用户中心

资讯 > 业界新闻

工业AI有多少值得期待?

www.cechina.cn2020.10.28阅读 4218

  有时候,产业似乎很容易陷入“运动式”的技术狂潮,AI的热流无所不在,AI也变成了像是个“万金油”,哪里蹭哪里放光芒,人们都开始要赋予制造业AI的能力了—有时候这种热让人感觉,AI会来拯救制造业,传统的技术都过时了—不值得在研究了的感觉,但是,另一方面,又都在议论基础研究的欠缺,各种技术被卡脖子,这种矛盾,大概源于对技术的无明, C博士曾经说“AI只是一个无奈的选择—在一些场景中,的确有些对象不好测量,也没有什么更好的办法”,但是,其实,机理模型是最有效的办法—因为,它是确定的,并且可解释性的,你从公式就能推出结果,完全可预测性、与AI相比那简直太优秀了控制工程网版权所有,放着优秀的技术不用,非要去搞成本更高,对于人员的专业性需求更高的AI,纯粹就是为了“高端大气上档次”吗?还有就是“泛智能”—把原来的自动化升级、软件也泛化为“AI”—就像80年代,摆摊“计算机算命”一样,似乎比那些道士装扮的人算命就高级一样,后来大家也明白了,那就是查字典,谈不上任何的智能,但是,对于缺乏科技素养的大部分人来说,高端,牛!

  最近翻看了一本称为《复杂》的书,谈到了混沌,其结果对于输入极其敏感,就像蝴蝶效应,纯粹的非线性,但是,发现其实这里的非线性也是有确定性的描述的,即,通过逻辑斯蒂映射,可以对整个非线性过程进行预测,并发现了“费根鲍姆常数”—这是让我很吃惊的,非线性系统原来也是具有确定性的,这就是“AI可以发挥”的地方,和戴老师在群里聊及一些技术话题,谈到这个—其实,这就是人们希望AI可以干的事情,在不确定中寻找确定性—其实,还是可解释的模型最管用,人类所有的工作不就是希望提高确定性吗?

  但是,基于统计学和野蛮算力的AI,却并没有“洞察力”—因为逻辑斯蒂映射、费根鲍姆常数是数学家们自己发现的,并手动推算的,那么这个“洞察力”,是今天的AI所完全没有的,人们常说“智慧”,智慧就是洞察力、判断力,在十字路口,要往哪里走?机器可能用“遍历”、“交叉树”些方法,但是,人可能用直觉就能做出准确的判断,或者作出判断是不去了—对于计算机来说,它擅长于计算,但是,我说不去了—因为,去找各种路估计已经来不及了,我放弃了,不用算了—这个时候,计算机的算力没有意义。

  在制造业现场同样如此,所以,智能是AI算法+物理模型+行业知识,这里的行业知识就是来自“老法师”,在机器的生产运行中,涉及到机械、电气传动、流体、温度与传导、光学等多种对象,而这些对象之间又会叠加出各种物理效应,这些物理效应的叠构成了制造中的各种干扰因素,有些无法测量,形成机理不是很清晰,比如,影响一个晶圆的某种缺陷(通常有40余种常见缺陷)的原因可能是与机器的加工中的传输精度有关CONTROL ENGINEERING China版权所有,也可能与空气流动、温度的变化,也可能对于工艺材料的配方有关,这些复杂的问题究竟是如何形成的?应该在哪个方面进行调整?而很多原因是无法测量的,或者测量不经济,那么,老法师依靠自己的经验,积累了众多的知识,他就能找到问题的原因。或者吹瓶中的白花、瓶颈歪斜现象,都是有对应的原因,过于高的温度、模具安装精度不足等,这些都是依赖于经验的。

