關于什么是人工智能，簡直就是各說各的有道理，自從達特茅斯會議定義了“AI”這個詞以后，人工智能本身也經歷了幾次波峰波谷，它的流行不是今天的這一波浪潮，而是經歷了多個浪潮，又因為實在沒有什么貢獻而沉寂，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，帶來現實意義的商業價值，盡管今天人工智能在商業領域有諸多的成功，然而就其在工業領域而言，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，樂觀主義的認為人工智能將顛覆制造業，而另一個觀念又認為其實AI并非那么神奇—人們對人工智能抱有太高的期望，尤其在工業領域里，有很多不同的聲音，因為現在已有的人工智能包括機器學習、深度學習等所應用的場景與工業有較大的差異，工業人似乎基于更為保守和現實意義的考量，并不對人工智能保持過分樂觀，然而，跨界的領域總存在著空間，讓我們試圖去分析如何通過科技融合創新來為工業帶來新的機會。

1.關于人工智能對工業創新的分析

避免幾種思維的極端

1.1一種認為AI適合干商業而非工業，一種是認為AI可以顛覆工業。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實，AlphaGo下圍棋這件事情都是在確定性規則下的推理學習，而工業卻完全不是這樣的場景，不確定、擾動、復雜是圍棋所不能相比的。

1.2認為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，認為自動化是“過去”，實際上是對AI發展歷史以及工業AI應用的不清楚，行為主義學派的典型就是維納，而非線性是工業的常態，線性才是偶態或稱為“特殊情況”。

想顛覆工業的人工智能曾經豎立的“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產業的新經濟，自己能活過C輪都不多。

新經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？很多邏輯在商業領域可用，在工業領域卻不靈，這很正常。

1.3泛AI就沒有什么談論的必要，把算法就認為是AI就容易缺乏邊界導致的混淆與模糊。

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這個風口吧？什么做算法的、軟件的，就像趕上風口的時候，都快要倒閉的發不出工資的公司都可以被標定為“工業4.0標桿”一樣，因此一個做網絡空間租賃的也就變成了“邊緣計算”的標的了，這就是資本的娛樂性，找點開源的算法，然后找個場景訓練一下數據，就可以自稱“AI創業公司”，然后去資本市場圈錢了，前段時間看一個節目，大概就是類似于許小平等一干大佬看創業者的項目，唉！真是讓人感慨，做實業圈的我們可能真看不懂那些不靠譜的應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”—這才是科學的態度，什么是AI？這很關鍵，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”、“字典”但是，你不能就隨意界定為AI，尤其是用于工業的時候。

2.工業應用中的特殊性

2.1考慮問題的邏輯與商業中的差異

工業與商業在人工智能的應用方面有較大的差異，就像在IT領域里通信是按照“達到最高的性能（Upto）”，而在制造現場的人則談“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度，進一步來說，最大的差異在于穩定與可靠性，就像工業控制里強調數據的傳輸的“確定性”，在于“精確”、“可解釋”，這些都是很多當前人工智能領域的應用，無論是連接主義的神經元網絡，還是以前符號主義的推理過程都是無法滿足工業對于應用的“可靠”、“精準”、“魯棒性”的需求的，這使得必須結合工業本身，開發有效的人工智能應用，而這些又需要結合幾個重要的思維：

人們對AI寄予厚望，然而，在工業領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，

在商業領域，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造一個很大的市場，但是，在工業領域卻是另一個場景，你必須達到很高的準確率才能有客戶用—就像識別不良品一樣，1%的不準確對于手機生產而言，就有可能是數萬、數十萬個不良品成為漏網之魚，這顯然是無法接受的。

2.2AI工業應用是一個系統工程

這是一個真正的大問題，存在的難點，工業中的AI應用如李杰教授所認為的“是一個系統工程”，感知信息、傳輸、數據清洗、數據特征提取，以及最終的控制、執行等都是必須緊密配合的，你就算有AI卻也無法有效的發揮作用，因為，你的采集準確與否取決于傳感器的精度，而你數據的特征提取則依賴于行業的工藝，而在執行的時候又需要考慮執行機構的機械特性…AI的應用成功并非是一個AI本身的問題，而的確是一個系統工程，牽扯的方面較多，相互之間的關系復雜，甚至目前都不可知，如何構建AI應用系統本身就需要很大的協同。

