記得去年工博會(huì)那會(huì)和自動(dòng)化圈的小伙伴們交流，他 們對(duì)這些來勢(shì)洶洶、總是“叫囂”要顛覆制造業(yè)的技術(shù)有些 不以為然——因?yàn)?，現(xiàn)場(chǎng)不是理想主義，當(dāng)然， 其中對(duì)話語 權(quán)的失落感也是些許存在的。

　　不過，工業(yè)AI本身與商業(yè)AI還是不同的，人們?cè)跉g欣鼓 舞商業(yè)AI的巨大影響力，但是，工業(yè)的核心是自己的發(fā)展， AI是個(gè)好工具，但它不是核心業(yè)務(wù)或它也不是真正所對(duì)應(yīng)垂 直產(chǎn)業(yè)的核心技術(shù)。

　　首先，像自動(dòng)化圈，并非拒絕AI，而是主動(dòng)地?fù)肀I， 以期來解決問題，但這里的差異在于，商業(yè)AI圈的人其實(shí)是 拿著榔頭找釘子，而工業(yè)人則是拿著釘子找榔頭，因此， 它是兩個(gè)方向的人在做同一件事情。

　　這是一個(gè)很大的差異，從語言體系就可以看到，AI的人總是說要“找場(chǎng)景”，但是，找場(chǎng)景這個(gè)事自動(dòng)化人并不 提及，因?yàn)椋瑘?chǎng)景有，我只是在找一個(gè)“經(jīng)濟(jì)”的工具。

　　條條大道通羅馬

　　制造業(yè)，它的目標(biāo)是要解決問題，至于它用什么工具 則是次要問題，而要解決什么問題才是首要的。前幾天看 了部電影，里面有一句廢話：“關(guān)鍵的問題就是找到問題的 關(guān)鍵”。但是，這也不算廢話，關(guān)鍵就是得先知道問題在哪 里，才知道什么是好的解決辦法。

　　制造業(yè)要解決的通常就是“品質(zhì)、成本和交付”三個(gè)問 題。那么，引發(fā)質(zhì)量的因素究竟在哪里?這有時(shí)候是個(gè)未 知的問題——但是，解決問題的方法卻有很多種。

　　第一是找到問題：通過魚骨圖分析，我們可以把質(zhì)量相關(guān)因素解析為：人、機(jī)、料、法環(huán)等問題;然后建立解決問 題的路徑，通過根源分析，找到關(guān)鍵問題和次要問題。

　　第二是解決問題：有些問題的解決辦法是依賴于物理 建模，有些問題則依賴數(shù)據(jù)建模，還有些問題根本不用技 術(shù)來解決問題——通過人員的培訓(xùn)、流程的再造就可以解決。

　　因果與相關(guān)問題

　　在解決問題的時(shí)候，我們要找到因果問題和相關(guān)問 題。記得有一次聽馮恩波博士講AI，談到了因果問題能夠解 決大部分問題，而剩下的相關(guān)性問題卻又是“勝負(fù)手”。

　　因果問題指的是可以通過像物理建模這樣的方法， 構(gòu)建物理模型，然后通過參數(shù)的工程測(cè)試來建立控制的邊 界。在不同的定義域(高等數(shù)據(jù)基本概念)里函數(shù)值是有 一定規(guī)律的。如果找到這個(gè)規(guī)律，那么，就能解決根本性 問題，這就是機(jī)理模型——它具有顯著的優(yōu)勢(shì)，即： 它可預(yù) 測(cè)、可解釋，且算力需求特別低。那么，如果你用AI解決 這個(gè)問題，就顯然是不經(jīng)濟(jì)的，你花費(fèi)了巨大的代價(jià)解決 了問題，最后發(fā)現(xiàn)，其實(shí)跟自動(dòng)化里增加一個(gè)AI(Analog Input模擬量輸入)采樣和一個(gè)DO輸出解決問題的效果可能 是一樣的。這完全就缺乏了經(jīng)濟(jì)性。畢竟這個(gè)AI和DO加起 來，在自動(dòng)化硬件價(jià)格已經(jīng)卷到“白菜價(jià)”的今天，大概就 百十來塊錢的事。

　　但是，為什么AI又是“勝負(fù)手”呢?

