由于ChatGTP的惊人表现，本来已经趋于平淡的AI，又火爆起来。毫无疑问，人类已经进入了AI时代，AI将渗入到各行各业，渗入到生活与工作的每个方面。这是一场新的工业革命，很多工作都将消失，但也会产生很多新的机会，而新的机会一定属于掌握AI或会使用AI技术的人。
由于 TDengine 作为一款时序数据库（Time Series Database）主要用户群是传统工业用户，遍及制造、能源、化工、矿山、汽车等众多行业，因此我有机会接触很多这些领域的客户，中国的、美国的，我都有很广泛的交流。AI的突飞猛进，让这些产业的人比IT人更加焦虑，每次交流，都会聊到AI的话题，怎么利用AI技术降低成本，提高传统产业的效率。
但通过我一年多的观察、思考，发现传统产业要能尽快、低成本、低风险的享受到AI的红利，还有很多坎要过，主要要看采取什么样的策略。周末有空闲时间，将自己的思考整理出来，分享给大家。
消除数据孤岛
AI的基础是大数据，需要有足够的数据样本，才能训练模型，才能依据数据做出商业决策。但是对于传统产业而言，这个大数据的前提就不容易实现。
传统产业的IT、OT建设参差不齐，无论中国还是美国，大部分企业的数字化建设远落后于互联网类型的企业。以我最近打交道的美国发电企业为例，他们很多用的还是PI System，而且还是很老版本的，Aveva对Process Book都不支持了，但还在使用，因为PI相当稳定，而且能满足他们生产要求，他们也就没有更换的动力。但这个老系统是完全独立的，是一个数据孤岛。一个发电集团总有几十个甚至几百个电厂，每个电厂用的软件，或版本都很难一致。而且由于商业的并购、分拆的原因，导致各种系统并存，各种软件供应商都有，而更换的成本与风险很高，因此很难统一。加上现在清洁能源的发展，光伏、风力发电的系统与传统的电力又不一样，因此复杂度更高。
在这种情况下要让AI赋能这些传统产业，首先要做的就是将散布各处的各种系统、包括各种版本采集的数据进行汇总，消除数据孤岛。但由于各种系统存在，有老掉牙的自动化系统，也有最新的数采系统，各种工业协议都存在，数据汇聚还不是简单的汇聚，还需要对各个数据源的数据进行清洗、加工、处理，才能进入统一的平台。而每个数据源都不一样，因此数据汇聚是一个脏活、累活，还不产生直接的经济效益。但是数据汇聚如果不做，AI赋能谈都不用谈。
建设数据分享平台
数据总是提供给各种应用，包括各种AI应用使用的，而且这些应用有内部，还有外部合作方的应用。比如新能源汽车采集大量的数据，它包括电机、电控、电池数据，甚至还有用户行为数据。这些数据不仅内部不同的部门需要使用，看如何通过数据分析提升汽车品质，改善驾驶与乘车体验，同时众多第三方需要这些数据，比如电池供应商、电机供应商，他们也需要用这些数据来进行分析，有些数据还要上报政府监管部门。因此如果不建设好强大的数据分享平台，将无法应对内部、外部以及监管部门的需求。
但分享就牵涉到数据的隐私与安全问题，利益相关方应该只能看到它被容许看到的数据。比如电池供应商只应该获取脱去用户个人信息后的电池数据，而且只能看到自己的电池数据，还不能看到同一汽车主机厂其他电池供应商的数据。为了保护隐私，有的数据甚至要加工后才能提供，而不是直接提供原始数据。为进一步增加安全性，数据拥有方还必须能随时控制应用访问的时长，访问的数据的时间段等。
大多数场景下，数据的分享可以是批的方式进行，定时获取一次就行。但有的场景是需要实时获取的，比如工业上总希望做实时的异常检测。一旦检测到新的数据，就需要立即通知相关的应用。可以预见，实时的数据分享需求场景还会越来越多。
由于应用林林总总，新的应用、新的合作伙伴天天涌现，这个分享还必须有足够的灵活性。系统管理员收到开通分享的请求后，做个简单的配置，分享就能立即生效，而无需进行开发或复杂的配置。
