升级，大数据的作用是提取信息，信息的作用是改进决策，数据多意味着信息多，信息越多决策就越准确。在不少干部的理解中，部门数据整合起来就是大数据。

3.2 两种数据使用方向：支持决策与支持操作

在政府的工作中，数据对领导层的作用主要是改进决策，但基层工作人员不需要决策，数据是用来直接操作的。政府公共服务业务主要是操作问题，服务是规范的数据处理，基层工作人员只是按章办事不需要决策分析。使用信息技术是为了提高操作服务的效率。发改委等十部门提出的“一号一窗一网”的服务要求所要解决的只是提高操作的效率。改进决策与改进操作是大数据两种不同的使用方向。

3.3 专家(人脑)与系统(电脑)使用大数据的特点

支持决策的数据应用是面向专家(包括领导)的，专家需要从数据中提取信息，以信息支持决策，从数据中领悟信息是人脑独有的本领，但不同人信息领悟力并不一致，同样的数据不同人领悟的信息不同，对决策的影响也不同，应用结果的不确定性是专家使用大数据的特点。。

支持操作的数据应用不能有不确定性，操作系统的数据应用是由系统控制的，操作按确定的规则进行，没有自由量裁的可能，数据应用结果由软件决定，这种应用是电脑在使用数据，电脑不懂信息只会严格依数据操作，这种使用数据的模式保证了大规模业务行为的一致性。

3.4 政府不能忽略操作型大数据应用

政府工作存在着两种大数据应用：支持决策与支持操作，但是在多数政府官员只想着大数据支持决策而想不到改进服务操作更有效益。大部分的政府服务的精细化改进并不是决策层次上改进，而是操作层次上的改进，政府提出的“一号一窗一网”式服务关键是提高操作的效率，实践证明操作的优化的改进空间更大，大数据在提高政府决策水平上的成效往往不如提高操作效率成效明显。

大数据决策的局限性

4.1 大数据小数据的不同来源

以数据量来划分大数据与小数据会忽略两种数据更实质的差别，从数据产生的过程看，小数据是经人触摸过的数据，包括人工填报或更新、核对等。大数据是机器自动记录的、未经人触摸过数据。

小数据来自业务流程中的人工填报、统计调查等渠道，统计调查是可以根据决策信息的需要专门设计的，为降低成本统计经常采用抽样调查的方法。

大数据来自自动化业务运行的副产品，出于成本的考虑，政府不大可能专为收集信息而设计大数据收集链，为决策服务大数据只能利用业务系统产生的数据副产品，大数据的收集成本是由业务系统承担的。大数据的来源受到业务系统种类的限制，不是所有的信息需求都能找到恰当的数据源。

4.2 大数据适合小决策而不适合大决策

大数据适合在狭窄范围内对具体事务决策而不适合于大范围的决策。因为大数据的形成包含着先天的局限性，很多影响重大决策的信息恰恰是无法数字化的，例如国内外形势、技术创新、队伍士气、重大事件(类似美国9.11 事件)都无法数字化，可数字化的现象只是小部分，以为靠数据决策就能更全面也是一种误解。政府重大决策需要考虑各方面的平衡，局部领域的大数据仅适合局部领域的决策，不适合面向全局的政府决策，精细化与全面性是不可得兼的。

4.3 改进政府操作的大数据应用

政府的大数据应用不能只关注决策应用，改进操作的大数据应用往往能够获得更好的效益。政府对公众的服务主要使用的还是以小数据为中心的数据库，但是融入现场服务数据的应用可以将服务提高到大数据的层次上并增加智能化的应用。对政府基层工作人员的支持现场化、连机化，通过云平台与实时通信能显著提高一线人员的工作效率，是提高政府基层服务的智能化的重要措施，以改进服务操作效率的智能大数据应用会有更大的成效。

没有人脑参与系统才能高效与智能

5.1 人脑使用数据模式的效率制约

为人脑决策使用的大数据应用模式存在两点不足：一是效率上不去，大数据分析结果一旦交付大数据应用就结束了，无法形成连续服务型业务，信息的进一步应用是领导的事情，与大数据处理无关了，人脑决策的慢节奏抵消了大数据快处理的价值。

其次是大数据信息决策的效果的不确定性，决策质量与领导人的知识、思维方式、决策风格密切相关，决策效果又与执行团队的能力相关，涉及的不确定因素太多。人脑使用数据的模式无法实现数据应用效果的确定性。

