關(guān)于什么是人工智能，簡直就是各說各的有道理，自從達(dá)特茅斯會議定義了“AI”這個詞以后，人工智能本身也經(jīng)歷了幾次波峰波谷，它的流行不是今天的這一波浪潮，而是經(jīng)歷了多個浪潮，又因為實在沒有什么貢獻(xiàn)而沉寂，但是，人類從來沒有停止人工智能的研究，一直試圖用它來解決一些問題，帶來現(xiàn)實意義的商業(yè)價值，盡管今天人工智能在商業(yè)領(lǐng)域有諸多的成功，然而就其在工業(yè)領(lǐng)域而言，卻似乎乏善可陳，不知道哪些場景有比較好的。

市場里的聲音也帶來了很多“模糊”讓人困惑，樂觀主義的認(rèn)為人工智能將顛覆制造業(yè)，而另一個觀念又認(rèn)為其實AI并非那么神奇—人們對人工智能抱有太高的期望，尤其在工業(yè)領(lǐng)域里，有很多不同的聲音，因為現(xiàn)在已有的人工智能包括機器學(xué)習(xí)、深度學(xué)習(xí)等所應(yīng)用的場景與工業(yè)有較大的差異，工業(yè)人似乎基于更為保守和現(xiàn)實意義的考量，并不對人工智能保持過分樂觀，然而，跨界的領(lǐng)域總存在著空間，讓我們試圖去分析如何通過科技融合創(chuàng)新來為工業(yè)帶來新的機會。

1.關(guān)于人工智能對工業(yè)創(chuàng)新的分析

避免幾種思維的極端

1.1一種認(rèn)為AI適合干商業(yè)而非工業(yè)，一種是認(rèn)為AI可以顛覆工業(yè)。就像Musk在今年上海的人工智能大會上所說，其實，Musk所說的機器比人聰明這件事情并非現(xiàn)實，AlphaGo下圍棋這件事情都是在確定性規(guī)則下的推理學(xué)習(xí)，而工業(yè)卻完全不是這樣的場景，不確定、擾動、復(fù)雜是圍棋所不能相比的。

1.2認(rèn)為AI是代替自動化時代，和把自動化，信息化，智能化作為斷代史一樣，認(rèn)為自動化是“過去”，實際上是對AI發(fā)展歷史以及工業(yè)AI應(yīng)用的不清楚，行為主義學(xué)派的典型就是維納，而非線性是工業(yè)的常態(tài)，線性才是偶態(tài)或稱為“特殊情況”。

想顛覆工業(yè)的人工智能曾經(jīng)豎立的“Flag”可不是只有某個小人物，連明斯克、司馬賀這樣的大佬都不斷被自己設(shè)下的人工智能里程碑所打臉，因此，不要輕易說要“顛覆”，因為那些要顛覆傳統(tǒng)產(chǎn)業(yè)的新經(jīng)濟，自己能活過C輪都不多。

新經(jīng)濟有太多的資本力量放大的杠桿和因素在里面，錢燒的比較多，但也比較快，這種邏輯就相當(dāng)于如果一個女人生孩子要十個月，那么十個女的是否就一個月可以生一個小孩呢？很多邏輯在商業(yè)領(lǐng)域可用，在工業(yè)領(lǐng)域卻不靈，這很正常。

1.3泛AI就沒有什么談?wù)摰谋匾阉惴ň驼J(rèn)為是AI就容易缺乏邊界導(dǎo)致的混淆與模糊。

目前對于AI的界定似乎越來越寬泛，大概是為了能夠搭上AI這個風(fēng)口吧？什么做算法的、軟件的，就像趕上風(fēng)口的時候，都快要倒閉的發(fā)不出工資的公司都可以被標(biāo)定為“工業(yè)4.0標(biāo)桿”一樣，因此一個做網(wǎng)絡(luò)空間租賃的也就變成了“邊緣計算”的標(biāo)的了，這就是資本的娛樂性，找點開源的算法，然后找個場景訓(xùn)練一下數(shù)據(jù)，就可以自稱“AI創(chuàng)業(yè)公司”，然后去資本市場圈錢了，前段時間看一個節(jié)目，大概就是類似于許小平等一干大佬看創(chuàng)業(yè)者的項目，唉！真是讓人感慨，做實業(yè)圈的我們可能真看不懂那些不靠譜的應(yīng)用為什么就能被大佬看上，愿意投個幾百萬，占個10%的股份…，資本就是那么“有錢，任性”，管它靠譜不靠譜，反正沒有比這個靠譜的時候，這個就是靠譜的。

