智能的形成过程 工业智能比较典型的AI发挥能力的场景

有时候，产业似乎很容易陷入“运动式”的技术狂潮，AI的热流无所不在，AI也变成了像是个“万金油”，哪里蹭哪里放光芒，人们都开始要赋予制造业AI的能力了—有时候这种热让人感觉，AI会来拯救制造业，传统的技术都过时了—不值得在研究了的感觉，但是，另一方面，又都在议论基础研究的欠缺，各种技术被卡脖子，这种矛盾，大概源于对技术的无明， C博士曾经说“AI只是一个无奈的选择—在一些场景中，的确有些对象不好测量，也没有什么更好的办法”，但是，其实，机理模型是最有效的办法—因为，它是确定的，并且可解释性的，你从公式就能推出结果，完全可预测性、与AI相比那简直太优秀了，放着优秀的技术不用，非要去搞成本更高，对于人员的专业性需求更高的AI，纯粹就是为了“高端大气上档次”吗？还有就是“泛智能”—把原来的自动化升级、软件也泛化为“AI”—就像80年代，摆摊“计算机算命”一样，似乎比那些道士装扮的人算命就高级一样，后来大家也明白了，那就是查字典，谈不上任何的智能，但是，对于缺乏科技素养的大部分人来说，高端，牛！

最近翻看了一本称为《复杂》的书，谈到了混沌，其结果对于输入极其敏感，就像蝴蝶效应，纯粹的非线性，但是，发现其实这里的非线性也是有确定性的描述的，即，通过逻辑斯蒂映射，可以对整个非线性过程进行预测，并发现了“费根鲍姆常数”—这是让我很吃惊的，非线性系统原来也是具有确定性的，这就是“AI可以发挥”的地方，和戴老师在群里聊及一些技术话题，谈到这个—其实，这就是人们希望AI可以干的事情，在不确定中寻找确定性—其实，还是可解释的模型最管用，人类所有的工作不就是希望提高确定性吗？

但是，基于统计学和野蛮算力的AI，却并没有“洞察力”—因为逻辑斯蒂映射、费根鲍姆常数是数学家们自己发现的，并手动推算的，那么这个“洞察力”，是今天的AI所完全没有的，人们常说“智慧”，智慧就是洞察力、判断力，在十字路口，要往哪里走？机器可能用“遍历”、“交叉树”些方法，但是，人可能用直觉就能做出准确的判断，或者作出判断是不去了—对于计算机来说，它擅长于计算，但是，我说不去了—因为，去找各种路估计已经来不及了，我放弃了，不用算了—这个时候，计算机的算力没有意义。

在制造业现场同样如此，所以，智能是AI算法+物理模型+行业知识，这里的行业知识就是来自“老法师”，在机器的生产运行中，涉及到机械、电气传动、流体、温度与传导、光学等多种对象，而这些对象之间又会叠加出各种物理效应，这些物理效应的叠构成了制造中的各种干扰因素，有些无法测量，形成机理不是很清晰，比如，影响一个晶圆的某种缺陷（通常有40余种常见缺陷）的原因可能是与机器的加工中的传输精度有关，也可能与空气流动、温度的变化，也可能对于工艺材料的配方有关，这些复杂的问题究竟是如何形成的？应该在哪个方面进行调整？而很多原因是无法测量的，或者测量不经济，那么，老法师依靠自己的经验，积累了众多的知识，他就能找到问题的原因。或者吹瓶中的白花、瓶颈歪斜现象，都是有对应的原因，过于高的温度、模具安装精度不足等，这些都是依赖于经验的。

而要解决工业中的问题，AI在没有物理模型、行业知识的协助下，几乎无能为力，一定是“老虎吃甜，无处下爪”的。要把老法师们的“隐性知识”变成显性知识，本身就是一个复杂的人工过程，在AI还没有洞察力的时代，AI的代价是非常高昂的，因为，测试验证仍然是要花费巨大的成本的，而这个成本有时候我们忽视了—因为在传统机理模型上就出现这样的问题。

