AI掀起的巨浪正在席卷著全球科技界，AI似乎即將甚至已經(jīng)顛覆著很多產(chǎn)業(yè)。但是，在比較長(zhǎng)的時(shí)間里，它在自動(dòng)化圈小伙伴眼里，都是充滿質(zhì)疑的-畢竟，AI展示的力量都在商業(yè)應(yīng)用的世界里，在制造現(xiàn)場(chǎng)它似乎還并未表現(xiàn)的如它在商業(yè)世界那樣的恐怖力量。

首先，就是AI本身的缺點(diǎn)在工業(yè)里發(fā)揮的場(chǎng)景似乎有限—這是首要被質(zhì)疑的。因?yàn)榭山忉屝浴踩?、穩(wěn)定性等，這些使得現(xiàn)場(chǎng)的工程師質(zhì)疑AI在工業(yè)的有效性。假設(shè)你讓openAI兩次回答同一個(gè)問(wèn)題，它無(wú)法保證回答具有工業(yè)所需的“確定性”。它可以解決不確定性問(wèn)題，但它不能用不確定性的方式解決問(wèn)題。

其次，由于講述AI應(yīng)用的美好前景的“專家”，很多來(lái)自IT或大學(xué)的學(xué)者，對(duì)工業(yè)現(xiàn)場(chǎng)缺乏了解，使得其忽視了現(xiàn)場(chǎng)的復(fù)雜性。因此，AI被認(rèn)為僅停留在理論上。同時(shí)，可能也是AI風(fēng)頭蓋過(guò)了OT領(lǐng)域，使得OT領(lǐng)域?qū)@些“夸夸其談”，不落地的言辭表示了不屑。

還有一個(gè)問(wèn)題，就是從事AI工作的人也必須得說(shuō)“AI應(yīng)用必須建立在良好的自動(dòng)化與數(shù)字化基礎(chǔ)之上”-理想很豐滿，現(xiàn)實(shí)很骨感。由于缺乏好的自動(dòng)化基礎(chǔ)，原本那些可以通過(guò)自動(dòng)化即可解決的問(wèn)題，如果用AI來(lái)解決，那就陷入“為了AI而AI”的坑里，問(wèn)題就在于自動(dòng)化本來(lái)就可以經(jīng)濟(jì)性的解決問(wèn)題，卻非用了個(gè)“吃力不討好”的方式來(lái)解決，淪為笑料。

第四點(diǎn)，就是場(chǎng)景的可復(fù)制性，導(dǎo)致AI很多僅為項(xiàng)目型的應(yīng)用，這使得其實(shí)現(xiàn)的經(jīng)濟(jì)性匱乏，對(duì)于很多創(chuàng)業(yè)型公司而言，就會(huì)陷入“勞動(dòng)密集型”產(chǎn)業(yè)的困境中—因此，如何AI在工業(yè)場(chǎng)景的工具化、應(yīng)用標(biāo)準(zhǔn)化就是難題，尚未被有效的解決，而這需要數(shù)據(jù)的標(biāo)準(zhǔn)化、結(jié)構(gòu)化，以及通信連接的接口等統(tǒng)一，否則，就會(huì)陷入在軟件工程領(lǐng)域里的軟件“泥潭”。

對(duì)AI的態(tài)度轉(zhuǎn)變

當(dāng)然，流傳在IT業(yè)界的那句“我們?nèi)菀赘吖兰夹g(shù)在當(dāng)前的影響力，卻又會(huì)低估在未來(lái)的潛能”。因此，隨著AI的應(yīng)用逐漸多起來(lái)，產(chǎn)業(yè)對(duì)于AI似乎發(fā)生了較大的態(tài)度轉(zhuǎn)變。

