你已经是一个成熟的机器了，可以自学成才了
机器自动化的进阶版—自治系统（内有福利）...
但如何从具体的步骤来，实现公司转型？张总却犯起了愁：我是个工业企业，费了老鼻子劲给我的机器，上装上了传感器，布设了一个我自己基本上不能掌控，的网络环境，还花了好大一笔钱，你跟我说我只能实现这样一个其实多雇个，机修工就能干完的事儿？还跟我说这是数字化转型？
本期，我们邀请到了微软合作伙伴，业务拓展总监 Grace Peng，为大家详细解读什么是，自治系统以及怎么用到业务里。
大家好~我是美丽大方温柔善良但一看到在群里发无关广告还不给红包就丧失理智的群主兼，主播兼服务生小姐姐姐兼微软合作伙伴业务拓展总监 Grace。
作为 2020 年的第一场分享，我们当然要说些高瞻远瞩且关注度，高的事儿，在所有的小伙伴投票，选项中，自治系统（autonomous systems）赢了。
说老实话有点出乎意料，这个词虽然我们确实酝酿了有段时间(，段时间)了，而且根据 Gartner 和微软自己的看法，自治系统将是 2020 年浓墨重彩的一笔（看下面这图中带 autonomous 字样的都是这个范围，请注意这个图是 Emerging Technology，而非单指 IT 或者云计算）
可能还有小伙伴不知道，自治系统是什么，别百度了，百度词条写的还是，上个世纪的自治系统的定义。
其实，自治系统又可以翻译成，无监管系统，为了前后统一我们今天都，喊自治系统。我们现在所提的自治，系统是基于一种称为机器教学的 AI 开发新方法。领域专家可以利用他们的知识，来教授机器，而无需数据科学专业知识，通过可解释的预测和安全机制将人类，经验不断灌输给机器（或者一个学习的模型），让机器逐渐学会专业知识并对操作环境快速作出类似，人类专家的判断的方法。
自治系统其实是自动化的，进阶版，和自动化的最大区别是在原来的自动化，规则是死的，人不去调整就一成不变，而自治系统是学习，人的思维来执行控制，想想就知道在适应，多变环境的时候“随机应变”会多么有用，无论是对一台机器，还是对企业的运营，还是产业链的决策判断，都是如此。
还是很抽象？没关系，反正接下来我们也会讲到。自治系统中有大量的，人工智能应用，从计算机视觉到语义理解到强化，学习到知识地图，这些看起来高大上(高大上)的，技术实际会生成什么对企业发展有用的落脚点？跟你又有哪些关系？关注微软 AI 商学院，都会讲到。
AI 商学院是微软在全球联合各大商学院，一块推出的一个“线下互动教学与线上课程”双向资源相结合项目，在国内，我们联合，清华大学经济管理学院、中欧国际工商学院，长江商学院围绕，人工智能战略制定、文化建设、技术部署的各个环节，为未来商业领袖、创新企业、企业高管打造全方位的人工智能，商业课程。
回来继续聊自治系统，不过聊起来并不容易，因为涉及的范围很大，非常大，要抽象出来还能说，明白不是容易的事儿，所以我想先从一个比较有趣同时，又能覆盖 AIoT、IIoT（工业互联网）的词来切入，比如：数字孪生。
我们可能听说过很多次数字，孪生这个词，但是大家一直心里有个疑惑到底，数字孪生是什么？我们现在做的，是不是数字孪生？
我们想象中的数字孪生，很可能大都来自世界上第一部 3D 电影《阿凡提》，哦不，是《阿凡达》，所以数字孪生的基本，想法应该类似于下面这张图：
百度百科上有这个词条，的最新解释：
Digital Twin 数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的，全生命周期过程。
美国国防部最早提出利用 Digital Twin 技术，用于航空航天飞行器的健康，维护与保障。首先在数字空间建立真实，飞机的模型，并通过传感器实现与飞机真实状态，的完全同步，这样每次飞行后，根据现有情况和过往载荷，及时分析评估是否需要，维修，能否承受下次的，任务载荷等。
现在我们很擅长的是给原来，的设备里放个模组，整合设备上的消息，然后通过 nb-iot/LoRa 或者 Wifi、4G或者5G把消息传到网关，当然网关很可能还，做一些边缘计算的事情，然后在云端做采集，信息传到云端之后呢，可以做云存储、做各种漂亮的分析，还有大屏展示。
大屏可好了，花花绿绿的非常炫目而且，特别适合领导们视察需要。最后我们给管理员，们一个监控面板，可以监控各个设备，的运行状况，鸡贼一点的可以放几个 gif 图片表示这个设备正在，以什么状况运行，就像这样：
如果发现有异常，那么你可以点一下那个，小红点点，然后很可能你就能看到，此处红点代表的各种关键指标，并且判断是否需要，采取进一步的动作，比如关掉机器、降速、派遣维修师傅等。
如果你能进一步用现在，比较高级一点的数据能力如 Stream Analytics（流式分析），或者基于时序的分析那很可能还能分析出，问题的出现的时间点，以及当时的环境，帮助你理解你的生产环境或者设备到底，因为什么出了问题。
我是个做芯片的天天琢磨流片到底能不能，成你让我考虑这个？
我是个做模组的，你让我去考虑这个？
我是个做边缘计算，网关的你让我想这个？
我是个运营商做通道，的你让我想这个？
我是个做erp的我连你能接什么，设备都不知道erp里也没有电流电压这个数据项你让我想这个？
我是个做平台的你让我…
从最终使用方来说，例如我是个工业企业，我费了老鼻子劲，给我的机器上装上了传感器，布设了一个我自己基本上不能掌控，的网络环境，还花了好大一笔钱，你跟我说我只能实现这样一个其实多雇个，机修工就能干完的事儿？还跟我说这是数字化转型？
不不不，不止这些，你看上面词条里其实隐晦地说，了一个用处，叫“预测性维护”…
可这还不是机，修工干的活么？况且有几个真的敢拍着胸口说我可以，靠这个数字世界的映射，或者现有的数据和工具就已经能，实现各种白皮书中所描述的预测性维护了？目前的预测性维护还处在很，初级的阶段，简单地说就是在 4S 店跟你说的保养时间和你故障灯亮起来才，去保养之间去找一个折中点，至于这个折中点在哪……
这是一个自我拷问的过程，不管是面对工业企业，还是自己就是企业，都必须要思考。
汽车是今年大家都知道日子不太，好过的一个产业，扩大产能？不存在的！
可是有一家车企不仅大张旗鼓建了，新的生产基地，而且神奇地逆势而上?!