  而要解决工业中的问题,AI在没有物理模型、行业知识的协助下,几乎无能为力,一定是“老虎吃甜,无处下爪”的。要把老法师们的“隐性知识”变成显性知识,本身就是一个复杂的人工过程,在AI还没有洞察力的时代,AI的代价是非常高昂的,因为,测试验证仍然是要花费巨大的成本的,而这个成本有时候我们忽视了—因为在传统机理模型上就出现这样的问题。
  在一次展会期间,其实,我想验证一个老前辈的话,他曾经说其实国内目前仿的机器都是别人10-20年前的,通过与行业几位业内人士聊过发现果然如此,因为从技术上来说,Know-How通过软件封装已经让很多这种“灰度创新”难以为继,而另一方面,对于新的机器来说,即使逆向工程也是有大量测试验证工作的,与20年前的机电系统相比,这个验证也是代价很高的,风险比较大,所以,大家也就只能把别人十多年前的机器图纸拿来。只有少数具有自主研发能力的企业,才具有很深的机械电气机理模型验证能力,谈到这个是想说,其实,AI用于解决问题花费的测试验证成本并不会比传统的方式低,不要对AI抱有过高的期望。
  非是为了泼冷水—只是想强调,要客观、冷静的看待AI,现在的政府似乎也陷入了疯狂,就像H大学的老师说的“他们已经成为了科学家”,开始为越俎代庖来为产业规划AI在制造业的应用,规划“数字孪生”,我觉得官员对于“政绩”的“高端大气上档次”有非常强烈的欲望,凡是要持续投入的、而且要从基础做起的,都是他们不感兴趣的,这就警示我们“那些指导性意见”可能带有非常强烈的“选择性”,那就可以做出简单的推断www.cechina.cn,这可能就不是有意义的方向,可能借着AI来个“打造千亿市值企业”的雄伟规划就出来了,趁着半导体的热门,各地又像当年打造机器人产业园一样打造半导体产业园。
  做企业的,可不能这样,尤其是自己要掏真金白银来的,可要思虑清楚。
  如果过去的那种做法真的奏效,其实,我们怎么会有今天的问题呢?所以,不能用带来问题的思维方式来解决问题,这个话还是有非常深的道理的。
  我们的很多问题,根本不是AI能够解决的,或者AI只能解决非常有限的问题,解决那些已经达到了机理极限的问题。以为AI就可以解决问题不花钱—这种不老而获想法也是不行的。
  人才,其实还是人才的问题
  各种会议、论坛的专家的蛊惑能力真的是够强的,现在大凡去家公司、遇到个技术大咖,就能给你讲讲人工智能、数字孪生能够带来什么样的收益,比如通过数字采集,能够优化你的质量啊!能耗啊!…反正这种千篇一律的“愿景”在过去数十年里从来没有中断过,其实,这些词返回到70年前的AI初期阶段,也是这些词。
  但是,你若问的仔细,你会发现大部分人其实对于AI是一知半解,很多企业的决策着也是有一种“不做就落后的感觉”,其实,如果我告诉你你的落后跟人工智能一点关系也没有,但是,有些人会问,  我们应该有什么样的知识结构,这倒是问到了要点上,就是有了“规划”的想法了,至少人家知道,这事肯定得有人才行。
  这跟工业互联网有点像,前段时间有朋友说走访了很多某省的企业,很多企业都想上工业互联网,但是,不知道能干什么,这种现象很普遍,能干什么都不知道CONTROL ENGINEERING China版权所有,纯粹是怕落后于时代,但是,对于自己企业存在哪些问题,需要借助于这些工具与方法来解决似乎并没有概念。企业的问题,主要是为了解决对服务的用户的质量、成本、交付问题—这是反复被强调的,聚焦自身,你又不是打算做工业互联网企业,你想上不上云、怎么干,这些是服务厂商的问题,企业自身的问题是把需求搞明白,自己想要什么搞清楚—如果连这个也不清楚,你上什么工业互联网平台、AI都是枉然,也就被骗了点钱,或者一起忽悠了笔政府的钱。
  如果不知道为什么要做这件事情的时候,至少你可以冷静下来问问自己“WHY?”,然后问问这个问题,我现在有什么办法尝试过了吗?
  你得知道你处在什么阶段?
