相对于AI的狂飙猛进而言，自动化的确低调。AI总要隔三差五地惊艳登场，掀起一场革命的浪潮——即使这个浪潮来过已经很多次了，也不会让吃瓜群众失却兴致。连自动化圈，都时不时露出羡慕的目光，尽管心里会不以为然，毕竟，谁不喜欢待在聚光灯下享受世人崇敬的眼光。(原文摘自微信公众号：说东道西)。

　　文/宋华振

　　就像ChatGPT引发的狂潮——各界大佬都被它震惊了，均表示真正的革命时代即将到来，以至于辛顿都表示忌惮，要阻止ChatGPT这样的怪兽——这听起来比较符合科幻片里的“天网”。如果有一天真的世界被一个智能体所控制，而且它还以无处不在的分布式智能存在，可以穿越各种安全机制，从各个漏洞进入不同的系统，它可以掌控一辆车，或是掌控一个发电厂，甚至操控一台轰炸机——那的确是太可怕。

　　“工具而非目的”

　　不过，对于AI的这种热烈推崇，以及预期的绘声绘色的前景描绘，似乎主要还是来自于圈外——就是自媒体、资本，以及热衷于谈论科技的吃瓜群众。与之相反，AI业界的伙计们似乎还没有那么嚣张——最常见的恐吓就是AI将让某些职业人群失业。但是，回想过去，当年电话刚被发明出来的时候，如果要让当时的美国人每家都装个电话的话，那么全美国的妇女都得去干接线员的工作——而后来出现了程控交换机的时候，那得让多少接线员失业呢?再想想，我们这些自动化人经常干的都是自动化机器和产线的;然而，人们还是该上班的就上班，该失业的就失业。正如前段时间听韦博士在混沌学院演讲所提到的：“人们对AI的这种恐惧无非是对自身缺乏信心”。

　　其实发展工业科技必须意识到，即便AI如何强大，它毕竟是一个工具和方法的问题，而并非是目的。不是谁的AI更厉害，就能更好地被应用——毕竟工业还要考虑经济性、易用性、稳定性与可靠性。谁能够更好地以经济的手段解决问题，才算是一种好的技术——制造业不是炫技场，而是要有实实在在的收益。

　　创新，都是以经济性为前提的，如果构建AI系统经济，或基于分布式计算资源的AI边际成本已经很低，那么，谁也不会拒绝AI的应用，其中的着眼点无非是用在哪里的问题。

　　“同源而生，何必艳羡”

　　干自动化的，也很喜欢讨论AI，相对其他专业，自动化离AI最近。不过，大部分人对AI的历史似乎也不甚了解。最近几次在自动化行业的会议上，发现大家都挺羡慕人家AI专业，很多学校都开始成立人工智能学院或专业。首先，AI专业前沿又时髦，代表科技的发展趋势，在部委、企业界都是热门话题，大师讲座也逢制造业的场子必讲AI，一大堆专家高谈阔论AI如何帮你降本增效、提高良品率，虽然听得云山雾罩，但总归还是有一种朦胧的美感——不明觉厉、霸气侧漏的既视感。其次，这个方向就业肯定比较好，百万年薪，走上人生巅峰。再者，作为重点发展方向与战略新兴产业，也能获得更多的纵向课题与项目资金支持，这可是实打实的好处。

　　其实，自动化所对应的机电工程领域，它本身也是作为人工智能的三大学派之一，即，行为主义学派而独立存在的。不过，连接主义学派和符号主义学派本身是一种“自上而下”的方式，更接近人们理解的智能，因此，自下而上的行为主义学派，就不那么被他们归于同类。但就历史上而言，行为主义的代表诺伯特·维纳的《控制论》更早一些，也不大愿意与达特茅斯夏令营这帮小伙子们混在一起，而这些年轻人也更希望能够开山立派。但是，基于感知、决策、执行的整体思想却是相同的。

　　图1　人工智能的三大学派及其核心观点与成果

　　“临渊羡鱼，不如退而结网”

