智能化的制造是否就是人工智能技術(shù)

人工智能的兩個經(jīng)典學(xué)派

談到智能制造，人們很容易聯(lián)想到各種高級算法，如機器學(xué)習(xí)和邏輯推理。事實上，人工智能技術(shù)在最近十幾年最重要的進展就是深度學(xué)習(xí)技術(shù)，這也是人工智能最近成為熱點的原因。

人類發(fā)明計算機的初衷是幫助人們進行數(shù)據(jù)計算。由于人的很多思維過程都可以轉(zhuǎn)化成計算問題，所以計算機往往被俗稱為電腦。計算機可以計算很多問題，但只有一部分算法被稱為人工智能算法。

一般來說，人工智能的算法往往有兩個特點：一是普通的算法不容易解決，二是與人的思維接近。因此，算術(shù)、方程求解、排序等常見算法一般不被算作人工智能算法，只有涉及復(fù)雜邏輯推理和知識學(xué)習(xí)等問題時，才被稱為人工智能算法。

計算機在解決邏輯推理問題時，往往先將其轉(zhuǎn)化為搜索問題。人工智能關(guān)注的搜索問題往往會面臨組合爆炸，計算機也難以求得最優(yōu)解。下棋就是這種典型問題。但是，面對這類組合爆炸問題，人類往往有能力用有限的搜索找到相對較好的辦法。這就是體現(xiàn)智能的地方。有人把智能算法的特點描述為能夠從一個巨大的搜索空間中迅速找到比較好解的算法。因此，谷歌公司建立之初就定位為“做人工智能的公司”。

要把人的想法變成計算機代碼，前提是必須能用計算機語言精確地表達出來。但是，人的很多認識恰恰是難以用語言表達清楚的。例如，我們很容易認出一個熟人，也很容易識別梨的味道，但這些認識不容易說出來。再如，棋手對“棋勢”有一種直覺的認識，這種直覺能夠幫助人們把注意力聚焦在個別重要的棋子上。但是，這種直覺同樣難以用精確的語言來描述。這些一般被稱為“默會知識”。

人類語言表達不清楚的東西，往往無法直接變成計算機代碼。機器學(xué)習(xí)就是用來解決這個困難的。所謂機器學(xué)習(xí)，一般是用數(shù)學(xué)函數(shù)模擬人或動物的神經(jīng)系統(tǒng)，通過數(shù)據(jù)不斷修正這個模型，從而形成類似感性認識的知識。這樣就避開了“默會”知識“難以編碼”的困難。

然而，讓計算機獲得“感性認識”并不容易。例如，模型識別的錯誤比例往往太高。導(dǎo)致這類問題的原因很多，有數(shù)據(jù)的原因、模型的原因，也有訓(xùn)練算法的原因。隨著計算機計算和存儲能力的增強，積累的數(shù)據(jù)越來越多。在這樣的背景下，出現(xiàn)了深度學(xué)習(xí)技術(shù)并在多個領(lǐng)域取得了巨大的成功。于是，人工智能成為近期的熱點。

人們可以從很多角度認識人工智能，由此產(chǎn)生了很多的學(xué)派。其中，兩個經(jīng)典的主流學(xué)派分別是模擬邏輯推理的符號學(xué)派和模擬神經(jīng)系統(tǒng)結(jié)構(gòu)的連接學(xué)派。這兩個學(xué)派的方法可以結(jié)合在一起進行應(yīng)用。例如，阿爾法狗需要進行邏輯推理，但為了解決搜索中組合爆炸的問題，又需要模擬棋手的感性認識，而這種感性認識就是通過深度學(xué)習(xí)得到的。

自動化與人工智能的控制論學(xué)派

除了上述兩個經(jīng)典學(xué)派外，人工智能還有一個重要的學(xué)派被稱為控制論學(xué)派?？刂普撌亲詣踊椭悄芑睦碚摶A(chǔ)。多年以來，自動化學(xué)科比人工智能更成熟、應(yīng)用范圍更廣和影響力也更大。因此，學(xué)術(shù)界談?wù)撊斯ぶ悄軙r，指的往往是上述兩個學(xué)派，而不是控制論學(xué)派。但是，這個學(xué)派的思想恰恰是智能制造主要的理論基礎(chǔ)。

