相對于AI的狂飆猛進而言，自動化的確低調。AI總要隔三差五地驚艷登場，掀起一場革命的浪潮——即使這個浪潮來過已經很多次了，也不會讓吃瓜群眾失卻興致。連自動化圈，都時不時露出羨慕的目光，盡管心里會不以為然，畢竟，誰不喜歡待在聚光燈下享受世人崇敬的眼光。(原文摘自微信公眾號：說東道西)。

　　文/宋華振

　　就像ChatGPT引發(fā)的狂潮——各界大佬都被它震驚了，均表示真正的革命時代即將到來，以至于辛頓都表示忌憚，要阻止ChatGPT這樣的怪獸——這聽起來比較符合科幻片里的“天網”。如果有一天真的世界被一個智能體所控制，而且它還以無處不在的分布式智能存在，可以穿越各種安全機制，從各個漏洞進入不同的系統(tǒng)，它可以掌控一輛車，或是掌控一個發(fā)電廠，甚至操控一臺轟炸機——那的確是太可怕。

　　“工具而非目的”

　　不過，對于AI的這種熱烈推崇，以及預期的繪聲繪色的前景描繪，似乎主要還是來自于圈外——就是自媒體、資本，以及熱衷于談論科技的吃瓜群眾。與之相反，AI業(yè)界的伙計們似乎還沒有那么囂張——最常見的恐嚇就是AI將讓某些職業(yè)人群失業(yè)。但是，回想過去，當年電話剛被發(fā)明出來的時候，如果要讓當時的美國人每家都裝個電話的話，那么全美國的婦女都得去干接線員的工作——而后來出現了程控交換機的時候，那得讓多少接線員失業(yè)呢?再想想，我們這些自動化人經常干的都是自動化機器和產線的;然而，人們還是該上班的就上班，該失業(yè)的就失業(yè)。正如前段時間聽韋博士在混沌學院演講所提到的：“人們對AI的這種恐懼無非是對自身缺乏信心”。

　　其實發(fā)展工業(yè)科技必須意識到，即便AI如何強大，它畢竟是一個工具和方法的問題，而并非是目的。不是誰的AI更厲害，就能更好地被應用——畢竟工業(yè)還要考慮經濟性、易用性、穩(wěn)定性與可靠性。誰能夠更好地以經濟的手段解決問題，才算是一種好的技術——制造業(yè)不是炫技場，而是要有實實在在的收益。

　　創(chuàng)新，都是以經濟性為前提的，如果構建AI系統(tǒng)經濟，或基于分布式計算資源的AI邊際成本已經很低，那么，誰也不會拒絕AI的應用，其中的著眼點無非是用在哪里的問題。

　　“同源而生，何必艷羨”

　　干自動化的，也很喜歡討論AI，相對其他專業(yè)，自動化離AI最近。不過，大部分人對AI的歷史似乎也不甚了解。最近幾次在自動化行業(yè)的會議上，發(fā)現大家都挺羨慕人家AI專業(yè)，很多學校都開始成立人工智能學院或專業(yè)。首先，AI專業(yè)前沿又時髦，代表科技的發(fā)展趨勢，在部委、企業(yè)界都是熱門話題，大師講座也逢制造業(yè)的場子必講AI，一大堆專家高談闊論AI如何幫你降本增效、提高良品率，雖然聽得云山霧罩，但總歸還是有一種朦朧的美感——不明覺厲、霸氣側漏的既視感。其次，這個方向就業(yè)肯定比較好，百萬年薪，走上人生巔峰。再者，作為重點發(fā)展方向與戰(zhàn)略新興產業(yè)，也能獲得更多的縱向課題與項目資金支持，這可是實打實的好處。

　　其實，自動化所對應的機電工程領域，它本身也是作為人工智能的三大學派之一，即，行為主義學派而獨立存在的。不過，連接主義學派和符號主義學派本身是一種“自上而下”的方式，更接近人們理解的智能，因此，自下而上的行為主義學派，就不那么被他們歸于同類。但就歷史上而言，行為主義的代表諾伯特·維納的《控制論》更早一些，也不大愿意與達特茅斯夏令營這幫小伙子們混在一起，而這些年輕人也更希望能夠開山立派。但是，基于感知、決策、執(zhí)行的整體思想卻是相同的。

　　圖1　人工智能的三大學派及其核心觀點與成果

　　“臨淵羨魚，不如退而結網”