“AI必須被界定”—這才是科學(xué)的態(tài)度，什么是AI？這很關(guān)鍵，不是隨便個人弄點算法、搞個視覺就號稱AI，AI的核心是要干什么？--解決自主決策的問題，也即，它的硬核在于“決策”，如果只是傳感器感知，那只是一個自動化問題，如果說為了控制，那就是自動化的控制問題，如果不存在推理、分析并作出自主的決策能力，這個都不能稱為AI，你可以稱為“專家系統(tǒng)”、“字典”但是，你不能就隨意界定為AI，尤其是用于工業(yè)的時候。

2.工業(yè)應(yīng)用中的特殊性

2.1考慮問題的邏輯與商業(yè)中的差異

工業(yè)與商業(yè)在人工智能的應(yīng)用方面有較大的差異，就像在IT領(lǐng)域里通信是按照“達(dá)到最高的性能（Upto）”，而在制造現(xiàn)場的人則談“最差的情況（WorstCase）”，這反映的實際上是兩種完全不同的思維與態(tài)度，進一步來說，最大的差異在于穩(wěn)定與可靠性，就像工業(yè)控制里強調(diào)數(shù)據(jù)的傳輸?shù)摹按_定性”，在于“精確”、“可解釋”，這些都是很多當(dāng)前人工智能領(lǐng)域的應(yīng)用，無論是連接主義的神經(jīng)元網(wǎng)絡(luò)，還是以前符號主義的推理過程都是無法滿足工業(yè)對于應(yīng)用的“可靠”、“精準(zhǔn)”、“魯棒性”的需求的，這使得必須結(jié)合工業(yè)本身，開發(fā)有效的人工智能應(yīng)用，而這些又需要結(jié)合幾個重要的思維：

人們對AI寄予厚望，然而，在工業(yè)領(lǐng)域里似乎目前還沒有能夠看到人工智能到底能干點什么？如果人工智能只能干點錦上添花的事情而非雪中送炭的話，那人工智能就是一個可有可無的美好姑娘，

在商業(yè)領(lǐng)域，你能找到大批的用戶，反正有那么多人，只要有1%的人能夠感興趣就能創(chuàng)造一個很大的市場，但是，在工業(yè)領(lǐng)域卻是另一個場景，你必須達(dá)到很高的準(zhǔn)確率才能有客戶用—就像識別不良品一樣，1%的不準(zhǔn)確對于手機生產(chǎn)而言，就有可能是數(shù)萬、數(shù)十萬個不良品成為漏網(wǎng)之魚，這顯然是無法接受的。

2.2AI工業(yè)應(yīng)用是一個系統(tǒng)工程

這是一個真正的大問題，存在的難點，工業(yè)中的AI應(yīng)用如李杰教授所認(rèn)為的“是一個系統(tǒng)工程”，感知信息、傳輸、數(shù)據(jù)清洗、數(shù)據(jù)特征提取，以及最終的控制、執(zhí)行等都是必須緊密配合的，你就算有AI卻也無法有效的發(fā)揮作用，因為，你的采集準(zhǔn)確與否取決于傳感器的精度，而你數(shù)據(jù)的特征提取則依賴于行業(yè)的工藝，而在執(zhí)行的時候又需要考慮執(zhí)行機構(gòu)的機械特性…AI的應(yīng)用成功并非是一個AI本身的問題，而的確是一個系統(tǒng)工程，牽扯的方面較多，相互之間的關(guān)系復(fù)雜，甚至目前都不可知，如何構(gòu)建AI應(yīng)用系統(tǒng)本身就需要很大的協(xié)同。

