1 針對AI潛能的共識

　　盡管AI被認為在制造業(yè)領(lǐng)域有著巨大的潛能，并預(yù)期將對制造業(yè)產(chǎn)生深遠的影響，這種共識已然達成。人們相信AI將在制造業(yè)中的工程設(shè)計過程、運行過程、服務(wù)全流程里充滿了機會，甚至在動態(tài)的過程優(yōu)化與控制領(lǐng)域，也有著巨大的潛力。

　　(1)AI在工程開發(fā)領(lǐng)域，將通過AIGC編程來降低工程師的工作復(fù)雜性——在各個自動化廠商的開發(fā)環(huán)境中，AIGC編程都作為一種新的“賣點”被推廣。這不難理解，人們都關(guān)注在降低工程師工作的復(fù)雜性，尤其是對于越來越復(fù)雜的軟件設(shè)計工作而言，這是最樂觀的AI場景。

　　雖然控制領(lǐng)域的工程師都認為這個事比較難，畢竟與純軟件的IT行業(yè)相比，機電控制還是與物理世界強耦合的。不過，用過的工程師都反映，它在框架搭建、文檔規(guī)范方面還是超越“平均水準”的。

　　(2)在工業(yè)軟件領(lǐng)域，傳統(tǒng)的CAD/CAE以及專家系統(tǒng)等，都將通過AI實現(xiàn)更好的生成，更為輕量化，且更加易于使用。在傳統(tǒng)的工業(yè)軟件復(fù)雜且昂貴的背景下，通過AI來實現(xiàn)更好的工業(yè)軟件設(shè)計，被認為是較有希望的路徑。AI對于解決當前求解器不擅長的問題上被寄予了厚望，傳統(tǒng)上，這些軟件都得經(jīng)過漫長的物理與數(shù)據(jù)混合方式的積累。

　　(3)在現(xiàn)場服務(wù)領(lǐng)域，通過人機交互、知識推送、預(yù)測性維護等，AI將帶來更大的潛能，預(yù)測性維護目前是較多被應(yīng)用的場景。

　　(4)在控制領(lǐng)域，解決模型學(xué)習(xí)的問題最被寄予厚望——因為這牽扯工藝的核心問題。狀態(tài)估計、成本函數(shù)約束下的極值計算領(lǐng)域也有較大的潛在機會。PINN(物理信息神經(jīng)網(wǎng)絡(luò))也成為了熱點，以結(jié)合數(shù)據(jù)和物理方法來實現(xiàn)更好的參數(shù)學(xué)習(xí)。

　　2 漫長的道路：五座需要被跨越的“天塹”

　　盡管如此，作為AI與工業(yè)的結(jié)合，仍然有較為漫長的道路需要走。目前的階段，只能稱為“基礎(chǔ)設(shè)施”的建設(shè)階段。任何技術(shù)，它必須實現(xiàn)“經(jīng)濟性”，才能被真正有效的應(yīng)用。而要實現(xiàn)經(jīng)濟性，就不僅考慮的是軟硬件部署成本的問題——從這個視角看， AI似乎已經(jīng)進入了經(jīng)濟性階段，因為，今天AI被關(guān)注正是因為它的算力成本在不斷下降，但是，在工業(yè)里，它需要走的路還包括以下幾個方面。

　　(1)在商業(yè)AI與工業(yè)AI之間的“橋梁”建設(shè)

　　AI原生目前看是不存在的，或者非顯性的，那些純粹用AI來實現(xiàn)問題解決的公司都還在“幼兒階段”，不是沒有，而是幾乎不在視野里。這些小型企業(yè)雖然是資本的寵兒，但其成長較之消費與商業(yè)領(lǐng)域的成長更為漫長。

　　大部分是AI外掛模式的企業(yè)， 即， 目前商業(yè)中AI的成功，就像DeepSeek/ChatGPT這些，在文本類知識交互、圖像生成、視頻、寫作等應(yīng)用方面非常強大;豆包、KIMI、元寶這些也有非常強的交互生成能力。這是人們可以直觀看到的AI巨大的潛能。

　　但這些AI應(yīng)用，要接入到工業(yè)的應(yīng)用場景中，就會需要進行重新設(shè)計， 因為工業(yè)現(xiàn)場很難接受“不確定性”、“不可解釋性”這些AI本身就存在的問題。而這也不影響AI在非動態(tài)、周期性問題上的應(yīng)用。在這一點上，共識是易于達成的，因為在具體的控制閉環(huán)里，AI自然不要去插手，這很危險，但在批次后或者新生產(chǎn)的預(yù)設(shè)問題上，AI還是可以為更優(yōu)的生產(chǎn)提供決策支持的。