上次在深圳遇到了上海大學(xué)的李明教授，他自己創(chuàng)業(yè)，做汽車(chē)領(lǐng)域的尺寸工程，在圖紙標(biāo)注及作業(yè)工序方面，他采用了AI方式來(lái)為圖紙生成尺寸及加工路徑?？梢源蠓档统鲥e(cuò)、加工中的遺漏等。他說(shuō)“AI不能不用，但看怎么用”—這就是比較理性的態(tài)度。即，我們不要忽視它的價(jià)值，但要結(jié)合實(shí)際。

郭朝暉老師前段時(shí)間提到了數(shù)字化創(chuàng)新，他提到了一句話，我覺(jué)得非常有道理，即“悲觀者正確，而樂(lè)觀者成功”—對(duì)此，深以為然。對(duì)于AI的質(zhì)疑和批評(píng)顯然是正確的，有道理的-但是，很多新事物它本身就處于探索中。我們需要去探索它的可能性，以及為其定義適用的邊界，并通過(guò)工程努力，去彌補(bǔ)它的缺點(diǎn)，發(fā)揮其優(yōu)勢(shì)所在。路就是摸索中走出來(lái)的，正確也都是相對(duì)的—時(shí)間會(huì)告訴我們，因此，不要輕易對(duì)未來(lái)做出有限認(rèn)知下的研判。

記得數(shù)年前，為交大學(xué)生講AI應(yīng)用，其實(shí)也是講了幾個(gè)有限的場(chǎng)景-因此，D老師給學(xué)生講“跟你們說(shuō)過(guò)了吧，AI沒(méi)啥用”—我當(dāng)時(shí)很吃驚，D老師如此直白的表示對(duì)AI的質(zhì)疑。當(dāng)然，現(xiàn)在D老師認(rèn)為還是有些場(chǎng)景適合AI的—我想他肯定是發(fā)現(xiàn)了AI的威力。

AI的潛力進(jìn)一步釋放

顯然，AI在工業(yè)的潛能是巨大的，在以下幾個(gè)方面來(lái)說(shuō)，它應(yīng)該是巨大的潛能。

1.擺脫經(jīng)驗(yàn)依賴性：對(duì)于大規(guī)模生產(chǎn)，通過(guò)人員在初始階段的反復(fù)參數(shù)調(diào)試，形成穩(wěn)定的生產(chǎn)參數(shù)組合，但這通常依賴于工程師的經(jīng)驗(yàn)。但是，隨著越來(lái)越少的技師，以及越來(lái)越復(fù)雜的產(chǎn)品規(guī)格與流程的變化。依賴于經(jīng)驗(yàn)的參數(shù)匹配，在小批量、多品種生產(chǎn)中就會(huì)造成大量的不良品，生產(chǎn)的經(jīng)濟(jì)性、產(chǎn)品競(jìng)爭(zhēng)力就會(huì)下降。

因此，在工業(yè)場(chǎng)景里，AI有一個(gè)很重要的作用，就是要將那些隱藏在豐富經(jīng)驗(yàn)的技師、工程師大腦里的知識(shí)給挖掘出來(lái)，變?yōu)榭蓮?fù)用的，顯性的知識(shí)。其實(shí)，在各個(gè)領(lǐng)域廣泛存在著這樣的問(wèn)題，每個(gè)領(lǐng)域里，過(guò)去都是依賴于經(jīng)驗(yàn)的—而這樣豐富經(jīng)驗(yàn)的人越來(lái)越稀少。

2.降低人工工作量：對(duì)于復(fù)雜的生產(chǎn)中，包括參數(shù)的辨識(shí)、路徑規(guī)劃、調(diào)度流等，人是可以完成，但這些往往需要數(shù)小時(shí)乃至數(shù)天，才能完成推演。而這個(gè)對(duì)于AI來(lái)說(shuō)，它能夠快速的生成路徑，并能夠根據(jù)對(duì)時(shí)間、成本、品質(zhì)的約束，為生產(chǎn)提供決策支持—這個(gè)時(shí)間會(huì)縮短至分鐘級(jí)。

