AI或者自動化，終究是技術或工具，它要解決的是問題。相對于AI的狂飆猛進而言，自動化的確低調。AI總要隔三差五的驚艷登場掀起一場革命的浪潮——即使這個浪潮已經很多次了，也不會讓吃瓜群眾失去興致。連自動化圈，都時不時露出羨慕的目光，盡管心里會不以為然。畢竟，誰不喜歡待在聚光燈下享受世人崇敬的眼光。? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 本文作者宋華振，（中國）有限公司技術傳播經理

像ChatGPT引發的狂潮——各界大佬都被它震驚了，均表示真正的革命時代即將到來，以至于辛頓都表示忌憚，要阻止ChatGPT這樣的怪獸--這聽起來比較符合科幻片里的“天網”。如果有一天真的世界被一個智能體，而且，它還以無處不在的分布式智能存在，可以穿越各種安全機制-從各個漏洞進入不同的系統，它掌控一輛車，掌控一個發電廠，甚至操控一臺轟炸機，那么的確想想就可怕。

01 ? ? “工具而非目的” ? ?

不過，對于AI的這種熱烈推崇，以及預期的繪聲繪色的前景描繪，似乎主要還是來自于圈外—就是自媒體、資本，以及熱衷于談論科技的吃瓜群眾。與之相反，AI業界的伙計們似乎還沒有那么囂張—最常見的恐嚇就是AI將讓某些職業的人群失業。但是，據計算當年電話剛開始發明出來，如果要讓當時的美國人每家都裝個電話，全美國的婦女都得去干接線員的工作—程控交換機讓多少接線員失業呢？再想想我們這些自動化經常干的都是自動的機器和產線的事情。然而，人們不是還該上班就上班，該失業就失業。正如前段時間聽韋博士在混沌學院演講所提到的“人們對AI的這種恐懼無非是對自身缺乏信心”。

其實發展工業科技必須意識到，即便AI如何的強大，它畢竟是一個工具和方法的問題，它并非目的。不是誰的AI更厲害，就能更好的應用—畢竟工業還要考慮經濟性、易用性、穩定與可靠。誰能夠更好的以經濟的手段解決問題，才是好的技術—制造業不是炫技場，而是要有實實在在的收益。

創新，都是以經濟性為前提的，如果構建AI系統經濟，或基于分布式計算資源的AI邊際成本已經很低，那么，誰也不會拒絕AI的應用—著眼點無非是用在哪里的問題。

02 ? ? “同源而生，何必艷羨”

干自動化的，也很喜歡討論AI，相對其他專業，這個離AI最近。不過，大部分人對AI的歷史似乎也不甚了解。最近幾次自動化圈的開會，發現都挺羨慕人家AI專業，很多學校都開始成立人工智能學院或專業。首先，AI專業前沿又時髦，代表科技的前沿，在部委、企業都是熱門話題，大師講座也逢制造業的場子必講AI，一大堆專家高談闊論AI如何幫你降本增效，提高良品率，雖然聽得云山霧罩，但總歸還是有一種朦朧的美感—不明覺厲霸氣側漏的既視感。其次，這個方向就業肯定比較好，百萬年薪，贏取白富美，走上人生巔峰。再者，作為重點發展方向與戰略新興產業，也能獲得更多的縱向課題與項目資金支持，這可是實打實的好處。

其實，自動化所對應的機電工程領域，它本身也是作為人工智能的三大學派之一，即，行為主義學派而獨立存在的。不過，連接主義學派和符號主義學派本身是一種“自上而下”的方式，更接近人們理解的智能，因此，自下而上的行為主義學派，就不那么被他們歸于同類。但就歷史上而言，行為主義的代表諾伯特.維納的《控制論》更早一些，也不大愿意與達特茅斯夏令營這幫小伙子們混在一起，而這些年輕人也更希望能夠開山立派。但是，基于感知、決策、執行的整體思想卻是相同的。

03 ? ? “臨淵羨魚，不如退而結網”