　　深度學(xué)習(xí)、大語言模型LLM、多智能體這些必須為工業(yè)場景提供裁剪，或者將AI在工程領(lǐng)域的應(yīng)用開發(fā)過程設(shè)計為“僅配置”——否則，就會依賴于懂AI又懂現(xiàn)場的工程師來進行復(fù)雜的任務(wù)實現(xiàn)。而現(xiàn)實中，這樣的人才是極為匱乏的，因此，如何去開發(fā)一個“插件”、“外掛”形式與現(xiàn)有的開發(fā)平臺來對接，這就是AI第一步要做的事情。

　　(2)理論界與工程界之間的“橋梁”

　　理論界采用AI來實現(xiàn)問題的解決也算是歷史悠久了，而且，像控制理論歷史上的這些專家，例如提出模糊控制的Lofti Zadeh、提出狀態(tài)方程的R.Bellman、狀態(tài)空間分析的Kalmann、提出魯棒控制的G.Zames等等，其實，他們是控制專家的同時，也是AI領(lǐng)域的專家。但是，就像前段時間蘭州理工大學(xué)的蔣博士寫的《控制理論已死，那路在何方》一文，已被騰訊推送達到了5萬的閱讀量，這是個挺有意思的問題，因為，很多人認為控制理論已死——因為，自從前面提到這些大咖后，在控制領(lǐng)域的新思想、新方法就比較少了。大部分都在研究強化學(xué)習(xí)、深度學(xué)習(xí)，換言之，AI已成為控制學(xué)界的主要關(guān)注點了，當然，我們現(xiàn)在的控制的確比之前更為復(fù)雜，例如，在檢測對象方面，機器視覺被融入產(chǎn)線中，就加強了AI的應(yīng)用，這本來也屬于AI擅長的領(lǐng)域。今天講到“多智能體”，就會有更為復(fù)雜的采集量并納入到系統(tǒng)中。

　　圖2是本人結(jié)合之前對控制理論發(fā)展(Karl Astrom在《控制——一種視角》一文中對控制論的發(fā)展主要貢獻者)，以及近期AI領(lǐng)域的進展，做的一個簡單梳理——并不代表權(quán)威。僅想說明的是，在控制理論的歷史上，與數(shù)據(jù)方法(AI)結(jié)合也是較多的交叉領(lǐng)域。

　　但是，控制理論界似乎對于AI更為偏執(zhí)，而這種理論研究與現(xiàn)實中的工程又存在著較大的差異。工程實踐領(lǐng)域，更強調(diào)可靠與穩(wěn)定，它不是在實驗室測試一個應(yīng)用場景的可行性，而是要大量的工程驗證，且成為標準化的軟件封裝 ——

　　這是工業(yè)軟件的關(guān)鍵路徑，即，它必須被軟件化、模塊化存在。而理論界通常僅在TRL1-3這個階段，但實際的工業(yè)卻考慮的是TRL4-9這個階段的問題。

　　在人才培養(yǎng)這個層面也出現(xiàn)了這樣的問題，理論界講的很多東西在現(xiàn)實的工程界是不大使用的。通常的說法認為“理論不切實際”，但實際工程師又缺乏理論支撐——很多時候工程師的工作又有點“野蠻生長”的感覺，但又可以理解，因為，他們需要解決眼前的問題，并且能夠用簡單的、經(jīng)濟的方式解決問題，且有時間約束，不可能去像做科研那樣長周期布局應(yīng)用架構(gòu)、長期可用性、可擴展性等。

　　這就像在《哲學(xué)的故事》里曾經(jīng)看到的一段話：“如果沒有經(jīng)院哲學(xué)，社會哲學(xué)將語無倫次，而沒有社會哲學(xué)，經(jīng)院哲學(xué)將毫無意義。”理論和實踐之間，這個“橋梁”怎么搭建呢?其實，這個問題就是一個“Engineering工程化”的問題——科學(xué)與技術(shù)之間本身就是通過工程來實現(xiàn)的。工科專業(yè)過于強調(diào)“科學(xué)元素”，喜歡“理論研究”，而脫離了工程實踐。AI同樣如此，今年Gartner提出了“AI未來工程化是投資的關(guān)鍵”——我和管老師說，這有點后知后覺，以前這個“造詞”公司總是能夠走在大家的前面，這次至少在這個問題上落后了。