　　因?yàn)闄C(jī)理模型它的特點(diǎn)就是可獲得性較強(qiáng)， 一旦被建 立，可復(fù)制性也強(qiáng)。它能夠同樣被其他對(duì)手所獲得，并應(yīng) 用。那么，這個(gè)時(shí)候，相關(guān)性那部分就會(huì)發(fā)揮其價(jià)值的杠 桿收益。

　　在鋰電制造里，0.2%的良品率提升都是意義重大的， 因?yàn)榇蠹叶寄茏龅?9%的時(shí)候，“勝負(fù)手”就在于你能做到 99.2%所帶來的優(yōu)勢(shì)。同樣道理，在這里，相關(guān)性解決的那 些問題有時(shí)候也會(huì)變成決定性因素。

　　工業(yè)AI需要建立在良好的數(shù)字化基礎(chǔ)上

　　AI更擅長(zhǎng)于在相關(guān)性上解決問題，但是其實(shí)它的應(yīng)用 也是有前提的：首先，必須要有好的自動(dòng)化基礎(chǔ)：自動(dòng)化 提供了數(shù)據(jù)采樣、通信連接、數(shù)據(jù)分類、接口規(guī)范方面的 基礎(chǔ)。這本來也是制造中控制、信息化的基礎(chǔ)需求。很多AI 相關(guān)人員說現(xiàn)場(chǎng)缺乏數(shù)據(jù)，但是，這是你的問題，卻并非 自動(dòng)化的問題——因?yàn)?，這些數(shù)據(jù)就在PLC的內(nèi)存里，也可 以通過OPC UA/MQTT訪問。不是有沒有數(shù)據(jù)的問題，而是 另外兩個(gè)問題：

　　(1)什么數(shù)據(jù)，要干什么用?——似乎尚未搞清楚

　　IT人經(jīng)常會(huì)問：“你有什么數(shù)據(jù)”，而OT人通常會(huì)問：

　　“你要什么數(shù)據(jù)”。因?yàn)?，拿著榔頭找釘子的人會(huì)認(rèn)為， 你告訴我有啥數(shù)據(jù)，我才知道我能干什么。但是，OT人認(rèn) 為，這個(gè)數(shù)據(jù)是與我的工藝相關(guān)的，我不能提供給你所有 數(shù)據(jù)，但我可以按照你的需要提供所需的數(shù)據(jù)。

　　(2)未知的數(shù)據(jù)

　　在制造工程中，我們知道還有很多需要解決的問題， 這些問題依賴于哪些數(shù)據(jù)、用什么樣的頻率采樣、什么類 型的問題應(yīng)該用什么方法處理數(shù)據(jù)。這些事情本身都是待 定的——因?yàn)?，制造工程本身就是“持續(xù)改善”的，通過不斷 的對(duì)制造中的機(jī)電問題進(jìn)行分析，才能不斷提升。在解決 問題過程中，才知道應(yīng)該采集什么數(shù)據(jù)、如何分析這些數(shù)據(jù)。

　　因此，有時(shí)候，它不是缺乏數(shù)據(jù)，而是缺乏對(duì)制造的 認(rèn)知——而這種認(rèn)知，本來就不是已知的，它是動(dòng)態(tài)進(jìn)行的。

　　其次，AI也需要和工程方法結(jié)合。

　　為什么要機(jī)理與數(shù)據(jù)相結(jié)合?因?yàn)槿绻麤]有機(jī)理給出

　　的方向，那么，數(shù)據(jù)就失去了目標(biāo)。甚至都不知道采集哪 些數(shù)據(jù)——機(jī)理的好處在于它提供了基本的約束邊界，而不 是在浩瀚的“大?！崩锩つ康奶剿?。相關(guān)性， 它也不是完全 沒有頭緒的，它也是有方向的。甚至來自于工程師的直覺 性判斷，通向解決問題的道路有非常多的岔口，沒有人能 夠確切地知道哪個(gè)岔口才能走到目標(biāo)，有時(shí)就會(huì)出現(xiàn)“只緣 身在此山中”的問題，因?yàn)橹灰姌涠灰娚值恼诒涡?—— 在數(shù)據(jù)分析這個(gè)問題上，同樣會(huì)有“遮蔽性”，即，數(shù)據(jù)的 偏差，例如“幸存者偏差”就是典型的一種數(shù)據(jù)偏差。