AI或者自動化，終究是技術或工具，它要解決的是問題。并且，就實而論，在工業領域，如果用KPI考核業績，可能自動化技術帶給產業的回報更高-但這就像《人工智能通識課》里作者講的“一個技術真正有了作用的時候，它就不值錢了”。

AI畢竟是個工具和方法問題，它不是目的，而目的是解決制造業中的“質量、成本、交付”問題。我們要問的問題是“目的是什么？”，什么工具是合適的-評價指標來自于“經濟性”。工程師總是在約束條件下尋找技術與經濟的可行性.沒有人會拒絕一個好用的工具和方法，因為，創新往往來自于此。

04 ? ? 工業場景中的AI應用

雖然，我覺得AI在工業里總是干點錦上添花的事情，不過工業場景對于“確定性”還是存在著較大的執念的。記得很久以前和一位專家談起了印刷的套色。我們控制系統要讓它達到+/-0.1mm甚至更低的精度，一位數據方向的朋友曾經問“那么，我們能不能從+/-0.5mm開始進行迭代，一步步迭代到你們所需的+/-0.1mm呢？”。想了想只好說“這…用戶是不允許這樣干的，他們需要的是+/-0.1mm必須要達到，否則，你就不應該提供這樣的系統”。還有人非要跟我爭通過AI如何提高風力發電機組的發電效率，我聽了半天都感到困惑，那我們干自動化的已經把“最大葉尖速比λ值”搞到了最大了，我就在想這究竟如何更大效率呢？難道是風向變化我沒有及時發現—但是，這個我不是還有偏航系統嗎？難道是電網同步協調問題我沒有解決好？那我不是還有并網同步來協調相位嗎？

還有那個光伏的追日系統，我的L大哥非要跟我講那個是人工智能，我就以我有限的天體物理知識分析，這個地球在每天和太陽的那個角度啊！它的變化其實是個固定的函數-如果實在不行你可以加個傳感器來感測一下嗎？你看日晷這個行不行-我把日晷那個影子給你檢測出來，作為一個輸入可以嗎？

圖2-工業AI的特殊性需求

商業AI的“黑盒”機制對于工業是不能輕松接受的,相關性并不代表因果性，因此，它具有“不確定性”。這是數據相關性分析與機理的因果性差異的地方…機理模型具有“確定性”、“完全可預測性”、“完全可解釋性”的特點，對于工業來說，也是一種算力經濟的方法。

圖3-基于AI的PID參數自學習

其實，將AI用于最優參數的學習是控制系統的常用方法，不過，當我鉆研了這個問題后，有一個非常直接的問題就在上圖中…AI的這些PID動態參數，它真的可以直接就下載（實時）到控制器去執行嗎？這其實并非現實-在流程工業也許這是可行的，但離散的制造業里的機器動作，可能也并非現實的，這不很危險，潛在的風險包括安全性問題，也包括帶來控制的波動-因為，畢竟這是一個優化的參數，但對象能否接受這種“波動”，這還是需要驗證的。當然策略是趨勢性調節，或者可能更多時候還是以離線的方式，在停機或下一批次任務中可以進行這樣的運行，但，實時的卻是不能想當然就去干的。

但是，盡管我們認為AI在工業有很多約束條件-但，這不是全盤否認，因為…畢竟人類認知的世界是有限的，機理模型本身是有限的。而另一方面，世界的本質是非線性的，線性只是特殊情況而已。現在的機理模型只是運行在一個擬合的線性或數學可描述的（已知）的區間，對于更為廣泛的機器效率提升，還是要尋找更好的參數匹配。另外在控制而言，局部最優與全局最優又是有差異的…而AI可以在全局的策略調度、節拍匹配、參數適配方面，進一步挖掘制造中的潛能。從這個意義上來說，它一定是有作用的，無非要考慮：

