AI是技术，而非神话！

e-works在线学院的这期《工业AI潜能》的课程获得了近2000人的在线访问，一如既往有超过20多个提问。关于这些与AI相关的问题，我也打算好好写篇文章与大家交流。

网络的传播力一般来自于神秘及其制造的焦虑，人们担心就业会被替代—像武汉的自动驾驶出租车，会否给出租车行业带来更多的失业，因为很多失业的人刚刚在这里找到了再就业的机会。ChatGPT强大的生成能力正在侵蚀着依靠文案而生存的媒体、市场人的技能空间。TESLA训练的人形机器人，依靠着大量GPU积累的算力在快速的形成代替工人的劳动力…...大模型让他们的能力正在快速成长，原来的产线上很多非标的作业难以实现自动化，通过这种人形机器人的能力训练，有了被替代的可能…...原本人们期望的AI帮我们来干活，人类从事脑力劳动的愿望似乎也在破灭，这使得人们对AI产生了一种恐惧和焦虑。

它如同一股神秘的力量，正在为我们的世界带来摧毁旧世界的力量——它不知道，在什么时间，什么领域，将会代替人，成为一种新的生产力，似乎你原来所想象的都在成为可能。因为，它本身就特别擅长解决未知和不确定的问题。

人与人的竞争，正在演变成为人与机器的竞争—究竟谁才能这场竞争中生存。似乎人类都开始有点悲观了—因为，这些机器人，都可以携带武器上战场了，这就如同《终结者》、《变形金刚》很多电影所描绘的未来世界…AI原本只是被束缚在计算机的软件和网络里，然而当它被附着在一个人形的机器人身上的时候，人们的忧虑似乎并不多余......硅基生命似乎对碳基生命造成了潜在的威胁，尤其是当它具有了自我意识，并拿起了武器。

《变形金刚》它可能最大的问题就是“不间断的超高移动能源问题”，即，变形金刚主要是需要超高密度的可移动性电力供应——AI的算力需要能源，而变形金刚也需要超高密度能源，这么算来，AI+能源构成了未来竞争的关键。

因此，在这个背景下，AI难免就会被赋予一种“无所不能的力量”——但是，你又无法阻挡它的前行。我们无法预测未来，因为，可能性，是超越我们操控之外的存在。AI已经感觉要被全民化了——在全世界都掀起了对AI追捧的狂潮，小学生现在都开始要学习Python了…就说你怕不怕？压力大不大？

在AI的发展历史上，其被神话的历程也颇为代表性—要知道早在1958年纽厄尔与司马贺就说“十年之内，数字计算机将成为国际象棋世界冠军”、“十年内，数字计算机将发现并证明每一个重要的数学定理”、1965年司马贺就说过“二十年内，机器将能完成人能做到的一切工作”，现在看来，这些大神都曾经犯了大跃进的错误—他们在50多年前预测的未来今天似乎也未必真正的实现，不过，AlphaGo在50年后的确可以拿个象棋世界冠军。

在一个寒冬过后，到了80年代，即使算力有所增强，多层神经网络的难以训练还是使得AI陷入新的寒冬。AI在2006年辛顿的反向误差传递算法和深度信念网络DBN之后又一次寻找到了曙光， 2016年的AlexNet在图像识别中的异军突起，AI才再次迎来新的光芒时刻。其实，AI的这股崛起也就是在最近几年AlphaGo，以及最近两年突然大杀四方的ChatGPT等大模型，又一次惹得AI成为了新的聚焦点。

AI大咖-Dr.Hebert Simon

但是，不得不说，AI并不新鲜，但也经历坎坷…...即使今天，对于AI的质疑也是非常多的。

对于AI的质疑声不仅来自于AI业界，他们的质疑在于AI的破坏性，以及道德伦理方面的，也包括在AI的“不确定性”，就像D老师说“生成式AI是可以编程，但它每次生成的代码都不一样，请问你敢用吗？”—这的确是个好问题。质疑AI的声音来自于工业界也是一直比较多的：