因此企业要能让AI赋能，数据汇聚后，还必须建设有强大、安全而又灵活的数据分享平台。
无缝对接的开放系统
数据汇聚后，企业当然可以开发自己的AI应用，做更好的异常监测，实时报警，并为产能、成本、设备维护等提供更好的预测，而且这些都是基于整个公司层面的数据做出的，而不是局限于一个电厂或一个制造厂，让决策者有更好的宏观整体把控。
但传统企业要组建自己的AI开发甚至数据分析团队，都是相当不容易的。因为AI开发以及数据分析的人才，还很稀缺，你需要与阿里、华为、腾讯、百度这些企业竞争，在美国，则是与谷歌、微软、苹果、亚马逊等竞争。不仅他们的薪资结构、工作方式与传统产业相差太大，而且即使加入，因为对产业本身的知识了解不够，往往半年甚至一年都难发挥出作用，导致投入产出不成正比。
那么最好的方式就是直接采用第三方的AI应用，将自己拥有的数据平台与第三方AI应用对接。而且为缩短周期，可以直接使用对方提供的云服务，这样就大幅减小了购买或协调资源以及部署所需要的时间，可以立即上线。同时云服务一般是按时长或用量收费，而无需提前支付一大笔采购费用。这样能很快看到效果，看是否能满足要求，大幅降低了决策成本。
但AI应用提供方很多家，服务质量也参差不齐，那么作为拥有数据的企业，要做到的就是保证自己数据平台的开放性，任何应用都可以通过标准的接口获取数据，这样就能去除AI应用与数据平台对接的障碍，各种应用系统都能与数据平台无缝对接。只要想尝试某个AI应用，一周甚至一天之内就可以看到效果，大幅提高决策效率。因此如果数据平台具有很好的开放性，那么让AI赋能，就像商场买衣服一样，可以左挑右拣，直到自己满意为止，不是痛苦，而是一件赏心悦目的事情。
一般的平台或软件都会声称自己是开放的。但从我个人的经验来看，只有流行的用户量大的软件或系统，开放性才不会有问题，而且所有的应用都会与它对接。就像我们开发的TDengine，由于开源，安装量已经超过27万，而且它还有标准的JDBC接口，支持SQL，能与几乎所有的可视化、BI工具对接。
AI的未来
与互联网一样，AI并不能取代传统产业，能源、制造、汽车、矿山这些行业依旧存在，但AI能赋能、提升这些产业，提高生产效率，为传统产业注入新的活力。不拥抱AI的企业将会失去竞争力，逐步被淘汰。
AI已经强大，但对于传统产业而言，还有两个不足。一是要求的算力过大，导致成本过高，对于利润很低的传统产业，难以承受。另外一方面，现在的ChatGPT，依赖的都是历史数据，而工业场景，更需要的是对实时数据的分析。因此AI在工业场景还有很多挑战以及提升的空间，但这个挑战应该交给AI的研究人员。
传统产业要做的是，将分布于各地的数据汇聚起来，建设一个开放的、可以安全、灵活共享的数据平台，能与众多的第三方的AI工具或服务无缝集成，在无需大量的资金和人力投入下，在几乎没有决策风险的前提下，能迅速验证并享受AI带来的红利。
以我自己为例，我自己创办的TDengine是一个专为物联网、工业互联网定制的大数据平台。TDengine不是以AI为核心技术的公司，但在AI的时代，我们的唯一选择就是全面拥抱AI。为帮助众多的传统产业数字化转型、能让AI赋能，过去的一年，我们投入了巨大的人力支持开发PI System, MQTT, OPC等各种工业数据接口，支持与各种BI、AI工具对接，而且在阿里云、AWS、Azure、GCP上推出全托管的云服务。无需大量资金投入、无决策风险下，短时间内你就可以试用开通，并与AI应用、众多的分析工具、可视化工具集成，体验大数据以及AI的魅力。
“Run! Don't walk. You are either running for food or running from being food!" 。我们唯有奔跑，才能不被AI时代抛弃。
陶建辉
2023年6月3日于加州湾区