　　AI或者自動化，終究是技術或工具，它要解決的是問題。并且，就實而論，在工業(yè)領域，如果用KPI考核業(yè)績，可能自動化技術帶給產業(yè)的回報更高，但這就像《人工智能通識課》里作者講的“一個技術真正有了作用的時候，它就不值錢了”。

　　AI畢竟是個工具和方法問題，它不是目的，而目的是解決制造業(yè)中的“質量、成本、交付”問題。我們要問的問題是：“目的是什么?”，什么工具是合適的——評價指標來自于“經濟性”。工程師總是在約束條件下尋找技術與經濟的可行性，沒有人會拒絕一個好用的工具和方法，因為，創(chuàng)新往往來自于此。

　　工業(yè)場景中的AI應用

　　雖然，我覺得AI在工業(yè)里總是干點錦上添花的事情，不過工業(yè)場景對于“確定性”還是存在著較大的執(zhí)念。記得很久以前和一位專家談起了印刷的套色。我們控制系統(tǒng)要讓它達到+/-0.1mm甚至更低的精度，一位數據方向的朋友曾經問：“那么，我們能不能從+/-0.5mm開始進行迭代，一步步迭代到你們所需的+/-0.1mm呢?”。我想了想，只好說：“這……用戶是不允許這樣干的，他們需要的是+/-0.1mm必須要達到，否則，你就不應該提供這樣的系統(tǒng)”。還有人非要跟我爭論通過AI如何提高風力發(fā)電機組的發(fā)電效率，我聽了半天都感到困惑，我們干自動化的已經把“最大葉尖速比λ值”做到最大了，究竟如何能夠獲得更大的效率呢?難道是風向變化我沒有及時發(fā)現——但是，我不是還有偏航系統(tǒng)嗎?難道是電網同步協(xié)調問題沒有解決好?那不是還有并網同步來協(xié)調相位嗎?

　　還有光伏的追日系統(tǒng)，我的一位朋友非要跟我講是人工智能，但我就以我有限的天體物理知識來進行分析，地球在每天和太陽之間的角度變化其實是個固定的函數——如果實在不行，你是否可以加一個傳感器來感測?日晷就是一個很好的例子——我把日晷形成的影子給你檢測出來，作為一個輸入可以嗎?

　　商業(yè)AI的“黑盒”機制對于工業(yè)是不能輕松接受的，相關性并不代表因果性，因此，它具有“不確定性”。這是數據相關性分析與機理的因果性差異的地方……機理模型具有“確定性”、“完全可預測性”、“完全可解釋性”的特點，對于工業(yè)來說，也是一種算力經濟的方法。

　　圖2　基于AI的PID參數自學習

　　其實，將AI用于最優(yōu)參數的學習是控制系統(tǒng)的常用方法，不過，當我鉆研了這個問題后，有一個非常直接的問題就在圖2中。AI的這些PID動態(tài)參數，它真的可以直接就下載(實時)到控制器去執(zhí)行嗎?這其實并非現實——在流程工業(yè)也許這是可行的，但離散制造業(yè)里的機器動作可能也并非現實的，這不很危險，潛在的風險包括安全性問題，也包括帶來控制的波動——因為，畢竟這是一個優(yōu)化的參數，但對象能否接受這種“波動”，還是需要驗證的。當然策略是趨勢性調節(jié)，或者可能更多時候還是以離線的方式，在停機或下一批次任務中可以進行這樣的運行，但，實時的卻是不能想當然就去干的。

　　盡管我們認為AI在工業(yè)有很多約束條件——但這不是全盤否認，因為畢竟人類認知的世界是有限的，機理模型本身是有限的。而另一方面，世界的本質是非線性的，線性只是特殊情況而已?，F在的機理模型只是運行在一個擬合的線性或數學可描述的(已知)的區(qū)間，對于更為廣泛的機器效率提升，還是要尋找更好的參數匹配。另外在控制而言，局部最優(yōu)與全局最優(yōu)又是有差異的，而AI可以在全局的策略調度、節(jié)拍匹配、參數適配方面進一步挖掘制造中的潛能，從這個意義上來說，它一定是有作用的，無非是要考慮以下幾點：

　　(1)工業(yè)與商業(yè)AI的差異厘清，這有助于選擇合適的方法、算法來解決合適的問題;