　　國家越來越意識到“工科理科化”的問題，也注意到“工程師”以及“工程”本身的價值，在2024年開始設(shè)置國家級的“國家卓越工程師”大獎，來獎勵工程領(lǐng)域的成就——按照一貫的基于“立場”的解讀套路，這就是對某些“科研”的重新思考和定位。因此，在更多的層面鼓勵產(chǎn)業(yè)與高校的深入融合，是可以通過有效的合作來打破壁壘的。

　　(3)機電軟之間的“橋梁”

　　一談到第二個“橋梁”，理論界與工程界的搭建——就需要思考第三個“橋梁”問題，即，如果單純的機電融合，這似乎還不是能解決問題。例如工業(yè)軟件的開發(fā)必須得有材料與工藝的融入。這里包括機械的物理學(xué)過程，以及像材料的物理及化學(xué)特性的介入，才能更好地發(fā)揮AI的數(shù)據(jù)能力。

　　在實際產(chǎn)業(yè)中，它一定是復(fù)雜的機械、電氣、材料工藝的問題。這樣的問題很多，例如，想要解決聚合物成型如吹瓶，其工藝過程的參數(shù)獲取，除了機械傳動(開合模的速度)、氣體壓力、模腔內(nèi)溫度等，也包括塑料材料自身的特性，例如在不同溫度下，其實晶體結(jié)構(gòu)的成型也是有差異的，如圖3所示。

　　在圖3中，PET瓶胚經(jīng)過加熱進入模腔，由伺服拉伸桿對其進行縱向拉伸動作，并由氣體同時進行膨脹，使得其在橫向也形成材料的延展。這樣，聚合物材料如PET在模腔內(nèi)會形成不同的層結(jié)構(gòu)，并形成準確的分布與壁厚，但如果過大的拉伸速度，就會讓PET分子鏈斷裂，進而造成PET瓶變白，形成例如“珠花”的缺陷。

　　這里想說明的是——對于控制而言，真正難的事情并不是控制，而是找到這個“拉伸速度”的邊界，并且它是在一個溫度、氣體壓力、工作速度等工況下的參數(shù)值。

　　因此，在實際工程中，制造業(yè)對AI的期待不是“控制”。實際上，在這里大量的應(yīng)用中，AI更多扮演的是“觀測器”的作用，并不需要“你”直接下手進行信號級的控制，而是對整個過程進行約束，來獲得機電參數(shù)的最優(yōu)值，以及模型的學(xué)習(xí)。至于去控制、執(zhí)行，對于現(xiàn)有的自動化系統(tǒng)，都不是問題。

　　(4)需求與應(yīng)用之間的“橋梁”

　　如果我們回答了前三個“橋梁”，就會明白AI的核心是解決問題。記得看到今年5月13日紅杉資本召集了全球最為頂級的專家們開了個閉門會，達成了“AI的未來是為客戶提供價值”這個共識——我對此有些不以為然。因為，這是以前寫的一個思維方式的差異問題，即，對于IT的自上而下的AI來說，它是先有“榔頭”再找“釘子”的思路。而對于OT，它是先有問題，再找“榔頭”——當然，你自己也可以做個“榔頭”，這是自下而上的思維路徑。

　　人們把AI能解決的問題歸結(jié)了很多，但其實，AI解決問題特別需要“咨詢”或者需要“提問”——這種“顧問式”的過程。因為，它通常解決的是一些“隱性”的問題，或者不確定、非線性的問題。但是，這些問題本身的特征就是不明晰的，或者說是“模糊”的。

　　工程里，有一個經(jīng)常被我稱為“黑幕”的存在，即，這些問題的背后牽扯非常多問題的耦合，例如機械、電磁場、熱場、材料特性、人的因素、環(huán)境的因素……究竟是什么樣的關(guān)系，它有一個“未知之幕”。雖然我們經(jīng)常講“工程師的智慧”就是穿透迷霧，利用直覺來獲得判斷。但這種是不是也是“未知”、“模糊”、“不確定”的呢?那為何要AI可解釋性呢?

