智能制造思维工具箱001：DIKW金字塔模型（上）

1、人类认识世界规律

从农业社会、工业社会到数字经济时代， 人类一直在努力提高认识世界的水平 ，通过观察物理世界 、描述现状，理解客观规律 、来解释过去，指导现在，预测未来。通过对自然信息的记录、描述、分析和推理，逐渐建立了经典的DIKW知识金字塔体系。 DIKW金字塔好地描述了人类认识世界的规律和层次结构，分别是：数据（原始的事实集合）、信息（可被分析测量的结构化数据）、知识（需要洞察力和理解力进行学习）、智慧（推断未来发生的相关性，指导行动）。

2、DIKW的形成和内涵

DIKW模型是关于数据、信息、知识及智慧的体系，最早可以追溯至诺贝尔文学奖得主TS.艾略特在1934年写的《岩石》。他在上个世纪就对信息泛滥的到来，产生焦虑。在首段，他写道：“我们在哪里丢失了知识中的智慧？又在哪里丢失了信息中的知识？”（Where is the wisdom we have lost in knowledge？/ Where is the knowledge we have lost in information？）。

1982年12月，美国教育家哈蓝·克利夫兰引用艾略特的这些诗句在其出版的《未来主义者》一书提出了“信息即资源”（Information as a Resource）的主张。管理思想家罗素·艾可夫进一步对此理论发扬光大，在1989年撰写了《从数据到智慧》。 简单讲，DIKW模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，越往上就会越来越抽象，对于人和企业的价值越来越大。这个模型告诉我们，从数据到智慧是有规律的。

数据（Data）：数据是DIKW中最底层也是最基础的一个概念。数据是形成信息，知识和智慧的源泉。通过原始观察及量度获得了数据。包括数字、文字、图形、音频、视频等。信息（Information）：信息必然来源于数据并高于数据，信息＝数据＋处理，信息是具有时效性的有一定含义的，有逻辑的、经过加工处理的、对决策有价值的数据流。通过分析数据间的关系获得了信息。知识（Knowledge）：知识是需要提炼信息之间的联系，从中得到所需要的规律性认识，是对信息的应用。在完成当下任务的行动中应用信息产生了知识。知识就是知道了什么（Know-what）、、知道怎么做（Know-how）、知道谁（Know-who），知道了时间（Know-when）。知识更接近行动，它与决策相关。智慧（Wisdom）：智慧是知识层次结构中的最高一级。智慧着眼未来，它具有预测和未来影响的判断能力。 从采集数据、提炼有关系的信息到总结成能解决当下问题的知识，到形成普适的智慧，这个是人类认识和改造世界的普遍规律。

3、基于数据应用视角来理解DIKW

数据和信息描述世界，知识和智慧理解世界。今天你对数据的应用有什么样的理解，做出了何种改变，决定了你企业处在DIKW哪一层。 从这个角度说，站在DIKW金字塔尖的企业，相当于全部通关的顶级选手，掌握了数据、整理成信息、理解为知识、转化成智慧，在面向未来的决策和行动如有神助。从数据应用视角来看，有3个维度：从数据流动的视角看：数据在DIKW不同层级间要流动， 不同层级要加强反馈循环和流动，数据流动的自动化水平越高，企业智能化高效精准决策的水平越高。在数据生产力时代，企业智能体现为面向全流程、全产业链、全生命周期的精准 、实时、低成本的决策能力 。

以安全巡检为例，既要有实时监测和视觉巡检数据分析报表，来对生产现场安全进行状态描述和原因分析。 还要有面向结果的预测分析和科学预测，比如通过各种不同等级预警事件告知安全生产预防工作，预置若干实时安全策略进行干预。从发展的视角看：从DIKW体系可以看出，其由远到近分别为过去（Past）和未来（Future），以及经验（Experience）和创新（Novelty）。 数据更多是强调过去事实的呈现，主要是确保业务正常开展，正确地做事。而智慧则着重在未来，并且是为了应对未来所提出的想法，其内涵即是决策，是确保做正确的事。

从数据开发的深度和广度的视角：所有数据开发和应用都是围绕具体问题开展，对问题的定义越具体、理解越深刻，认知越犀利。今天在落地过程当中才能确保数据的及时性，准确性，完整性，才能确保数据开发利用有效。

4、在工业场景中认识DIKW

以设备声音异常监测场景来看，假设设备声音合理阈值在15分贝。通过红外热成像技术，对重要设备设施生产运行时的温度进行在线监测及可视化呈现，当采集上来的数据是20分贝。我们知道，

这个20是数据，系统能够做到全天候（7×24小时）不遗漏，便于实时掌握设备运行状态和数据；

已经突破合理阈值范围这就属于信息；

20分贝下设备会出异常，这就是知识层面；

在设备出现重大异常前发现轻微异常信号，引导及时维修以避免重大事故发生。这是智慧层面了。

下图将设备声音异常监测与DIKW模型结合来看：

由此可见，工业大数据不是简单的数据展现，分析而是需要基于DIKW底层数据逻辑构建工业智能闭环体系。从现场设备异常数据到行业领域know-how知识沉淀到AI智慧决策的业务闭环。

审核编辑 ：李倩