想象一下，你正走在一个大型高科技工厂里，机器人正在制造复杂的零件。在过去，如果一台机器出了错，或者传感器记录了一个异常温度，这些信息就会消失在成堆的纸张中，或者被埋在没人能找到的计算机文件中。这就像是在不知道哪个桶里装了哪粒沙子的情况下，试图在一片沙滩上寻找一颗特定的沙粒。对于想要利用人工智能（AI）让这些工厂变得更聪明的科学家和工程师来说，这是一个巨大的问题。AI 就像一个超级聪明的学生；它能学习惊人的知识，但前提是必须有合适的教科书。如果数据是混乱的、隐藏的，或者没有一个标签说明“这是在烤箱温度为 200 度时记录的”，AI 就会感到困惑并无法学习。

为了解决这个问题，科学家们使用了一种叫做“FAIR”的数据标准。把 FAIR 看作是一套规则，以确保数据是可发现的（Findable，易于定位）、可访问的（Accessible，易于获取）、可互操作的（Interoperable，能与其他数据使用同一种语言）以及可重用的（Reusable，易于再次使用）。但还缺少一个关键部分：溯源性（Provenance）。溯源性只是一个高级词汇，指的是“纸质足迹”或“起源的故事”。它回答了诸如“这是谁制造的？”、“什么时候发生的？”以及“在这之前机器在做什么？”之类的问题。如果没有这个故事，数据就只是漂浮在虚空中的一个数字。你即将阅读的这篇论文探讨了如何为复杂的、多步骤的制造过程创建这种完美的“纸质足迹”，将混乱的工厂车间转变为一个井然有序的图书馆，让每一条数据都了解自己的历史。

虚拟过程档案：工厂的数字时光机

本文的作者——来自德国卡尔斯鲁厄的一个研究团队——提出了一种名为**虚拟过程档案（Virtual Process Dossier, VPD）**的新工具。你可以将 VPD 视为工厂的“数字时光机”或“超级详细的日记”。在典型的工厂中，一个产品要经过许多步骤：它被加热、加压、冷却并进行测量。在每一个步骤中，传感器都在观察并记录数据。问题在于，这些数据往往散落在不同的地方，而且没人确切知道哪个传感器在组装线的哪个特定步骤期间记录了哪个温度。

VPD 通过构建一个**知识图谱（Knowledge Graph）**来解决这个问题。想象一个巨大的、交互式的网络，其中每一条数据都是一个节点，而连接它们的线条则讲述了它们是如何相关的。在这个网络中，一个温度读数不仅仅是一个数字；它与持有零件的具体机械臂、烤箱门打开的确切时刻以及执行压力动作的具体机器相连。这使得数据变得“FAIR”，因为任何人（或任何 AI）都可以查看该图谱，并瞬间理解数据的完整上下文。

三大神奇成分

论文建议，VPD 由三个主要部分组成，它们像团队一样协同工作：

1. VPD 本体（规则手册）：
   这是整个运作的“大脑”。一个“本体”（Ontology）就像一本大家公认的字典。作者并没有从零开始发明一种新语言；相反，他们采用了现有的、受信任的字典（如 DCAT、PROV、SSN/SOSA 和 WiLD），并将它们缝合在一起。

   • 类比： 想象你正在搭建一座乐高城堡。你拥有来自不同套装的关于底座、墙壁和屋顶的说明书。VPD 本体就是那本总的说明书，它告诉你在如何将这些不同的套装完美地拼凑在一起。它定义了“传感器”是一种“代理（Agent）”，而“加热步骤”是一种“活动（Activity）”。这确保了当机器人说“我加热了它”而计算机说“这被加热了”时，它们使用的是同一种语言。

2. VPD 框架（施工队）：
   有了规则手册固然很好，但你需要一种实际构建它的方法。该框架是关于如何搭建系统的分步指南。它告诉工厂在生产开始前如何准备（设置“前瞻性”计划），以及在机器运行期间如何记录数据（捕捉“回顾性”现实）。

   • 类比： 把这想象成施工队的检查清单。在工厂开业前，他们写下计划：“首先，烤箱加热，然后压力机挤压。”这就是前瞻性的部分（我们预期会发生什么）。然后，随着工厂的运转，施工队会自动记录下实际发生了什么：“烤箱在上午 10:05 达到了 200 度，并且压力机施加了 500 牛顿的力。”这就是回顾性的部分。框架确保这两个故事能够完美地链接在一起。