物流規(guī)劃是一個很有意思的問題，這件事情讓我也很吃驚—前些時日和一個物流行業(yè)的朋友聊到工業(yè)現(xiàn)場的大量倉庫號稱“智能倉庫”，但是，實際上很多倉庫并沒有一個智能的規(guī)劃，而是一種FIFO（FirstInFirstOut）的隊列一樣，并非是根據(jù)使用頻率、重量等規(guī)劃的最佳倉儲位置的問題，據(jù)說遇到的障礙是“編碼”問題，就是很多工廠里會缺乏良好的編碼系統(tǒng)，我就想到了OPCUA里的AutoID的功能，如果每個產(chǎn)品做到這一點，那么數(shù)據(jù)才能被真正應(yīng)用于工業(yè)智能分析與優(yōu)化，因此，這個角度來看，工業(yè)中的智能必然是一個系統(tǒng)工程。

3創(chuàng)新：解決經(jīng)濟性問題

即使在兩者之間存在著認(rèn)知局限或膨脹產(chǎn)生的各種情緒，實際上，的確必須意識到采用新的方法與工具解決傳統(tǒng)問題，仍然是一個值得去干的事情，跨界的地方就會有機會，這也是無數(shù)事實證明的，創(chuàng)新也發(fā)生在邊界上，摒棄成見才能走入對方的世界，也許AI和工業(yè)需要一種平和的心態(tài)，而非是鄙視鏈條上的不同對象。這需要思考以下幾個問題？

3.1哪些場景是新產(chǎn)生得問題？

在工業(yè)里，最忌為了AI而AI，或者為了聯(lián)網(wǎng)而聯(lián)網(wǎng)的行為，所有的目標(biāo)都是提高質(zhì)量、降低成本、提高交付能力，應(yīng)對個性化的生產(chǎn)這些精益目標(biāo)，這個問題并不存在異議，因為，真正的企業(yè)運營不能為了拿個國家項目投入大量的人力去干這個事情。

（1）制造現(xiàn)場的連接后產(chǎn)生的問題

如果說現(xiàn)有的生產(chǎn)在機械約束條件下已經(jīng)達(dá)到一個極限，那么通過挖掘“連接”的潛力，則是一個問題，而這其中要解決的很多問題又非是機理模型難以解決的，因此，需要借助于“學(xué)習(xí)”，來解決非線性問題，那么這樣的問題是否很多呢？調(diào)度與規(guī)劃問題：這個需要一個既有的模型還是一個學(xué)習(xí)的模型呢？

（2）精細(xì)化管理產(chǎn)生的需求

這是從需求拉動的角度問題，為了解決產(chǎn)品的質(zhì)量問題，采用視覺來進行產(chǎn)品缺陷檢測，但是，這個檢測就需要牽扯到識別的問題，并且需要一定的算法來處理這些數(shù)據(jù)，并經(jīng)過大量訓(xùn)練后，能夠給出預(yù)判，但是，對于現(xiàn)有的視覺應(yīng)用而言，最為復(fù)雜的就是對工況復(fù)雜的生產(chǎn)而言，需要大量的配置、人參與其中的設(shè)置、定義、標(biāo)定等工作，需要對人有很高的專業(yè)要求，那是否存在著使得其更為經(jīng)濟高效的方法呢？

3.2如何降低對人的依賴？

很多工業(yè)的應(yīng)用，無論是數(shù)據(jù)驅(qū)動還是機理模型，其實都是對人有非常高的要求的，就像預(yù)測性維護，必須依賴于具有非常專業(yè)的國際認(rèn)證振動分析師才能參與到這個預(yù)測中，因此，工業(yè)人工智能的問題解決應(yīng)該聚焦于如何將知識顯性化-如何讓知識能夠被封裝為一個個的APP，讓AI算法訓(xùn)練數(shù)據(jù)，同時與人的智慧經(jīng)驗進行結(jié)合，形成知識自動化的包，這是一個需要機器學(xué)習(xí)算法方面的專家和領(lǐng)域工程專家共同來進行的工作。