🔵 可解释性问题：AI解决都是相关性问题，它的确不同因果律，因果律是具有非常强的可解释性的，不管是物理定律还是化学方程，都是具有强大的可解释性，算力低，可预测特性。而AI提升的黑盒模式决定了它很难有可解释性。

🔵 实时性问题：这个是与工业的“周期性”天生就不是一个思路，周期性，对于AI来说，如果它训练出来的这个模型被用于推理，如果还需要较大的本地算力，那它可能就成了控制系统里的一个“短板”—对于控制任务来说，10ms你都都不好意思说实时。

在工业里，安全问题、模型精度、小样本的特点，也带来了AI应对的难题。包括现在最火热的“大模型”，也包括一些像算力消耗极大—现在GPU和电力已经是非常昂贵的成本。没想到，它这么耗电。它还有一些莫名其妙的问题：

🔵 灾难性遗忘：在新任务上进行训练时，可能会损害之前任务的性能，并且在问题求解阶段无法记住处理过的信息。

🔵 缺乏人类直觉和判断力：大语言模型基于数据训练，缺乏人类的直觉和判断力，这使得它们在某些情况下无法做出合理的决策。

🔵 幻觉问题：大模型有时会出现幻觉现象，即生成与实际情况不符的内容，这可能是因为训练数据不足或过度拟合等原因。

不过，很有意思的是，上面这些缺点，是由AI搜索引擎“秘塔”告诉我的。

其实，对于AI在工业的质疑声音很多，还包括：

（1）.AI就是个宣传口号：在一些不明真相或有较深了解的吃瓜群众看来，智能太过于被泛滥的使用。据说某大学原来的“线性代数”这门课没有人选修，改为“人工智能基础”就趋之若鹜..人们把很多其实算不上智能的，都冠之以“智能”，使得人们对“智能”也产生了信任度的下降。很多人认为AI就是个宣传的口号，实际上它也没有什么AI—当然，这也与AI的边界有关，有些就是统计学，大数据分析—也被纳入AI范畴。

（2）.AI没有啥用：在一些应用上，AI的结果并没有较之之前的机理方式更好的结果，因此，这使得很多人认为AI也没啥用。这也很正常，毕竟AI也并没有说它就一定很牛的能够解决很多问题。

（3）.脱离自动化基础的AI难以发展：尽管，人们追逐AI的脚步，但现实的工业现场就让做AI的人很憋屈。因为，现场的数据采集不到，语义互操作的规范就没有，自动化程度都很低，这对于AI这个需要数据质量的应用来说，还是挺难的—它本身就需要大量的数据，你也没有数据，然后，AI也没有那么智能，毕竟就算商业AI都依靠一些专业的数据标注公司才能活的好。工业AI就更缺乏这样的数据服务业务了—首先就是不允许，你在商业可以干的事情你在工业就不行。所以，没有好数据。

（4）.场景复用问题：这个也是AI在工业里遇到的比较大的难题，因为，训练出的算法特别受制于场景，很难把这种能力迁徙到别的相似场景里。那带来直接的麻烦就是“经济性”问题，一个个的项目做下来，耗电都不算啥，主要是消耗工程师资源—AI的人力资源成本就算这两年不景气，但是其成本也是各类工程师里极高的—刚毕业的硕士也得开到30-40K这个水平。

当然，更重要的在于缺乏具有产业洞见和AI技术融合的创新性人才。毕竟大部分的AI专业都觉得工业没有钱，混饭比较难，连工业类专业的毕业都不到制造业，你还指望人家AI本身跑到你工业里打螺丝。AI在工业的应用，其实还真的是有非常多的需要探索的，并且建立在比较好的自动化基础，才能真正发挥作用。

