一、核心内涵
无论是研发的信息化、数字化，还是智能化，其服务对象，都是研发的流程与活动、组织与人员。一方面，智能化可以为研发人员提供辅助，辅助研发人员更高效地进行研发创新，笔者称之为辅助创意和设计推荐。另一方面，智能化可以用知识驱动流程活动，形成知识驱动的研发流水线，笔者称之为任务导航。
1. 辅助创意
产品开发中最为关键的工作是产品与市场的适配，即，所开发的产品对准了市场中尚未满足的客户需求。智能化技术具有强大的数据分析，尤其是文字、图片、语音等非结构化数据的分析能力，可以帮助研发团队，从海量的客户访谈、产品对标、服务支持、质量投诉、行为监测等数据中识别客户的真实需求，为产品构思提供建议。
另外，生成式AI可以自动生成文字、图片、代码等内容，可以辅助设计人员进行产品的造型设计、结构设计和程序设计。比如，在服装行业，借助AI进行服装的花型设计，可以大幅提高设计效率，甚至支持客户进行服装花型的DIY设计；在软件行业，AI可以在指定要求和条件下自动生成常规性程序代码，可以让研发团队将更多精力投放在架构设计等创新性工作上。
2. 设计推荐
智能化技术可以将研发领域的Know-how、工程经验、行业标准、风险库，等等，训练成知识图谱或大模型，以会话（Pull，拉式）的形式供研发人员查询，或是根据研发任务特点或状态自动推送（Push，推式）到研发人员的“工作桌面”，有助于研发工作质量的提升和保证。
比如，机械零部件的设计中，基于智能化技术的专家系统，就好像设计人员的“外挂”，可以为设计人员提供几何特征、机械公差、加工尺寸链、表面粗糙度、材料规格等的推荐和选择，帮助初级工程师完成复杂度高的零部件设计任务。
3. 任务导航
如果把研发项目比喻成城市的道路交通，研发流程就是“道路”，研发人员的任务就是“车辆”；研发项目要想高效，就要让研发人员的任务以首尾相连、合理间隔、快速有序的方式通过指定的道路，这需要有后台的“导航系统”提供任务导航。
图9.7 任务导航的示意
1）任务指示。当前任务的描述，包括任务的项目编号、工作内容、当前状态、上一级任务名称、包含的下一级任务、任务详细信息的链接（URLs）。
2）任务输入：连接到该任务所必须的数据或知识，当前任务的“前导”任务或前提条件。
3）任务参考：以文字、图片、视频等形式，展示完成该当前任务所需的诀窍、知识、作业指导、设计标准、问题报告、风险提示，等等。
4）任务输出：当前任务需要交付的输出成果、成果模版样式、成果的技术要求，以及当前任务的“继后”任务。
5）反馈意见。项目经理、上一级任务负责人或其他人员对当前任务执行情况的反馈意见、改进建议和工作要求。
二、技术支撑
研发智能化背后的主要技术支撑是人工智能（Artificial Intelligence，简称AI）。AI通过计算机技术和算法，使计算机具备模仿人类智能的能力。通过大量的数据学习和训练，AI能够模拟和处理人类思维的各种活动，如感知、认知、推理、判断、计划等，从而实现智能化的处理、分析和创造。
根据用途的不同，AI可分为决策式AI（Discriminant/Analytical AI）和生成式AI（Generative AI）：
1）决策式AI。决策式AI学习数据中的条件概率分布，根据已有数据进行分析、判断和预测， 主要应用模型有用于推荐系统和风控系统的辅助决策、用于自动驾驶和机器人的决策智能体。
2）生成式AI。生成式AI学习数据中的联合概率分布，在学习、归纳已有数据的基础上，基于历史进行模仿式、缝合式创作，进而生成了全新的内容，也能解决判别类问题。
其中，决策式AI又可进一步细分为判断式AI、描述性AI、预测性AI、感知式AI、交互式AI：
1）判断式AI（Discriminative AI）。这类AI从给定的输入中进行识别或分析。细分用途包括，图像识别，用于识别图像中的对象或场景；人脸识别，用于识别或验证人脸；情感分析，用于判断文本中的情感倾向，正面、负面或中立；等等。
2）描述性AI（Descriptive AI）。这类AI可以理解并描述输入数据的特性。例如，图像描述，生成描述图像内容的句子；自然语言处理，对输入文本进行分析和解释；等等。
3）预测性AI（Predictive AI）。这类AI基于过去的数据来预测未来的事件或趋势。例如，时间序列分析，用于预测股票价格或天气；推荐系统，根据用户的历史行为预测他们可能感兴趣的项目；等等。
4）感知型AI（Perceptive AI）。这类AI可以模拟人类的视觉、听觉等感知能力。例如，语音识别，将语音转化为文本；计算机视觉，用计算机来“看”和理解图像或视频；等等。
5）交互式AI（Interactive AI）。这类AI可与用户或其他系统进行交互。例如，聊天机器人，与用户进行交流；流程机器人，与其他软件应用交互以自动化任务；等等。
图9.8 人工智能知识地图
图9.8中，实线框中的又称为强/一般AI（Strong/General AI,简称AGI），最近比较热门的ChatGPT就属于这一类，它们正在日益成熟；虚线框中的又称为弱/狭义AI（Weak/Narrow AI，简称ANI），计算机视觉、自然语言处理等属于这一类，它们在技术和应用上已经比较成熟。
总体上，AI就像一个具有超强学习能力的“超人”，可以基于海量的数据和事实，进行不知疲倦地学习，基于学习完成DIKWA（Data 数据 à Information信息 à Knowledge 知识 à Wisdom 智慧 à Action 行动）的快速闭环，从而辅助，或是替代人们完成相关工作。
三、阶段成效
AI对商业的变革，还处于从概念到实践、从表面到深层、从局部到整体的演进过程。具体研发领域，研发智能化已经为相关企业发挥出可观的成效，未来更值得期待。未来的10年，可以肯定的是，研发智能化将在研发领域的创新、人效、精益等方面扮演着重要的角色。
1. 脑洞大开，创新无限
决策式AI可以帮助研发团队更客观、更精准地识别市场需求，对准市场需求进行产品创新。生成式AI可以生成文字、图片、模型、代码等内容，可以辅助研发人员进行产品的外形设计和造型创新，或是诱发研发人员的创新灵感，从常规和重复式设计工作中摆脱出来。
2. 开通外挂，人效提升
专业知识技能是影响研发人员工作效率的重要因素。基于知识图谱和大模型的专家系统，可以通过“拉”或“推”的方式，为研发人员提供一对一、全天候在线的专家指导，辅助和引导初级研发人员完成更多样、更复杂的研发任务，从而大幅提高研发人员的工作效率。
3. 人机协作，精益研发
图9.9 精益生产的框架示意
