首頁>科技>

關於什麼是人工智慧,簡直就是各說各的有道理,自從達特茅斯會議定義了“AI”這個詞以後,人工智慧本身也經歷了幾次波峰波谷,它的流行不是今天的這一波浪潮,而是經歷了多個浪潮,又因為實在沒有什麼貢獻而沉寂,但是,人類從來沒有停止人工智慧的研究,一直試圖用它來解決一些問題,帶來現實意義的商業價值,儘管今天人工智慧在商業領域有諸多的成功,然而就其在工業領域而言,卻似乎乏善可陳,不知道哪些場景有比較好的。

市場裡的聲音也帶來了很多“模糊”讓人困惑,樂觀主義的認為人工智慧將顛覆製造業,而另一個觀念又認為其實AI並非那麼神奇—人們對人工智慧抱有太高的期望,尤其在工業領域裡,有很多不同的聲音,因為現在已有的人工智慧包括機器學習、深度學習等所應用的場景與工業有較大的差異,工業人似乎基於更為保守和現實意義的考量,並不對人工智慧保持過分樂觀,然而,跨界的領域總存在著空間,讓我們試圖去分析如何通過科技融合創新來為工業帶來新的機會。

1.關於人工智慧對工業創新的分析

避免幾種思維的極端

1.1一種認為AI適合幹商業而非工業,一種是認為AI可以顛覆工業。就像Musk在今年上海的人工智慧大會上所說,其實,Musk所說的機器比人聰明這件事情並非現實,AlphaGo下圍棋這件事情都是在確定性規則下的推理學習,而工業卻完全不是這樣的場景,不確定、擾動、複雜是圍棋所不能相比的。

1.2認為AI是代替自動化時代,和把自動化,資訊化,智慧化作為斷代史一樣,認為自動化是“過去”,實際上是對AI發展歷史以及工業AI應用的不清楚,行為主義學派的典型就是維納,而非線性是工業的常態,線性才是偶態或稱為“特殊情況”。

想顛覆工業的人工智慧曾經豎立的“Flag”可不是隻有某個小人物,連明斯克、司馬賀這樣的大佬都不斷被自己設下的人工智慧里程碑所打臉,因此,不要輕易說要“顛覆”,因為那些要顛覆傳統產業的新經濟,自己能活過C輪都不多。

新經濟有太多的資本力量放大的槓桿和因素在裡面,錢燒的比較多,但也比較快,這種邏輯就相當於如果一個女人生孩子要十個月,那麼十個女的是否就一個月可以生一個小孩呢?很多邏輯在商業領域可用,在工業領域卻不靈,這很正常。

1.3 泛AI就沒有什麼談論的必要,把演算法就認為是AI就容易缺乏邊界導致的混淆與模糊。

目前對於AI的界定似乎越來越寬泛,大概是為了能夠搭上AI這個風口吧?什麼做演算法的、軟體的,就像趕上風口的時候,都快要倒閉的發不出工資的公司都可以被標定為“工業4.0標杆”一樣,因此一個做網路空間租賃的也就變成了“邊緣計算”的標的了,這就是資本的娛樂性,找點開源的演算法,然後找個場景訓練一下資料,就可以自稱“AI創業公司”,然後去資本市場圈錢了,前段時間看一個節目,大概就是類似於許小平等一干大佬看創業者的專案,唉!真是讓人感慨,做實業圈的我們可能真看不懂那些不靠譜的應用為什麼就能被大佬看上,願意投個幾百萬,佔個10%的股份…,資本就是那麼“有錢,任性”,管它靠譜不靠譜,反正沒有比這個靠譜的時候,這個就是靠譜的。

“AI必須被界定”—這才是科學的態度,什麼是AI?這很關鍵,不是隨便個人弄點演算法、搞個視覺就號稱AI,AI的核心是要幹什麼?--解決自主決策的問題,也即,它的硬核在於“決策”,如果只是感測器感知,那只是一個自動化問題,如果說為了控制,那就是自動化的控制問題,如果不存在推理、分析並作出自主的決策能力,這個都不能稱為AI,你可以稱為“專家系統”、“字典”但是,你不能就隨意界定為AI,尤其是用於工業的時候。

