智能制造：理清概念之间的关系

    本文是我对智能制造认识的一个简单总结。不当之处，欢迎批评指正。

最近的1000个日夜，我在学习和思考关于智能制造的逻辑。先后想到很多角度，如智能制造与数字化网络化、智能的定义；智能化与自动化；智能化与代替人；智能与DIKW体系；智能与CPS；智能制造与人工智能；智能制造与知识管理；智能制造与精益生产；智能制造与快速反应、智能制造的必要性可行性等。我感觉，要把智能制造的逻辑理清楚，也就是把这些概念之间的关系理清楚。

如果把这些角度中，选取最适合代表智能制造的角度，大概有两个方面：一个是ICT技术（数字化、网络化），这是手段；一个是快速反应，这是目标。把快速反应作为目标时，ICT技术只是手段之一，还要配合软件、硬件、组织、商业模式手段。但ICT技术同时是关键性、标志性的手段：恰恰是ICT技术的进步却为智能制造发出洪荒之力——ICT技术的迅速发展，才使得过去的一些设想有条件变成现实。  

ICT技术是怎样促进快速反应的呢？有几个方面的原因：首先，可以用信息实现多方的协同工作。一条新的信息可能涉及到多个部门的工作（如产品设计的改动）。如果可以共享信息，就可以把串行工作变成并行并减少协同中的差错。第二，可以实现知识的复用。一个人发现的知识（包括产品部件的设计），可以被其他人、被后继者重用，省下了不必要的开发。第三，物质资源的共享（分享经济），减少了获得资源的时间。第四，缩短了决策周期。把信息全面集成起来，就可以让计算机做出科学的决策、而不是人去控制或团队开会决策，大大缩短从信息感知到执行的时间。在工业4.0的体系中，缩短生产组织的决策周期可能是成败的关键之一。第五，提高工作效率的工具。计算机仿真、CAD等手段，使得人们可以在数字世界里做试验，从而以提高效率。  

前面的分析其实忽略了一个主语：谁快速反应？其实，快速反应体现在很多方面，可以是企业本身、可以是企业生产的产品。企业本身包括智能的营销采购、设计研发、生产制造。这些方面又可以进一步细分：比如，生产制造又包括了智能设备、智能车间、智能工厂等等。企业的产品又包括物理产品、知识（信息）产品；物理产品就是所谓的智能产品，知识或信息产品涉及到智能服务。  

智能制造与人工智能有着微妙的关系。我们知道，人工智能原本有三个学派：计算机学派、生理学派和控制论学派。与智能制造关系最为密切的是控制论学派。从控制论产生的那一刻起，就关注信息和通信，就重视信息处理与行为活动的结合，就把感知、决策、执行的综合看做是（智能的）生命体与（传统）机器的跟本区别。工业4.0中的核心概念之一是赛博物理系统CPS，而这个概念来自于控制论。有人甚至认为：“控制论”翻译不当，应该叫做“赛博论”。自主的决策和执行，可以提高反应速度，与智能制造的目的相吻合。与人工智能的其他两个学派相比，控制论学派强调的是感知与行为的统一，而不仅仅是大脑的学习和推理能力；侧重的是“知行合一”、要解决“高智低能”的问题。当然，智能制造业不排斥另外两个学派的成就。所以，我们几位朋友在《三体智能革命》一书中把智能的高级阶段定义为“状态感知、实时分析、自主决策、精准执行、学习提升”。  

我们认为智能化是自动化的延伸和发展。智能制造与传统自动化又有什么不同呢？其中一个重要差别是：信息的来源和协同的范围大大扩张了。控制论产生的时候，对象往往是机器级别的，现在这是车间、工厂、企业、供应链、乃至全球。协同的范围扩大了、关注的问题要多得多。比如，可能要通过互联网，感知全球的客户需求和供应商信息；感知用户需求的过程要和产品设计过程协同；生产过程要和设计协同。  