3.發(fā)現(xiàn)新潛能：人們經(jīng)常說(shuō)演繹法和歸納法作為兩種常用的人的思維模式，演繹法通常在大部分時(shí)候不產(chǎn)生新知識(shí)。而歸納法可以產(chǎn)生新知識(shí)—這是具有誘惑力的。因?yàn)椋旧碜匀唤缁蛘吖こ填I(lǐng)域，它的“未知”就是普遍存在的—畢竟，科學(xué)發(fā)展了數(shù)千年，其實(shí)對(duì)世界的認(rèn)知也是極為有限的。因此，未知就是工程中的真實(shí)情況—如果通過(guò)數(shù)據(jù)的歸納法，能夠發(fā)現(xiàn)背后的知識(shí)，這顯然是令人興奮的。而這樣AI對(duì)于科學(xué)的研究同樣是促進(jìn)的—工程在改變科學(xué)。

AI的制造業(yè)應(yīng)用人才極為匱乏

AI人才的需求是極為迫切的-首先，就是對(duì)AI的認(rèn)知方面的人才就是極為匱乏的?？梢哉f(shuō)大學(xué)基本上無(wú)法提供相應(yīng)的人才輸出給工業(yè)-大學(xué)很多AI相關(guān)專業(yè)，在教材、師資、課程方面，其實(shí)都是應(yīng)對(duì)商業(yè)AI場(chǎng)景的。而且，現(xiàn)在商業(yè)AI場(chǎng)景的工程師都是匱乏的—更別說(shuō)勻一點(diǎn)給工業(yè)領(lǐng)域了。而傳統(tǒng)的自動(dòng)化專業(yè)領(lǐng)域，包括在基本的軟件工程訓(xùn)練也是缺乏的-畢竟，AI最終還是以軟件為載體的，也同樣是需要良好的軟件工程訓(xùn)練作為基礎(chǔ)的。

1.領(lǐng)域?qū)＜遥圃鞓I(yè)的復(fù)雜性在于它是一個(gè)非常需要垂直領(lǐng)域的專家支持的，制造業(yè)最大的問(wèn)題就是，物理對(duì)象的強(qiáng)耦合關(guān)系如何被“解耦”的問(wèn)題。這樣的人才本身就是急缺的，更何況要結(jié)合

2.技師，雖然我們把人才分為研究型、應(yīng)用型，對(duì)應(yīng)于科學(xué)、工程。但技術(shù)型，即現(xiàn)場(chǎng)技術(shù)經(jīng)驗(yàn)豐富的技師，他們的經(jīng)驗(yàn)也是AI應(yīng)用去學(xué)習(xí)的對(duì)象—如果這個(gè)技師它的經(jīng)驗(yàn)不是特別豐富，那么，其實(shí)，這個(gè)彎路也是一樣的。

3.數(shù)據(jù)處理-這個(gè)數(shù)據(jù)處理主要還是在信號(hào)采集，有些原始信號(hào)本身就要被有效的轉(zhuǎn)化為信息，以及知識(shí)—按照DIKW模型，它需要將數(shù)據(jù)轉(zhuǎn)為信息，這本身就是需要豐富經(jīng)驗(yàn)的工程師的。因?yàn)?，工業(yè)的數(shù)據(jù)如振動(dòng)，超聲波、編碼器信號(hào)都有著特殊的處理需求的。

4.標(biāo)準(zhǔn)化-數(shù)據(jù)的結(jié)構(gòu)化，以及構(gòu)建可復(fù)用的軟件系統(tǒng)規(guī)范與接口的標(biāo)準(zhǔn)化專家，它們需要參與到項(xiàng)目中，否則，缺乏標(biāo)準(zhǔn)化的進(jìn)程，就會(huì)使得AI也變?yōu)樵诠こ躺想y以被復(fù)用的。盡管在很多時(shí)候，這比較難，但如果能標(biāo)準(zhǔn)化的還是得標(biāo)準(zhǔn)化，盡量降低工程的實(shí)施成本，否則，AI就變成了“勞動(dòng)密集型”產(chǎn)業(yè)。