　　再者，人才是關(guān)鍵。

　　圖1列舉了自動(dòng)化領(lǐng)域采用AI的優(yōu)勢(shì)，主要體現(xiàn)在數(shù)據(jù) 及其通信、結(jié)構(gòu)化處理、機(jī)理建模的結(jié)合，以及現(xiàn)場(chǎng)可執(zhí) 行，這些也都來自于工程師的洞見與智慧。工程師的洞察 力，包括機(jī)電對(duì)象的特性、引發(fā)問題方向的判斷、解決問 題方法的界定、數(shù)據(jù)處理、模型訓(xùn)練方法的選擇、參數(shù)調(diào) 教、泛化等等，這些都依賴于人工的參與。如果缺乏有序的 工程過程綜合能力，那么，AI將無所適從，會(huì)茫然不知所措。

　　自動(dòng)化領(lǐng)域的工程師具有非常強(qiáng)的機(jī)理、對(duì)象特性的 理解。當(dāng)然，我們需要選擇更好的AI工具，就象找到好的榔 頭來解決問題一樣。

　　工業(yè)從來都是擁抱AI

　　很多時(shí)候，來自于制造業(yè)的人會(huì)對(duì)AI有些不以為然， 其實(shí)這不是對(duì)AI的不以為然，有時(shí)只是對(duì)不懂工業(yè)卻又妄圖 “顛覆”工業(yè)的那種迷之自信的不以為然。而且，似乎真的 了解AI的專家、甚至AI領(lǐng)域的頭部企業(yè)的專家們都還是比較謹(jǐn) 慎的，但是，比較狂熱的似乎更多是那些對(duì)AI并不了解的人。

　　前些時(shí)日，記得郭老師朋友圈和文章里都提到一句 話：“悲觀者正確，而樂觀者成功” ——我想對(duì)于自動(dòng)化圈 的人而言，我們需要好好想想這句話。因?yàn)?，有時(shí)候，自 動(dòng)化圈對(duì)AI的各種不以為然，可能是有問題的，因?yàn)?，AI在 進(jìn)步，也在不斷地去測(cè)試，也是在摸索——那么，AI不了解 制造業(yè)這個(gè)事情，它本身也是一個(gè)過程，因此，積極擁抱AI 是有很大幫助的——人們擔(dān)心的不是競(jìng)爭(zhēng)，而是顛覆性的技 術(shù)，讓你無從追趕，因?yàn)樵绞浅晒φ咴绞侨菀仔纬蓪?duì)既有路 徑的依賴;而突破者，往往會(huì)讓你失去反擊的機(jī)會(huì)。

　　AI對(duì)于工業(yè)，它是潛力巨大的：

　　(1)在AI的發(fā)展歷史上，像Alstrom、Bellman、 Kalman這些人，他們既是控制學(xué)科的專家，也是AI領(lǐng)域的 專家。因此，控制領(lǐng)域在其發(fā)展過程中，從未拒絕過AI，并 一直試圖將AI應(yīng)用于自適應(yīng)控制、模糊控制、非線性系統(tǒng)、 最優(yōu)化等問題的解決上，應(yīng)該說，囿于算力的成本，過去 它并未被廣泛的應(yīng)用。

　　(2)極限制造對(duì)AI的潛力需求

　　隨著制造越來越“內(nèi)卷”，每一個(gè)百分點(diǎn)的良品率都 是決定性的。那么，在制造業(yè)中，廣泛存在的不確定、非 線性問題，就成了AI可以發(fā)揮潛力的領(lǐng)地。但是，這一定 是建立在良好的自動(dòng)化和數(shù)字化基礎(chǔ)上的。脫離了制造基 礎(chǔ)，談AI，將會(huì)帶來“事倍功半”的效果，而我們需要的是 “事半功倍”的經(jīng)濟(jì)性方法。