第一叫数字化反馈闭环，这个词我生造的，英文叫 “Digital Feedback Loop”，说白了很简单：就是从产品的传感器中，获得数据后，加以分析并尝试，对产品进行改进。这个改进有可能是，下一代产品的修正，也可能是像特斯拉，一样在线的ota（滑稽.gif）。
比如 2018 年有这么个新闻：
过几天《消费者报告》又报告了：
这就是数字化反馈闭环，的力量，但又不完全是，特斯拉的物联网化程度，很高这大家都知道，而一台车的复杂度可，不是把“刹车距离调短”这么简单，你还需要进行模拟、测试、预测用户各种行为，再测试，再模拟各种地貌，再测试，要在这么短的时间里对一台已经在量产的，车进行升级是一个系统工程，光想想就头疼，更何况要在这么短，的时间里做出“正确”的技术升级决策。
这里就要提特斯拉另外一个大杀器了，也就是他们做对，的另外一件事——OpenAI。
OpenAI成立于2015年，由特斯拉与spacex创始人，埃隆·马斯克和SamAltman(硅谷最大创业孵化器Y Combinator的前CEO)决定共同资助创建，是一家非营利组织，设想是要借助这个机构的，力量打造agi（通用人工智能），也就是一个像人类一样灵活且普遍智能的人工智能系统 。
下面这这个游戏叫“OpenAI躲猫猫”，先给了小红人一个目标：你得抓住小蓝人；而小蓝人的任务是你别，被小红人抓住，你看，多质朴且可爱。
教授人工智能的一开始，你会感觉ta们，会的东西真简单，比如这个游戏开始的时候。
ai们完全不知道自己能做什么，和该干什么，只是出于“本能”的逃跑和追逐。
但当轮回了2500万次后，小蓝人学会了，通过移动箱子，建造庇护所，来保护自己并不被发现。是的，2500万次！但背后支撑 OpenAI 的 Microsoft Azure 完成这段学习的时间，只需要人类数清楚2500万有多少，个零的时间，当你数清楚零了，小红人和小蓝人就，都拥有这样的智能了。
当然这离智能还有好远，的距离。于是强化学习继续，帮助红蓝双方提升：如果做对了，给你奖励，如果做错了，就惩罚，促使双方不断摸索“对的”路径，也就是强化学习（reinforcement learning）
比如当蓝色小人发现红色小人会借助途中的三角块，来翻墙抓自己的时候，一开始就干脆把三角块都给藏在，自己小房子里好了。
小红人也会进化啊，他们开始学会跳到盒子上，空降抓小蓝人，是不是很惊悚！
做到这一步其实，人工智能小人儿也不容易，他们只用了…大概几亿次模拟吧。特斯拉就是这样运用了大量，的人工智能，不仅不断地尝试自动驾驶，而且对于刚才提到的数字化反馈，闭环提供了极其有效的模拟测试。
这是我们今天，的第一个论断：
1. 人工智能短期内要学会人，发散思维怕是没着落，但是让他们在一定规则下，学会某个专业方向的思考能力，或者接近学习目标是，可能的。
正是因为人工智能有了一定的能力来学习在一定规则下找到答案的能力，这个能力和人类这种高级，智慧生物数千年摸索的能力方向类似，只是快一万倍，甚至一亿倍，而这个能力是，我们接下来要理解“自治系统”所必须的。
好吧我们派机器人下去，可机器人下井要么依赖的还是，遥控的人（这条路其实不怎么通，原因是在视觉屏幕上人的，视野极其有限）；要么就要自力更生，做一个能快速综合各种，气体温度传感器信息和视觉、声音传感器的信息作出判断并，能提供地面搜救团队预判意见的机器人。
你看到这里肯定知道第二种机器人更像是，选择题的标准答案，其实也不尽然，因为我们不会因为可能要，下井救人就屯一堆机器人在井下，没事儿就让他们去跑，2000万次模拟实验，太不经济了。那有没有一个像 OpenAI 一样可以给出一个虚拟，环境，让人工智能在这个虚拟，环境中自己学习…个 2000 万次并找出各种环境下最佳搜索，路径的方法呢？
有啊，AirSim！
