智能决策的三个层次

智能化的本质作用是优化决策的质量和速度，但并不等于完全依靠机器决策。而决策优化的依据不仅依赖高级算法，更是依靠信息感知能力、计算能力和执行能力的增强。但我们可以从决策主体的角度来划分智能化技术的层次。

第一个层次是人来决策。

决策的主体是人，但信息感知和执行是通过网络下达。这时，ICT技术的作用，是拓展了人的感知和执行能力，让人有了“千里眼和长手臂”。利用这种做法，人类可以远离工作条件艰苦的生产现场；有利于岗位的集约化、一个人干几个人的活，并提升协同能力。还有助于利用好远程的专家资源、有助于高层管理者了解生产实际，从而提高企业的管理水平。AR、VR、数字孪生等新技术都有发力的空间，可以让专家可以更加直观地获得信息，决策更加容易。

第二个层次是辅助决策。

就是我经常说的“小秘书的智能”：计算机提醒人们发现异常或者需要关注的事件或异常，做出科学决策。比如：排烟温度过高了、设备报警没及时处理、要为下工序准备了等等。发现事件和异常，往往是通过“对标”来实现的。为此，我们首先需要对生产过程的要求进行标准化：什么样的烟气温度是正常的、报警必须多长时间必须处理、什么情况下需要为下工序准备。另外，有些比预料中更好的事情，也是需要关注的：比如某次生产的能耗更低、效率更高。计算机能够捕捉这些事件，可以为持续改进做准备。所以，在数字化时代，PDCA可以做得更好。

“小秘书的智能”最大的价值在于：发现、记录问题的能力比人更强。比如，通过数据，计算机可以针对成千上万台设备，发现秒级、毫秒级的问题，记录完整、及时且不出错。用这种本事，管理者可以轻松地管理好成千上万的团队。

从技术上讲，这种智能完成了计算机“从感知到认知”的变化。也就是从基本的传感器信息（如温度）转化为具有业务含义的信息（排烟温度过高）。这样的智能有巨大的发展空间，而AI是其中的新技术之一。这样的“智能”也是需要人类专家的知识的：该关注什么问题、用什么数据关注，就是专家知识。数字化往往只是让专家的知识更加准确、并便于计算机执行。

30年前我读本科时，用于辅助决策的“专家系统”就很热。但这种技术却没有发展起来。在我看来，“专家系统”过度重视了推理的复杂性、希望在逻辑推理方面比人类专家更强。但复杂的逻辑推理在工业中并不是特别常见，当年的专家系统往往变成了屠龙之技。而现在的做法，则是利用了计算机快速响应、快速决策、少出错等优势。应用场景多得多。

第三个层次是机器自动决策。

这种决策，经常是我说的“吴淑珍式的智能”。也就是通过ICT技术提供准确、及时、完整的信息，再利用软件化、数字化的简单的知识做出决策。所谓简单的知识，就是人类容易说清楚的决策逻辑、是人类专家的提供的。

对于这种提法，很多人奇怪的是：人们研究了多年的模型算法（如最优控制、热传导方程）就不用了吗？显然不是，些无法测量的东西，需要用模型算出来。但在我看来，不是“不用”而是“被用”。也就是说，这些算法往往不是成败的关键。企业的关键知识，来自企业的业务专家，关键是要把他们的知识数字化。现在，掌握模型和控制算法知识的人不少，对具体问题来说，这些知识往往不是瓶颈。

这类智能在算法上的麻烦是误差修正。我在前面的文章讲到：大系统的误差是难以避免的，系统运行久了偏差也是难以避免的。这些误差和偏差，经常会超出人们的容忍程度。

修订这些偏差，往往是最令算法人员最头疼的问题。这些方法，要把数据和理论公式结合在一起。如果这些问题不解决，模型的算法就不准确。或者投运的时候准确，用久了就不准确了。所谓“用得久了”，可能是几年，也可能是几天甚至几个小时。

自动决策的智能往往是最难的。原因是：机器决策时，对算法的安全、稳定、可靠性要求很高，执行时出不得半点差错。解决这个问题的办法之一，是让人来保驾护航，干预甚至终止算法。这会让技术难度大大降低，但自动化程度会下降，现场的满意度也会下降。

要实现这些层次，有很多事情要做。比如平台。平台是支持上述三类工作的工具。平台工具解决的，不是能不能做的问题，而是实现这些想法和思路时，如何提升工作效率、保证工作质量、提升稳定性和安全性、便于管理的问题。本质是在智能化技术落地的过程中，提高生产力水平。

我把算法分成三个层次问题的原因，是想提醒某些同志：不要只想着业务上网这类最简单的事情。业务上网、机器换人这些事情，傻子都能想到，还要什么领导的智慧？  如果是别人做什么你跟着做什么，只是靠钱多、人多、口气大，永远只能是技术跟随。

智能化时代有很多事情要做。引领世界不是靠口号，而是要眼光和行动。若干年后，缺乏眼光的领导会发现：你喊了多年口号，国外却默默耕耘了很多年，比我们先进很多。那么，现在吹下的牛怎么办？ 

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。