5.2 电脑使用数据模式的效率优势

电脑使用数据的模式排除了人脑的参与，系统完全是由事先编写的软件直接处理数据，排除了人脑介入有两点好处：一是运行速度快，信息技术的速度优势得以充分发挥；二是保证了结果的确定性，系统的行为是可预测的，这将有利于系统可成为可组合、可叠加的功能模块，能够被集成为更复杂的系统。

5.3 智能大数据应用可形成连续性业务

排除人脑参与的数据应用模式是信息技术的自动化应用，这种模式可综合使用各种技术资源(包括云平台、物联网、移动终端、人工智能等等)建立高速、流畅连续型服务，进入智能服务的新阶段，常见的互联网搜索、电子商务、移动支付、摩拜单车、蚂蚁金服无一不是这类的智能大数据应用，这种持续的智能大数据服务更受公众欢迎、社会影响力也更大。

智能大数据应用的发展空间

6.1 所有的智能应用都是大数据应用

大数据是机器与机器对话的语言，只有机器与机器的高速对话才能产生如此规模的大数据。物联网、云平台、宽带网、移动终端等设施要发挥作用都要依赖机器与机器的对话，随着信息技术的大发展，机器与机器的对话速度越来越快、范围越来越广、规模越来越大，系统也越来越智能化，所有的智能数据应用都属于大数据的应用范围。

6.2 智能化的作用是提高执行的效果

虽然大数据可以用于改进决策，但智能化的目标是提高执行的效果。计算机系统的作用是使规范性、可重复的工作做的更快。对于需要创造性的、非重复性的工作信息技术是依然无能为力的，人们发现几十年来计算机对于人脑决策能力的提高始终不大，智能化应用机会还是集中在对规范业务的改进，规范业务是确定性的服务，远比充满不确定性的决策业务更能让计算机发挥作用。

6.3 操作型大数据应用的智能化趋势

以提高执行效率为目标的大数据应用将向智能化发展，以互联网为基层的现代信息技术的大发展已经为服务的智能化创造力良好的条件，早期由于通信与网络能力的限制只能在一台设备上存储自动处理系统被称为自动化处理阶段，今天自动处理系统可以综合应用网络通信、云平台数据与软件、物联网感知数据与机器学习来实现更有效的自动管理，则被称为智能化服务阶段，排除了人脑参与的大数据应用进入智能化服务没有任何障碍，大数据应用智能化成为必然趋势。

智能大数据应用的活力

7.1 鲜活的数据

智能化应用中的大数据资源与信息决策中的数据资源的重大不同在于前者是动态形成的，其数据环境是不断变化、不断更新的，很多数据是在运行中自动生成的，数据资源与智能系统共生，这种数据资源很难转让，数据与服务系统是统一的生命体不能单独存在的，离开了系统的数据可以用来分析但失去了原来的意义，如同离开了人体的手再也没有原来的功能了。

7.2 实时的处理

在智能系统中的大数据应用是实时处理，面向信息决策中的大数据应用是批处理。实时处理能够确保及时性，这对于提高服务效率、保持业务的连续性很重要，现在强调“一号一窗一网”式的为民办事离不开对数据的实时处理。而信息决策类大数据应用则并不需要这种高效。

7.3 持续高效的服务

智能化的大数据应用排除了人脑的干预，全部流程都是由电脑对电脑一气呵成，这样就能够达到很高的运行效率，而这是智能化系统巨大的优势，也是智能服务系统得以生存的原因，不论是搜索、购物还是其它自动化的服务，人的耐心都是很有限的，处理慢一点人们就会弃之而去。在信息决策大数据应用的结果是供人脑一次性使用的，处理速度就不那么重要了。

7.4 不断积累的智慧

能够不断积累智慧的业务更有活力，易于修改是以软件为基础的业务的极大优点，这使得软件系统成为积累智慧最方便的工具，信息系统的高速发展也得益于系统智慧积累的能力。一项可持续的智能化业务系统始终处于不停的改进、完善与扩展之中，不断推出新版本的过程是智慧积累的过程，智慧的不断积累增添了系统的服务能力与可持续性。

