人工智能是一项技术，但它并不是神话。没有必要担心，也没有必要夸大其词。要用好技术，必须打牢基础，根据需要进行设计和规划，对技术的合理发展做出判断。不需要神话或怀疑.而是将其开发为生产工具。生产力。

– 文章信息-

本文作者为贝加莱工业自动化（中国）有限公司技术传播经理宋华珍。本文由e-works数字企业原创发布。

e-works在线学院的这门《工业AI潜能》课程照常收到了近2000人的在线访问，20多个问题。关于这些AI相关的问题，我也打算写一篇文章和大家交流。

AI似乎很神话

互联网的传播力量通常来自于它所带来的神秘感和焦虑感。人们担心工作岗位会被取代——像武汉的自动驾驶出租车，会不会给出租车行业带来更多的失业，因为很多失业人员刚刚来过？找到了再就业的机会。 ChatGPT 强大的生成能力正在侵蚀依赖文案生存的媒体和营销人员的技能空间。 TESLA训练的人形机器人依靠大量GPU积累的计算能力，快速形成取代工人的劳动力……它们的能力因大型模型而快速增长。原有生产线上很多非标作业很难实现自动化。通过这种人形机器人的能力训练，就有了被取代的可能……人们原本期待人工智能能帮助我们做好工作，但人类从事脑力工作的愿望似乎破灭了，这让人们产生了恐惧人工智能。和焦虑。

它就像一股神秘的力量，正在将毁灭旧世界的力量带入我们的世界。 —— 何时、在什么领域取代人，成为新的生产力，尚不得而知。似乎就是你最初想象的那样。这一切正在变得可能。因为它特别擅长解决未知、不确定的问题。

图1-太多的概念和词语涌入我们的世界

人与人之间的竞争正在演变为人与机器之间的竞争——谁能在这场竞争中生存下来。人类似乎开始变得有些悲观了——因为这些机器人可以携带武器上战场，就像很多电影中描绘的未来世界一样……人工智能原本只与计算机软件和网络绑定。然而，当它附在人形机器人身上时，人们的担心似乎并不是多余的……硅基生命似乎对碳基生命构成了潜在的威胁，尤其是当它拥有了自我意识，并且拿起了武器的时候。

《终结者》 或许它最大的问题就是“不间断的超高移动能源问题”，即变形金刚主要需要超高密度的移动电源——AI的算力需要能源，而变形金刚也需要超高密度的能源，如此看来，AI+能源构成了未来竞争的关键。

因此，在这种背景下，AI必然被赋予“万能的力量”——，但你无法阻止它的进步。我们无法预测未来，因为可能性超出了我们的控制范围。人工智能已经给人一种即将民主化的感觉。 ——在全球掀起了AI热潮。现在小学生都开始学习Python了……你告诉我，你害怕吗？有压力吗？

对AI的质疑一直存在

在AI的发展史上，它成为神话的过程也颇具代表性——要知道早在1958年，纽厄尔和司马赫就说过“十年之内，数字计算机将成为世界象棋冠军”并且“十年之内，数字计算机将发现并证明每一个重要的数学定理。”1965年，司马贺说，“二十年内，机器将能够完成人类能做的一切。”现在看来，这些伟大的神都犯过错误，大跃进的错误——他们50多年前预言的未来，在今天看来可能并没有真正实现，但AlphaGo确实可以在50年后赢得国际象棋世界冠军。

经历了一个寒冬后，到了20世纪80年代，即使计算能力有所提升，但训练多层神经网络的难度却让AI陷入了新的冬天。继2006年Hinton提出反向误差传播算法和深度置信网络DBN之后，AI再次迎来了曙光。随着2016年AlexNet在图像识别领域的异军突起，AI再次迎来了新的辉煌时刻。事实上，近几年AI的崛起，比如AlphaGo以及近两年突然接管的ChatGPT等大型模型，再次让AI成为了新的焦点。

AI大师-Hebert Simon博士

然而，必须要说的是，AI并不新鲜，但它也经历过坎坷……即使在今天，对于AI也存在着很多质疑。

对AI的质疑不仅仅来自AI行业。他们的质疑在于人工智能的破坏性和道德伦理性，以及人工智能的“不确定性”。就像D老师说的，“生成式AI是可以编程的，但是它每次生成的代码都不一样，你敢用吗？” ——这确实是一个好问题。业界一直有很多质疑AI的声音：

可解释性问题：人工智能解决了所有相关性问题。这确实与因果律不同。因果律具有很强的可解释性。无论是物理定律还是化学方程式，它们都具有很强的可解释性和较低的计算能力。可预测的特征。 AI改进的黑盒模型决定了其难以解释。

实时性问题：这与行业的“周期性”本质有着本质的区别。对于AI来说，如果它训练出来的模型是用来推理的，需要很大的本地算力，那么它可能会成为控制系统中的一个“短板”——对于控制任务来说，你甚至不能说10ms的实时。