2.工業應用中的特殊性

2.1考慮問題的邏輯與商業中的差異

工業與商業在人工智慧的應用方面有較大的差異,就像在IT領域裡通訊是按照“達到最高的效能(Up to)”,而在製造現場的人則談“最差的情況(Worst Case)”,這反映的實際上是兩種完全不同的思維與態度,進一步來說,最大的差異在於穩定與可靠性,就像工業控制裡強調資料的傳輸的“確定性”,在於“精確”、“可解釋”,這些都是很多當前人工智慧領域的應用,無論是連線主義的神經元網路,還是以前符號主義的推理過程都是無法滿足工業對於應用的“可靠”、“精準”、“魯棒性”的需求的,這使得必須結合工業本身,開發有效的人工智慧應用,而這些又需要結合幾個重要的思維:

人們對AI寄予厚望,然而,在工業領域裡似乎目前還沒有能夠看到人工智慧到底能幹點什麼?如果人工智慧只能乾點錦上添花的事情而非雪中送炭的話,那人工智慧就是一個可有可無的美好姑娘,

在商業領域,你能找到大批的使用者,反正有那麼多人,只要有1%的人能夠感興趣就能創造一個很大的市場,但是,在工業領域卻是另一個場景,你必須達到很高的準確率才能有客戶用—就像識別不良品一樣,1%的不準確對於手機生產而言,就有可能是數萬、數十萬個不良品成為漏網之魚,這顯然是無法接受的。

2.2AI工業應用是一個系統工程

這是一個真正的大問題,存在的難點,工業中的AI應用如李傑教授所認為的“是一個系統工程”,感知資訊、傳輸、資料清洗、資料特徵提取,以及最終的控制、執行等都是必須緊密配合的,你就算有AI卻也無法有效的發揮作用,因為,你的採集準確與否取決於感測器的精度,而你資料的特徵提取則依賴於行業的工藝,而在執行的時候又需要考慮執行機構的機械特性…AI的應用成功並非是一個AI本身的問題,而的確是一個系統工程,牽扯的方面較多,相互之間的關係複雜,甚至目前都不可知,如何構建AI應用系統本身就需要很大的協同。

物流規劃是一個很有意思的問題,這件事情讓我也很吃驚—前些時日和一個物流行業的朋友聊到工業現場的大量倉庫號稱“智慧倉庫”,但是,實際上很多倉庫並沒有一個智慧的規劃,而是一種FIFO(First In First Out)的佇列一樣,並非是根據使用頻率、重量等規劃的最佳倉儲位置的問題,據說遇到的障礙是“編碼”問題,就是很多工廠裡會缺乏良好的編碼系統,我就想到了OPC UA裡的AutoID的功能,如果每個產品做到這一點,那麼資料才能被真正應用於工業智慧分析與優化,因此,這個角度來看,工業中的智慧必然是一個系統工程。

3創新:解決經濟性問題

即使在兩者之間存在著認知侷限或膨脹產生的各種情緒,實際上,的確必須意識到採用新的方法與工具解決傳統問題,仍然是一個值得去幹的事情,跨界的地方就會有機會,這也是無數事實證明的,創新也發生在邊界上,摒棄成見才能走入對方的世界,也許AI和工業需要一種平和的心態,而非是鄙視鏈條上的不同物件。這需要思考以下幾個問題?

3.1哪些場景是新產生得問題?

在工業裡,最忌為了AI而AI,或者為了聯網而聯網的行為,所有的目標都是提高品質、降低成本、提高交付能力,應對個性化的生產這些精益目標,這個問題並不存在異議,因為,真正的企業運營不能為了拿個國家專案投入大量的人力去幹這個事情。

(1)製造現場的連線後產生的問題

如果說現有的生產在機械約束條件下已經達到一個極限,那麼通過挖掘“連線”的潛力,則是一個問題,而這其中要解決的很多問題又非是機理模型難以解決的,因此,需要藉助於“學習”,來解決非線性問題,那麼這樣的問題是否很多呢?排程與規劃問題:這個需要一個既有的模型還是一個學習的模型呢?

(2)精細化管理產生的需求

這是從需求拉動的角度問題,為了解決產品的品質問題,採用視覺來進行產品缺陷檢測,但是,這個檢測就需要牽扯到識別的問題,並且需要一定的演算法來處理這些資料,並經過大量訓練後,能夠給出預判,但是,對於現有的視覺應用而言,最為複雜的就是對工況複雜的生產而言,需要大量的配置、人蔘與其中的設定、定義、標定等工作,需要對人有很高的專業要求,那是否存在著使得其更為經濟高效的方法呢?

3.2如何降低對人的依賴?

很多工業的應用,無論是資料驅動還是機理模型,其實都是對人有非常高的要求的,就像預測性維護,必須依賴於具有非常專業的國際認證振動分析師才能參與到這個預測中,因此,工業人工智慧的問題解決應該聚焦於如何將知識顯性化-如何讓知識能夠被封裝為一個個的APP,讓AI演算法訓練資料,同時與人的智慧經驗進行結合,形成知識自動化的包,這是一個需要機器學習演算法方面的專家和領域工程專家共同來進行的工作。

傳統的工藝過程是否能夠被縮短?