在一次展会期间，其实，我想验证一个老前辈的话，他曾经说其实国内目前仿的机器都是别人10-20年前的，通过与行业几位业内人士聊过发现果然如此，因为从技术上来说，Know-How通过软件封装已经让很多这种“灰度创新”难以为继，而另一方面，对于新的机器来说，即使逆向工程也是有大量测试验证工作的，与20年前的机电系统相比，这个验证也是代价很高的，风险比较大，所以，大家也就只能把别人十多年前的机器图纸拿来。只有少数具有自主研发能力的企业，才具有很深的机械电气机理模型验证能力，谈到这个是想说，其实，AI用于解决问题花费的测试验证成本并不会比传统的方式低，不要对AI抱有过高的期望。

非是为了泼冷水—只是想强调，要客观、冷静的看待AI，现在的政府似乎也陷入了疯狂，就像H大学的老师说的“他们已经成为了科学家”，开始为越俎代庖来为产业规划AI在制造业的应用，规划“数字孪生”，我觉得官员对于“政绩”的“高端大气上档次”有非常强烈的欲望，凡是要持续投入的、而且要从基础做起的，都是他们不感兴趣的，这就警示我们“那些指导性意见”可能带有非常强烈的“选择性”，那就可以做出简单的推断，这可能就不是有意义的方向，可能借着AI来个“打造千亿市值企业”的雄伟规划就出来了，趁着半导体的热门，各地又像当年打造机器人产业园一样打造半导体产业园。

做企业的，可不能这样，尤其是自己要掏真金白银来的，可要思虑清楚。

如果过去的那种做法真的奏效，其实，我们怎么会有今天的问题呢？所以，不能用带来问题的思维方式来解决问题，这个话还是有非常深的道理的。

我们的很多问题，根本不是AI能够解决的，或者AI只能解决非常有限的问题，解决那些已经达到了机理极限的问题。以为AI就可以解决问题不花钱—这种不老而获想法也是不行的。

人才，其实还是人才的问题

各种会议、论坛的专家的蛊惑能力真的是够强的，现在大凡去家公司、遇到个技术大咖，就能给你讲讲人工智能、数字孪生能够带来什么样的收益，比如通过数字采集，能够优化你的质量啊！能耗啊！…反正这种千篇一律的“愿景”在过去数十年里从来没有中断过，其实，这些词返回到70年前的AI初期阶段，也是这些词。

但是，你若问的仔细，你会发现大部分人其实对于AI是一知半解，很多企业的决策着也是有一种“不做就落后的感觉”，其实，如果我告诉你你的落后跟人工智能一点关系也没有，但是，有些人会问， 我们应该有什么样的知识结构，这倒是问到了要点上，就是有了“规划”的想法了，至少人家知道，这事肯定得有人才行。

这跟工业互联网有点像，前段时间有朋友说走访了很多某省的企业，很多企业都想上工业互联网，但是，不知道能干什么，这种现象很普遍，能干什么都不知道，纯粹是怕落后于时代，但是，对于自己企业存在哪些问题，需要借助于这些工具与方法来解决似乎并没有概念。企业的问题，主要是为了解决对服务的用户的质量、成本、交付问题—这是反复被强调的，聚焦自身，你又不是打算做工业互联网企业，你想上不上云、怎么干，这些是服务厂商的问题，企业自身的问题是把需求搞明白，自己想要什么搞清楚—如果连这个也不清楚，你上什么工业互联网平台、AI都是枉然，也就被骗了点钱，或者一起忽悠了笔政府的钱。

如果不知道为什么要做这件事情的时候，至少你可以冷静下来问问自己“WHY？”，然后问问这个问题，我现在有什么办法尝试过了吗？

你得知道你处在什么阶段？

我想很多企业还没有到AI发挥实力的阶段，很多企业的问题只需要通过提高精益管理水平、提高自动化水平就可以解决的阶段，AI这个东西，它是用来解决一些更为“精细”的工作的，就像你质量水平是99%，你已经使出了浑身解术，那么，你可以借助于AI帮助你解决一些更为精益的问题，在一些细节上可以将工艺匹配的更精准，但是，如果你现在的质量水平还只有85%，那我可以告诉你，这个阶段可以用更便宜的方法，而不是AI来解决的。