工業與商業AI的差異厘清，這有助于選擇合適的方法、算法解決合適的問題；

在AI與機理間尋找最為合適的結合點，畢竟世界也不是非黑即白的—灰色的盒子也是好的盒子。

這不是能不能干的問題，而是如何干的問題…。

干自動化的為啥有優勢

純干AI，自動化的人當然沒有啥優勢，不過，如果能夠來干點自動化，那么至少有很多地方，自動化干起來還是有優勢的：

（1）數據源的問題：在制造業現場，自動化自身的數據源，包括信號采集與處理，像一個PLC的IO

處理模塊種類往往會牽扯到大量不同的信號處理，在控制之外，這些信號也會作為信息被反饋給管理系統。另外，在控制中產生的中間數據同樣可以作為信息被處理。而這些數據通常就被存放于控制系統的RAM中。就數據優勢而言，可能AI反倒沒有這么直接的。

圖4-自動化干AI的優勢總結

（2）結構化數據問題：其實，采用OPCUA的框架，數據也被格式化為工業所需的標準數據，無論是從現場到控制層的總線，還是從控制層到管理層的OPC UA協議，這些都是工業自動化優勢所在。

（3）機理建模與數據建模的混用問題：其實，對于AI而言，相關性的判斷也是需要對機理有基礎的了解的，否則，這種無序的探索也是代價高昂的。除了本身的機理模型問題，來自于機電專家，且機電專家也和數據專家可以融合

（4）執行問題：這同樣是工業里最大的一個問題，AI并不能在線（On-line）來執行，這可能是與商業不同，因為，即使獲得了更好的參數，也必須在離線的方式下進行，直接在線的方式必須是在確保安全可靠的情況下才可以。

因此，自動化的AI必須聚焦在工業場景本身上，而不要去試圖和AI企業在圖形圖像、語言、文本這種人家擅長的領域去競爭。

05 ? ? “工欲善其事，必先利其器”

對于自動化的企業而言，迎接AI是一種自然而然的事情。實現AI與自動化的融合辦法也很多，這主要取決于整個任務對于“周期性”的等級需求上。

基于開放平臺的自動化廠商，通常會選擇接口比較方便，就像貝家的exOS為Linux平臺的AI應用和RTOS平臺上的Real-Time任務建立了連接。通過exOS，Linux上基于Python、Java等編寫的AI算法可以被導入至實時任務，相互之間可以交互數據。

如圖，PLC和工業PC上的Tensorflow學習任務可經由Pub/Sub機制進行數據的交互。這樣的架構下，我們就可以在不需要花費太高的代價下，將AI的資源（算法/代碼）進行集成調用。

另外一些自動化廠商，也會自己集成一些AI算法，或在PLC上集成AI加速器的模塊，各有各的場景。實現起來都不是什么事—畢竟，對于自動化行業來說，關注點是解決問題，AI只是個工具。

對于自動化，追求經濟性應用是技術推廣的關鍵，要解決現實問題而不造成高成本。自動化應用AI經濟性主要是體現在訓練模型雖然需要算力，但應用模型本地推理就還好。

06 ? ? AI與自動化的和諧相處

最和諧的相處模式就是“執子之手與子偕老”，自動化呢，還是有點過于低調—這個很早就討論過，這與行業的屬性有關。因為，自動化的人，他首先得有問題，才能有解決問題的方法，因此，它必須是解決問題的。而AI這幫人呢，他們來到制造業呢，是先有榔頭找釘子。我覺得這個比喻倒也貼切。因此，自動化和AI的人就完全是兩個解決問題的思維模式。

人們喜歡流行的，前沿的，這沒有錯，但是，產業里還是要實事求是的解決問題為先導。非要把原本控制干的事情美化為人工智能、工業互聯網，顯得高大上。這種于產業并無實質的貢獻，無非是名字聽上去高大上了的事情，還是少干為妙—總是聽有人說我們的產業太過浮躁，既然這都是眾所周知的，但仍然干這些花活。

究竟而言，自動化是一個工程領域，它還是要解決實際問題的，產業里還有很多很多的問題要解決，我們還有很多卡脖子的事情要干。

編輯：黃飛