　　AI或者自动化，终究是技术或工具，它要解决的是问题。并且，就实而论，在工业领域，如果用KPI考核业绩，可能自动化技术带给产业的回报更高，但这就像《人工智能通识课》里作者讲的“一个技术真正有了作用的时候，它就不值钱了”。

　　AI毕竟是个工具和方法问题，它不是目的，而目的是解决制造业中的“质量、成本、交付”问题。我们要问的问题是：“目的是什么?”，什么工具是合适的——评价指标来自于“经济性”。工程师总是在约束条件下寻找技术与经济的可行性，没有人会拒绝一个好用的工具和方法，因为，创新往往来自于此。

　　工业场景中的AI应用

　　虽然，我觉得AI在工业里总是干点锦上添花的事情，不过工业场景对于“确定性”还是存在着较大的执念。记得很久以前和一位专家谈起了印刷的套色。我们控制系统要让它达到+/-0.1mm甚至更低的精度，一位数据方向的朋友曾经问：“那么，我们能不能从+/-0.5mm开始进行迭代，一步步迭代到你们所需的+/-0.1mm呢?”。我想了想，只好说：“这……用户是不允许这样干的，他们需要的是+/-0.1mm必须要达到，否则，你就不应该提供这样的系统”。还有人非要跟我争论通过AI如何提高风力发电机组的发电效率，我听了半天都感到困惑，我们干自动化的已经把“最大叶尖速比λ值”做到最大了，究竟如何能够获得更大的效率呢?难道是风向变化我没有及时发现——但是，我不是还有偏航系统吗?难道是电网同步协调问题没有解决好?那不是还有并网同步来协调相位吗?

　　还有光伏的追日系统，我的一位朋友非要跟我讲是人工智能，但我就以我有限的天体物理知识来进行分析，地球在每天和太阳之间的角度变化其实是个固定的函数——如果实在不行，你是否可以加一个传感器来感测?日晷就是一个很好的例子——我把日晷形成的影子给你检测出来，作为一个输入可以吗?

　　商业AI的“黑盒”机制对于工业是不能轻松接受的，相关性并不代表因果性，因此，它具有“不确定性”。这是数据相关性分析与机理的因果性差异的地方……机理模型具有“确定性”、“完全可预测性”、“完全可解释性”的特点，对于工业来说，也是一种算力经济的方法。

　　图2　基于AI的PID参数自学习

　　其实，将AI用于最优参数的学习是控制系统的常用方法，不过，当我钻研了这个问题后，有一个非常直接的问题就在图2中。AI的这些PID动态参数，它真的可以直接就下载(实时)到控制器去执行吗?这其实并非现实——在流程工业也许这是可行的，但离散制造业里的机器动作可能也并非现实的，这不很危险，潜在的风险包括安全性问题，也包括带来控制的波动——因为，毕竟这是一个优化的参数，但对象能否接受这种“波动”，还是需要验证的。当然策略是趋势性调节，或者可能更多时候还是以离线的方式，在停机或下一批次任务中可以进行这样的运行，但，实时的却是不能想当然就去干的。

　　尽管我们认为AI在工业有很多约束条件——但这不是全盘否认，因为毕竟人类认知的世界是有限的，机理模型本身是有限的。而另一方面，世界的本质是非线性的，线性只是特殊情况而已。现在的机理模型只是运行在一个拟合的线性或数学可描述的(已知)的区间，对于更为广泛的机器效率提升，还是要寻找更好的参数匹配。另外在控制而言，局部最优与全局最优又是有差异的，而AI可以在全局的策略调度、节拍匹配、参数适配方面进一步挖掘制造中的潜能，从这个意义上来说，它一定是有作用的，无非是要考虑以下几点：

　　(1)工业与商业AI的差异厘清，这有助于选择合适的方法、算法来解决合适的问题;