物流規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的朋友聊到工業現場的大量倉庫號稱“智能倉庫”，但是，實際上很多倉庫并沒有一個智能的規劃，而是一種FIFO（FirstInFirstOut）的隊列一樣，并非是根據使用頻率、重量等規劃的最佳倉儲位置的問題，據說遇到的障礙是“編碼”問題，就是很多工廠里會缺乏良好的編碼系統，我就想到了OPCUA里的AutoID的功能，如果每個產品做到這一點，那么數據才能被真正應用于工業智能分析與優化，因此，這個角度來看，工業中的智能必然是一個系統工程。

3創新：解決經濟性問題

即使在兩者之間存在著認知局限或膨脹產生的各種情緒，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，這也是無數事實證明的，創新也發生在邊界上，摒棄成見才能走入對方的世界，也許AI和工業需要一種平和的心態，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哪些場景是新產生得問題？

在工業里，最忌為了AI而AI，或者為了聯網而聯網的行為，所有的目標都是提高質量、降低成本、提高交付能力，應對個性化的生產這些精益目標，這個問題并不存在異議，因為，真正的企業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）制造現場的連接后產生的問題

如果說現有的生產在機械約束條件下已經達到一個極限，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“學習”，來解決非線性問題，那么這樣的問題是否很多呢？調度與規劃問題：這個需要一個既有的模型還是一個學習的模型呢？

（2）精細化管理產生的需求

這是從需求拉動的角度問題，為了解決產品的質量問題，采用視覺來進行產品缺陷檢測，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據，并經過大量訓練后，能夠給出預判，但是，對于現有的視覺應用而言，最為復雜的就是對工況復雜的生產而言，需要大量的配置、人參與其中的設置、定義、標定等工作，需要對人有很高的專業要求，那是否存在著使得其更為經濟高效的方法呢？

3.2如何降低對人的依賴？

很多工業的應用，無論是數據驅動還是機理模型，其實都是對人有非常高的要求的，就像預測性維護，必須依賴于具有非常專業的國際認證振動分析師才能參與到這個預測中，因此，工業人工智能的問題解決應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算法訓練數據，同時與人的智慧經驗進行結合，形成知識自動化的包，這是一個需要機器學習算法方面的專家和領域工程專家共同來進行的工作。

傳統的工藝過程是否能夠被縮短？

AI，包括機器學習、增強學習、神經元網絡這些，他們將如何改變制造業？這需要從一個問題來思考：

--我們究竟哪些可以通過學習給我們帶來可能性？

傳統的很多工業積累，如預測性維護中常用的振動分析，依賴于專家系統，而伍斯特的勻整積累了200年的紗線工藝參數，而彈簧與板材折彎工藝等，很多積累都是需要數十年的工程數據積累，這個進程是否可以被基于數據的學習來改變？

基于機理模型的原始性設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揮的區間。

這些應用場景的可能性都依賴于多個領域的人共同來探索，包括機器學習、工藝工程、電氣與機械、傳感與通信等多個領域的共同努力，因為，AI的工業應用一定是一個系統工程。

3.3更為經濟性的條件是否具備了？

AI在工業的應用從經濟性考量就是以前這些技術應用于工業因為算力、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用，制造業是一個“錙銖必較”的領域，因此，必須有經濟性支撐。

（1）算力問題:實際上很多在傳統工業里的解決問題的方法都是“最經濟的”方法，因為如果想要達到對工業場景的最大精度的復原和控制，那么就需要非常強的算法設計，而這又要強大的算力支持，就像人們把非線性系統給簡化為線性問題，進而可以減少計算量，包括如果采用復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，算力強大的工業應用系統還是很昂貴的，如果這個算力被解決了—就像現在的手機都頂的上整個曼哈頓工程的計算機計算能力一樣。

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

（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，消費與商業軟件最大的厲害在于“易用性”設計，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，看了他們的機器學習工具，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，本身就是解決經濟性問題—如何讓工業領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系統，使得整體具有經濟性，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來干呢？