信息决策大数据应用则不具有这一优势，其业务不连续很难推出一个又一个的新版本，智慧积累效率就慢多了。

小数据服务决定大数据中心的生存

8.1 数据资源的时效性

数据资源像蔬菜一样有保鲜期，极少有越老越值钱的数据。数据集中存储很容易，由此而来的数据质量维护却是一大难题。数据生成得快贬值也快，很多数据往往还来不及处理数据就失效了，反而是那些变化稍慢、稳定期稍长的数据容易得到较多用户且服务也容易开展，这类数据大部分是小数据。

不同的数据使用方式对数据质量有不同的要求，面向操作的应用则对数据质量非常敏感，例如证照库若不能及时更新就无法使用。信息决策类应用对数据的敏感性会差一些，大数据中心应当使数据的时效性与应用需求同步，要根据需求的价值有重点有选择地组织好数据质量的维护。

8.2 大数据交易中心的困难

大数据交易中心与成为建设热点，在大数据应用刚刚开始，人们还没搞清大数据交易是什么概念时就建交易中心实在太早了。

实时服务的智能大数据应用的数据是鲜活的、是服务中自动生成的动态数据，要交易的是动态数据流还是截取的静态数据，动态的大数据交易很难，不仅谈判难处理也难，用户需要建立动态数据的实时处理系统。

静态的大数据交易更可行一些，但数据资源与应用需求并不容易匹配，这将会限制交易数的增长，另一困难是隐私权保护问题，数据需要脱敏，未脱敏的数据交易会受到限制，交易中心将长期面对交易稀缺的局面，经营很不容易。

8.3 小数据服务需要补课

发达国家是在小数据充分应用之后才开始应用大数据，国内是在小数据应用还很不足时跨越式应用大数据。小数据应用补课是各地大数据中心必须重视的问题。要看到越是简单的东西应用面越广，小数据的应用空间比大数据大得多，尤其是整合后的小数据服务，极可能成为的数据中心最火的业务。

政府服务的精细化依赖的主要是小数据，把小数据的整合服务做好，大数据中心的工作即完成了90%，千万不能轻视小数据服务，大数据中心的立身之本恰恰是小数据整合服务。

8.4 大数据中心的经济价值

大数据中心的生存本质上是一个经济问题，人们想做交易中心也是希望能够在经济上更节约、更有效益，但是效益的基础是应用规模，只有大量重复性、相似性的工作才有可能利用平台与工具来提高服务效率创造用户价值，目前小数据服务更能够满足规模经营的条件。

政府公共服务的支柱还是小数据，单独成规模的大数据服务不多，各种数据资源的综合使用会有更大的创新机会，地理数据与政府服务相结合、推动政府服务的连线化动态化可能提升用户价值，大数据中心要发展必须全力创造用户价值，唯有用户价值才能支撑大数据中心生存。

拓展视野，推动大数据应用创新

9.1 理念创新，积极宣传智能大数据应用

首先要拓展大数据应用理念，不能将大数据应用局限在政府信息决策的狭窄领域之中，而要看到智能大数据应用的广泛空间，将智能大数据应用与大众创业万众创新结合起来，将一切智能化应用都归入大数据应用的范围，大数据概念越广阔应用越繁荣。

利用大数据改善政府决策是大数据应用的重要方面，过去已强调得很多了，现在需要强调的是政府公共服务的智能化、精细化。大数据不仅能改善决策还能改善服务，改善服务有着更广阔的发展空间，公众的获得感更好。

9.2 为大数据应用创造良好的基础环境

对大数据应用最给力的推动是提供优良的通信环境和完善的信息基础设施。大数据应用的基础是超强的通信能力，通信能力影响全社会大数据应用的成本，包括用户的时间成本与服务商的开发与服务成本，降低通信成本是对大数据应用创新极大的支持，土壤肥沃庄稼才能茂盛。

政府数据开放是推动大数据应用的措施之一，可为大数据应用带来示范效果，政府要鼓励企业利用政府大数据开展增值服务，使更多缺乏大数据处理能力的公众也能从政府数据开放中获益。

9.3 鼓励社会大数据应用的自组织创新

大数据应用是一项创新，政府不能只从政府决策的视角来引导大数据应用方向，而要从方便公众受益的视角推动智能化的大数据应用，要鼓励社会各界智能化大数据应用的合作与自组织创新，好服务都是各种应用技术组合创新的结果，政府宜推动智慧城市大数据应用的互操作，降低不同技术合作创新的成本来促进应用创新的繁荣。

本文资料采编自36大数据。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。