5.算法專家：這里特指在AI算法的有效使用的專家。

在某種意義上，AI工業(yè)應(yīng)用就包括兩個(gè)方向的人才培養(yǎng)模式：

1).垂直領(lǐng)域?qū)I(yè)自身培養(yǎng)AI應(yīng)用人才；

2).兩者在產(chǎn)業(yè)的結(jié)合，即，各自還是培養(yǎng)強(qiáng)的垂直專業(yè)人才，而在產(chǎn)業(yè)中，進(jìn)行擬合。

3).在教學(xué)中，融入AI，但考慮到壓縮課時(shí)，以及每個(gè)領(lǐng)域?qū)I(yè)課程不足，這種必須得是較為通識(shí)性的教學(xué)。

工業(yè)AI人才的聚焦點(diǎn)

在說(shuō)一句有用的廢話，解決問(wèn)題的關(guān)鍵是找到關(guān)鍵問(wèn)題—其實(shí)AI發(fā)展的關(guān)鍵問(wèn)題就是人才的問(wèn)題，有人認(rèn)為這個(gè)技術(shù)方向重要，那個(gè)技術(shù)方向重要，如何培養(yǎng)人才—認(rèn)知這些，本身就需要人才。也即，能夠?qū)@件事究竟如何發(fā)展，該怎么去發(fā)展，能把問(wèn)題整明白，就是人才—而且，還是人才中的人才。

（1）.對(duì)復(fù)雜問(wèn)題的拆分與模塊化

盡管AI是如此受人關(guān)注，被譽(yù)為科技的前沿，但就產(chǎn)業(yè)的實(shí)際而言，它仍然需要按照工程思維，對(duì)復(fù)雜的問(wèn)題進(jìn)行拆解。

在實(shí)際的工程中，影響品質(zhì)、效率的因素是多重的，相互之間具有耦合關(guān)系，所謂的“復(fù)雜系統(tǒng)”就是這其中包含著材料特性、機(jī)械傳動(dòng)、電氣、測(cè)量、路徑等多個(gè)維度的問(wèn)題。在生產(chǎn)現(xiàn)場(chǎng)，它也與人員的操作、現(xiàn)場(chǎng)環(huán)境、材料的不一致性等緊密相關(guān)。

相關(guān)又分為高相關(guān)和低相關(guān)，也包括可測(cè)量和不易測(cè)量等各種情況，因此，這就需要工程師能夠?qū)@些復(fù)雜的問(wèn)題進(jìn)行“解耦”-然后能夠規(guī)劃整個(gè)項(xiàng)目開(kāi)發(fā)各自的模塊劃分，包括具有確定性的機(jī)理建模，以及不確定性的數(shù)據(jù)建模。

（2）.特征工程-人有人的作用

在使用AI解決問(wèn)題時(shí)，首要在于數(shù)據(jù)采集與特征提取—這是難題的第一步。“磨刀不誤砍柴工”，這一步解決好了，后面的工作才能做好。

人的能力主要在非結(jié)構(gòu)化信息處理，直覺(jué)判斷，自主學(xué)習(xí)。而AI在算力，存儲(chǔ)，長(zhǎng)時(shí)間加班方面還是有優(yōu)勢(shì)的。

我們?cè)诜治鲆l(fā)質(zhì)量的各種問(wèn)題時(shí)，究竟是什么引發(fā)了裁切刀切不準(zhǔn)這個(gè)問(wèn)題-那可能是機(jī)械的共振、也會(huì)是傳動(dòng)軸的參數(shù)比較硬（曲線階次低）、還有材料本身的切割時(shí)的界面過(guò)程。就像有一次與某位專家談到電池隔膜的牽伸速度比，而其背后會(huì)受到高分子材料在熱成型過(guò)程中，分子鍵被破壞后的重組過(guò)程，這個(gè)重組過(guò)程也受到溫度、速度、加速度的影響—那這個(gè)關(guān)系究竟為何？AI可以幫你處理大量數(shù)據(jù)的收斂，比如聚類分析，但是，這個(gè)究竟是“哪些相關(guān)數(shù)據(jù)”—這個(gè)是需要工程師的判斷的。

