用发展的眼光看自动化、人工智能和智能化

80年前，人们就开始考虑人与机器的差别。此后，逐渐形成了人工智能的三个学派：控制论学派（行为学派）、符号学派（计算机学派）、连接学派（人工神经元学派）。

在笔者看来，三个学派分别处理三类问题。形象地说，控制论学派关注的是“眼睛、脑子、手”的协同；符号学派关注的是“大脑的逻辑推理功能”；连接学派模仿的是“大脑的结构”、以期具备“学习功能”。

但是，从学术上看，三者几乎没有交集，各自研究各自的问题。

而且，在这三个学派中，控制论学派独大，其他两个学派小得多。原因很简单：控制论学派直接产生了自动化技术，对经济技术发展的价值非常大。而另外两个学派，基本上是停留在学术界，对工业的作用很小。以至于人们谈到AI时，基本上指的是后面的两个学派。

30年前我读研究生的时候，曾经研究过人工神经元问题。在我的硕士论文中，谈了几个观点：训练数据往往是不足的、模型结构有问题难泛化。但是，大约十多年前，技术条件发生了巨大的变化。大数据产生了，基于大数据的深度学习技术出现了。这样，就引发了所谓“新一代人工智能”。

这个技术的本质优势，是能把人说不清楚的“感性认识”提炼出来。如图像识别、语音识别、个人喜好、对棋“势”的把握等。对码农来说，人说不清楚的知识，就没有办法变成计算机语言，就没有办法交给计算机执行。所以，机器能够自己学习这些知识时，这个困难就解决了。

这种技术的出现，使得AI与自动化能够结合在一起了。常见的无人收费的车 库，就是通过图像识别实现的自动化技术。在工业场景中，与图像有关的自动化技术也有望迅速发展起来。所以，控制论学派和连接学派开始有交集了。

新一代人工智能，让连接学派和符号学派也有了交集。阿尔法狗就是典型的例子。我们知道：下棋需要推理。推理的过程在计算机中往往转化成搜索问题。而搜索问题会面临组合爆炸问题。人类高手下棋时，通过对“棋势”的把握（感性认识），来避免组合爆炸。当年的深蓝，是靠人类去描述这种感觉，建立所谓的启发式函数。深度学习让计算机自动具有了把握“棋势”的感性认识。于是，阿尔法狗就诞生了。

但是，对工业人来说，最有意义的变化发生在智能制造时代。

维纳的思想愈久弥新。指导着我们从自动化、信息化走向智能化。现在看来，传统自动化的应用范畴是很小的。我不久前曾经写文章，指出教科书上的控制论有两大局限性：感知等于认知、严重依赖与模型。但是，对自动化工程师来说，这种局限性往往是感觉不到的：因为自动化技术的应用范畴，就在这个范围之内，大家并不感到奇怪。这就好比，我们人类往往感觉不到大气压力的。

传统上，自动化技术无法完成的事情，是交给人来做的。换句话说，人们本来就不觉得这些事情应该由机器来做。但是，在智能化时代，人类的很多工作要交给机器去做。原来的局限性就显现出来了。这就好比，人类冲出大气层，就感到气压低了。

智能化符合维纳的思想，却远远超出了传统自动化的范畴。当超出范畴以后，人工智能的两个学派，就被纳入，进入了新的体系。从应用的角度看，三个学派从此不再分离，而是走到一起了。我昨天突然注意到：经典控制论的两个局限性，恰恰被AI的两个学派弥补了。

 我一直反对“智能制造就是人工智能加制造”的说法。因为在智能制造的体系中，人工智能的两个传统学派，只占了一小部分的空间。对工业人来说，AI两个学派的理论和方法往往是超出实际需要的。工业人不必“杀鸡用牛刀”。工业智能化的主要知识，来源于人类知识的固化。工业大数据的作用，主要是确认、精细化人的知识。而工业互联网平台、数字孪生，用来承载人的知识，支持知识的PDCA持续改进。