工业人不要过度强调机器学习

机器学习很重要、最近的发展也很快，学术界研究无可厚非。但我有一种感觉：工业界人士对机器学习的追捧有点过头了。打个比方：生产味精的人可以拿生产味精“当饭吃”；但厨师却不能把味精“当饭吃”。对工业人来说，迷信机器学习，反而不容易看到真正的机会、不利于数字化转型。

与自动化不同，智能化特别强调人的作用。对此，我曾经把智能化的决策逻辑分成两种：一种是把人的知识变成数字化知识、嵌入到计算机中、让软件去执行；一种是人类在决策的闭环中，用数字化、网络化的手段帮助人类决策。

为什么智能化要强调人的作用，或者说强调人机融合？

这是自动化的局限性所决定的。比如，机器自动执行是要有预案的。制定预案，就要事先把可能发生的事情想清楚。所以，自动化往往是针对小型、封闭系统，否则问题就会太复杂、无法操作。而智能化往往是针对大型、开放系统的。在大型开放系统中，不确定性强。这时，不确定性问题是人或者机器用人能理解的逻辑）来处理的。

智能化的“决策”是用于在线场景的，往往与规范化的管理或控制流程结合。决策需要知识。所以，“知识获取”是“决策流程”背后的支撑。如果把“决策”比作打仗的军队，“知识获取”就是军队的后勤保障。

与机器相比，人类获取知识的能力明显更强。在智能系统中，“决策”都要强调人的作用，“知识获取”又怎么能过度强调自动化（机器学习）呢？

现在，我们来看看，现实中的机器学习到底在做什么？

最成功的机器学习大概就是图像识别了。图像识别的本质，往往是把人容易掌握让计算机掌握。因为人类难以将自己的感性知识代码化，所以才需要机器学习。类似的，阿尔法狗也是把人的感性认识变成计算机的知识。从这种意义上讲，机器学习并不是在“创造知识”，而是在“转移知识”：把人的知识转移给机器。

搜索引擎中，也大量使用所谓“机器学习”。这种学习的本质是一种人类开发的特殊统计算法，人类编写的这些算法才是真正的知识；而机器学习到的知识，本质上是“统计结果”。

人们可能忽略的是：工业界很早之前就现实地采用机器学习了。比如，在炼钢和轧钢领域，机器学习已经用了几十年。这些技术早已是现代化钢铁企业的核心技术。这些机器学习的本质又是什么呢？在我看起来，本质上只是模型参数的调整。换句话说，并不是发现新的知识，而是用数据对知识精细化。

我觉得：工业界中的参数调整，可以看成PDCA持续改进：首先是有了一个相对较好的初始工作点，然后在这个工作点附近调整或者逼近。每次的学习（调整）本质上都是微调。这样， “机器学习”的结果是可控的。

这种做法是有必然性的。工业问题一旦到了生产环节，就一定会强调可靠性、稳定性（尤其是针对大工业），要防止风险的发生。所以，机器学习的结果一定是可控的、分寸上一定要把握好。

从生产实践中获得知识，PDCA才是最基本的方法：先得到一个成功的案例，将其作为标准；在下次采用的过程中，不断地加以改进。笔者认为：在智能化时代，工业生产领域的知识学习，PDCA仍然是主流逻辑。这大概就是日本的IVRA结构强调PDCA的原因。

PDCA的逻辑可以是人来做、可以是机器帮助人来做、也可以是机器自己去做。在数字化时代，机器帮助人做、机器自己做的比例会增加。因为机器的效率比人类高了很多。但与智能决策的方式一样：智能化时代的PDCA不能过度强调是机器自动去做，要适可而止。

数字化、网络化时代的优势，是PDCA更加容易做。容易做的原因是信息优势：发生问题、需要调整时，原因容易追溯——数字化、网络化带来的信息优势，使得过去难以发现的问题容易发现了。

搞智能化的人，不要总想着机器代人——即便到了共产主义社会，人类还是要劳动的，只是劳动的形式更高级、从事具有创造性的劳动。所谓“有创造性的劳动”，就是“生产知识”。与机器相比，人类最大的优势就是学习能力。所以，从事智能化的时候，没有必要过度强调、过度神秘化机器学习。

其实，知识学习的过程，更要强调人机融合：让机器帮助人类学习，或者人类帮助机器学习。人机的优势互补才是正路。这样的技术可以有很多：在某些场景下，AR、VR、数字孪生、仿真计算，就是机器帮助人类学习。

---------------------------------------------------------------------------------------------

版权声明：

原创文章，作者郭朝晖，来源蝈蝈创新随笔，本文已经授权，欢迎分享，如需转载请联系作者。