　　(2)在AI与机理间寻找最为合适的结合点，毕竟世界也不是非黑即白的——灰色的盒子也是好的盒子。

　　这不是能不能干的问题，而是如何干的问题。

　　干自动化的人为啥有优势;单纯干AI，自动化的人当然没有啥优势，不过，如果能够来干点自动化，那么至少有很多地方，自动化干起来还是有优势的，例如：

　　(1)数据源的问题：在制造业现场，自动化自身的数据源，包括信号采集与处理，像PLC的IO处理模块的种类往往会牵扯到大量不同的信号处理，在控制之外，这些信号也会作为信息被反馈给管理系统。另外，在控制中产生的中间数据同样可以作为信息被处理。而这些数据通常就被存放于控制系统的RAM中。就数据优势而言，可能AI反倒没有这么直接;

　　(2)结构化数据的问题：其实，采用OPC UA的框架，数据也被格式化为工业所需的标准数据，无论是从现场到控制层的总线，还是从控制层到管理层的OPC UA协议，这些都是工业自动化的优势所在;

　　(3)机理建模与数据建模的混用问题，其实，对于AI而言，相关性的判断也是需要对机理有基础了解的，否则，这种无序探索也是代价高昂的，除了本身的机理模型问题来自于机电专家，且机电专家也和数据专家可以融合;

　　(4)执行的问题：这同样是工业里最大的一个问题，AI并不能在线(On-line)来执行，这可能是与商业不同，因为，即使获得了更好的参数，也必须在离线的方式下进行，直接在线的方式必须是在确保安全可靠的情况下才可以进行。

　　因此，自动化的AI必须聚焦在工业场景本身上，而不要去试图和AI企业在图形图像、语言、文本这种人家擅长的领域去竞争。

　　“工欲善其事，必先利其器”

　　对于自动化的企业而言，迎接AI是一种自然而然的事情。实现AI与自动化的融合办法也很多，这主要取决于整个任务对于“周期性”的等级需求上。

　　基于开放平台的自动化厂商，通常会选择接口比较方便的平台，就像贝加莱exOS为Linux平台的AI应用和RTOS平台上的Real-Time任务建立了连接。通过exOS，Linux上基于Python、Java等编写的AI算法就可以被导入至实时任务，相互之间可以交互数据。

　　图3　PLC和工业PC上的Tensorflow学习任务可经由Pub/Sub机制进行数据交互

　　如图3，PLC和工业PC上的Tensorflow学习任务可经由Pub/Sub机制进行数据的交互。在这样的架构下，我们就可以在不需要花费太高的代价下，将AI的资源(算法/代码)进行集成调用。

　　另外一些自动化厂商也会自己集成一些AI算法，或在PLC上集成AI加速器的模块，这些都有各自的应用场景，实现起来都不太难——毕竟，对于自动化行业来说，关注点是解决问题，AI只是一个工具。

　　对于自动化行业，追求经济性应用是技术推广的关键，即：要解决现实问题，而又不造成高成本。自动化应用AI经济性主要是体现在训练模型虽然需要算力，但应用模型本地推理就还好。

　　AI与自动化的和谐相处

　　AI与自动化最和谐的相处模式就是“执子之手与子偕老”，自动化还是有点过于低调——这个很早就讨论过，这与行业的属性有关。因为，自动化行业的人，他首先得有问题，才能有解决问题的方法，因此，它必须是解决问题的。而AI这帮人呢，他们来到制造业是先有榔头，再找钉子;我觉得这个比喻倒也贴切。因此，自动化和AI的人就完全是解决问题的两种思维模式。

　　人们喜欢流行的、前沿的，这没有错，但是，产业里还是要以实事求是解决问题为先导。非要把原本控制干的事情美化为人工智能、国产XXX69麻豆国语对白，显得高大上，这种做法对于产业并无实质的贡献，无非是名字听上去高大上了的事情，还是少干为妙——总是听有人说我们的产业太过浮躁，既然是众所周知，但很多人还是仍然干这些“花活”。

　　终究而言，自动化属于一个工程领域，它是要解决实际问题的，目前产业里还有很多很多的问题要解决，我们还有很多克服“卡脖子”的事情要干。