人工智能的兩個經典學派

談到智能制造，人們很容易聯想到各種高級算法，如機器學習和邏輯推理。事實上，人工智能技術在最近十幾年最重要的進展就是深度學習技術，這也是人工智能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數據計算。由于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、方程求解、排序等常見算法一般不被算作人工智能算法，只有涉及復雜邏輯推理和知識學習等問題時，才被稱為人工智能算法。

計算機在解決邏輯推理問題時，往往先將其轉化為搜索問題。人工智能關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，一般是用數學函數模擬人或動物的神經系統，通過數據不斷修正這個模型，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。導致這類問題的原因很多，有數據的原因、模型的原因，也有訓練算法的原因。隨著計算機計算和存儲能力的增強，積累的數據越來越多。在這樣的背景下，出現了深度學習技術并在多個領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接學派。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習得到的。

自動化與人工智能的控制論學派

除了上述兩個經典學派外，人工智能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能化的理論基礎。多年以來，自動化學科比人工智能更成熟、應用范圍更廣和影響力也更大。因此，學術界談論人工智能時，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能制造主要的理論基礎。

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）到底有什么區別？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、決策和執行3個要素統一起來，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特征。事實上，自動化系統一般由傳感器、控制器和控制對象構成，分別用于信息獲得、決策和執行。

與人工智能的兩個經典學派不同，控制論關心的是效果和作用，往往不在乎算法和邏輯是不是復雜。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，自動化應用的范圍越來越廣，但也有局限性。一般來說，自動化系統能夠應對的都是“預料之中”的變化。當出現設備故障、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。

智能制造的概念

智能制造技術是信息通信技術的發展帶動的，是信息通信技術在工業的廣泛、深入應用。德國的工業4.0和美國的工業互聯網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快速響應變化的能力。市場或用戶有了新的需求，能夠盡快設計并制造出來以供應市場；供應鏈發生變化時，能盡量避免對生產經營產生的不利影響；生產設備或產品質量發生問題時，能盡快找到問題的根源和解決問題的辦法。

從業務角度來看，推進智能制造的主要作用是要促進多方協同、資源共享和知識復用。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；資源共享有利于低成本地獲得優質資源；知識復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，互聯網就容易促進協同、共享和復用。

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，先進的制造企業普遍采用了信息化技術。信息化系統能夠為管理者收集信息、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，信息系統把決策的工作交由人類完成。

在數字化、網絡化時代，成千上萬的設備可以實時、高速地采集數據并匯集到一起。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。美國通用公司發布的《工業互聯網》白皮書就提出了解決辦法。該白皮書指出，工業互聯網有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送數據的機器。但是，人類并不直接處理這些數據。高級算法就像人的秘書一樣，幫助人們處理實時數據，從海量數據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，但在信息通信技術不夠發達的時候，技術上很難實現。于是，機會留在了智能化的時代。

智能化對工業企業的意義非常巨大。從企業生態的層面來看，智能化能促進企業之間的分工細化并在企業間建立新的生態關系。“分工促進生產力的發展”是一條非常重要的經濟規律。由于互聯網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，從企業間的關系來看，智能化能夠促進社會資源的優化配置。從企業自身的層面來看，智能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。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“監督”下去做，通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，智能化往往能夠有效地推動企業整體利益實現最大化。

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。推進智能制造的時候，容易把這些知識轉化成計算機的代碼，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，經典的人工智能技術確實能夠促進智能制造技術的發展。在一些場景下，傳感器采集到的信號并不容易轉化成語義明確的信息。例如，攝像頭可以采集到產品表面的圖像信息，但不能把圖像信息與質量缺陷的類型和級別對應起來。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，智能化的進程就會受阻。

深度學習等典型的人工智能技術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界最典型也是最主要的應用領域。缺乏人工智能技術，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，并不是學術問題，因為工程師一般喜歡用最簡單的辦法解決問題。推進智能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，智能化的問題往往可以看作企業的管理甚至戰略問題。
編輯：hfy