  我想很多企业还没有到AI发挥实力的阶段,很多企业的问题只需要通过提高精益管理水平、提高自动化水平就可以解决的阶段,AI这个东西,它是用来解决一些更为“精细”的工作的,就像你质量水平是99%,你已经使出了浑身解术,那么,你可以借助于AI帮助你解决一些更为精益的问题,在一些细节上可以将工艺匹配的更精准,但是,如果你现在的质量水平还只有85%,那我可以告诉你,这个阶段可以用更便宜的方法,而不是AI来解决的。
  其实,很多问题还不需要AI就能解决,或者,很多企业的落后,不是AI能解决的,AI解决都是高级问题,你连初级问题都没有解决,你指望跨越的发展是不现实的。
  当然,如果你感兴趣,你有一些问题是否AI今天更经济,这么思考问题我想也是可以理解的,毕竟,传统的方法也不是什么好方法,但是,这里你就必须得清楚你的应用特征了,你还是得有自己的知识和Know-How,至少你得把你的问题讲清楚。
  你能把你想要的问题讲清楚吗??
  不要轻易回答这个问题,仔细想想,你会发现,大部分人做不到讲清楚,而建议别人“问清楚”。
  --你清晰你的工艺流程吗?
  --你关注的细节是用户关注的吗?
  --你们亟待解决的可量化指标是什么?
  --对于质量相关性的参数你有多少了解?
  --你知道你需要多大量数据才能训练出有效模型吗?
  --你们的数据类型是哪种?
  --对于可解释性你们有要求吗?
  --你对AI了解多少?
  --你的AI规划与现有系统之间如何衔接?
  --你能够为你的供应商提供什么样的架构?
  能把问题讲清楚吗?
  把问题讲清楚,以前觉得不是个什么事情,但是,现在发现这是个大问题。
  做AI的人呢,大概收入高吧,最近又遇到了说自动化行业的那些软件就是玩具的IT大佬,他说了半天梯形图,指令表就是个简单的玩具,我反应迟钝,觉得说的好像有点道理,其实,后来我才想起来,不对啊!我们工程师不大用梯形图啊!都是用C/C++比较多啊!而且都用了20多年了,他们怎么老是觉得PLC就是梯形图呢?
  提这个问题是想说“隔行如隔山”,IT的人和OT的人过去数十年都在争论一个问题,你给我数据,我就能分析,OT问,你要什么数据?IT说你有什么数据?佛陀说“我执”,其实看来群体的执念—集体中心主义也是很严重的,但是,IT与OT、机械与电气、工艺之间的“鸿沟”是存在的。之前写“提问”这个话题不是没有道理的,有些人肯定觉得我写了个“小话题”,其实,非也,有效的沟通,在融合时代极为重要。能否有良好的结构性思维、高效的提问、理解、总结、确认的循环过程,我们的沟通效率会很低,就无法有效的推动项目。
  智能到底是什么?它想干什么?
  显然,人们搞各种智能的目的就是让机器人帮人干活,也不是懒,在灵活性方面,机器是没法跟人比的,但是,在质量一致性、速度、工作态度方面,机器肯定比人强,生产线上的工人,老法师干活杠杠的,但是,老油条也能给你磨洋工,你看机器就不一样,只要给它上电,它就给你干活,它出了问题,也不会抱怨你不给它涨工资,给上点润滑油,换个零件,继续干。
  智能,就是想让机器拥有人的智慧,然后去干活,但就目前为止,我想机器还没有达到“智慧”这个境界,智慧,要拿佛陀的说法就是“般若”,就是“明心见性”的通透,扯远了,要回到地面上说就是“判断力”,对方向的把握吧,你说机器学习厉害,据说已经达到了人类的图片识别能力,我突然想起来,我们家小姑娘,她可是不需要那么多训练的,她看到一个大象的非常粗糙的卡通图,到了动物园,她就会指责着那个巨大的动物说“大象”,你看,你花费了那么多计算机资源才学到这个水平,那小朋友根本就不用
  智能的本质是什么?
  智能的本质,主要还是为了应对变化,其实,变化是永恒的存在,因此,不管过去,今天,还是未来,变化都是存在的,因此,像控制、通信,其实都是为了解决这种VUCA环境下的稳定生产问题,降低不确定性,这是显然的。
  相对来说,在过去的时间里,生产还是比较标准的,现在就不一样了,现在你要让我穿件跟你一样的衣服,我内心深深的觉得自己没有个性-不能彰显我独特的魅力,尽管我知道我的个性化需求主要来自体型的局限性带来的困扰,但是,我还是选择去定制衬衫和西装。