　　針對這種復(fù)雜的工程問題，之所以說AI具有巨大潛能，是因為AI本身就擅長解決非線性、不確定性問題，這種背后所需的算力、或者對問題空間的探索，是人無法進行的，甚至也無法給出方向的。

　　要把工程上的問題解釋清楚、讓AI明白，也是一個難題，因為這些問題本來就是人都想不明白、沒有搞清楚的!因此，AI的工業(yè)應(yīng)用，還是要去解決這個“問題-方案”的“橋梁”架設(shè)問題。

　　解決這個問題的方法，其實就是未來工程師最為重要的能力，即，一種“提問”的能力，現(xiàn)在的新鮮詞匯稱為“提示工程”。其實，我們總是在講“批判性思維”——它的訓(xùn)練就是依靠“提問”。就像我曾經(jīng)接觸過的幾位咨詢專家，最為深刻的感受就是他們的“提問”能力，他們可以快速地提出關(guān)鍵問題，并梳理和收斂問題到關(guān)鍵解決點上。

　　因此，能夠在需求與技術(shù)之間架設(shè)“橋梁”，就是未來工程師的關(guān)鍵能力，而對于自動化公司，將復(fù)雜問題通過技術(shù)來實現(xiàn)，并形成可復(fù)制的方式，也是關(guān)鍵的競爭力之一。

　　(5)物理與數(shù)據(jù)應(yīng)用之間的“橋梁”

　　最后一個就是在物理與數(shù)據(jù)之間架設(shè)的“橋梁”，這個更多是在實現(xiàn)的意義上。目前，從基礎(chǔ)設(shè)施來說，包括物理的硬件和操作系統(tǒng)都可以實現(xiàn)，但這里需要搭建的“橋梁”在于“高效的接口”上。

　　物理信號與數(shù)字化之間還經(jīng)歷信號處理、傳輸、存儲的系列問題，這個鏈路與商業(yè)AI的鏈路一致，但工業(yè)現(xiàn)場的鏈路實現(xiàn)也有自己的特殊需求。例如， OPC UA FX能解決這些問題，但另一方面，這個實現(xiàn)也并不像想象那么普及，或者說，如果覺得這種方式太重的話，也要思考更為便利的接口。

　　在物理與數(shù)據(jù)方法之間的接口——配置，也是一個需要快速構(gòu)建的能力。

　　其實，這并非局部、單個垂直行業(yè)、而是是否存在普遍的高效數(shù)據(jù)接口的問題，包括從設(shè)計到運營，從現(xiàn)場到管理，從運營到維護。最為重要的是它必須易用，讓數(shù)據(jù)能夠快速流動，在各個軟件之間形成快速的接口出入，或者能夠直接形成周期性訂閱、周期性發(fā)布的方式。

　　3“橋梁”的建造

　　從解決問題的視角，其實要搭建這些“橋梁”，首先需要在以下幾點上達成共識，并持續(xù)推進實施計劃。

　　(1)標準與規(guī)范的問題

　　工業(yè)的特性，決定了要繼續(xù)保持原有的架構(gòu)并擴展，而實現(xiàn)的標準包括在OPC UA FX方面以及這個垂直方向的努力。OPC基金會將在AI應(yīng)用、統(tǒng)一信息建模方面下功夫，不過，還需要得到產(chǎn)業(yè)的共識。

　　OPC基金會制定了野心勃勃的計劃，但OPC基金會似乎又過于試圖搭建無所不在的框架來容納所有概念和方法，包括支持通信DDS、MQTT，F(xiàn)X擴展到各種底層物理通信，無線/有線等等;同時OPC UA還在垂直行業(yè)、數(shù)字化設(shè)計、云端、AI各個方向擴展它的連接領(lǐng)域。

　　(2)咨詢服務(wù)的角色

　　企業(yè)的能力也要進行重構(gòu)，基于AI服務(wù)，它更需要一種類似于Palantir這家公司的FDE模式。即，這些工程師既有能力做顧問，又有能力技術(shù)實現(xiàn)，結(jié)合用戶的特定需求，然后把它做成標準化的“訂閱”——這是可參考的。

　　但要談到業(yè)務(wù)模式，即，服務(wù)作為一項收費內(nèi)容，將成為未來自動化行業(yè)的自身能力，并不是說說而已，而是體現(xiàn)在專業(yè)性的服務(wù)上;以及在模型方面，讓業(yè)務(wù)流效率更高，可以靠專業(yè)的咨詢服務(wù)來創(chuàng)造價值，并且客戶愿意買單。

　　(3)人才培養(yǎng)的問題

　　人才培養(yǎng)，需要多方協(xié)作，包括工程與理論、AI技術(shù)提供者與行業(yè)解決方案提供商、軟件與服務(wù)等方面的各種合作。而這種人才需要具備跨領(lǐng)域能力，這里的跨領(lǐng)域不僅是指專業(yè)領(lǐng)域，也指職業(yè)性的——即，這位專家可能是能夠協(xié)調(diào)、運營、設(shè)計、實施、AI、工藝等多方面的技術(shù)管理型人才，或者是一位能夠帶領(lǐng)這些跨平臺、團隊、領(lǐng)域之間合作的領(lǐng)導(dǎo)者。