因此，AI并非像我們想象那樣智能，它需要人與機(jī)器結(jié)合—人有想象、直覺(jué)，人本身就有“知識(shí)遷徙”能力，它可以“由此及彼”、“舉一反三”—為AI提供特征參考方向。

而這種對(duì)物理對(duì)象的特征的知識(shí)、洞見(jiàn)（Insight）、智慧就是人的優(yōu)勢(shì)，因此，人有人的優(yōu)勢(shì)—而這樣的人，則是機(jī)電工程、化學(xué)工程、建筑工程等工程專業(yè)在培養(yǎng)的。

（3）.AI算法的邊界識(shí)別

M博士總是提及這個(gè)問(wèn)題，他認(rèn)為在自動(dòng)化、機(jī)電專業(yè)的AI教學(xué)中，并不需要對(duì)具體的算法、工具進(jìn)行深入的教學(xué)。這很容易被陷入“工具”而缺乏“思辨”的能力陷阱—似乎懂得18般兵器，但卻無(wú)法交手時(shí)靈活應(yīng)對(duì)，甚至受限于武器，例如一寸長(zhǎng)一寸險(xiǎn)，太重的兵器身體消耗過(guò)大-你的物理身體扭矩輸出無(wú)法驅(qū)動(dòng)一個(gè)大慣量的兵器。就像我自從體重增強(qiáng)后，踢球的時(shí)候，同事們說(shuō)“你的意識(shí)超越了你身體”—想得到，得做得到，這就是工業(yè)的顯著特征。物理的對(duì)象本身的特性，并非理論上的可行，或者，你必須在理論上足夠完備、精準(zhǔn)的預(yù)測(cè)，才在物理上可行。

AI的每種算法、訓(xùn)練方法都是有其優(yōu)缺點(diǎn)的，包括適合的使用邊界。這種邊界本身就是“洞見(jiàn)”—來(lái)自于長(zhǎng)期的實(shí)踐。而這種認(rèn)知，就需要給予學(xué)生傳遞-并讓他們?cè)趯?shí)訓(xùn)中體驗(yàn)。因此，體驗(yàn)式必須的-任何這種訓(xùn)練必須是建立在較大的格局下，才能培養(yǎng)出卓越的見(jiàn)識(shí)的人才。

（4）.AI算法設(shè)計(jì)與工程實(shí)踐結(jié)合

人們經(jīng)常說(shuō)“理想很豐滿、現(xiàn)實(shí)很骨感”—這是因?yàn)槔碚摵同F(xiàn)實(shí)是兩個(gè)世界。但是，如果我們認(rèn)為理想很豐滿-那是因?yàn)?，從理想到現(xiàn)實(shí)的道路是曲折，而艱辛的。你必須清楚，只有現(xiàn)場(chǎng)的實(shí)踐才是讓你的理論能夠被驗(yàn)證，也才讓我們學(xué)會(huì)“成長(zhǎng)”、“迭代”自己的想法，讓我們變得更為成熟。在成熟的人眼中，所有的曲折，都是必然的-問(wèn)題只在于如何去越過(guò)它。

AI的實(shí)踐也是如此，的確在現(xiàn)實(shí)中有很多問(wèn)題，但是，AI是必須要去學(xué)習(xí)的。上周深圳和媒體的小伙伴閑聊，說(shuō)錄個(gè)視頻，題目就是“AI會(huì)不會(huì)讓我失業(yè)”。我覺(jué)得這包括兩點(diǎn)：（1）.AI并非想象那么可怕，如韋青博士所說(shuō)“我們擔(dān)心AI，只是對(duì)人類自己沒(méi)有信心”，（2）.AI不會(huì)淘汰人，而是那些掌握AI的人會(huì)淘汰那些不學(xué)習(xí)的人。