  如果你让机器拥有智能,其实,就是让机器学会人的方式去干活,人怎么干活的?人是有眼睛、耳朵感知世界的,然后有手去执行的,由感知到大脑,大脑协调各种肌肉、关节的运动(机器或机器人)来完成各种任务的。
  智能的形成过程
  但是,人的知识是怎么形成的?就是观察、测试验证、然后不断迭代,那么,机器也一样需要这样,人对这个世界的知识的应用主要有演绎—即,像中学学习几何一样推理出结果,而归纳,就像今天的数据建模一样,用数据拟合、聚合出一个模型,两者即机理建模、数据驱动的建模。
  数学是连接物理和虚拟世界的桥梁,建模必然会用到数学,只是会用到什么样的数学一样,比如逻辑就是布尔代数、PID调节基于微积分、数据的处理基于概率统计,就连信息论、控制论也是基于数理逻辑、统计力学等学科汇集才能构建一个“对不确定环境的统计学建模,然后预测未来的趋势”,如果回到维纳的《控制论》和香农《信息论》,控制与通信都是这样的,也是基于数据驱动的模型。

  因此,本来人工智能三大学派就分别代表了不同的实现,符号主义那帮人打算对人的思维、推理过程,用数字逻辑来表达,然后去推理、判断与决策,而连接主义想模拟人的神经递质传递过程,进行计算,来模拟人的推理过程,而行为主义学派则是通过“负反馈”来调整“控制策略”,以实现对不确定性、干扰环境下的物理对象的稳定输出。
  说来说去,其实,制造业的智能包括了大家平时用的机理建模和数据建模两种方式,因为我们可以想象,是否所有的制造都是“物理”和“化学”两种,物理的成型也是有物理公式的,化学则有化学方程式,只是干扰却具有不确定性,那么,行为主义不管你们的干扰形成和影响是什么样的,我就认准对象输出有问题就去调节,然后不断的采样、控制、周期性的控制策略调整,总归是能达到效果的。机理模型当然也不是完美的,毕竟,它也不是实时的,也只是控制“趋势”。
  智能其实就是这两种主要的思维方式的数学建模,然后经过大量的测试验证,最终形成知识的载体—工业软件,软件即是人的知识、推理的封装。
  工业智能的几个重要场景
  对于工业而言,图3几个场景是比较典型的AI发挥能力的地方:
  (1).预测性维护:传统采用机械失效分析等机理的方式,其实一样是需要领域知识的大量积累,过去称为专家系统,但是,对于航空航天等重要领域,其实,这个方面的研究一直在进行,但是,对于更为广泛的领域,则由于经济性问题,而不能进行大量的专家知识积累,依靠于人的经验,而随着AI带来的成本下降,使得,通过AI来进行更为广泛领域的预测性维护,也成为了可能。

  (2).视觉应用
  相对于传统的光电开关、红外等传感器,机器视觉能够表达更为丰富的信息,因此,可以被应用于各种任务,随着FPGA芯片、GPU成本的下降,使得视觉可以更为广泛的应用,典型的在瑕疵检测、测量、识别等场景,而机器视觉与机器学习可以结合,训练对缺陷的识别模型,并提高适应性。
  (3).控制策略
  事实上,AI在工业控制领域的应用一直是伴随着AI的发展的,只是局限于算力与经济性问题,因此,例如在自适应控制、模糊控制中都会用到相应的如神经网络、数据驱动建模方法CONTROL ENGINEERING China版权所有,而对于各种非线性、不易于测量、没有机理模型的控制场景里,这些应用一直在进行。
  (4).最优化:对于原有的控制任务过程中,我们可以加载观测器、成本函数来对整个过程进行约束,例如寻找时间消耗最小的路径、材料最少、质量最高的路径,这种最优化,在没有模型可以依赖的时候,可以借助于学习来训练模型。
  工业对于AI必须是“物理模型+AI方法与工具+行业知识”共同构成,难道我们机理模型没有打好基础,就认为直接迈入AI时代,就能跨越制造的本身?
版权声明:版权归控制工程网所有,转载请注明出处!

频道推荐

关于我们

控制工程网 & CONTROL ENGINEERING China 全球工业控制、自动化和仪器仪表领域的先锋媒体

CE全球

联系我们

商务及广告合作
任小姐(北京)                 夏小姐(上海)
电话:010-82053688      电话:18616877918
rendongxue@cechina.cn      xiashuxian@cechina.cn
新闻投稿:王小姐

关注我们的微信

关于我们 | 网站地图 | 联系我们
© 2003-2020    经营许可编号:京ICP证120335号
公安机关备案号:110102002318  服务热线:010-82053688