最近和几位朋友谈到同一个问题：从数据中获得知识。有人谈起，他们准备做工业大脑，大量应用机器学习。对这种做法的成效，我表示了担忧。
人们很早就知道，可以从工业数据中获得知识。但是，现实却往往并不理想。一个重要的原因是：与数据分析师相比，工业人往往并不缺乏专业知识。所以，数据分析师看到的相关性，或者是假象、或者是工业人老早就了解的知识，很少增加新知识。所以，数据分析的实际作用，往往定位在比经验更准一点。其实，“更准一点”也不容易做到：因为工业现场数据的质量往往不理想，分析结果常常存在“有偏估计”。
从数据中难以得到新知识，还有一个原因：工业过程和工业对象都是人造的。在正常的情况下，往往反映的就是人类已知的知识。容易发现新知识的数据，往往是那些有点“异常”的数据。正常生产的数据虽然很多，却不容易蕴含新知识。这有点像人的创新：善于创新的人，往往是那些想到“盒子之外”的人。
但是，异常数据也不一定产生知识。在多数情况下，异常数据往往是数据的采集或收集过程出了问题。对数据分析师来说，真正的“异常过程”往往是可遇不可求的、是难得的机会。因为管理好的企业，应该很少出现异常。而且，对数据分析师来说，“异常”很可能是对工业过程和对象的理解不到位导致的，属于“少见多怪”。
根据笔者的经验，发现知识的一种可能性是“知识的融合”。不同的产品、不同的设备状态、不同的流程背后都有人类积累的知识。但这些知识往往是碎片化的，仅仅适合特定的场景。把这些知识融合在一起，形成广泛适用的知识，是非常值得做的事情。这样的知识一旦形成，对创新和优化的意义非常巨大，也有知识发现的空间。
数据分析有一个非常重大的意义，就是掌握现代化技术的抓手。
我国的许多先进技术都是从国外引进的。长期以来，我们并没有把引进技术消化透。我们或许会用这些技术，却不能很好地掌握这些技术。就像会开车的人不一定会修车、不一定会造车。这是个很大的麻烦，使得我们无法摆脱“引进落后，再引进再落后”的怪圈。
要摆脱这个怪圈，需要对引进技术深入理解。但如何才能深入理解呢？小平同志说：掌握新技术，要善于学习更要善于创新。实践证明，只有在创新中才能学习到位。但这里又遇到一个困境：学都没学好，如何创新呢？
答案是从改进型的“微创新”开始。员工小改小革发挥的作用或许不大，但通过小改小革，却能深入地了解引进技术。小改小革的次数多了，也就容易掌握引进技术了。所以，小改小革是培养人、培养能力的抓手。
怎样小改小革？我曾经给某公司领导建议抓两件事：“不犯二次错、做得更好点”。产品质量或设备出现问题是难免的，要努力做到不犯第二次错误；每次生产都涉及到质量、成本、效率等问题，希望每次都有进步或者保持最好。这两件事看起来很小，但却能把数字化相关的技术拉动起来。这个道理我在过去的文章中讲过，这里就不多说了。
做这两件事的时候，几乎一定会遇到数据分析：为什么出问题了？如何做得更好一点？所以，数据分析往往是支持“微创新”的必要手段。在数据分析过程中，我们可以从微观角度深入地理解技术的本质。对高度自动化的企业，更是如此。因为生产技术都写入了计算机，都由数据表现出来了。当年宝钢第一批技术业务专家，搞计算机的比例很大，总体上与此有关。
我们知道：在许多传统制造行业，美国原本是领头羊，但日本制造却不断超越美国。这一点，很少国家能够做到。在我看来，日本人做到这一点的重要原因，是有着精益求精的精神。在求精的过程中，真正认识、掌握新技术，从而超越了美国。我们的企业往往缺乏精益求精的精神，也就难以实现从跟随到超越的转变。
数字化时代的到来，给我们提供了新的机会。数据分析，帮助我们抓住机会。但我认为：对机器学习的作用不要过于迷信。智能化我往往是“用人明白的道理，让机器做得更好”。我们做数据分析，往往首先是变成“人明白的道理”，然后再写入计算机中。如果跨越了人的这一步，工厂敢让机器去决策吗？简单决策可以，复杂就不行了。
作者：郭朝晖(工学博士，教授级高工。企业研发一线工作20年；优也科技信息公司首席科学家；东北大学、上海交大等多所院校兼职教授。国内知名智库、走向智能研究院的发起人之一。原宝钢研究院首席研究员)