（5）.可復(fù)用的軟件系統(tǒng)設(shè)計(jì)

AI4C的管老師，出自IT業(yè)界，他說(shuō)很多AI場(chǎng)景比較難復(fù)制，我和他開(kāi)玩笑說(shuō)“那是因?yàn)榭蓮?fù)制的已經(jīng)被自動(dòng)化給干了”。不過(guò)，說(shuō)實(shí)話，在既有規(guī)則下，安全值內(nèi)的控制任務(wù)，其實(shí)，并不能滿足“極限”制造的需求-正如馮恩波博士有一次講AI時(shí)所說(shuō)“因果關(guān)系能夠解決80%的問(wèn)題，但勝負(fù)手在于剩下那些相關(guān)性問(wèn)題”。因?yàn)?，物理的知識(shí)是很容易被“復(fù)制”、“遷徙”、“抄襲”—因此，大家很容易進(jìn)入“同質(zhì)化”狀態(tài)。那么，這個(gè)時(shí)候，剩下的那些問(wèn)題就變成了“關(guān)鍵競(jìng)爭(zhēng)點(diǎn)”，大家都可以把良品率做到99%，而贏得競(jìng)爭(zhēng)的是那個(gè)能做到99.2%的企業(yè)。

可復(fù)用的軟件設(shè)計(jì)，這可能更為需要根據(jù)垂直場(chǎng)景來(lái)劃分，或者根據(jù)應(yīng)用類型來(lái)劃分。這也是個(gè)探索，根據(jù)行業(yè)場(chǎng)景劃分呢，就會(huì)遇到行業(yè)其實(shí)內(nèi)部差別也很大-就像印刷行業(yè)，膠印、凹印、柔印，看上去都是印刷，但其實(shí)差距非常大，一般鮮有企業(yè)三者都做，因?yàn)?，那就是跨界。因此，可以按照?yīng)用場(chǎng)景類劃分，比如流體類、粉體類、膠體類。也可以按照應(yīng)用算法劃分，缺陷分析類、預(yù)測(cè)性維護(hù)類、參數(shù)尋優(yōu)類。

但是，要建立這樣的分類，需要標(biāo)準(zhǔn)化，在數(shù)據(jù)集階段就需要標(biāo)準(zhǔn)化的接口。其次，在算法類就需要組合，以及良好的接口。交大的D老師，就主要在干的活，就是這些數(shù)據(jù)集之間的接口，以及軟件自動(dòng)構(gòu)造，如何讓AI或數(shù)據(jù)類應(yīng)用“工程效率更高”—不要大量的人工參與，配置即可快速實(shí)現(xiàn)整個(gè)軟件應(yīng)用體系的構(gòu)造和運(yùn)行。

綜上所述，AI在工業(yè)的人才培養(yǎng)，不僅包括在AI本身，更確切的說(shuō)—AI只是作為一個(gè)工具。而在任何時(shí)候，培養(yǎng)具有全局思維、工程思維、規(guī)范與標(biāo)準(zhǔn)工作、好奇心驅(qū)動(dòng)的優(yōu)秀工程師仍然是奇缺的-只是，在這個(gè)里面，需要增強(qiáng)AI工具的使用，而使用的前提，首先是對(duì)對(duì)象的認(rèn)知，對(duì)工具、方法的認(rèn)知。人才不是寫(xiě)代碼，培養(yǎng)一大堆會(huì)用Phthon、Java、AGI編程的人不難，但擁有對(duì)工業(yè)問(wèn)題的認(rèn)識(shí)，對(duì)選擇方法的認(rèn)識(shí)的能力-這是人才培養(yǎng)的關(guān)鍵。