AI,包括機器學習、增強學習、神經元網路這些,他們將如何改變製造業?這需要從一個問題來思考:

--我們究竟哪些可以通過學習給我們帶來可能性?

傳統的很多工業積累,如預測性維護中常用的振動分析,依賴於專家系統,而伍斯特的勻整積累了200年的紗線工藝引數,而彈簧與板材折彎工藝等,很多積累都是需要數十年的工程資料積累,這個程序是否可以被基於資料的學習來改變?

基於機理模型的原始性設計是否能夠被新的方法替代?而無需花費巨大的時間成本來積累這些問題是否可行?這些都是新工具方法能夠發揮的區間。

這些應用場景的可能性都依賴於多個領域的人共同來探索,包括機器學習、工藝工程、電氣與機械、感測與通訊等多個領域的共同努力,因為,AI的工業應用一定是一個系統工程。

3.3更為經濟性的條件是否具備了?

AI在工業的應用從經濟性考量就是以前這些技術應用於工業因為算力、軟體的成熟度等帶來的不確定性,成本過高而一直沒有被真正應用,製造業是一個“錙銖必較”的領域,因此,必須有經濟性支撐。

(1)算力問題:實際上很多在傳統工業裡的解決問題的方法都是“最經濟的”方法,因為如果想要達到對工業場景的最大精度的復原和控制,那麼就需要非常強的演算法設計,而這又要強大的算力支援,就像人們把非線性系統給簡化為線性問題,進而可以減少計算量,包括如果採用複雜的演算法來進行控制,那麼算力所需的處理資源就不是一個普通的控制器可以完成,而對於工業而言,又要滿足可靠等,批量又不大的情況下,其實,算力強大的工業應用系統還是很昂貴的,如果這個算力被解決了—就像現在的手機都頂的上整個曼哈頓工程的計算機計算能力一樣。

(2)演算法與模型問題:因為經過大量訓練的模型具有可以被重複使用的能力。這也算是知識複用的潛力。在過去很多年裡,大家可能沒有考慮過採用基於資料驅動、機器學習、深度學習方法來解決工業問題,包括人的知識如何被用軟體、模型來表示,並形成真正的應用價值—目前的想法就是先有資料,這也不為過,知識如何顯性併發揮價值就是一個應用潛力。

(3)新工具與方法的改善:還有一個問題在於“工具”的問題,其實,消費與商業軟體最大的厲害在於“易用性”設計,有一次和Microsoft的管震先生聊起“玩具”—說有人說OT做的IIoT平臺是玩具,我說那我們看IT做的平臺也是玩具—想說的是不能實際落地應用,但是,管先生給我說“我們要做的就是玩具啊!大家一起來玩的”,我倒是被他說服了,看了他們的機器學習工具,覺得的確是簡單,還真是輕鬆入門,搞不好我也能拿這個幾天學會,不過,我想真正的難點還在工藝上,不過,至少這個工具本身簡單了,讓熱門易於入門了,也是一件好事。

因此,在這個角度,提供便利的工具與方法,本身就是解決經濟性問題—如何讓工業領域的專家使用更為低成本的方法或者用較低的成本整合到工業系統,使得整體具有經濟性,而這對於已有的AI成本是一個稀釋的過程。

4.分析:哪些場景需要智慧系統來幹呢?

在現場有大量的工藝問題,但是,垂直行業就會有差異,但是,工業的問題是否可以共性問題呢?

是否可以為這些具有共性的問題提供通用性的模型並對其進行訓練尋找廣泛可用的模型呢?

4.1引數尋優

無論是採用監督還是非監督學習,最佳引數的尋找問題是一個比較普遍的問題,這個問題對於工業來說,尤其是流程生產,以及希望將離散變為連續的流程生產而言,都是非常大的累積量,就像節省1%的能耗對於一個大型冶金企業都是有意義的—傅老師的優也大資料就是立志於此,這的確是工業的一個令人覺得有意義的地方—如同柴天佑院士所說的“小資料,大應用”,能解決大問題,可能累積下來每年就是驚人的成本節省。

4.2精益生產水平的1%提升

所以說現在AI的聚焦點在“Operation”運營中的問題,而非控制中的問題,因為運營中的問題可以容忍“犯錯誤”,而控制中的問題則不允許,因為一旦達不到就是不良品。

機理模型—無論是流程生產中的化學反應模型,還是物理的機械傳動控制模型,在傳統的機理模型下,往往是經濟而有效的,它的優勢在於用簡單的演算法模型解決了90%甚至99%的問題,那麼,對於剩下的1%的問題是否需要解決呢?