　　(2)在AI與機理間尋找最為合適的結合點，畢竟世界也不是非黑即白的——灰色的盒子也是好的盒子。

　　這不是能不能干的問題，而是如何干的問題。

　　干自動化的人為啥有優(yōu)勢;單純干AI，自動化的人當然沒有啥優(yōu)勢，不過，如果能夠來干點自動化，那么至少有很多地方，自動化干起來還是有優(yōu)勢的，例如：

　　(1)數據源的問題：在制造業(yè)現場，自動化自身的數據源，包括信號采集與處理，像PLC的IO處理模塊的種類往往會牽扯到大量不同的信號處理，在控制之外，這些信號也會作為信息被反饋給管理系統(tǒng)。另外，在控制中產生的中間數據同樣可以作為信息被處理。而這些數據通常就被存放于控制系統(tǒng)的RAM中。就數據優(yōu)勢而言，可能AI反倒沒有這么直接;

　　(2)結構化數據的問題：其實，采用OPC UA的框架，數據也被格式化為工業(yè)所需的標準數據，無論是從現場到控制層的總線，還是從控制層到管理層的OPC UA協(xié)議，這些都是工業(yè)自動化的優(yōu)勢所在;

　　(3)機理建模與數據建模的混用問題，其實，對于AI而言，相關性的判斷也是需要對機理有基礎了解的，否則，這種無序探索也是代價高昂的，除了本身的機理模型問題來自于機電專家，且機電專家也和數據專家可以融合;

　　(4)執(zhí)行的問題：這同樣是工業(yè)里最大的一個問題，AI并不能在線(On-line)來執(zhí)行，這可能是與商業(yè)不同，因為，即使獲得了更好的參數，也必須在離線的方式下進行，直接在線的方式必須是在確保安全可靠的情況下才可以進行。

　　因此，自動化的AI必須聚焦在工業(yè)場景本身上，而不要去試圖和AI企業(yè)在圖形圖像、語言、文本這種人家擅長的領域去競爭。

　　“工欲善其事，必先利其器”

　　對于自動化的企業(yè)而言，迎接AI是一種自然而然的事情。實現AI與自動化的融合辦法也很多，這主要取決于整個任務對于“周期性”的等級需求上。

　　基于開放平臺的自動化廠商，通常會選擇接口比較方便的平臺，就像貝加萊exOS為Linux平臺的AI應用和RTOS平臺上的Real-Time任務建立了連接。通過exOS，Linux上基于Python、Java等編寫的AI算法就可以被導入至實時任務，相互之間可以交互數據。

　　圖3　PLC和工業(yè)PC上的Tensorflow學習任務可經由Pub/Sub機制進行數據交互

　　如圖3，PLC和工業(yè)PC上的Tensorflow學習任務可經由Pub/Sub機制進行數據的交互。在這樣的架構下，我們就可以在不需要花費太高的代價下，將AI的資源(算法/代碼)進行集成調用。

　　另外一些自動化廠商也會自己集成一些AI算法，或在PLC上集成AI加速器的模塊，這些都有各自的應用場景，實現起來都不太難——畢竟，對于自動化行業(yè)來說，關注點是解決問題，AI只是一個工具。

　　對于自動化行業(yè)，追求經濟性應用是技術推廣的關鍵，即：要解決現實問題，而又不造成高成本。自動化應用AI經濟性主要是體現在訓練模型雖然需要算力，但應用模型本地推理就還好。

　　AI與自動化的和諧相處

　　AI與自動化最和諧的相處模式就是“執(zhí)子之手與子偕老”，自動化還是有點過于低調——這個很早就討論過，這與行業(yè)的屬性有關。因為，自動化行業(yè)的人，他首先得有問題，才能有解決問題的方法，因此，它必須是解決問題的。而AI這幫人呢，他們來到制造業(yè)是先有榔頭，再找釘子;我覺得這個比喻倒也貼切。因此，自動化和AI的人就完全是解決問題的兩種思維模式。

　　人們喜歡流行的、前沿的，這沒有錯，但是，產業(yè)里還是要以實事求是解決問題為先導。非要把原本控制干的事情美化為人工智能、工業(yè)互聯網，顯得高大上，這種做法對于產業(yè)并無實質的貢獻，無非是名字聽上去高大上了的事情，還是少干為妙——總是聽有人說我們的產業(yè)太過浮躁，既然是眾所周知，但很多人還是仍然干這些“花活”。

　　終究而言，自動化屬于一個工程領域，它是要解決實際問題的，目前產業(yè)里還有很多很多的問題要解決，我們還有很多克服“卡脖子”的事情要干。