AI在工业中的应用：我为什么不乐观

我花了两天时间写了下面这些不成熟的想法。主要想说明自己的一个感觉：除了图像和音频识别，经典人工智能（AI）在工业中的作用可能不会太大。这些文字只记录了我的一些思考的过程，写得不清楚，读起来一定费劲。不一定要读。

我们常要用自己的感觉去判断一些事情：人工智能（AI）到底应该用在什么地方？值得花多大的力气？我有一种模糊的感觉：人工智能在工业中的应用不是有些人想的那么大。除了图像和语音识别，我不太看重机器学习一类的算法。我总觉得常常是些可有可无的摆设，有时候还不如没有。但我深知，感觉不一定靠谱。所以，我想找个理论，把自己的感觉分析一下。分析的基础应该是技术创新理论（TRIZ）、控制论、系统论和工业的基本特点。我花了两天时间思考这个问题，没有完全想清楚，但时间成本花太高了、耽误了很多事。只能先记下来，以后慢慢想。后面有空的时候，我还想思考一下：我的工业大数据方法 会遇到什么困难、应该怎么用？

控制论一直被当成人工智能的三大学派之一这个学派把智能理解为“知行合一”的过程，或者说“脑体的互动”，即把信息感知、决策和执行统一起来。而在我看来，这个逻辑勾勒出智能过程的全貌。我称之为智能化。然而，理论丰满与现实骨感往往是同在的：在思想层面，大逻辑无所不包、能解释各种智能现象的、指导我们理解智能；但具体应用时，一般只针对特殊的对象（如线性系统）、具有明确语义的信息（如温度），控制算法（决策方法）往往也是经典的（如PID）。

所以，控制论就像个智能理论的“总承包商”，用于清晰地描述总体逻辑。但有些事情它“自己不会做”，需要分包出去。如针对NP完备性问题的复杂推理、对图像信息进行认知时，控制论里面就找不到办法了。遇到这些具体问题，需要“分包”给“符号学派”和“连接学派”学派来解决。需要指出的是：学术界谈论的人工智能或AI，常常专指“符号学派”和“连接学派”这两部分内容。这两者强调的是脑子和神经系统的功能，而控制论学派则描述脑体互动。

我觉得，必须区分“智能化”和“人工智能（AI）”两个概念。我这里的语义是：智能化强调的是结果，而AI强调的主要是两个经典学派的方法。

理解智能，还要理解“系统”、尤其是工业系统和工业系统的可靠性要求。

所谓系统，是由若干要素互相作用组成的整体。“系统”可以描述各种各样的对象：可以是生物体、可以是生物体内部的细胞、器官或器官组合；可以是宇宙中的星系、地球上的生态还可以是人类社会；可以是工业产品、设备、工厂等人造系统。我想搞清楚的，是人工智能对这些人造的工业系统有什么用途。

人造的工业系统有其特点。它为特定功能而设计，其功能可以抽象为输入输出关系。这种输入输出关系要符合人们的预期。在此基础上，要求建造和运行系统的成本低、反应速度快，可靠度要求还要高。工业系统的发展过程是不断挑战极限的过程：可靠性的极限、响应速度的极限、成本的极限、性能的极限。而这些追求可能是矛盾的。比如，在追求其他方面的极限时，可靠性就会受到影响。

理解现代工业，特别要理解工业对可靠性的要求。稳定可靠，是技术成功的底线，并要为此付出巨大的代价。在工业技术创新时，很多和方法目标都是围绕着可靠性展开的。林诗万先生在设计Thingswise工业互联网平台时，提出“以简为优”的思想——其背后的原因就是“简单才容易想清楚，想清楚才可靠”。我也常提到，工业软件中往往有90%以上的代码与可靠性有关。从某种意义上说：不懂可靠性要求，就不懂工业。

什么叫可靠？ 有种可靠性理论叫做FMEA，也就是失效模式分析。按照这个理论，不可靠的本质就是失效，可靠就是避免失效。失效的原因一般是系统内部的裂变或外部的干扰，导致系统的输入输出关系失效或发生畸变。

对待失效的办法很多，而且是有逻辑次序的。一般来说，能消除或减少干扰是最好的办法；其次才是如何处置干扰。事实上，如果干扰太多，控制系统本事再大也难处置。我们经常听到一些说法，如：先标准化再自动化、先精益化再智能化，有了先进的管理才有先进的技术。这些说法的本质就是：先消除或减少干扰，再处置干扰。

消除或减少干扰的办法很多。比如，更好的系统设计，少产生干扰、能抵御干扰、若化干扰的危害。例如，购买质量好的设备、原料和零部件，更少的故障和问题，可以消除很多内部干扰；用个外壳把系统保护起来，可以消除外部干扰因素对系统的影响。然而，绝对地消除干扰往往是做不到的、成本也不允许。所以，人们还要考虑如何处置干扰。