在工业领域，安全问题、模型精度、小样本特性也给AI响应带来困难。包括现在最火的“大型机型”，也包括一些消耗大量算力的——GPU和电都已经很贵了。没想到会消耗这么多电量。它还存在一些难以解释的问题：

灾难性遗忘：在训练新任务时，之前任务的表现可能会受到影响，并且在解决问题阶段无法记住已处理的信息。

缺乏人类的直觉和判断：大型语言模型是基于数据训练的，缺乏人类的直觉和判断，这使得它们在某些情况下无法做出合理的决策。

幻觉问题：大型模型有时会出现幻觉，即生成与实际情况不符的内容。这可能是由于训练数据不足或过度拟合等原因造成的。

不过，非常有趣的是，上述缺点是AI搜索引擎“秘密之塔”告诉我的。

事实上，业界质疑AI的声音有很多，包括：

(1).人工智能是一个宣传口号：在一些不了解真相或没有更深入了解的无知之人看来，智能的应用太广泛了。据说某所大学原来的《线性代数》课程没有人上过，所以当它改为《人工智能基础》时，人们蜂拥而至……人们把很多实际上并不智能的东西贴上了“智能”的标签。 ”，这让人们更多地思考“智能”。信任度也有所下降。很多人认为AI只是一个宣传口号。事实上，里面并没有人工智能。当然，这也与AI的边界有关。其中一些是统计和大数据分析，这些也属于人工智能的范畴。

（2）。 AI用处不大：在某些应用中，AI的结果并不比之前的机制更好。因此，这让很多人认为AI没什么用。这是正常的。毕竟AI并不是说它一定很好，可以解决很多问题。

（3）。脱离自动化基础的AI很难发展：虽然人们在追赶AI的步伐，但实际的工业场景却让AI开发者感到非常沮丧。由于无法采集现场数据，没有语义互操作规范，自动化程度很低。这对于对数据质量有要求的AI应用来说还是很困难的——它本身就需要大量的数据，而你也没有数据，AI就没有那么聪明。毕竟，即使是商业AI，也需要依靠一些专业的数据标注公司才能很好地生存。工业AI甚至缺乏这样的数据服务业务——首先是不允许的。在商业中能做的事情在工业中是做不到的。所以，没有好的数据。

（4）场景复用问题：这也是AI在工业上遇到的一个比较大的问题，因为训练出来的算法特别受制于场景，很难将这种能力转移到其他类似的场景中。它带来的直接麻烦是“经济”问题。每个项目完成后，电力消耗不算什么。它主要消耗的是工程资源——即使这两年AI的人力资源成本低迷，其成本也是各不相同。工程师中的最高级别——刚毕业的硕士生也要交30-40K。

当然，更重要的是缺乏具有行业洞察力和AI技术融合的创新人才。毕竟大多数AI专业的人都觉得这个行业没有钱，很难谋生。即使是工业专业的毕业生也不能进入制造业。你仍然期望人工智能本身来到你的行业来驱动螺丝。人工智能在工业中的应用其实还有很多需要探索的地方，只有建立在更好的自动化基础上才能真正发挥它的作用。

悲观者是正确的，乐观者是成功的

日前，在郭老师为《变形金刚》一书举行的读者见面会上，郭老师在演讲中表示，“悲观者是正确的，乐观者是成功的”。

悲观主义者绝对是对的。这一切都是基于现实问题引发的不信任、不认可和怀疑，因为人工智能在工业中能够有效应用的实际场景确实有限。 —— 预测性维护和视觉缺陷分析更为常见。然而，在参数优化和控制模型优化方面仍缺乏令人信服的应用。此外，场景的“再现性”问题也很普遍——因为可能是一个又一个的项目，所以很难经济。

众所周知，自动化行业的企业目前都专注于“可复制性”应用。 —— 我记得今年3月份在广州和关老师交流过。他说，“我们做的AI非常难！” – 我和他开玩笑说：“是的，我们已经自动化了所有好东西，剩下的只是你啃的硬骨头。”很多自动化圈的朋友并不是特别关心做工业互联网、人工智能方向的业务，因为那些都是碎片化的场景，难以复制，典型的“非标”，工程资源的消耗非常大。对于一个应用程序来说，它消耗了大量的资金。工程师投入大量时间却收获甚微。因此，在很长一段时间内，这些应用程序在技术上不会是不可能的，但在收入方面却没有什么价值。

但为什么大家又开始积极研发AI技术呢？

首先，需求发生了显着变化。当今制造业最大的挑战是“碎片化”。订单越来越碎片化，生产越来越碎片化，会带来很多问题。这些新问题需要新方法来解决。

生产排程问题：如果只有一种简单的产品，即使流程很长，也可以用Excel表格来安排生产计划，但如果有很多产品变型，这些变型延伸到机械和电气参数的优化，并且这个过程中存在很多同步问题。你想不出来，对吗？而且……如此复杂的问题空间，其实隐藏着“效率”问题“嵌套”在其中。通过数据学习，其实AI系统应该能够提供各个维度的“智能”——更高的质量、更快的节拍。