其实，很多问题还不需要AI就能解决，或者，很多企业的落后，不是AI能解决的，AI解决都是高级问题，你连初级问题都没有解决，你指望跨越的发展是不现实的。

当然，如果你感兴趣，你有一些问题是否AI今天更经济，这么思考问题我想也是可以理解的，毕竟，传统的方法也不是什么好方法，但是，这里你就必须得清楚你的应用特征了，你还是得有自己的知识和Know-How，至少你得把你的问题讲清楚。

你能把你想要的问题讲清楚吗？？

不要轻易回答这个问题，仔细想想，你会发现，大部分人做不到讲清楚，而建议别人“问清楚”。

--你清晰你的工艺流程吗？

--你关注的细节是用户关注的吗？

--你们亟待解决的可量化指标是什么？

--对于质量相关性的参数你有多少了解？

--你知道你需要多大量数据才能训练出有效模型吗？

--你们的数据类型是哪种？

--对于可解释性你们有要求吗？

--你对AI了解多少？

--你的AI规划与现有系统之间如何衔接？

--你能够为你的供应商提供什么样的架构？

能把问题讲清楚吗？

把问题讲清楚，以前觉得不是个什么事情，但是，现在发现这是个大问题。

做AI的人呢，大概收入高吧，最近又遇到了说自动化行业的那些软件就是玩具的IT大佬，他说了半天梯形图，指令表就是个简单的玩具，我反应迟钝，觉得说的好像有点道理，其实，后来我才想起来，不对啊！我们工程师不大用梯形图啊！都是用C/C++比较多啊！而且都用了20多年了，他们怎么老是觉得PLC就是梯形图呢？

提这个问题是想说“隔行如隔山”，IT的人和OT的人过去数十年都在争论一个问题，你给我数据，我就能分析，OT问，你要什么数据？IT说你有什么数据？佛陀说“我执”，其实看来群体的执念—集体中心主义也是很严重的，但是，IT与OT、机械与电气、工艺之间的“鸿沟”是存在的。之前写“提问”这个话题不是没有道理的，有些人肯定觉得我写了个“小话题”，其实，非也，有效的沟通，在融合时代极为重要。能否有良好的结构性思维、高效的提问、理解、总结、确认的循环过程，我们的沟通效率会很低，就无法有效的推动项目。

智能到底是什么？它想干什么？

显然，人们搞各种智能的目的就是让机器人帮人干活，也不是懒，在灵活性方面，机器是没法跟人比的，但是，在质量一致性、速度、工作态度方面，机器肯定比人强，生产线上的工人，老法师干活杠杠的，但是，老油条也能给你磨洋工，你看机器就不一样，只要给它上电，它就给你干活，它出了问题，也不会抱怨你不给它涨工资，给上点润滑油，换个零件，继续干。

智能，就是想让机器拥有人的智慧，然后去干活，但就目前为止，我想机器还没有达到“智慧”这个境界，智慧，要拿佛陀的说法就是“般若”，就是“明心见性”的通透，扯远了，要回到地面上说就是“判断力”，对方向的把握吧，你说机器学习厉害，据说已经达到了人类的图片识别能力，我突然想起来，我们家小姑娘，她可是不需要那么多训练的，她看到一个大象的非常粗糙的卡通图，到了动物园，她就会指责着那个巨大的动物说“大象”，你看，你花费了那么多计算机资源才学到这个水平，那小朋友根本就不用

智能的本质是什么？

智能的本质，主要还是为了应对变化，其实，变化是永恒的存在，因此，不管过去，今天，还是未来，变化都是存在的，因此，像控制、通信，其实都是为了解决这种VUCA环境下的稳定生产问题，降低不确定性，这是显然的。

相对来说，在过去的时间里，生产还是比较标准的，现在就不一样了，现在你要让我穿件跟你一样的衣服，我内心深深的觉得自己没有个性-不能彰显我独特的魅力，尽管我知道我的个性化需求主要来自体型的局限性带来的困扰，但是，我还是选择去定制衬衫和西装。