傳統(tǒng)的工藝過程是否能夠被縮短？

AI，包括機器學(xué)習(xí)、增強學(xué)習(xí)、神經(jīng)元網(wǎng)絡(luò)這些，他們將如何改變制造業(yè)？這需要從一個問題來思考：

--我們究竟哪些可以通過學(xué)習(xí)給我們帶來可能性？

傳統(tǒng)的很多工業(yè)積累，如預(yù)測性維護中常用的振動分析，依賴于專家系統(tǒng)，而伍斯特的勻整積累了200年的紗線工藝參數(shù)，而彈簧與板材折彎工藝等，很多積累都是需要數(shù)十年的工程數(shù)據(jù)積累，這個進程是否可以被基于數(shù)據(jù)的學(xué)習(xí)來改變？

基于機理模型的原始性設(shè)計是否能夠被新的方法替代？而無需花費巨大的時間成本來積累這些問題是否可行？這些都是新工具方法能夠發(fā)揮的區(qū)間。

這些應(yīng)用場景的可能性都依賴于多個領(lǐng)域的人共同來探索，包括機器學(xué)習(xí)、工藝工程、電氣與機械、傳感與通信等多個領(lǐng)域的共同努力，因為，AI的工業(yè)應(yīng)用一定是一個系統(tǒng)工程。

3.3更為經(jīng)濟性的條件是否具備了？

AI在工業(yè)的應(yīng)用從經(jīng)濟性考量就是以前這些技術(shù)應(yīng)用于工業(yè)因為算力、軟件的成熟度等帶來的不確定性，成本過高而一直沒有被真正應(yīng)用，制造業(yè)是一個“錙銖必較”的領(lǐng)域，因此，必須有經(jīng)濟性支撐。

（1）算力問題:實際上很多在傳統(tǒng)工業(yè)里的解決問題的方法都是“最經(jīng)濟的”方法，因為如果想要達(dá)到對工業(yè)場景的最大精度的復(fù)原和控制，那么就需要非常強的算法設(shè)計，而這又要強大的算力支持，就像人們把非線性系統(tǒng)給簡化為線性問題，進而可以減少計算量，包括如果采用復(fù)雜的算法來進行控制，那么算力所需的處理資源就不是一個普通的控制器可以完成，而對于工業(yè)而言，又要滿足可靠等，批量又不大的情況下，其實，算力強大的工業(yè)應(yīng)用系統(tǒng)還是很昂貴的，如果這個算力被解決了—就像現(xiàn)在的手機都頂?shù)纳险麄€曼哈頓工程的計算機計算能力一樣。

（2）算法與模型問題：因為經(jīng)過大量訓(xùn)練的模型具有可以被重復(fù)使用的能力。這也算是知識復(fù)用的潛力。在過去很多年里，大家可能沒有考慮過采用基于數(shù)據(jù)驅(qū)動、機器學(xué)習(xí)、深度學(xué)習(xí)方法來解決工業(yè)問題，包括人的知識如何被用軟件、模型來表示，并形成真正的應(yīng)用價值—目前的想法就是先有數(shù)據(jù)，這也不為過，知識如何顯性并發(fā)揮價值就是一個應(yīng)用潛力。

（3）新工具與方法的改善：還有一個問題在于“工具”的問題，其實，消費與商業(yè)軟件最大的厲害在于“易用性”設(shè)計，有一次和Microsoft的管震先生聊起“玩具”—說有人說OT做的IIoT平臺是玩具，我說那我們看IT做的平臺也是玩具—想說的是不能實際落地應(yīng)用，但是，管先生給我說“我們要做的就是玩具啊！大家一起來玩的”，我倒是被他說服了，看了他們的機器學(xué)習(xí)工具，覺得的確是簡單，還真是輕松入門，搞不好我也能拿這個幾天學(xué)會，不過，我想真正的難點還在工藝上，不過，至少這個工具本身簡單了，讓熱門易于入門了，也是一件好事。

