人工智能最近很热。智能制造（Smart Manufacture）和人工智能(AI)有联系，也是有重大区别的。由于时间关系，这里只简单说几句。

我经常给人家打一个比方，工厂里的智能主要是“吴淑珍式的智能”。吴淑珍是中国台湾地区前领导人陈水扁的夫人，内线炒股发财：陈水扁的亲信告诉她哪个股票要涨，她就去买、买了就赚。我把“吴淑珍式的智能”表述为“准确及时的信息+简单的推理”。这种智能不像巴菲特炒股，是“模糊的信息+复杂的推理”。

工业过程智能更多的是“吴淑珍式的智能”而不是“巴菲特式的智能”，为什么是这种呢？

要回答这个问题，还要回到工业的特点说事：人的随意性很强，是工业中不确定性的一个重要来源。所以，工厂里一般要求工人进行标准化操作、抑制随意发挥，在什么场景下做什么样的事情，是有明确规定的。

从程序员的角度说，“吴淑珍式的智能”用的知识其实就是一些“IF语句”。这个听起来有点土，但本质就是这个。而且，这种提法不新鲜、不知道出现多少年了。专家系统理论中有个“学术化”的说法叫“产生式规则”，就是这个东西。20年前我到北京培训一个所谓的人工智能软件，差不多就是这个东西。

我也曾经困惑：这个东西过去为什么用得少呢？现在想来，用得也不少，但直接编程更容易、似乎没必要用那么多专用语言和工具，来“杀鸡用牛刀”。现在为什么不一样了？因为问题复杂了、管理的知识多了、灵活性要求高了，实现的办法就要重新想一想了。我觉得，对于真正复杂的问题，还是要平台来解决。我给人讲创新，常常讲到简单的问题和复杂问题的处理方法不一样，量变到质变，就是这个道理。这里就不展开了。

我们现在再来看看大数据的本质。在我看来，大数据最根本的用途是产生有用的知识、特别是用于智能决策的知识。工业大数据真的有这个潜力！我们知道，人类一切的知识来源于历史，如果大数据能够广泛完整地记录历史发生的痕迹，人们有可能大数据中获得更多的知识。毕竟，在大数据背景下，人的记忆力远不及计算机。

当前，产生知识的“潜力”要转会为现实的“能力”，还需要有其他的前提。其中一个即所谓“样本=全体”。换一种说法就是：这个能力保证，你总能从历史数据中找到你想要的案例。在GE关于飞机发动机实时监控的著名案例中，一个重要的条件就是：一台发动机偶尔出现的故障，很可能在其他发动机上也出现过。诊断和处置的知识就可以直接利用。数据多了，这个前提就容易实现，即所谓：日光之下无新事。

在这个前提下，有一种思维方式特别重要，就是强调相关性。我觉得，这句话很多人理解的有问题、不到位。我的理解是：所谓强调相关性就是找相似的案例。找到这样的案例，直接去模仿就是了，而不必要按照科学的逻辑去思考。就好比我们用高德导航：走一条路要花多长时间，只要看看别人用了多长时间，而不是根据时间、速度来推算时间。我觉得，这未必就是排斥因果性，而是在一定场景和范围内，不需要知道因果性就可以了。这个差别很重要：因为工业大数据强调可靠性，常常需要因果来保证。

大数据还强调“混杂性”。在我看来，强调混杂性就是便于找到“相似的”一种保证。能够让我们能够从多个角度去分析知识、从而得到更加可靠的知识。我们知道，新一代人工智能最近很热。其背后的原因就是大数据智能可以支撑新一代智能制造范式。大数据能够让机器学习“学得好”、“学得对”、“学到本质”，甚至连一些人说不清楚的知识（如感性知识）机器都能自己学会。