人工智慧與智慧製造

人類發明計算機的初衷是幫助人們進行資料計算。由於人的很多思維過程都可以轉化成計算問題，所以計算機往往被俗稱為電腦。計算機可以計算很多問題，但只有一部分演算法被稱為人工智慧演算法。

國內曾有著名專家學者提出：智慧製造就是人工智慧加製造。這種觀點會對推進智慧製造帶來思想混亂。為此，我們有必要澄清這兩個概念的關係。

人工智慧的兩個經典學派

談到智慧製造，人們很容易聯想到各種高階演算法，如機器學習和邏輯推理。事實上，人工智慧技術在最近十幾年最重要的進展就是深度學習技術，這也是人工智慧最近成為熱點的原因。

人類發明計算機的初衷是幫助人們進行資料計算。由於人的很多思維過程都可以轉化成計算問題，所以計算機往往被俗稱為電腦。計算機可以計算很多問題，但只有一部分演算法被稱為人工智慧演算法。

一般來說，人工智慧的演算法往往有兩個特點：一是普通的演算法不容易解決，二是與人的思維接近。因此，算術、方程求解、排序等常見演算法一般不被算作人工智慧演算法，只有涉及複雜邏輯推理和知識學習等問題時，才被稱為人工智慧演算法。

計算機在解決邏輯推理問題時，往往先將其轉化為搜尋問題。人工智慧關注的搜尋問題往往會面臨組合爆炸，計算機也難以求得最優解。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尋找到相對較好的辦法。這就是體現智慧的地方。有人把智慧演算法的特點描述為能夠從一個巨大的搜尋空間中迅速找到比較好解的演算法。因此，谷歌公司建立之初就定位為“做人工智慧的公司”。

要把人的想法變成計算機程式碼，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程式碼。機器學習就是用來解決這個困難的。所謂機器學習，一般是用數學函式模擬人或動物的神經系統，透過資料不斷修正這個模型，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”並不容易。例如，模型識別的錯誤比例往往太高。導致這類問題的原因很多，有資料的原因、模型的原因，也有訓練演算法的原因。隨著計算機計算和儲存能力的增強，積累的資料越來越多。在這樣的背景下，出現了深度學習技術並在多個領域取得了巨大的成功。於是，人工智慧成為近期的熱點。

人們可以從很多角度認識人工智慧，由此產生了很多的學派。其中，兩個經典的主流學派分別是模擬邏輯推理的符號學派和模擬神經系統結構的連線學派。這兩個學派的方法可以結合在一起進行應用。例如，阿爾法狗需要進行邏輯推理，但為了解決搜尋中組合爆炸的問題，又需要模擬棋手的感性認識，而這種感性認識就是透過深度學習得到的。

自動化與人工智慧的控制論學派

除了上述兩個經典學派外，人工智慧還有一個重要的學派被稱為控制論學派。控制論是自動化和智慧化的理論基礎。多年以來，自動化學科比人工智慧更成熟、應用範圍更廣和影響力也更大。因此，學術界談論人工智慧時，指的往往是上述兩個學派，而不是控制論學派。但是，這個學派的思想恰恰是智慧製造主要的理論基礎。

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）到底有什麼區別？維納認為，機器一般只能按既定的步驟和邏輯執行，而動物能透過資訊感知到外部世界的變化，並根據新的資訊進行決策、採取行動。例如，一隻正在吃草的山羊突然看到了一隻狼，它會馬上停止吃草，奔跑逃命。自動化就是要把感知、決策和執行3個要素統一起來，這3個要素類似於動物的感覺器官、大腦和四肢的功能。這就是自動化的本質特徵。事實上，自動化系統一般由感測器、控制器和控制物件構成，分別用於資訊獲得、決策和執行。

與人工智慧的兩個經典學派不同，控制論關心的是效果和作用，往往不在乎演算法和邏輯是不是複雜。事實上，自動化用到的一些演算法和邏輯可能相當簡單。

最近幾十年來，自動化應用的範圍越來越廣，但也有侷限性。一般來說，自動化系統能夠應對的都是“預料之中”的變化。當出現裝置故障、生產異常等預料之外的問題時，還是需要人來處理。這是因為計算機處理問題都是有預案的，其靈活處理問題的能力遠遠不如人類。

智慧製造的概念

智慧製造技術是資訊通訊技術的發展帶動的，是資訊通訊技術在工業的廣泛、深入應用。德國的工業4。0和美國的工業網際網路都屬於智慧製造的範疇。

從整體效果來看，智慧製造能夠加強企業快速響應變化的能力。市場或使用者有了新的需求，能夠儘快設計並製造出來以供應市場；供應鏈發生變化時，能儘量避免對生產經營產生的不利影響；生產裝置或產品質量發生問題時，能儘快找到問題的根源和解決問題的辦法。