因此，在這個角度，提供便利的工具與方法，本身就是解決經(jīng)濟性問題—如何讓工業(yè)領(lǐng)域的專家使用更為低成本的方法或者用較低的成本集成到工業(yè)系統(tǒng)，使得整體具有經(jīng)濟性，而這對于已有的AI成本是一個稀釋的過程。

4.分析：哪些場景需要智能系統(tǒng)來干呢？

在現(xiàn)場有大量的工藝問題，但是，垂直行業(yè)就會有差異，但是，工業(yè)的問題是否可以共性問題呢？

是否可以為這些具有共性的問題提供通用性的模型并對其進行訓(xùn)練尋找廣泛可用的模型呢？

4.1參數(shù)尋優(yōu)

無論是采用監(jiān)督還是非監(jiān)督學(xué)習(xí)，最佳參數(shù)的尋找問題是一個比較普遍的問題，這個問題對于工業(yè)來說，尤其是流程生產(chǎn)，以及希望將離散變?yōu)檫B續(xù)的流程生產(chǎn)而言，都是非常大的累積量，就像節(jié)省1%的能耗對于一個大型冶金企業(yè)都是有意義的—傅老師的優(yōu)也大數(shù)據(jù)就是立志于此，這的確是工業(yè)的一個令人覺得有意義的地方—如同柴天佑院士所說的“小數(shù)據(jù)，大應(yīng)用”，能解決大問題，可能累積下來每年就是驚人的成本節(jié)省。

4.2精益生產(chǎn)水平的1%提升

所以說現(xiàn)在AI的聚焦點在“Operation”運營中的問題，而非控制中的問題，因為運營中的問題可以容忍“犯錯誤”，而控制中的問題則不允許，因為一旦達(dá)不到就是不良品。

機理模型—無論是流程生產(chǎn)中的化學(xué)反應(yīng)模型，還是物理的機械傳動控制模型，在傳統(tǒng)的機理模型下，往往是經(jīng)濟而有效的，它的優(yōu)勢在于用簡單的算法模型解決了90%甚至99%的問題，那么，對于剩下的1%的問題是否需要解決呢？

這個問題也有一個合理的判斷，即，如果平均水平達(dá)到95%，那么對于能夠達(dá)到96%的良品而言，就會意味著較大的利潤空間，因為，這1%的差別對于良品而言轉(zhuǎn)化的利潤可能不是1%，而是10%，因此，這個意義也是存在的，但是，投入多大的力量能夠產(chǎn)生這個提升？一定需要通過人工智能嗎？

可以將這個作為一個問題，顯然，現(xiàn)場有神明，需要由現(xiàn)場的人來判斷，而目前的問題在于雙方并非互相了解，AI不了解現(xiàn)場，現(xiàn)場也不了解AI，對話就是個困難。

4.3工藝匹配問題？

對于每種印刷而言，工藝參數(shù)都需要根據(jù)工況進行調(diào)整，是否存在著與已有的工藝匹配的最佳工藝參數(shù)呢？紡織中的紗線都是由數(shù)千種可能的纖維進行組合而成，那么是否存在一種組合下的最佳加工參數(shù)，比如牽伸比的設(shè)定值最優(yōu)如何計算？對于各種塑料顆粒的熔化、塑化成型過程，是否存在著最優(yōu)的匹配參數(shù)呢？為此又能自動的計算最佳的傳動控制參數(shù)呢？

4.4路徑規(guī)劃問題？

路徑規(guī)劃問題在很多場景里是存在的，物流是一個方面，但是，路徑規(guī)劃在大多數(shù)的應(yīng)用里可能也并不需要學(xué)習(xí)、人工智能，有可用的規(guī)劃模型來實現(xiàn)，但是，具有通用性的訓(xùn)練模型能否解決多種場合的規(guī)劃問題？