3. VPD 用户界面（仪表盘）：
   即使有了完美的规则手册和优秀的施工队，如果人类无法阅读，数据也是无用的。用户界面（UI）是一个网站，它让人们无需成为计算机专家就能浏览这个巨大的数据网络。

   • 类比： 如果知识图谱是一个拥有数百万本书籍的巨大图书馆，那么 UI 就是一位友好的图书管理员，她可以告诉你：“请给我看上周二烤箱的所有温度读数，”并能瞬间调出正确的页面。它将数据可视化，使人类可以看到生产运行的故事，或者让 AI 下载数据进行学习。

现实生活中的运作方式

作者使用一个简化的例子来测试他们的想法：制造一个由纤维增强塑料制成的零件。

1. 设置： 他们从一张纤维片开始。他们将其放入抓取架中。
2. 步骤： 首先，纤维片进入烤箱进行加热。然后，压力机将其挤压成型。
3. 传感器： 在此过程中，传感器测量纤维片顶部和底部的温度，以及抓取架的角度。

在普通的工厂中，温度数据可能保存在一个文件中，而压力数据保存在另一个文件中。你必须猜测哪个温度读数属于哪次压力循环。

有了 VPD，系统会自动链接一切。当传感器记录温度时，VPD 知道：

• 谁： 红外测温传感器。
• 什么： 上表面温度。
• 何时： 在工作流的“加热”步骤期间。
• 何处： 在烤箱设定为 200 度的特定工作流实例中。

论文明确排除了“现有数据目录已经足够”的观点。作者认为，大多数现有工具只关注通用标签（如“文件 1”或“文件 2”），而不理解工作流。他们还指出，一些其他系统仅侧重于数字数据（如软件代码），在应用于涉及机器与材料交互的物理工厂时会失效。VPD 是专门为处理这种混乱的物理现实而设计的。

论文实际说了什么（以及没说什么）

作者谨慎地指出，他们建立了一个工作原型和一个框架，但他们并未声称解决了制造领域的所有问题。

• 他们的发现： 他们成功创建了一个将传感器数据与工作流步骤相连的本体。他们展示了通过使用现有标准（如 PROV 和 SSN），可以在不重新造轮子的情况下使数据实现“FAIR”。他们证明了其系统可以自动将数据集与其创建它的确切机器和步骤联系起来。
• 他们的建议： 他们建议这种方法可以帮助那些试图在工厂数据上训练 AI 模型的科学家。通过为数据附带清晰的“故事”，AI 可以学习得更快、更准确。
• 目前尚不明确之处： 论文将此作为一个提案和原型进行展示。他们提到这是为德国 8 个实验室和 2 个研究所参与的研究项目而构建的。他们并未声称全世界的每个工厂都在使用它，也没有声称它在未经进一步测试的情况下适用于每种类型的机器。他们将 UI 作为一个开源工具提供给他人尝试，暗示着现实世界的采用和规模化是接下来的步骤。

为什么这很重要

最终的目标是停止浪费数据。在现代工厂中，传感器产生海量的数据，但由于难以理解，这些数据往往处于闲置状态。虚拟过程档案充当了翻译员和图书管理员的角色，将这片数据海洋转化为清晰、可读的故事。如果一个工厂能够讲述零件制造的全过程，他们就可以利用 AI 来找出零件为何损坏、如何使其更坚固，或者如何节省能源。

论文总结道，通过使数据具有“过程感知性”（即数据了解自身的历史和上下文），我们可以打破目前阻碍制造业发展的“孤岛”（孤立的信息堆）。这是迈向未来的一步——在那个未来，工厂不仅是制造物品的机器，更是能够自我学习和改进的智能系统，而这一切都归功于一个简单而强大的理念：每一条数据都应该有一份日记条目。