制造创新-人工智能工业应用场景思考

关于什么是人工智能，简直就是各说各的有道理，自从达特茅斯会议定义了“AI”这个词以后，人工智能本身也经历了几次波峰波谷，它的流行不是今天的这一波浪潮，而是经历了多个浪潮，又因为实在没有什么贡献而沉寂，但是，人类从来没有停止人工智能的研究，一直试图用它来解决一些问题，带来现实意义的商业价值，尽管今天人工智能在商业领域有诸多的成功，然而就其在工业领域而言，却似乎乏善可陈，不知道哪些场景有比较好的。

市场里的声音也带来了很多“模糊”让人困惑，乐观主义的认为人工智能将颠覆制造业，而另一个观念又认为其实AI并非那么神奇—人们对人工智能抱有太高的期望，尤其在工业领域里，有很多不同的声音，因为现在已有的人工智能包括机器学习、深度学习等所应用的场景与工业有较大的差异，工业人似乎基于更为保守和现实意义的考量，并不对人工智能保持过分乐观，然而，跨界的领域总存在着空间，让我们试图去分析如何通过科技融合创新来为工业带来新的机会。

1.关于人工智能对工业创新的分析

避免几种思维的极端

1.1一种认为AI适合干商业而非工业，一种是认为AI可以颠覆工业。就像Musk在今年上海的人工智能大会上所说，其实，Musk所说的机器比人聪明这件事情并非现实，AlphaGo下围棋这件事情都是在确定性规则下的推理学习，而工业却完全不是这样的场景，不确定、扰动、复杂是围棋所不能相比的。

1.2认为AI是代替自动化时代，和把自动化，信息化，智能化作为断代史一样，认为自动化是“过去”，实际上是对AI发展历史以及工业AI应用的不清楚，行为主义学派的典型就是维纳，而非线性是工业的常态，线性才是偶态或称为“特殊情况”。

想颠覆工业的人工智能曾经竖立的“Flag”可不是只有某个小人物，连明斯克、司马贺这样的大佬都不断被自己设下的人工智能里程碑所打脸，因此，不要轻易说要“颠覆”，因为那些要颠覆传统产业的新经济，自己能活过C轮都不多。

新经济有太多的资本力量放大的杠杆和因素在里面，钱烧的比较多，但也比较快，这种逻辑就相当于如果一个女人生孩子要十个月，那么十个女的是否就一个月可以生一个小孩呢？很多逻辑在商业领域可用，在工业领域却不灵，这很正常。

1.3 泛AI就没有什么谈论的必要，把算法就认为是AI就容易缺乏边界导致的混淆与模糊。

目前对于AI的界定似乎越来越宽泛，大概是为了能够搭上AI这个风口吧？什么做算法的、软件的，就像赶上风口的时候，都快要倒闭的发不出工资的公司都可以被标定为“工业4.0标杆”一样，因此一个做网络空间租赁的也就变成了“边缘计算”的标的了，这就是资本的娱乐性，找点开源的算法，然后找个场景训练一下数据，就可以自称“AI创业公司”，然后去资本市场圈钱了，前段时间看一个节目，大概就是类似于许小平等一干大佬看创业者的项目，唉！真是让人感慨，做实业圈的我们可能真看不懂那些不靠谱的应用为什么就能被大佬看上，愿意投个几百万，占个10%的股份…，资本就是那么“有钱，任性”，管它靠谱不靠谱，反正没有比这个靠谱的时候，这个就是靠谱的。

“AI必须被界定”—这才是科学的态度，什么是AI？这很关键，不是随便个人弄点算法、搞个视觉就号称AI，AI的核心是要干什么？--解决自主决策的问题，也即，它的硬核在于“决策”，如果只是传感器感知，那只是一个自动化问题，如果说为了控制，那就是自动化的控制问题，如果不存在推理、分析并作出自主的决策能力，这个都不能称为AI，你可以称为“专家系统”、“字典”但是，你不能就随意界定为AI，尤其是用于工业的时候。

2.工业应用中的特殊性

2.1考虑问题的逻辑与商业中的差异

工业与商业在人工智能的应用方面有较大的差异，就像在IT领域里通信是按照“达到最高的性能（Up to）”，而在制造现场的人则谈“最差的情况（Worst Case）”，这反映的实际上是两种完全不同的思维与态度，进一步来说，最大的差异在于稳定与可靠性，就像工业控制里强调数据的传输的“确定性”，在于“精确”、“可解释”，这些都是很多当前人工智能领域的应用，无论是连接主义的神经元网络，还是以前符号主义的推理过程都是无法满足工业对于应用的“可靠”、“精准”、“鲁棒性”的需求的，这使得必须结合工业本身，开发有效的人工智能应用，而这些又需要结合几个重要的思维：