如果你让机器拥有智能，其实，就是让机器学会人的方式去干活，人怎么干活的？人是有眼睛、耳朵感知世界的，然后有手去执行的，由感知到大脑，大脑协调各种肌肉、关节的运动（机器或机器人）来完成各种任务的。

智能的形成过程

但是，人的知识是怎么形成的？就是观察、测试验证、然后不断迭代，那么，机器也一样需要这样，人对这个世界的知识的应用主要有演绎—即，像中学学习几何一样推理出结果，而归纳，就像今天的数据建模一样，用数据拟合、聚合出一个模型，两者即机理建模、数据驱动的建模。

数学是连接物理和虚拟世界的桥梁，建模必然会用到数学，只是会用到什么样的数学一样，比如逻辑就是布尔代数、PID调节基于微积分、数据的处理基于概率统计，就连信息论、控制论也是基于数理逻辑、统计力学等学科汇集才能构建一个“对不确定环境的统计学建模，然后预测未来的趋势”，如果回到维纳的《控制论》和香农《信息论》，控制与通信都是这样的，也是基于数据驱动的模型。

因此，本来人工智能三大学派就分别代表了不同的实现，符号主义那帮人打算对人的思维、推理过程，用数字逻辑来表达，然后去推理、判断与决策，而连接主义想模拟人的神经递质传递过程，进行计算，来模拟人的推理过程，而行为主义学派则是通过“负反馈”来调整“控制策略”，以实现对不确定性、干扰环境下的物理对象的稳定输出。

说来说去，其实，制造业的智能包括了大家平时用的机理建模和数据建模两种方式，因为我们可以想象，是否所有的制造都是“物理”和“化学”两种，物理的成型也是有物理公式的，化学则有化学方程式，只是干扰却具有不确定性，那么，行为主义不管你们的干扰形成和影响是什么样的，我就认准对象输出有问题就去调节，然后不断的采样、控制、周期性的控制策略调整，总归是能达到效果的。机理模型当然也不是完美的，毕竟，它也不是实时的，也只是控制“趋势”。

智能其实就是这两种主要的思维方式的数学建模，然后经过大量的测试验证，最终形成知识的载体—工业软件，软件即是人的知识、推理的封装。

工业智能的几个重要场景

对于工业而言，图3几个场景是比较典型的AI发挥能力的地方：

（1）.预测性维护：传统采用机械失效分析等机理的方式，其实一样是需要领域知识的大量积累，过去称为专家系统，但是，对于航空航天等重要领域，其实，这个方面的研究一直在进行，但是，对于更为广泛的领域，则由于经济性问题，而不能进行大量的专家知识积累，依靠于人的经验，而随着AI带来的成本下降，使得，通过AI来进行更为广泛领域的预测性维护，也成为了可能。

（2）.视觉应用

相对于传统的光电开关、红外等传感器，机器视觉能够表达更为丰富的信息，因此，可以被应用于各种任务，随着FPGA芯片、GPU成本的下降，使得视觉可以更为广泛的应用，典型的在瑕疵检测、测量、识别等场景，而机器视觉与机器学习可以结合，训练对缺陷的识别模型，并提高适应性。

（3）.控制策略

事实上，AI在工业控制领域的应用一直是伴随着AI的发展的，只是局限于算力与经济性问题，因此，例如在自适应控制、模糊控制中都会用到相应的如神经网络、数据驱动建模方法，而对于各种非线性、不易于测量、没有机理模型的控制场景里，这些应用一直在进行。

（4）.最优化：对于原有的控制任务过程中，我们可以加载观测器、成本函数来对整个过程进行约束，例如寻找时间消耗最小的路径、材料最少、质量最高的路径，这种最优化，在没有模型可以依赖的时候，可以借助于学习来训练模型。

工业对于AI必须是“物理模型+AI方法与工具+行业知识”共同构成，难道我们机理模型没有打好基础，就认为直接迈入AI时代，就能跨越制造的本身？
编辑：hfy