20世紀40年代，控制論之父諾伯特?維納（Norbert Wiener）想到一個問題：機器和動物（或人）到底有什么區(qū)別？維納認為，機器一般只能按既定的步驟和邏輯運行，而動物能通過信息感知到外部世界的變化，并根據(jù)新的信息進行決策、采取行動。例如，一只正在吃草的山羊突然看到了一只狼，它會馬上停止吃草，奔跑逃命。自動化就是要把感知、決策和執(zhí)行3個要素統(tǒng)一起來，這3個要素類似于動物的感覺器官、大腦和四肢的功能。這就是自動化的本質(zhì)特征。事實上，自動化系統(tǒng)一般由傳感器、控制器和控制對象構(gòu)成，分別用于信息獲得、決策和執(zhí)行。

與人工智能的兩個經(jīng)典學(xué)派不同，控制論關(guān)心的是效果和作用，往往不在乎算法和邏輯是不是復(fù)雜。事實上，自動化用到的一些算法和邏輯可能相當簡單。

最近幾十年來，自動化應(yīng)用的范圍越來越廣，但也有局限性。一般來說，自動化系統(tǒng)能夠應(yīng)對的都是“預(yù)料之中”的變化。當出現(xiàn)設(shè)備故障、生產(chǎn)異常等預(yù)料之外的問題時，還是需要人來處理。這是因為計算機處理問題都是有預(yù)案的，其靈活處理問題的能力遠遠不如人類。

智能制造的概念

智能制造技術(shù)是信息通信技術(shù)的發(fā)展帶動的，是信息通信技術(shù)在工業(yè)的廣泛、深入應(yīng)用。德國的工業(yè)4.0和美國的工業(yè)互聯(lián)網(wǎng)都屬于智能制造的范疇。

從整體效果來看，智能制造能夠加強企業(yè)快速響應(yīng)變化的能力。市場或用戶有了新的需求，能夠盡快設(shè)計并制造出來以供應(yīng)市場；供應(yīng)鏈發(fā)生變化時，能盡量避免對生產(chǎn)經(jīng)營產(chǎn)生的不利影響；生產(chǎn)設(shè)備或產(chǎn)品質(zhì)量發(fā)生問題時，能盡快找到問題的根源和解決問題的辦法。

從業(yè)務(wù)角度來看，推進智能制造的主要作用是要促進多方協(xié)同、資源共享和知識復(fù)用。通俗地講，協(xié)同就是多方協(xié)作時“不掉鏈子”，不耽誤彼此的工作；資源共享有利于低成本地獲得優(yōu)質(zhì)資源；知識復(fù)用則可以提高研發(fā)和服務(wù)的效率，降低獲得知識的成本。當企業(yè)中的物質(zhì)、知識和人力資源都能用數(shù)字化描述時，互聯(lián)網(wǎng)就容易促進協(xié)同、共享和復(fù)用。

計算機的運算能力很強但靈活處理問題的能力很弱。這是限制自動化技術(shù)廣泛應(yīng)用的重要原因。為了解決這類問題，先進的制造企業(yè)普遍采用了信息化技術(shù)。信息化系統(tǒng)能夠為管理者收集信息、幫助管理者決策和管理企業(yè)的生產(chǎn)和經(jīng)營。與自動化系統(tǒng)相比，信息系統(tǒng)把決策的工作交由人類完成。

在數(shù)字化、網(wǎng)絡(luò)化時代，成千上萬的設(shè)備可以實時、高速地采集數(shù)據(jù)并匯集到一起。人類可以得到更多的信息，但處理信息的能力受到了生理極限的約束。為了解決這個矛盾。美國通用公司發(fā)布的《工業(yè)互聯(lián)網(wǎng)》白皮書就提出了解決辦法。該白皮書指出，工業(yè)互聯(lián)網(wǎng)有3個要素：智能的機器、高級算法和工作中的人。智能機器指的是可以實時接收和發(fā)送數(shù)據(jù)的機器。但是，人類并不直接處理這些數(shù)據(jù)。高級算法就像人的秘書一樣，幫助人們處理實時數(shù)據(jù)，從海量數(shù)據(jù)中找出那些需要人類關(guān)注和處理的問題，交給“工作中的人”來處理。