4.5判斷與分類

這類問題比較簡單，可以通過各種參數(shù)，包括視覺、聲音等對對象進行識別，并作出判斷，然后進行分類，包括由機器人對其進行分類統(tǒng)計，并將所對應(yīng)的特征反饋為加工調(diào)整值，這些都是對于工業(yè)4.0中的動態(tài)生產(chǎn)中小批量生產(chǎn)的一個智能分析與判斷，并執(zhí)行的問題。

5.要解決問題需要哪些前提？

5.1創(chuàng)新的需求與評估

國家花錢應(yīng)該在基礎(chǔ)理論方法與工程，而企業(yè)必須有自我驅(qū)動力。

（1）必須明確，AI工業(yè)應(yīng)用是一個系統(tǒng)工程，并非是一個AI能夠解決問題的，無論是機器學(xué)習(xí)，還是神經(jīng)元網(wǎng)絡(luò)、深度學(xué)習(xí)等，只是一個工具，但解決問題必須需要系統(tǒng)的，多學(xué)科交叉來構(gòu)建，并采用科學(xué)的方法與工程過程來實現(xiàn)。

（2）必須基于應(yīng)用價值的評估，而不是為了迎合這個潮流，或者為了某個項目的資金申報而投入其中，必須將基礎(chǔ)問題解決，人工智能必須建立在高效的、標(biāo)準(zhǔn)的生產(chǎn)工藝與過程基礎(chǔ)之上。

5.2跨界人才，尤其是領(lǐng)域知識的問題

工業(yè)軟件開發(fā)涉及機電對象，軟件，工藝，周期長，且復(fù)雜但工業(yè)卻開不了高薪水，相當(dāng)于在工業(yè)領(lǐng)域培養(yǎng)一個AI專家所需要耗費的代價是在商業(yè)領(lǐng)域數(shù)倍的成本，并且這個市場又不夠大，因為在商業(yè)領(lǐng)域1%的人群作為用戶就是一個很大的數(shù)據(jù)，而對于工業(yè)又是另一個場景，你花費代價甚高，卻無非為小應(yīng)用付出了代價，因為，這個對于工業(yè)的障礙特別大。

（2）懂AI算法軟件的多，懂工藝的少，你需要復(fù)合型，結(jié)果連基本型本身就少。當(dāng)然還有就是這些人才往往不愿意在工業(yè)來干，因為工業(yè)想有成就有點難，需要了解工藝、需要了解現(xiàn)場的各種復(fù)雜的，比如采集、信號處理、通信、特征值提取…事情干的非常多，卻不能像在其他領(lǐng)域獲得大的市場潛力、投資者的關(guān)注，而且往往要像苦行僧一樣沉下去，有點難以吸引人才投入其中。

5.3數(shù)據(jù)的標(biāo)準(zhǔn)化

這個是IT與OT融合的難點，當(dāng)然了，如果大家都對這個問題達(dá)成一致，采用OPCUA或者其它統(tǒng)一的標(biāo)準(zhǔn)與規(guī)范，這都是可以被解決的，但是，這兩個世界的人的確缺乏基本的相互了解，總是處于一個相互等待的狀態(tài)，IT的人通常的問題是“你有什么數(shù)據(jù)？”而OT的人往往的問題是“你想要什么數(shù)據(jù)？”，兩個人之間在這個問題上經(jīng)過許多年也沒有扯清楚，每個人都覺得自己很清楚，IT的認(rèn)為，你有數(shù)據(jù)我就可以訓(xùn)練、學(xué)習(xí)，就能進行優(yōu)化，而OT的人認(rèn)為，你根本就不了解現(xiàn)場，現(xiàn)場比你想象的復(fù)雜多了，你不要想當(dāng)然的認(rèn)為自己可以，就像很多IT的人認(rèn)為10mS就已經(jīng)是實時任務(wù)了，你去問OT端的人，他們覺得那根本就不叫實時系統(tǒng)。

總之，這是一個探索，大家聚焦于融合創(chuàng)新，通過多方合作，共同探索新技術(shù)、新方法、工具能否為制造業(yè)發(fā)揮AI的潛力，歡迎共同探討。