人们对AI寄予厚望，然而，在工业领域里似乎目前还没有能够看到人工智能到底能干点什么？如果人工智能只能干点锦上添花的事情而非雪中送炭的话，那人工智能就是一个可有可无的美好姑娘，

在商业领域，你能找到大批的用户，反正有那么多人，只要有1%的人能够感兴趣就能创造一个很大的市场，但是，在工业领域却是另一个场景，你必须达到很高的准确率才能有客户用—就像识别不良品一样，1%的不准确对于手机生产而言，就有可能是数万、数十万个不良品成为漏网之鱼，这显然是无法接受的。

2.2AI工业应用是一个系统工程

这是一个真正的大问题，存在的难点，工业中的AI应用如李杰教授所认为的“是一个系统工程”，感知信息、传输、数据清洗、数据特征提取，以及最终的控制、执行等都是必须紧密配合的，你就算有AI却也无法有效的发挥作用，因为，你的采集准确与否取决于传感器的精度，而你数据的特征提取则依赖于行业的工艺，而在执行的时候又需要考虑执行机构的机械特性…AI的应用成功并非是一个AI本身的问题，而的确是一个系统工程，牵扯的方面较多，相互之间的关系复杂，甚至目前都不可知，如何构建AI应用系统本身就需要很大的协同。

物流规划是一个很有意思的问题，这件事情让我也很吃惊—前些时日和一个物流行业的朋友聊到工业现场的大量仓库号称“智能仓库”，但是，实际上很多仓库并没有一个智能的规划，而是一种FIFO（First In First Out）的队列一样，并非是根据使用频率、重量等规划的最佳仓储位置的问题，据说遇到的障碍是“编码”问题，就是很多工厂里会缺乏良好的编码系统，我就想到了OPC UA里的AutoID的功能，如果每个产品做到这一点，那么数据才能被真正应用于工业智能分析与优化，因此，这个角度来看，工业中的智能必然是一个系统工程。

3创新：解决经济性问题

即使在两者之间存在着认知局限或膨胀产生的各种情绪，实际上，的确必须意识到采用新的方法与工具解决传统问题，仍然是一个值得去干的事情，跨界的地方就会有机会，这也是无数事实证明的，创新也发生在边界上，摒弃成见才能走入对方的世界，也许AI和工业需要一种平和的心态，而非是鄙视链条上的不同对象。这需要思考以下几个问题？

3.1哪些场景是新产生得问题？

在工业里，最忌为了AI而AI，或者为了联网而联网的行为，所有的目标都是提高质量、降低成本、提高交付能力，应对个性化的生产这些精益目标，这个问题并不存在异议，因为，真正的企业运营不能为了拿个国家项目投入大量的人力去干这个事情。

（1）制造现场的连接后产生的问题

如果说现有的生产在机械约束条件下已经达到一个极限，那么通过挖掘“连接”的潜力，则是一个问题，而这其中要解决的很多问题又非是机理模型难以解决的，因此，需要借助于“学习”，来解决非线性问题，那么这样的问题是否很多呢？调度与规划问题：这个需要一个既有的模型还是一个学习的模型呢？

（2）精细化管理产生的需求

这是从需求拉动的角度问题，为了解决产品的质量问题，采用视觉来进行产品缺陷检测，但是，这个检测就需要牵扯到识别的问题，并且需要一定的算法来处理这些数据，并经过大量训练后，能够给出预判，但是，对于现有的视觉应用而言，最为复杂的就是对工况复杂的生产而言，需要大量的配置、人参与其中的设置、定义、标定等工作，需要对人有很高的专业要求，那是否存在着使得其更为经济高效的方法呢？

3.2如何降低对人的依赖？

很多工业的应用，无论是数据驱动还是机理模型，其实都是对人有非常高的要求的，就像预测性维护，必须依赖于具有非常专业的国际认证振动分析师才能参与到这个预测中，因此，工业人工智能的问题解决应该聚焦于如何将知识显性化-如何让知识能够被封装为一个个的APP，让AI算法训练数据，同时与人的智慧经验进行结合，形成知识自动化的包，这是一个需要机器学习算法方面的专家和领域工程专家共同来进行的工作。