另外，對于常見的問題，可以把專家處理問題的邏輯和方法變成計算機代碼，讓機器按照人類的想法進行決策。這就是人類知識的數(shù)字化。通過這種辦法，可以進一步減少人類處理問題的負荷，提高決策的自動化水平——這其實就是智能化。

從某種意義上來說，智能化是自動化和信息化的融合。自動化和信息化融合的思想很早就有了，但在信息通信技術(shù)不夠發(fā)達的時候，技術(shù)上很難實現(xiàn)。于是，機會留在了智能化的時代。

智能化對工業(yè)企業(yè)的意義非常巨大。從企業(yè)生態(tài)的層面來看，智能化能促進企業(yè)之間的分工細化并在企業(yè)間建立新的生態(tài)關(guān)系?！胺止ご龠M生產(chǎn)力的發(fā)展”是一條非常重要的經(jīng)濟規(guī)律。由于互聯(lián)網(wǎng)能夠提高企業(yè)之間的協(xié)同能力、降低分工的負面影響，這為促進分工的細化奠定了基礎(chǔ)?？傊?，從企業(yè)間的關(guān)系來看，智能化能夠促進社會資源的優(yōu)化配置。從企業(yè)自身的層面來看，智能化能提升企業(yè)的管理能力。在我國很多企業(yè)中，“技術(shù)水平低”的本質(zhì)往往是管理水平差。某些企業(yè)的管理問題所導(dǎo)致的成本損失會超過企業(yè)的利潤。通過推進智能化，人類的很多決策工作可以交給機器去做，也可以在機器幫助下或“監(jiān)督”下去做，通過提升企業(yè)的管理能力，大大減少因管理不善導(dǎo)致的問題。從現(xiàn)實效果來看，智能化往往能夠有效地推動企業(yè)整體利益實現(xiàn)最大化。

智能化與人工智能

智能化是一場決策革命，即通過數(shù)字化的方法代替人決策、幫助人決策、“監(jiān)督”人決策。對工業(yè)過程來說，決策所需的知識往往是工業(yè)人多年積累的結(jié)果。這些知識的邏輯往往是清晰的、能夠被準確表達的。推進智能制造的時候，容易把這些知識轉(zhuǎn)化成計算機的代碼，但智能制造未必用到人工智能的典型算法。因此，“智能制造等于人工智能加制造”的觀點是錯誤的。

但是，經(jīng)典的人工智能技術(shù)確實能夠促進智能制造技術(shù)的發(fā)展。在一些場景下，傳感器采集到的信號并不容易轉(zhuǎn)化成語義明確的信息。例如，攝像頭可以采集到產(chǎn)品表面的圖像信息，但不能把圖像信息與質(zhì)量缺陷的類型和級別對應(yīng)起來。如果這類問題解決不了，質(zhì)量管理的邏輯就難以自動地實現(xiàn)，智能化的進程就會受阻。

深度學(xué)習(xí)等典型的人工智能技術(shù)特別善于解決圖像識別問題。事實上，圖像識別是人工智能算法在工業(yè)界最典型也是最主要的應(yīng)用領(lǐng)域。缺乏人工智能技術(shù)，智能制造的體系往往是不完整的。

從某種意義上來說，人工智能是技術(shù)問題也是學(xué)術(shù)問題，這也是學(xué)術(shù)界特別喜歡研究的問題?，F(xiàn)實中，自動化往往只是技術(shù)問題，并不是學(xué)術(shù)問題，因為工程師一般喜歡用最簡單的辦法解決問題。推進智能化的過程不僅涉及技術(shù)問題，往往還涉及企業(yè)組織流程的重構(gòu)、商業(yè)模式的創(chuàng)新。從這種意義上講，智能化的問題往往可以看作企業(yè)的管理甚至戰(zhàn)略問題。
編輯：hfy