在現場有大量的工藝問題，但是，垂直行業就會有差異，但是，工業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練尋找廣泛可用的模型呢？

4.1參數尋優

無論是采用監督還是非監督學習，最佳參數的尋找問題是一個比較普遍的問題，這個問題對于工業來說，尤其是流程生產，以及希望將離散變為連續的流程生產而言，都是非常大的累積量，就像節省1%的能耗對于一個大型冶金企業都是有意義的—傅老師的優也大數據就是立志于此，這的確是工業的一個令人覺得有意義的地方—如同柴天佑院士所說的“小數據，大應用”，能解決大問題，可能累積下來每年就是驚人的成本節省。

4.2精益生產水平的1%提升

所以說現在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，因為一旦達不到就是不良品。

機理模型—無論是流程生產中的化學反應模型，還是物理的機械傳動控制模型，在傳統的機理模型下，往往是經濟而有效的，它的優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，如果平均水平達到95%，那么對于能夠達到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，現場有神明，需要由現場的人來判斷，而目前的問題在于雙方并非互相了解，AI不了解現場，現場也不了解AI，對話就是個困難。

4.3工藝匹配問題？

對于每種印刷而言，工藝參數都需要根據工況進行調整，是否存在著與已有的工藝匹配的最佳工藝參數呢？紡織中的紗線都是由數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，比如牽伸比的設定值最優如何計算？對于各種塑料顆粒的熔化、塑化成型過程，是否存在著最優的匹配參數呢？為此又能自動的計算最佳的傳動控制參數呢？

4.4路徑規劃問題？

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

4.5判斷與分類

這類問題比較簡單，可以通過各種參數，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計，并將所對應的特征反饋為加工調整值，這些都是對于工業4.0中的動態生產中小批量生產的一個智能分析與判斷，并執行的問題。

5.要解決問題需要哪些前提？

5.1創新的需求與評估

國家花錢應該在基礎理論方法與工程，而企業必須有自我驅動力。

（1）必須明確，AI工業應用是一個系統工程，并非是一個AI能夠解決問題的，無論是機器學習，還是神經元網絡、深度學習等，只是一個工具，但解決問題必須需要系統的，多學科交叉來構建，并采用科學的方法與工程過程來實現。

（2）必須基于應用價值的評估，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，必須將基礎問題解決，人工智能必須建立在高效的、標準的生產工藝與過程基礎之上。

5.2跨界人才，尤其是領域知識的問題

工業軟件開發涉及機電對象，軟件，工藝，周期長，且復雜但工業卻開不了高薪水，相當于在工業領域培養一個AI專家所需要耗費的代價是在商業領域數倍的成本，并且這個市場又不夠大，因為在商業領域1%的人群作為用戶就是一個很大的數據，而對于工業又是另一個場景，你花費代價甚高，卻無非為小應用付出了代價，因為，這個對于工業的障礙特別大。

（2）懂AI算法軟件的多，懂工藝的少，你需要復合型，結果連基本型本身就少。當然還有就是這些人才往往不愿意在工業來干，因為工業想有成就有點難，需要了解工藝、需要了解現場的各種復雜的，比如采集、信號處理、通信、特征值提取…事情干的非常多，卻不能像在其他領域獲得大的市場潛力、投資者的關注，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數據的標準化

這個是IT與OT融合的難點，當然了，如果大家都對這個問題達成一致，采用OPCUA或者其它統一的標準與規范，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，IT的人通常的問題是“你有什么數據？”而OT的人往往的問題是“你想要什么數據？”，兩個人之間在這個問題上經過許多年也沒有扯清楚，每個人都覺得自己很清楚，IT的認為，你有數據我就可以訓練、學習，就能進行優化，而OT的人認為，你根本就不了解現場，現場比你想象的復雜多了，你不要想當然的認為自己可以，就像很多IT的人認為10mS就已經是實時任務了，你去問OT端的人，他們覺得那根本就不叫實時系統。

總之，這是一個探索，大家聚焦于融合創新，通過多方合作，共同探索新技術、新方法、工具能否為制造業發揮AI的潛力，歡迎共同探討。