前些时日，与郭老师在其《知行-工业基因的数字化演进》一书读者见面会上，郭老师在其演讲中谈到“悲观者正确，乐观者成功”。

悲观者肯定是正确的，它都是基于现实的问题而产生的不信任、不认同、质疑，因为AI在工业里可以被有效应用的实际场景的确有限——预测性维护、视觉缺陷分析比较多一些。但在像参数寻优、控制模型优化上，还是欠缺有说服力的应用。另外，就是场景的“可复制性”难这个问题也是广泛存在的—那就很难具有经济性，因为，它可能都是一个个的项目。众所周知，自动化行业的企业，目前盈利的重点都在“可复制性”的应用上——记得今年3月在广州，与管老师交流，他说“我们做的这些AI都很难啊！”-我跟他开玩笑说“是的，好做的都被我们自动化干掉了，剩下都是些硬骨头要你们啃”。很多自动化圈的朋友对做工业互联网、AI方向业务就不是特别在意，因为，那些都是难以复制的碎片化场景，典型的“非标”，工程资源消耗是很大的，为了一个应用，消耗很多工程师工时，而得到的回报也不大。因此，在很长的时间里，这些应用并非技术上干不了，而是从收益上，价值不大。

但是，为什么大家又开始在积极的做AI的技术布局？

首先，需求发生了较大的变化，现在的制造业，最大的挑战就是“碎片”，越来越碎片化的订单、越来越碎片化的生产，这个会带来很多问题。这些新的问题，需要新的方法来解决。

生产调度问题：如果仅简单的1个产品，就算流程长，你用Excel表能排个生产计划，但如果有非常多的产品变种，这些变种延伸出机电参数的优化，流程中的同步诸多问题。你也算不出来了吧？还有…这么复杂的一个问题空间，其实，里面隐藏着“效率”被“窝”在里面的问题，通过数据学习，其实，AI系统应该是可以给出在各个维度的“聪明”—更高品质、更快的节拍。

复杂系统里就会存在这样的问题—你可以按照一个计划走，但其实，它并非最快的—这个系统的迭代，就得依赖数据方法来给你收敛。

参数自适应问题：以前，系统的参数，设置一次即可，包括试凑虽然消耗资源，但，它能够大量生产消纳“开机浪费”，现在批量小了，就变得麻烦。

其次，AI在经济性上还是出现了较大的变化，尽管GPU很贵，但作为一种可被复用的算力资源，它的边际成本在不断下降。因此，算力资源的经济性使得过去难以做的事情，现在可以做了。

图2-控制算法的AI寻优

其实，这个也是离线工程，在很多场景中，其实也很难来完成在线优化。

全球知名的咨询公司德勤在其《制造业+人工智能创新应用发展报告》中，按照流程与离散制造业进行了划分。如图所示，其中，针对离散制造业而言，仿真设计、质量检测是较为显著的应用需求。而对于流程工业，物流调度、设备管理、安全与节能减排的需求较为显著。而智能控制、辅助决策、排程则是具有通用性的需求。

图3-德勤关于AI的工业场景中的分析

很多e-works的观众也就对AI究竟在工业里有哪些前景，这个图可以做为一个好的回复。

AI给了很多中小企业机遇：其实，如果AI能够很好的解决一些场景问题，就是对于模型的训练越来越精简，快速，那么，还是能够创造一些APP应用场景。解决特定问题，这特别适合于小型公司作为一种服务型企业来发展。

乐观者何以成功，就在于任何的技术，只要它有利可图，就一定有人会去尝试克服这些技术的障碍。工程创新，其实就在这个过程中发生，将AI与自动化、机电控制、工艺、流程结合，人们都会探索各种可能性，也会遇到很多问题。Know-How这个东西就是，你需要去“试”，测试验证，失败了并不可怕，而是更值得庆贺—因为，证明这条路走不通，它同样是有价值的。

乐观者，可能会突破原有思维的限制，更容易去打破边界，因为AI它更大的诱惑在于“它创造了更多的可能性”—因为，在应用过程中，人们逐渐去解决了克服AI难以在工业推进的难题。进而获得了突破，一个个小的突破，最终会从溪流、转为支流、再汇集到大江大河，这就是进化。