复杂的系统中会有这样一个问题——你可以遵循一个计划，但实际上它并不是最快的——这个系统的迭代必须依靠数据方法来帮助你收敛。

参数适配问题：以前系统的参数可以一次设置，包括试错。虽然消耗资源，但可以大量生产并消耗“创业垃圾”。现在批量小了，就变得麻烦了。

其次，人工智能的经济学发生了重大变化。尽管GPU价格昂贵，但作为可重复使用的计算资源，其边际成本正在不断下降。因此，计算资源的经济性使得过去难以做到的事情现在成为可能。

图2-控制算法AI优化

其实这也是一个线下项目。很多场景下，在线优化其实是很难完成的。

全球知名咨询公司德勤在其《变形金刚》中将制造业分为流程制造和离散制造。如图所示，对于离散制造行业来说，仿真设计和质量检测是重要的应用需求。对于流程工业来说，物流调度、设备管理、安全、节能减排等需求较为显着。智能控制、辅助决策、调度是普遍需求。

图3-德勤对AI在工业场景的分析

许多电子作品观众也对人工智能在工业领域的前景感到好奇。这张图可以作为一个很好的回复。

人工智能给了很多中小企业机会：其实如果人工智能能够很好地解决一些场景问题，也就是模型的训练变得更加精简、更快，那么还是可以创造一些APP应用场景的。解决具体问题，这个特别适合小公司发展服务业务。

乐观者之所以成功，是因为对于任何技术来说，只要它能够盈利，就会有人试图克服这些技术的障碍。工程创新实际上就发生在这个过程中。当人工智能与自动化、机电控制、技术、流程结合时，人们会探索各种可能性，也会遇到很多问题。关于专有技术的事情是你需要“尝试”、测试和验证。失败并不可怕，反而更值得庆祝——因为证明这条路行不通也很有价值。

乐观者可能更容易突破原有思维的限制，打破界限，因为人工智能更大的诱惑在于“它创造了更多的可能性”——因为，在应用的过程中，人们逐渐解决和克服问题。人工智能产业化推进困难的问题。然后突破，每一个小突破最终都会从一条小溪变成一条支流，然后汇成一条大河。这就是进化。

行业需要利用人工智能的几个方面

过于神话和不信任的质疑其实并不是一种客观的态度。事实上，我们需要探讨的问题有几个方面：

AI的工具化问题：

几年前和汉王的朋友谈论AI时，交大电子工程学院的戴老师、AI4C的关老师，都集中在“工具”的问题上。

从实际意义上讲，人工智能世界和自动化世界是相对分离的。他们可以被视为两个世界，彼此缺乏了解。

AI应用与其他自动化逻辑、算法、传输控制任务一样，也是一个“工程”开发过程。既然是工程化开发，必然需要平台工具支持。相对而言，AI应用开发的每一个环节其实都需要大量依赖工程师经验和能力的工作，包括数据采集、预处理、特征提取、参数调整……那么，有没有“可配置”的工具呢？来帮忙吗？然而，每一个AI应用开发都不能变成一个“项目”，这样会消耗太多的资源。因此，为应用程序和流程建立模型，减少开发人员的工程消耗是工具化的关键。

正如AI4C经理所说，他们希望在AI和应用之间搭建一座“桥梁”，即工具，可以嵌入到现有的MES系统和DCS中，成为可以快速使用的工具。

AI的产品化问题：

第二个问题是AI不能是一个“不断迭代”的动态应用——而是一个可以“开箱即用”的APP。这是“产品化”，而不是“工程化”——源于工程，无论是嵌入式还是独立APP。无论是预测性维护应用、调度算法、缺陷分析软件还是识别类型，都具有广泛的适用性，而且前端不需要太多复杂的配置——一个万无一失的APP。无需说明即可操作。就像现在手机上的很多应用程序一样，它们可以帮助你统计签名的数量，扫描它们并自动得到结果……或者将它们的软件和硬件打包到一个工具箱中，这也是一种产品化。

AI发展战略制定

显然，人工智能有很多机会。不过，经过之前与冯绍辉博士的交流，他认为AI更有可能应用在非控制性的工作上，比如视觉检测、生产调度等。当然，现在TESLA用大型模型来训练人形机器人，是未来发展的重点。

对于AI的发展，不同的公司其实有不同的侧重点。对于本身开发AI的公司来说，可能会关注AI的发展。然而，还必须制造出更好的工具，对于自动化制造商和专业服务提供商来说，人工智能必须产品化。对于机器制造商来说，他们需要考虑人工智能如何让机器变得更聪明。最终用户需要考虑一种数据治理结构，允许集成的工具和方法获得高质量的数据——这些还必须关注自身的制造能力，并快速响应用户需求。

图4-人工智能发展战略路线的思考

因此，每个企业都需要根据自身业务特点和市场制定自己的人工智能发展战略。

机会发现：围绕需要解决的关键问题

，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 ）
版权声明：本文转载于网络，版权归作者所有，如果侵权，请联系本站编辑删除