处置干扰就是控制论的方法，如前馈、反馈等。

如前所述，控制理论可以启发我们理解智能化。控制问题常常分为“跟随问题”和“调节问题”：前者应对指令的变化、后者应对内外部的干扰。总而言之，控制论是研究如何应对干扰或变化的。智能化也是这个道理，关键是应对系统内部和外部的变化。

与传统控制系统相比，智能化应对的变化复杂、系统也比较大。比如，控制系统可能仅仅针对一台设备，而智能化则是针对车间、工厂甚至产业链。对控制系统来说，输入是压力、温度、流量这些明确而又标准的信息；而对智能系统来说，输入则是用户需求、生产状态、产品质量等相对模糊而又复杂的数据。要实现智能化，首先要明确的是：一大堆的数据中，包含哪些与决策相关的信息？比如，是否意味着设备出故障了、质量出问题了、设备需要改进了？同样，出了问题应该怎么做，也可能意味着一大推的生产经营调整方案。

这是否意味着，智能化在工业中的应用就一定要搞一大堆复杂的算法呢？我认为不是这样。按照工业的传统，首先要做的还是把问题变得简单、清晰、可靠。比如：

l 尽量直接获得信息。现实中，开发一个复杂的模型，往往不如增加一个可直接测量的传感器；用复杂的模型用测市场需求，不如直接从主要用户那里获得生产计划。花很多时间去完善模型，不如多花些时间完善数据、推动信息集成。复杂算法主要用来处置数据中的干扰和不足。总之，把不可知的变成可知的、不确定的变成确定的，才是最好的办法。

l 利用人的智慧。例如，对于智能设计。不要希望计算机能够像人那样去设计产品（就像AI写诗、谱曲），而是设法复用人的知识。现在看来，知识复用有两种办法：一种是复用知识模块，一种是复用设计流程。这种做法最大的优势就是可靠。再如，无论是生产计划、设备检修、异常处置，尽量把人的知识标准化、一般化、数字化、模型化，而不是让机器直接产生知识——知识产生知识，主要用于对人的知识精细化和验证、帮助人进行测。

l 针对人的弱点。人的弱点是决策慢、计算能力低、精确性低。智能化的重点就是让人的决策逻辑让计算机来实现，从而提高决策速度、质量和精确性。决策逻辑可以完全模仿人。机器代替人决策时，最大的问题是“信息和知识不对称”：机器得到的信息和知识不够多。这是关键要解决的问题，而不是用复杂的算法代替人的决策逻辑。要做到这一点，除了信息集成，还要推进决策逻辑的流程化、标准化。做到了这一点，“信息和知识不对称”的天平就可能反转。

l 适度简化问题本身。例如，对于“设备的预测性维护”，除了刀具磨损等个别问题，不主张去预测设备的寿命。一般来说，准确预测寿命是不可行的；或者说，成功往往是小概率事件。事实上，当设备出现异常状况时，直接维护或者更换就是了：这样做的可靠性更高。而可靠性本身就是价值。

l 推进系统本身的改善。决策复杂的原因，主要是问题本身复杂。对于复杂的工业系统，智能化决策做得好，关键之一是系统相对简单、意外的问题少。系统稳定性高了，智能化也就简单了。

现代控制理论中许多的思想可以移植到智能化的过程中。例如，控制系统做得好，首先是系统设计得好、容易控制。这就相当于CPS系统先要有个好的物理对象。现代控制理论讲究“可控可观”：可控，就是系统的控制能力要强，也就是推进系统本身的改变；可观，就是获得信息的能力要强。这些趋势也可以用TRIZ的观点去看。我常说：信息集成的背后是业务集成：把不同部门、不同企业的业务串起来。这其实就是通过信息，让小系统合成大系统。这就是TRIZ的超系统进化法则。

技术的发展，总是越来越复杂；以至于超出人类大脑可以控制的极限。这个时候，智能化就会变得越来越重要了。但是，工业的可靠性要求，又总是复杂问题简单化、让人类能够理解复杂问题的逻辑。工业中需要人工智能——图像、音频识别这些东西是无法按照这种逻辑来让机器做的，机器需要模仿人的感性知识时只能用这些方法。

事实上，我非常看好图像识别在工业中的应用。道理很简单：自动化发展到一定程度，人工质量检验将会成为提高自动化水平的瓶颈。一年多前，我曾经建议工信部人才开发中心的领导，加入这一方面的培训内容。

但其他的工作需要复杂的人工智能算法吗？

我想，只能用在可靠性不怎么高、又无法将复杂问题简单化的场景。但这样的场景多吗？似乎不多。当然，算法可靠性不高的时候，可以用最终交给人来来决策。这时的人工智能，起到一个秘书和帮手的作用，不会特别高大上。

 总体上讲，我认为工业中的问题虽然复杂，但典型人工智能在工业中的应用价值未必太大。当然，前提是区分“智能化”和“人工智能（AI）”这两个概念。我指的用处不会太大，主要指后者。