过于神话和不信任的质疑其实都不是客观的态度，其实，我们要去探索的问题在于几个方面：

交大电院的戴老师、AI4C的管老师，以及几年前与HW的朋友聊起AI，都是把问题聚焦在“工具化”的问题上。

AI的世界和自动化的世界，在现实意义来说是比较割裂的——这简直可以被认为是两个世界，相互之间缺乏了解。

AI应用与自动化的其他逻辑、算法、传动控制任务一样，也是一个“工程”开发的过程，既然是工程开发，那就一定需要平台工具支撑。相对来说，在AI应用开发的各个环节，其实都是需要很多依赖于工程师经验和能力的工作，包括数据的采集、预处理、特征提取、调参…那么，是否有“可配置”的工具来帮助呢？而不能把每个AI应用开发都变成“项目”，那就消耗资源太大了—所以，为应用和流程建立模型，并降低开发人员的工程消耗，就是工具化的关键。

就是像AI4C管老师说他们要在AI和应用间建立“桥梁”，那就是工具化，可以被嵌入到已有的MES系统、DCS中，成为一个可以被快速使用的工具。

第二个问题，就是说AI不能是一个“持续迭代”的动态应用—而是一个“开箱即用”的APP。这就是“产品化”，而不是“工程”—来源于工程，无论是可以被嵌入还是独立的APP。无论是一个预测性维护应用，一个调度算法，一个缺陷分析软件，或者识别类的，它具有广泛的适用性，且前端无需太多复杂的配置—傻瓜型的APP。不需要说明书，即可操作，就像现在手机上的很多APP，可以帮你数签子数，扫描一下就自动出结果…或者把他们软硬件打包为一个工具箱一样，也是一种产品化。

显然，AI有不少机会，但是，之前与冯少辉博士交流，它认为AI更多可能还是在非控制方面的工作，比如视觉检测、调度排产等方面。当然，现在像TESLA用大模型去训练人形机器人，这种，它都是未来发展的重点。

围绕AI的发展，其实不同企业的聚焦点会不同，对于AI本身的开发型企业，可能会关注AI的发展。但，也要做出更好的工具，而对于自动化厂商、专业的服务商，更多要将AI产品化。对于机器制造商，则需要考虑AI究竟如何让机器更聪明，End User则需要考虑数据治理架构，能够让集成的工具和方法可以获得高质量的数据—这些也都要围绕自身的制造能力，快速响应用户需求。

图4-关于AI发展战略路线的思考

因此，每个公司都需要根据自身的业务特征，市场，来制定自身的AI发展战略。

🔵 机会发现：围绕要解决的关键问题，比如OEE、机器的六大浪费的解决；

🔵 数据治理的问题：最近在看OPC UA的最新的信息模型，其中，注意到关于能源监测，碳足迹的相关模型。

图5-OPC UA中关于能源的信息模型

🔵 平台伙伴：什么系统更适合自己，这个时候才能进行有效的评估。

🔵 人才&服务：其实无论是自建团队还是外包，内部还是需要有人能够了解自身与技术，才能有个桥梁，在技术和需求间很好的融合。

这就是我们反复强调，人才的关键，在于能够理解AI边界，在于能够将技术与需求融合，解决实际的产业问题。而不是炫技—炫技的工作，只有作为AI的原始开发公司，才需要去做的事情，对于这样的企业，AI的进步都是可以炫耀的，但对应用者，则不必要。

🔵 持续改善：AI本身就是一个“更聪明”的系统，AI和精益的“持续改善”融合，才能让企业的运营管理和AI技术相互间能够达成“相辅相成”而非“各自为政”。

因此，领先的企业，它一定会知道，它即使不成熟，但它必然有成熟的一天。吃到技术红利的企业，都会在未来更好的发展，而悲观者如果仍然停步不前，则在未来的路上，失去很多机会。

AI是技术，但并非神话，对于它的焦虑是不必要的，过于吹捧也没有意义。要用好技术，就得扎实的打好基础——按需来设计规划，做出技术的合理性发展的判断，就无需神话或质疑...而是把它作为一种生产工具发展生产力。（◼️ 本文完 ）