熟女人妻水多爽中文字幕,国产精品鲁鲁鲁,隔壁的少妇2做爰韩国电影,亚洲最大中文字幕无码网站

　　記得去年工博會那會和自動化圈的小伙伴們交流，他 們對這些來勢洶洶、總是“叫囂”要顛覆制造業的技術有些 不以為然——因為，現場不是理想主義，當然， 其中對話語 權的失落感也是些許存在的。

　　不過，工業AI本身與商業AI還是不同的，人們在歡欣鼓 舞商業AI的巨大影響力，但是，工業的核心是自己的發展， AI是個好工具，但它不是核心業務或它也不是真正所對應垂 直產業的核心技術。

　　首先，像自動化圈，并非拒絕AI，而是主動地擁抱AI， 以期來解決問題，但這里的差異在于，商業AI圈的人其實是 拿著榔頭找釘子，而工業人則是拿著釘子找榔頭，因此， 它是兩個方向的人在做同一件事情。

　　這是一個很大的差異，從語言體系就可以看到，AI的人總是說要“找場景”，但是，找場景這個事自動化人并不 提及，因為，場景有，我只是在找一個“經濟”的工具。

　　條條大道通羅馬

　　制造業，它的目標是要解決問題，至于它用什么工具 則是次要問題，而要解決什么問題才是首要的。前幾天看 了部電影，里面有一句廢話：“關鍵的問題就是找到問題的 關鍵”。但是，這也不算廢話，關鍵就是得先知道問題在哪 里，才知道什么是好的解決辦法。

　　制造業要解決的通常就是“品質、成本和交付”三個問 題。那么，引發質量的因素究竟在哪里?這有時候是個未 知的問題——但是，解決問題的方法卻有很多種。

　　第一是找到問題：通過魚骨圖分析，我們可以把質量相關因素解析為：人、機、料、法環等問題;然后建立解決問 題的路徑，通過根源分析，找到關鍵問題和次要問題。

　　第二是解決問題：有些問題的解決辦法是依賴于物理 建模，有些問題則依賴數據建模，還有些問題根本不用技 術來解決問題——通過人員的培訓、流程的再造就可以解決。

　　因果與相關問題

　　在解決問題的時候，我們要找到因果問題和相關問 題。記得有一次聽馮恩波博士講AI，談到了因果問題能夠解 決大部分問題，而剩下的相關性問題卻又是“勝負手”。

　　因果問題指的是可以通過像物理建模這樣的方法， 構建物理模型，然后通過參數的工程測試來建立控制的邊 界。在不同的定義域(高等數據基本概念)里函數值是有 一定規律的。如果找到這個規律，那么，就能解決根本性 問題，這就是機理模型——它具有顯著的優勢，即： 它可預 測、可解釋，且算力需求特別低。那么，如果你用AI解決 這個問題，就顯然是不經濟的，你花費了巨大的代價解決 了問題，最后發現，其實跟自動化里增加一個AI(Analog Input模擬量輸入)采樣和一個DO輸出解決問題的效果可能 是一樣的。這完全就缺乏了經濟性。畢竟這個AI和DO加起 來，在自動化硬件價格已經卷到“白菜價”的今天，大概就 百十來塊錢的事。

　　但是，為什么AI又是“勝負手”呢?

　　因為機理模型它的特點就是可獲得性較強， 一旦被建 立，可復制性也強。它能夠同樣被其他對手所獲得，并應 用。那么，這個時候，相關性那部分就會發揮其價值的杠 桿收益。

　　在鋰電制造里，0.2%的良品率提升都是意義重大的， 因為大家都能做到99%的時候，“勝負手”就在于你能做到 99.2%所帶來的優勢。同樣道理，在這里，相關性解決的那 些問題有時候也會變成決定性因素。

　　工業AI需要建立在良好的數字化基礎上

　　AI更擅長于在相關性上解決問題，但是其實它的應用 也是有前提的：首先，必須要有好的自動化基礎：自動化 提供了數據采樣、通信連接、數據分類、接口規范方面的 基礎。這本來也是制造中控制、信息化的基礎需求。很多AI 相關人員說現場缺乏數據，但是，這是你的問題，卻并非 自動化的問題——因為，這些數據就在PLC的內存里，也可 以通過OPC UA/MQTT訪問。不是有沒有數據的問題，而是 另外兩個問題：

　　(1)什么數據，要干什么用?——似乎尚未搞清楚

　　IT人經常會問：“你有什么數據”，而OT人通常會問：

　　“你要什么數據”。因為，拿著榔頭找釘子的人會認為， 你告訴我有啥數據，我才知道我能干什么。但是，OT人認 為，這個數據是與我的工藝相關的，我不能提供給你所有 數據，但我可以按照你的需要提供所需的數據。

　　(2)未知的數據

　　在制造工程中，我們知道還有很多需要解決的問題， 這些問題依賴于哪些數據、用什么樣的頻率采樣、什么類 型的問題應該用什么方法處理數據。這些事情本身都是待 定的——因為，制造工程本身就是“持續改善”的，通過不斷 的對制造中的機電問題進行分析，才能不斷提升。在解決 問題過程中，才知道應該采集什么數據、如何分析這些數據。

　　因此，有時候，它不是缺乏數據，而是缺乏對制造的 認知——而這種認知，本來就不是已知的，它是動態進行的。

　　其次，AI也需要和工程方法結合。

　　為什么要機理與數據相結合?因為如果沒有機理給出

　　的方向，那么，數據就失去了目標。甚至都不知道采集哪 些數據——機理的好處在于它提供了基本的約束邊界，而不 是在浩瀚的“大海”里盲目的探索。相關性， 它也不是完全 沒有頭緒的，它也是有方向的。甚至來自于工程師的直覺 性判斷，通向解決問題的道路有非常多的岔口，沒有人能 夠確切地知道哪個岔口才能走到目標，有時就會出現“只緣 身在此山中”的問題，因為只見樹而不見森林的遮蔽性 —— 在數據分析這個問題上，同樣會有“遮蔽性”，即，數據的 偏差，例如“幸存者偏差”就是典型的一種數據偏差。

