有時候，產業似乎很容易陷入“運動式”的技術狂潮，AI的熱流無所不在，AI也變成了像是個“萬金油”，哪里蹭哪里放光芒，人們都開始要賦予制造業AI的能力了—有時候這種熱讓人感覺，AI會來拯救制造業，傳統的技術都過時了—不值得在研究了的感覺，但是，另一方面，又都在議論基礎研究的欠缺，各種技術被卡脖子，這種矛盾，大概源于對技術的無明， C博士曾經說“AI只是一個無奈的選擇—在一些場景中，的確有些對象不好測量，也沒有什么更好的辦法”，但是，其實，機理模型是最有效的辦法—因為，它是確定的，并且可解釋性的，你從公式就能推出結果，完全可預測性、與AI相比那簡直太優秀了，放著優秀的技術不用，非要去搞成本更高，對于人員的專業性需求更高的AI，純粹就是為了“高端大氣上檔次”嗎？還有就是“泛智能”—把原來的自動化升級、軟件也泛化為“AI”—就像80年代，擺攤“計算機算命”一樣，似乎比那些道士裝扮的人算命就高級一樣，后來大家也明白了，那就是查字典，談不上任何的智能，但是，對于缺乏科技素養的大部分人來說，高端，牛！

最近翻看了一本稱為《復雜》的書，談到了混沌，其結果對于輸入極其敏感，就像蝴蝶效應，純粹的非線性，但是，發現其實這里的非線性也是有確定性的描述的，即，通過邏輯斯蒂映射，可以對整個非線性過程進行預測，并發現了“費根鮑姆常數”—這是讓我很吃驚的，非線性系統原來也是具有確定性的，這就是“AI可以發揮”的地方，和戴老師在群里聊及一些技術話題，談到這個—其實，這就是人們希望AI可以干的事情，在不確定中尋找確定性—其實，還是可解釋的模型最管用，人類所有的工作不就是希望提高確定性嗎？

但是，基于統計學和野蠻算力的AI，卻并沒有“洞察力”—因為邏輯斯蒂映射、費根鮑姆常數是數學家們自己發現的，并手動推算的，那么這個“洞察力”，是今天的AI所完全沒有的，人們常說“智慧”，智慧就是洞察力、判斷力，在十字路口，要往哪里走？機器可能用“遍歷”、“交叉樹”些方法，但是，人可能用直覺就能做出準確的判斷，或者作出判斷是不去了—對于計算機來說，它擅長于計算，但是，我說不去了—因為，去找各種路估計已經來不及了，我放棄了，不用算了—這個時候，計算機的算力沒有意義。

在制造業現場同樣如此，所以，智能是AI算法+物理模型+行業知識，這里的行業知識就是來自“老法師”，在機器的生產運行中，涉及到機械、電氣傳動、流體、溫度與傳導、光學等多種對象，而這些對象之間又會疊加出各種物理效應，這些物理效應的疊構成了制造中的各種干擾因素，有些無法測量，形成機理不是很清晰，比如，影響一個晶圓的某種缺陷（通常有40余種常見缺陷）的原因可能是與機器的加工中的傳輸精度有關，也可能與空氣流動、溫度的變化，也可能對于工藝材料的配方有關，這些復雜的問題究竟是如何形成的？應該在哪個方面進行調整？而很多原因是無法測量的，或者測量不經濟，那么，老法師依靠自己的經驗，積累了眾多的知識，他就能找到問題的原因。或者吹瓶中的白花、瓶頸歪斜現象，都是有對應的原因，過于高的溫度、模具安裝精度不足等，這些都是依賴于經驗的。

而要解決工業中的問題，AI在沒有物理模型、行業知識的協助下，幾乎無能為力，一定是“老虎吃甜，無處下爪”的。要把老法師們的“隱性知識”變成顯性知識，本身就是一個復雜的人工過程，在AI還沒有洞察力的時代，AI的代價是非常高昂的，因為，測試驗證仍然是要花費巨大的成本的，而這個成本有時候我們忽視了—因為在傳統機理模型上就出現這樣的問題。