這個問題也有一個合理的判斷,即,如果平均水平達到95%,那麼對於能夠達到96%的良品而言,就會意味著較大的利潤空間,因為,這1%的差別對於良品而言轉化的利潤可能不是1%,而是10%,因此,這個意義也是存在的,但是,投入多大的力量能夠產生這個提升?一定需要通過人工智慧嗎?

可以將這個作為一個問題,顯然,現場有神明,需要由現場的人來判斷,而目前的問題在於雙方並非互相了解,AI不了解現場,現場也不了解AI,對話就是個困難。

4.3工藝匹配問題?

對於每種印刷而言,工藝引數都需要根據工況進行調整,是否存在著與已有的工藝匹配的最佳工藝引數呢?紡織中的紗線都是由數千種可能的纖維進行組合而成,那麼是否存在一種組合下的最佳加工引數,比如牽伸比的設定值最優如何計算?對於各種塑料顆粒的熔化、塑化成型過程,是否存在著最優的匹配引數呢?為此又能自動的計算最佳的傳動控制引數呢?

4.4路徑規劃問題?

路徑規劃問題在很多場景裡是存在的,物流是一個方面,但是,路徑規劃在大多數的應用裡可能也並不需要學習、人工智慧,有可用的規劃模型來實現,但是,具有通用性的訓練模型能否解決多種場合的規劃問題?

4.5判斷與分類

這類問題比較簡單,可以通過各種引數,包括視覺、聲音等對物件進行識別,並作出判斷,然後進行分類,包括由機器人對其進行分類統計,並將所對應的特徵反饋為加工調整值,這些都是對於工業4.0中的動態生產中小批量生產的一個智慧分析與判斷,並執行的問題。

5.要解決問題需要哪些前提?

5.1創新的需求與評估

國家花錢應該在基礎理論方法與工程,而企業必須有自我驅動力。

(1)必須明確,AI工業應用是一個系統工程,並非是一個AI能夠解決問題的,無論是機器學習,還是神經元網路、深度學習等,只是一個工具,但解決問題必須需要系統的,多學科交叉來構建,並採用科學的方法與工程過程來實現。

(2)必須基於應用價值的評估,而不是為了迎合這個潮流,或者為了某個專案的資金申報而投入其中,必須將基礎問題解決,人工智慧必須建立在高效的、標準的生產工藝與過程基礎之上。

5.2跨界人才,尤其是領域知識的問題

工業軟體開發涉及機電物件,軟體,工藝,週期長,且複雜但工業卻開不了高薪水,相當於在工業領域培養一個AI專家所需要耗費的代價是在商業領域數倍的成本,並且這個市場又不夠大,因為在商業領域1%的人群作為使用者就是一個很大的資料,而對於工業又是另一個場景,你花費代價甚高,卻無非為小應用付出了代價,因為,這個對於工業的障礙特別大。

(2)懂AI演算法軟體的多,懂工藝的少,你需要複合型,結果連基本型本身就少。當然還有就是這些人才往往不願意在工業來幹,因為工業想有成就有點難,需要了解工藝、需要了解現場的各種複雜的,比如採集、訊號處理、通訊、特徵值提取…事情乾的非常多,卻不能像在其他領域獲得大的市場潛力、投資者的關注,而且往往要像苦行僧一樣沉下去,有點難以吸引人才投入其中。

5.3資料的標準化

這個是IT與OT融合的難點,當然了,如果大家都對這個問題達成一致,採用OPC UA或者其它統一的標準與規範,這都是可以被解決的,但是,這兩個世界的人的確缺乏基本的相互了解,總是處於一個相互等待的狀態,IT的人通常的問題是“你有什麼資料?”而OT的人往往的問題是“你想要什麼資料?”,兩個人之間在這個問題上經過許多年也沒有扯清楚,每個人都覺得自己很清楚,IT的認為,你有資料我就可以訓練、學習,就能進行優化,而OT的人認為,你根本就不了解現場,現場比你想象的複雜多了,你不要想當然的認為自己可以,就像很多IT的人認為10mS就已經是實時任務了,你去問OT端的人,他們覺得那根本就不叫實時系統。

  • 整治雙十一購物亂象,國家再次出手!該跟這些套路說再見了
  • 安全成為頭號任務 市場監管總局:新能源車起火12小時內上報