　　(3)AI正成為工業(yè)中的焦點(diǎn)

　　自動(dòng)化領(lǐng)域的全球化廠商都在積極擁抱AI人工智能， 例如ABB發(fā)布的最新AI戰(zhàn)略，應(yīng)用場(chǎng)景比較多，像機(jī)器人的 視覺智能導(dǎo)引、預(yù)測(cè)性維護(hù)、參數(shù)尋優(yōu)等等，包括通過AGI 來實(shí)現(xiàn)自動(dòng)編程，以解放工程師，將知識(shí)復(fù)用。

　　當(dāng)然，另一個(gè)視角則是人才培養(yǎng)的問題，因?yàn)樽罱KAI 的落地與實(shí)現(xiàn)，仍然要落到具體的應(yīng)用上。那么，來自IT 世界的人在算法、系統(tǒng)架構(gòu)、軟件開發(fā)的能力就會(huì)發(fā)揮出 來。近期我與AI4C的管先生談起大學(xué)自動(dòng)化領(lǐng)域的軟件工 程能力較弱， 因?yàn)?，很多自?dòng)化相關(guān)專業(yè)的人并未受過較 好的軟件工程訓(xùn)練，在IT領(lǐng)域里普遍的軟件工程思想與方 法，對(duì)于OT世界整體的工程能力來說，還是比較難的——畢 竟，我們說，AI最后還是個(gè)軟件問題，那么，軟件的開發(fā) 能力，就會(huì)成為一個(gè)問題。

　　IT廠商在工業(yè)AI的發(fā)展過程中，更多在于平臺(tái)、工具的 建設(shè)、開發(fā)，以及其生態(tài)所構(gòu)建的工程師資源。IT界的開放 思想、協(xié)作以及分享的文化，都是相對(duì)保守的OT世界可以學(xué)習(xí)和借鑒的。IT廠商在AI的相關(guān)資源方面，為OT世界減少 了構(gòu)建成本，否則，依據(jù)OT世界的“量”無法推動(dòng)GPU、云 服務(wù)、工具、社區(qū)等各種軟硬件資源的成本下降。

　　生成式AI對(duì)于編程的嘗試已經(jīng)開始， 如圖3，通過自 然語言包括語言/文本方式給出需求，OpenAI可以將原有 的程序以及開源世界的程序結(jié)合，為工程師生成所需的程 序。因此，工程師還是很重要的，我覺得在工業(yè)場(chǎng)景里的 自動(dòng)化工程師，將作為一個(gè)在安全、倫理、 一致性等方面 給予“確認(rèn)”的角色——這個(gè)時(shí)候，工程師更多成為“問題的 提出者”和“方案的確認(rèn)者” ——它降低了Coding這種工作 的負(fù)擔(dān)，而增強(qiáng)了工程師對(duì)問題的理解能力，以及在決策 方面的更高價(jià)值的輸出需求。

　　來自全球領(lǐng)先的自動(dòng)化廠商和IT大廠們都在尋找著AI與 工業(yè)的連接，我在與OPC基金會(huì)的張同志談到像OPC基金會(huì) /IEEE這種全球性技術(shù)與標(biāo)準(zhǔn)化組織，究竟是如何能夠協(xié)作 不同國(guó)家的不同企業(yè)，構(gòu)成一個(gè)松散的團(tuán)隊(duì)，共同致力于 一個(gè)需要長(zhǎng)期努力、投入，才能進(jìn)行的技術(shù)開放協(xié)作——這 就是一個(gè)問題。

　　總結(jié)起來就是，工業(yè)AI，必須得是IT與OT兩方面專家 共同協(xié)作來干的事情。OT人源自于對(duì)制造業(yè)歷史悠久的積 累，IT人則來自于對(duì)數(shù)據(jù)應(yīng)用、算法、工具設(shè)計(jì)以及構(gòu)建整個(gè) 軟件體系的知識(shí)沉淀。但是，IT、OT都必須致力于制造企業(yè)對(duì) 于品質(zhì)和效率的極限追求，以及對(duì)制造現(xiàn)場(chǎng)的深刻洞見。