在一次展會期間，其實，我想驗證一個老前輩的話，他曾經說其實國內目前仿的機器都是別人10-20年前的，通過與行業幾位業內人士聊過發現果然如此，因為從技術上來說，Know-How通過軟件封裝已經讓很多這種“灰度創新”難以為繼，而另一方面，對于新的機器來說，即使逆向工程也是有大量測試驗證工作的，與20年前的機電系統相比，這個驗證也是代價很高的，風險比較大，所以，大家也就只能把別人十多年前的機器圖紙拿來。只有少數具有自主研發能力的企業，才具有很深的機械電氣機理模型驗證能力，談到這個是想說，其實，AI用于解決問題花費的測試驗證成本并不會比傳統的方式低，不要對AI抱有過高的期望。

非是為了潑冷水—只是想強調，要客觀、冷靜的看待AI，現在的政府似乎也陷入了瘋狂，就像H大學的老師說的“他們已經成為了科學家”，開始為越俎代庖來為產業規劃AI在制造業的應用，規劃“數字孿生”，我覺得官員對于“政績”的“高端大氣上檔次”有非常強烈的欲望，凡是要持續投入的、而且要從基礎做起的，都是他們不感興趣的，這就警示我們“那些指導性意見”可能帶有非常強烈的“選擇性”，那就可以做出簡單的推斷，這可能就不是有意義的方向，可能借著AI來個“打造千億市值企業”的雄偉規劃就出來了，趁著半導體的熱門，各地又像當年打造機器人產業園一樣打造半導體產業園。

做企業的，可不能這樣，尤其是自己要掏真金白銀來的，可要思慮清楚。

如果過去的那種做法真的奏效，其實，我們怎么會有今天的問題呢？所以，不能用帶來問題的思維方式來解決問題，這個話還是有非常深的道理的。

我們的很多問題，根本不是AI能夠解決的，或者AI只能解決非常有限的問題，解決那些已經達到了機理極限的問題。以為AI就可以解決問題不花錢—這種不老而獲想法也是不行的。

人才，其實還是人才的問題

各種會議、論壇的專家的蠱惑能力真的是夠強的，現在大凡去家公司、遇到個技術大咖，就能給你講講人工智能、數字孿生能夠帶來什么樣的收益，比如通過數字采集，能夠優化你的質量啊！能耗啊！…反正這種千篇一律的“愿景”在過去數十年里從來沒有中斷過，其實，這些詞返回到70年前的AI初期階段，也是這些詞。

但是，你若問的仔細，你會發現大部分人其實對于AI是一知半解，很多企業的決策著也是有一種“不做就落后的感覺”，其實，如果我告訴你你的落后跟人工智能一點關系也沒有，但是，有些人會問， 我們應該有什么樣的知識結構，這倒是問到了要點上，就是有了“規劃”的想法了，至少人家知道，這事肯定得有人才行。

這跟工業互聯網有點像，前段時間有朋友說走訪了很多某省的企業，很多企業都想上工業互聯網，但是，不知道能干什么，這種現象很普遍，能干什么都不知道，純粹是怕落后于時代，但是，對于自己企業存在哪些問題，需要借助于這些工具與方法來解決似乎并沒有概念。企業的問題，主要是為了解決對服務的用戶的質量、成本、交付問題—這是反復被強調的，聚焦自身，你又不是打算做工業互聯網企業，你想上不上云、怎么干，這些是服務廠商的問題，企業自身的問題是把需求搞明白，自己想要什么搞清楚—如果連這個也不清楚，你上什么工業互聯網平臺、AI都是枉然，也就被騙了點錢，或者一起忽悠了筆政府的錢。

如果不知道為什么要做這件事情的時候，至少你可以冷靜下來問問自己“WHY？”，然后問問這個問題，我現在有什么辦法嘗試過了嗎？

你得知道你處在什么階段？

我想很多企業還沒有到AI發揮實力的階段，很多企業的問題只需要通過提高精益管理水平、提高自動化水平就可以解決的階段，AI這個東西，它是用來解決一些更為“精細”的工作的，就像你質量水平是99%，你已經使出了渾身解術，那么，你可以借助于AI幫助你解決一些更為精益的問題，在一些細節上可以將工藝匹配的更精準，但是，如果你現在的質量水平還只有85%，那我可以告訴你，這個階段可以用更便宜的方法，而不是AI來解決的。

