国内知识工程1.0的成功实践

在我们进行精益研发体系研究和实践时，知识管理是其中一项重要组成部分。但到底如何来做，在当时是一道难题，因为很多中国企业都进行过知识相关工作，但大部分都没有发挥作用。研究发现，企业的知识管理工作明显存在以下三个大困局：

（1）无知识，资深员工不知如何把知识共享出来，甚至意识不到自己有知识。当我们请即将离岗的专家把他们的知识梳理出来的时候，专家们往往是一脸茫然；

（2）弱知识，由于知识的梳理和挖掘存在问题，所以软件中的知识过于泛泛，与工作关系较弱，只能做为闲来翻翻消遣之用。由于专家不能提供知识，企业的知识管理项目组只好从内外部搜罗现有材料放入到知识管理平台中。此类知识与实际业务势必相去甚远；

（3）死知识，即使有一些有用的知识，但在遇到问题时却反倒找不到这些知识。研发人员通常是通过搜索方式来寻找知识，往往发现要么搜索出来太多无关知识，要么搜索出来很少的知识，难以支持研发工作。

以上困局，使得即使是开展过知识工程工作的企业，知识也没有融入研发过程，没有对研发活动起到支撑作用，存在知识与研发两张皮现象。

为此，让知识与研发流程伴随，把完成工作包用得上的知识都与工作包伴随起来。这样可以利用研发业务活动进行知识的产生、组织、管理、应用和创新。这就很好的解决了以上三个问题，从而具有以下三个特点。

（1）有知识，让专家意识到自己确实有知识。让专家在知识挖掘和整理的过程中有章可循。当专家明确了要梳理自己擅长的工作包相关的知识和资源时，他们都表现的驾轻就熟；

（2）活知识，在业务需要的时候，知识就出现了。变人找知识为知识找人，让知识主动推送到研发人员的工作桌面上。工作人员领取到工作包的时候，知识就同时获得；

（3）强知识，所有知识都与工作直接强相关。无论用何种方法获得知识，都是雪中送炭的知识，而不是锦上添花的知识。工作包上的知识只可能是与完成本工作包相关的知识，其他知识没有机制和机会出现于此处。

这些是知识工程1.0的目标，主要解决知识如何共享出去，被别人找到，在相应的地方用相应的知识。

知识工程1.0在我国以航天航天等为代表的高端制造企业得到了成功实践，这些行业企业对研发创新的追求是中国企业中最为执著的那一批，因此也在国内知识工程的应用上走到了前列。 

知识工程2.0的发展方向 

虽然知识工程1.0在企业受到欢迎，但仍然有一些问题尚未得到好的解决,那就是知识本身的问题，包括以下两方面：
   （1）远知识，知识似乎与工作有关，但距离业务应用太远，使用起来不直接、不方便；

（2）浅知识，只关注显性知识的表面价值，看不到隐性知识的深层智慧。

为此，我们提出以下两项要求，作为知识工程2.0的重要发展方向：

（1）近知识，所有的知识可以像工具那样直接使用，无需二次加工。无论用何种方法获得知识，在应用系统中可以即插即用；

（2）深知识，提炼归纳分析知识的隐性价值。利用智慧分析方法，将隐性知识按照业务应用情景显性化，在研发人员工作过程中获得智慧导航。

知识管理向上，梳理研发流程，将知识与研发流程的工作包伴随，将知识融入流程。

知识管理向下，深挖设计过程中的知识。根据知识的类别，选择合适工具进行增值加工。通过计算机手段，利用知识建模手段生成数字化和工具化的知识，并直接与相关研发工具建立关联，使这些知识天然具有与业务工作环境互动的特点，直接启动应用，使知识与设计活动紧密融合，直接支持设计工作。另外，这种方式也也提供了随用随积累、随用随创新的知识积累与应用模式。

知识管理向上发展是知识工程1.0的重点，向下发展是知识工程2.0的重点。 

知识增值加工是“知识工程2.0”核心

从工程实践角度，对研发过程有帮助的资源都可以是知识，都是知识工程所建设的对象和范围。知识资源增值是知识工程2.0的核心。

从企业实践出发，依据资源的特性和价值不同，我们对其进行了类别和层级进行了区分，分别是：实物、数据、信息、模式和技术，同时这五类知识也具有层次递进的特征。针对这递进的五类知识，提出五种知识层级提升方法，即增值加工，分别是数字化、标准化、结构化、范式化和模型化。

不同资源类型采用不同技术加工手段，提升其知识特征，是知识工程2.0的核心价值所在。实物资源数字化后具备显性化特征，数据资源标准化之后具有有序化特征，信息知识结构化之后具备共享化特征，模式资源范式化之后具备自动化特征，技术资源模型化后具备智能特征，利用大数据分析技术进行知识的全息化之后具有智慧特征。

在智能制造时代，大数据分析方法的出现为知识层级的提升开辟了一种新方法：智慧分析法，将隐藏在以上各类资源中的知识挖掘出来，利用大数据分析技术找到数据之间的相关性，往往能够突破基于预设模式的小样本数据分析的结论，得到预料之外的颠覆性成果。根据工作场景自动分析工作需要，从现有的知识体系中自动组合当前工作需要的知识，推送或嵌入到业务系统中，使之具有自判断与自决策的特征。研发体系的智慧化水平将提升明显。

因此，知识资源增值的程度，决定了知识接近业务的程度、促进创新的程度以及研发体系的智慧化程度。未来工业4.0时代，基于大数据的智慧级知识普遍采用，那时我们将步入智慧研发时代。