　　再者，人才是關鍵。

　　圖1列舉了自動化領域采用AI的優勢，主要體現在數據 及其通信、結構化處理、機理建模的結合，以及現場可執 行，這些也都來自于工程師的洞見與智慧。工程師的洞察 力，包括機電對象的特性、引發問題方向的判斷、解決問 題方法的界定、數據處理、模型訓練方法的選擇、參數調 教、泛化等等，這些都依賴于人工的參與。如果缺乏有序的 工程過程綜合能力，那么，AI將無所適從，會茫然不知所措。

　　自動化領域的工程師具有非常強的機理、對象特性的 理解。當然，我們需要選擇更好的AI工具，就象找到好的榔 頭來解決問題一樣。

　　工業從來都是擁抱AI

　　很多時候，來自于制造業的人會對AI有些不以為然， 其實這不是對AI的不以為然，有時只是對不懂工業卻又妄圖 “顛覆”工業的那種迷之自信的不以為然。而且，似乎真的 了解AI的專家、甚至AI領域的頭部企業的專家們都還是比較謹 慎的，但是，比較狂熱的似乎更多是那些對AI并不了解的人。

　　前些時日，記得郭老師朋友圈和文章里都提到一句 話：“悲觀者正確，而樂觀者成功” ——我想對于自動化圈 的人而言，我們需要好好想想這句話。因為，有時候，自 動化圈對AI的各種不以為然，可能是有問題的，因為，AI在 進步，也在不斷地去測試，也是在摸索——那么，AI不了解 制造業這個事情，它本身也是一個過程，因此，積極擁抱AI 是有很大幫助的——人們擔心的不是競爭，而是顛覆性的技 術，讓你無從追趕，因為越是成功者越是容易形成對既有路 徑的依賴;而突破者，往往會讓你失去反擊的機會。

　　AI對于工業，它是潛力巨大的：

　　(1)在AI的發展歷史上，像Alstrom、Bellman、 Kalman這些人，他們既是控制學科的專家，也是AI領域的 專家。因此，控制領域在其發展過程中，從未拒絕過AI，并 一直試圖將AI應用于自適應控制、模糊控制、非線性系統、 最優化等問題的解決上，應該說，囿于算力的成本，過去 它并未被廣泛的應用。

　　(2)極限制造對AI的潛力需求

　　隨著制造越來越“內卷”，每一個百分點的良品率都 是決定性的。那么，在制造業中，廣泛存在的不確定、非 線性問題，就成了AI可以發揮潛力的領地。但是，這一定 是建立在良好的自動化和數字化基礎上的。脫離了制造基 礎，談AI，將會帶來“事倍功半”的效果，而我們需要的是 “事半功倍”的經濟性方法。

　　(3)AI正成為工業中的焦點

　　自動化領域的全球化廠商都在積極擁抱AI人工智能， 例如ABB發布的最新AI戰略，應用場景比較多，像機器人的 視覺智能導引、預測性維護、參數尋優等等，包括通過AGI 來實現自動編程，以解放工程師，將知識復用。

　　當然，另一個視角則是人才培養的問題，因為最終AI 的落地與實現，仍然要落到具體的應用上。那么，來自IT 世界的人在算法、系統架構、軟件開發的能力就會發揮出 來。近期我與AI4C的管先生談起大學自動化領域的軟件工 程能力較弱， 因為，很多自動化相關專業的人并未受過較 好的軟件工程訓練，在IT領域里普遍的軟件工程思想與方 法，對于OT世界整體的工程能力來說，還是比較難的——畢 竟，我們說，AI最后還是個軟件問題，那么，軟件的開發 能力，就會成為一個問題。

　　IT廠商在工業AI的發展過程中，更多在于平臺、工具的 建設、開發，以及其生態所構建的工程師資源。IT界的開放 思想、協作以及分享的文化，都是相對保守的OT世界可以學習和借鑒的。IT廠商在AI的相關資源方面，為OT世界減少 了構建成本，否則，依據OT世界的“量”無法推動GPU、云 服務、工具、社區等各種軟硬件資源的成本下降。

　　生成式AI對于編程的嘗試已經開始， 如圖3，通過自 然語言包括語言/文本方式給出需求，OpenAI可以將原有 的程序以及開源世界的程序結合，為工程師生成所需的程 序。因此，工程師還是很重要的，我覺得在工業場景里的 自動化工程師，將作為一個在安全、倫理、 一致性等方面 給予“確認”的角色——這個時候，工程師更多成為“問題的 提出者”和“方案的確認者” ——它降低了Coding這種工作 的負擔，而增強了工程師對問題的理解能力，以及在決策 方面的更高價值的輸出需求。

　　來自全球領先的自動化廠商和IT大廠們都在尋找著AI與 工業的連接，我在與OPC基金會的張同志談到像OPC基金會 /IEEE這種全球性技術與標準化組織，究竟是如何能夠協作 不同國家的不同企業，構成一個松散的團隊，共同致力于 一個需要長期努力、投入，才能進行的技術開放協作——這 就是一個問題。

　　總結起來就是，工業AI，必須得是IT與OT兩方面專家 共同協作來干的事情。OT人源自于對制造業歷史悠久的積 累，IT人則來自于對數據應用、算法、工具設計以及構建整個 軟件體系的知識沉淀。但是，IT、OT都必須致力于制造企業對 于品質和效率的極限追求，以及對制造現場的深刻洞見。