從業務角度來看，推進智慧製造的主要作用是要促進多方協同、資源共享和知識複用。通俗地講，協同就是多方協作時“不掉鏈子”，不耽誤彼此的工作；資源共享有利於低成本地獲得優質資源；知識複用則可以提高研發和服務的效率，降低獲得知識的成本。當企業中的物質、知識和人力資源都能用數字化描述時，網際網路就容易促進協同、共享和複用。

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廣泛應用的重要原因。為了解決這類問題，先進的製造企業普遍採用了資訊化技術。資訊化系統能夠為管理者收集資訊、幫助管理者決策和管理企業的生產和經營。與自動化系統相比，資訊系統把決策的工作交由人類完成。

在數字化、網路化時代，成千上萬的裝置可以實時、高速地採集資料並彙集到一起。人類可以得到更多的資訊，但處理資訊的能力受到了生理極限的約束。為了解決這個矛盾。美國通用公司釋出的《工業網際網路》白皮書就提出瞭解決辦法。該白皮書指出，工業網際網路有3個要素：智慧的機器、高階演算法和工作中的人。智慧機器指的是可以實時接收和傳送資料的機器。但是，人類並不直接處理這些資料。高階演算法就像人的秘書一樣，幫助人們處理實時資料，從海量資料中找出那些需要人類關注和處理的問題，交給“工作中的人”來處理。

另外，對於常見的問題，可以把專家處理問題的邏輯和方法變成計算機程式碼，讓機器按照人類的想法進行決策。這就是人類知識的數字化。透過這種辦法，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——這其實就是智慧化。

從某種意義上來說，智慧化是自動化和資訊化的融合。自動化和資訊化融合的思想很早就有了，但在資訊通訊技術不夠發達的時候，技術上很難實現。於是，機會留在了智慧化的時代。

智慧化對工業企業的意義非常巨大。從企業生態的層面來看，智慧化能促進企業之間的分工細化並在企業間建立新的生態關係。“分工促進生產力的發展”是一條非常重要的經濟規律。由於網際網路能夠提高企業之間的協同能力、降低分工的負面影響，這為促進分工的細化奠定了基礎。總之，從企業間的關係來看，智慧化能夠促進社會資源的最佳化配置。從企業自身的層面來看，智慧化能提升企業的管理能力。在我國很多企業中，“技術水平低”的本質往往是管理水平差。某些企業的管理問題所導致的成本損失會超過企業的利潤。透過推進智慧化，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“監督”下去做，透過提升企業的管理能力，大大減少因管理不善導致的問題。從現實效果來看，智慧化往往能夠有效地推動企業整體利益實現最大化。

智慧化與人工智慧

智慧化是一場決策革命，即透過數字化的方法代替人決策、幫助人決策、“監督”人決策。對工業過程來說，決策所需的知識往往是工業人多年積累的結果。這些知識的邏輯往往是清晰的、能夠被準確表達的。推進智慧製造的時候，容易把這些知識轉化成計算機的程式碼，但智慧製造未必用到人工智慧的典型演算法。因此，“智慧製造等於人工智慧加製造”的觀點是錯誤的。

但是，經典的人工智慧技術確實能夠促進智慧製造技術的發展。在一些場景下，感測器採集到的訊號並不容易轉化成語義明確的資訊。例如，攝像頭可以採集到產品表面的影象資訊，但不能把影象資訊與質量缺陷的型別和級別對應起來。如果這類問題解決不了，質量管理的邏輯就難以自動地實現，智慧化的程序就會受阻。

深度學習等典型的人工智慧技術特別善於解決影象識別問題。事實上，影象識別是人工智慧演算法在工業界最典型也是最主要的應用領域。缺乏人工智慧技術，智慧製造的體系往往是不完整的。

從某種意義上來說，人工智慧是技術問題也是學術問題，這也是學術界特別喜歡研究的問題。現實中，自動化往往只是技術問題，並不是學術問題，因為工程師一般喜歡用最簡單的辦法解決問題。推進智慧化的過程不僅涉及技術問題，往往還涉及企業組織流程的重構、商業模式的創新。從這種意義上講，智慧化的問題往往可以看作企業的管理甚至戰略問題。

郭朝暉，博士，教授級高階工程師，優也資訊科技有限公司首席科學家，走向智慧研究院首席研究員。

文/郭朝暉

本文來自《張江科技評論》