其實，很多問題還不需要AI就能解決，或者，很多企業的落后，不是AI能解決的，AI解決都是高級問題，你連初級問題都沒有解決，你指望跨越的發展是不現實的。

當然，如果你感興趣，你有一些問題是否AI今天更經濟，這么思考問題我想也是可以理解的，畢竟，傳統的方法也不是什么好方法，但是，這里你就必須得清楚你的應用特征了，你還是得有自己的知識和Know-How，至少你得把你的問題講清楚。

你能把你想要的問題講清楚嗎？？

不要輕易回答這個問題，仔細想想，你會發現，大部分人做不到講清楚，而建議別人“問清楚”。

--你清晰你的工藝流程嗎？

--你關注的細節是用戶關注的嗎？

--你們亟待解決的可量化指標是什么？

--對于質量相關性的參數你有多少了解？

--你知道你需要多大量數據才能訓練出有效模型嗎？

--你們的數據類型是哪種？

--對于可解釋性你們有要求嗎？

--你對AI了解多少？

--你的AI規劃與現有系統之間如何銜接？

--你能夠為你的供應商提供什么樣的架構？

能把問題講清楚嗎？

把問題講清楚，以前覺得不是個什么事情，但是，現在發現這是個大問題。

做AI的人呢，大概收入高吧，最近又遇到了說自動化行業的那些軟件就是玩具的IT大佬，他說了半天梯形圖，指令表就是個簡單的玩具，我反應遲鈍，覺得說的好像有點道理，其實，后來我才想起來，不對啊！我們工程師不大用梯形圖啊！都是用C/C++比較多啊！而且都用了20多年了，他們怎么老是覺得PLC就是梯形圖呢？

提這個問題是想說“隔行如隔山”，IT的人和OT的人過去數十年都在爭論一個問題，你給我數據，我就能分析，OT問，你要什么數據？IT說你有什么數據？佛陀說“我執”，其實看來群體的執念—集體中心主義也是很嚴重的，但是，IT與OT、機械與電氣、工藝之間的“鴻溝”是存在的。之前寫“提問”這個話題不是沒有道理的，有些人肯定覺得我寫了個“小話題”，其實，非也，有效的溝通，在融合時代極為重要。能否有良好的結構性思維、高效的提問、理解、總結、確認的循環過程，我們的溝通效率會很低，就無法有效的推動項目。

智能到底是什么？它想干什么？

顯然，人們搞各種智能的目的就是讓機器人幫人干活，也不是懶，在靈活性方面，機器是沒法跟人比的，但是，在質量一致性、速度、工作態度方面，機器肯定比人強，生產線上的工人，老法師干活杠杠的，但是，老油條也能給你磨洋工，你看機器就不一樣，只要給它上電，它就給你干活，它出了問題，也不會抱怨你不給它漲工資，給上點潤滑油，換個零件，繼續干。

智能，就是想讓機器擁有人的智慧，然后去干活，但就目前為止，我想機器還沒有達到“智慧”這個境界，智慧，要拿佛陀的說法就是“般若”，就是“明心見性”的通透，扯遠了，要回到地面上說就是“判斷力”，對方向的把握吧，你說機器學習厲害，據說已經達到了人類的圖片識別能力，我突然想起來，我們家小姑娘，她可是不需要那么多訓練的，她看到一個大象的非常粗糙的卡通圖，到了動物園，她就會指責著那個巨大的動物說“大象”，你看，你花費了那么多計算機資源才學到這個水平，那小朋友根本就不用

智能的本質是什么？

智能的本質，主要還是為了應對變化，其實，變化是永恒的存在，因此，不管過去，今天，還是未來，變化都是存在的，因此，像控制、通信，其實都是為了解決這種VUCA環境下的穩定生產問題，降低不確定性，這是顯然的。

相對來說，在過去的時間里，生產還是比較標準的，現在就不一樣了，現在你要讓我穿件跟你一樣的衣服，我內心深深的覺得自己沒有個性-不能彰顯我獨特的魅力，盡管我知道我的個性化需求主要來自體型的局限性帶來的困擾，但是，我還是選擇去定制襯衫和西裝。