过去的自动化主要针对批量生产。在智能制造的时代，产品更新换代速度快、批量小，甚至可能要在流水线上生产个性化定制的产品。与大批量生产相比，生产组织高度复杂、质量控制难度大增、成本和能耗可能会显著升高，采购和供货的压力大。这些相关的新问题必须被迅速感知、及时处理。从技术上看，在过去的自动化产线上，人们一般试图把生产的“边界”尽量固定下来、通过抑制干扰来保证质量、成本和效率；在智能化产线上，更强调出现问题及时应对这些干扰。  

这时，智能制造的相关技术，如大数据监控、信息集成就成了“雪中送炭”。然而，无论如何，我们都希望不必要的干扰尽量地少、时间和资源的浪费尽量地少。这样，生产管理才能尽可能简单、尽可能高效。我们发现：如果精益生产搞得好，推进智能制造就是比较容易。这就好比：把公路上的坑坑洼洼填平、急转弯变缓、红绿灯取消，低速的公路就能变成高速公路、车子就可以高速行驶。从某种意义上说，精益生产就会做填平坑坑洼洼的事，这对智能制造的快速反应是非常必要的。  

智能化的首要目标往往是快速反应，而不是代替人。但是，代替人确实也是目的之一、甚至是非常重要的目标。其实，让机器代替人进行决策和执行，有利于快速反应并取得更好的控制效果。所以，机器人、无人工厂等技术，常常能促进智能化的发展。一般的语境下，自动化多数是指物理设备或产线的自动化，而在智能制造的时代，同时强调知识和数据流动的自动化。  

要实现快速反应，除了ICT技术，还要配套其他的东西。首先，从信息感知的角度看，有些信息的获取，不是仅凭ICT技术就能解决的。比如，要快速响应，可能需要获得用户和供应商的信息。但这要有商业模式和法规的支撑才行。其次，从决策的角度看，在可以预见的未来，人类会在很多方面作为主要的决策者，而这就要有组织模式的支持。第三，决策的执行往往需要有物理设备的支持。第四，智能体系的改进和学习提升，离不开人的参与。  

智能制造与知识管理有什么关系呢？我们知道，机器的自主决策可以提高反应速度和控制效果。但是，机器其实是“很笨的”、人教它怎么做它就怎么做。让机器进行决策，要把人的知识变成计算机能够处理的数字化的东西。我们可以通过DIKW体系的角度理解这个过程：智能（智慧、Wisdom）体现在决策的过程和效果上；决策是用知识（Knowledge）处理信息（Information），而信息是用数据（Data）承载的。由此可见，（用数字结构和程序描述）知识是实现智能制造不可缺少的环节。  

前面曾经谈到智能制造与精益生产的关系，潜伏着这样的观点：智能制造所需要的知识可能是碎片化的——把碎片化、非结构化的知识如何管理起来，是我们不得不面对的挑战。笔者认为，未来需要新一代的工业软件来帮助人们管理这些知识：知识本身或许是非结构化的，但管理还是要结构化的——否则，人脑子就管不过来、可靠性就难以保证。我们另外还要强调：知识用于决策的前提是信息的完整和准确，所以信息集成是推动智能制造的前提。  

智能制造与云计算、大数据什么关系？笔者认为，云计算是工具性的、要根据工作的需要来配置，大数据一般是辅助性的(笔者曾将其比喻为政协），主要从事后台的工作。它们可以让智能制造系统运行得更好，但未必是必需的。最近，机器学习很热。但对于智能制造来说，机器使用的知识主要来自于人脑（这是工业的可靠性要求决定的）、关键是把人的认识提炼出来。在可以预见的未来，机器学习只能是智能制造这桌大餐上的佐料。  

推进智能制造有必要性又有可行性。在社会层面，劳动力危机、老龄化是支撑必要性的重要因素；在企业层面，快速响应市场变化是关键因素。其可行性是与过去相比较而言的、是ICT技术的发展导致的。但是，推进智能制造技术会遇到“玻璃墙”：比如，研发设计与服务要占到足够大的比重；产品质量要尽可能地占据制高点。如果没有这些条件，企业可能就先要进行转型，因为智能制造未必能解决落后企业的问题——就像御厨解决不了吃不饱饭的问题。转型不仅是企业家的事，也是政府的事。政府需要建立一个推崇高质量的健康市场、而不是质量逆淘汰的劣质市场。