在AI浪潮席卷全球的今天，我们唯有奋起直追，才能在变革中把握机遇，避免被时代洪流所淘汰。本文由微信公众号爱倒腾的程序员（ID：taosdata）独家发布，作者陶建辉，经微新创想授权转载，头图源自摄图网。
ChatGPT的横空出世，让原本趋于沉寂的AI领域再度掀起热潮。人类已正式迈入AI时代，这项技术将渗透到各行各业，改变我们的生活方式和工作模式。这不仅是新一轮工业革命的序幕，更意味着部分职业的消亡与新机遇的涌现。掌握AI技术或具备AI应用能力的人，将成为这场变革中的弄潮儿。
TDengine作为一款主要服务于传统工业领域的大数据平台，其用户群体涵盖制造、能源、化工、矿山、汽车等众多行业。通过与来自中国和美国的众多客户交流，我深刻感受到AI技术对传统产业的冲击。这些产业人士比IT从业者更加焦虑，他们迫切希望借助AI技术降低成本、提升效率。然而，经过一年的观察与思考，我发现传统产业要低成本、低风险地享受AI红利，仍需跨越诸多障碍，关键在于制定正确的策略。
### 消除数据孤岛：AI赋能的第一步
AI技术的基石是大数据，而充足的样本量是训练模型、制定商业决策的基础。但对于传统产业而言，这一前提条件并不容易实现。由于IT和OT建设的参差不齐，无论是中国还是美国，大部分企业的数字化进程都落后于互联网企业。
以我近期接触的美国发电企业为例，许多企业仍在使用老旧的PI System，甚至版本已经过时。尽管Aveva已不再支持Process Book，但PI System的稳定性和生产需求满足能力，使得这些企业没有更换的动力。然而，这种老系统完全独立，形成了一个个数据孤岛。一个发电集团往往拥有数十个甚至数百个电厂，每个电厂使用的软件或版本都难以统一。商业并购、分拆等因素导致各种系统并存，软件供应商众多，更换成本与风险极高，难以实现统一。再加上清洁能源的崛起，光伏、风力发电系统与传统电力系统存在差异，复杂度进一步提升。因此，要让AI赋能这些传统产业，首要任务就是将分散在各种系统中的数据汇总起来，消除数据孤岛。
由于各种系统存在差异，数据汇聚并非简单的合并，还需要对各个数据源的数据进行清洗、加工和处理，才能进入统一的平台。每个数据源都不一样，因此数据汇聚是一项既脏又累的工作，且短期内难以产生直接经济效益。但如果不进行数据汇聚，AI赋能就无从谈起。
### 建设数据分享平台：应对内外部需求
数据总是被各种应用使用，包括AI应用。这些应用既有内部的，也有外部合作方的。例如，新能源汽车采集大量数据，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部门需要使用，以通过数据分析提升汽车品质、改善驾驶与乘车体验，同时众多第三方也需要这些数据，如电池供应商、电机供应商，他们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。
但数据分享涉及隐私与安全问题，利益相关方应该只能看到被允许看到的数据。例如，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、访问的数据时间段等。
大多数场景下，数据的分享可以是批次的，定时获取一次就行。但有的场景需要实时获取，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。
### 无缝对接的开放系统：降低决策成本
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：赋能传统产业，注入新活力
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。
2023年1月我画的一张“数据汇聚、分享、AI/分析”架构图以我自己为例，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日于加州湾区本文为专栏作者授权微新创想发表，版权归原作者所有。文章系作者个人观点，不代表微新创想立场，转载请联系原作者。如有任何疑问，请联系http://www.idea2003.com/。