如果你讓機器擁有智能，其實，就是讓機器學會人的方式去干活，人怎么干活的？人是有眼睛、耳朵感知世界的，然后有手去執行的，由感知到大腦，大腦協調各種肌肉、關節的運動（機器或機器人）來完成各種任務的。

智能的形成過程

但是，人的知識是怎么形成的？就是觀察、測試驗證、然后不斷迭代，那么，機器也一樣需要這樣，人對這個世界的知識的應用主要有演繹—即，像中學學習幾何一樣推理出結果，而歸納，就像今天的數據建模一樣，用數據擬合、聚合出一個模型，兩者即機理建模、數據驅動的建模。

數學是連接物理和虛擬世界的橋梁，建模必然會用到數學，只是會用到什么樣的數學一樣，比如邏輯就是布爾代數、PID調節基于微積分、數據的處理基于概率統計，就連信息論、控制論也是基于數理邏輯、統計力學等學科匯集才能構建一個“對不確定環境的統計學建模，然后預測未來的趨勢”，如果回到維納的《控制論》和香農《信息論》，控制與通信都是這樣的，也是基于數據驅動的模型。

因此，本來人工智能三大學派就分別代表了不同的實現，符號主義那幫人打算對人的思維、推理過程，用數字邏輯來表達，然后去推理、判斷與決策，而連接主義想模擬人的神經遞質傳遞過程，進行計算，來模擬人的推理過程，而行為主義學派則是通過“負反饋”來調整“控制策略”，以實現對不確定性、干擾環境下的物理對象的穩定輸出。

說來說去，其實，制造業的智能包括了大家平時用的機理建模和數據建模兩種方式，因為我們可以想象，是否所有的制造都是“物理”和“化學”兩種，物理的成型也是有物理公式的，化學則有化學方程式，只是干擾卻具有不確定性，那么，行為主義不管你們的干擾形成和影響是什么樣的，我就認準對象輸出有問題就去調節，然后不斷的采樣、控制、周期性的控制策略調整，總歸是能達到效果的。機理模型當然也不是完美的，畢竟，它也不是實時的，也只是控制“趨勢”。

智能其實就是這兩種主要的思維方式的數學建模，然后經過大量的測試驗證，最終形成知識的載體—工業軟件，軟件即是人的知識、推理的封裝。

工業智能的幾個重要場景

對于工業而言，圖3幾個場景是比較典型的AI發揮能力的地方：

（1）.預測性維護：傳統采用機械失效分析等機理的方式，其實一樣是需要領域知識的大量積累，過去稱為專家系統，但是，對于航空航天等重要領域，其實，這個方面的研究一直在進行，但是，對于更為廣泛的領域，則由于經濟性問題，而不能進行大量的專家知識積累，依靠于人的經驗，而隨著AI帶來的成本下降，使得，通過AI來進行更為廣泛領域的預測性維護，也成為了可能。

（2）.視覺應用

相對于傳統的光電開關、紅外等傳感器，機器視覺能夠表達更為豐富的信息，因此，可以被應用于各種任務，隨著FPGA芯片、GPU成本的下降，使得視覺可以更為廣泛的應用，典型的在瑕疵檢測、測量、識別等場景，而機器視覺與機器學習可以結合，訓練對缺陷的識別模型，并提高適應性。

（3）.控制策略

事實上，AI在工業控制領域的應用一直是伴隨著AI的發展的，只是局限于算力與經濟性問題，因此，例如在自適應控制、模糊控制中都會用到相應的如神經網絡、數據驅動建模方法，而對于各種非線性、不易于測量、沒有機理模型的控制場景里，這些應用一直在進行。

（4）.最優化：對于原有的控制任務過程中，我們可以加載觀測器、成本函數來對整個過程進行約束，例如尋找時間消耗最小的路徑、材料最少、質量最高的路徑，這種最優化，在沒有模型可以依賴的時候，可以借助于學習來訓練模型。

工業對于AI必須是“物理模型+AI方法與工具+行業知識”共同構成，難道我們機理模型沒有打好基礎，就認為直接邁入AI時代，就能跨越制造的本身？

責任編輯：lq