基于現(xiàn)代工業(yè)基礎的智能化

自動化和智能化有什么區(qū)別？我向來反對咬文嚼字，就把這個問題轉化成另一個問題：在全自動化的工廠里，為什么還需要人？我想至少有兩類問題需要人來處理：1、生產過程出現(xiàn)問題和異常時，需要人來發(fā)現(xiàn)和處理；2、對現(xiàn)有生產方式的改進與創(chuàng)新。從自動化到智能化，其實就是要解決這類問題。

這兩類問題又與一個概念有關，這就是“標準”。在筆者看來，“標準”是連接現(xiàn)代工業(yè)思想與數(shù)字化的橋梁，是理解智能化的關鍵。以“標準”為基礎，上面兩類智能化問題都可以很好地定義，并借助數(shù)字化方法完善：所謂的“異常”就是超出了標準允許的范圍；所謂的改進與創(chuàng)新，往往就是標準的優(yōu)化與改變。

工業(yè)界實用的好方法，往往看似“笨辦法”，而標準化就是這樣一種辦法。遇到問題時，學術界的許多同志總想著用理論方法給出答案。但現(xiàn)實中，理論有各種局限性，人們往往在很大程度上需要借助實踐和嘗試。一旦通過實踐或者嘗試成功了，就把成功的方法記下來，這就是“標準”。標準不一定是最理想的，但嚴格遵守標準卻能取得理想的結果。

在現(xiàn)代工業(yè)企業(yè)中，標準往往成為一個體系，覆蓋到生產經營的方方面面。比如，產品標準、工藝標準、控制標準、操作標準、設備維護標準、采購標準、檢驗測試標準等。標準越是完整、全面，隨機干擾就會被壓縮得越少，生產過程和產品質量也就越穩(wěn)定。

很多人注意到：在智能化的過程中需要利用人的知識。數(shù)字化的實施過程，往往是把人的知識數(shù)字化、軟件化。這樣，讓計算機去處理問題，本質上也就實現(xiàn)了標準化。我們注意到：在數(shù)字化時代，計算機管控標準的能力大大提升：可以分場景建立標準、可以根據(jù)不同產品分別建立標準、可以把若干函數(shù)作為標準、可以把若干條曲線作為標準；可以把2維的圖像作為標準；可以把多變量形成的模式作為標準；.....這些標準可以在生產過程中實時監(jiān)控。

知識是什么呢？人工智能有一個學派叫“符號主義”或者“計算機學派”。在這個學派中，用符號描述概念，知識的本質是概念之間的關系。比如，“老虎會吃人”是一條知識，而“老虎”、“人”都是概念。

我們一直用控制論的觀點認識智能化：通過獲取和處理信息，提升系統(tǒng)的能力。于是，就出現(xiàn)了一個問題：除非是人類的輸入，計算機獲得的信息都是通過傳感器獲得的。但傳感器的都是物理量，如何去對接人類知識中的“概念”呢？我把從傳感器的數(shù)據(jù)轉化成“概念”的過程，稱之為“感知到認知”。

人們眼睛看到老虎的圖像，腦子中就出現(xiàn)老虎的概念。這就是典型的認知。與計算機相比，人具有更強的認知能力。人工智能的一個重要作用，就是讓計算機具備“認知能力”。但我們必須強調的是：在工廠的場景下，人工智能只是讓計算機具備認知能力的方法之一、甚至不是最重要的方法。意識到這一點，才能看到智能化廣闊的應用前景。

在鋼鐵廠的連鑄車間，通過光電管的通斷，計算就能知道某一塊鋼坯到達或者離開了。這本質上就是一種“認知能力”。當然，這種認知的前提，是在工廠特定的場景下才能實現(xiàn)的。在數(shù)字化時代，通過RFID、二維碼、條形碼等，也能識別人或者物料，這也是一種認知能力。

借助“標準”的思想，讓計算機具備很強的認知能力。前面說到：在高度自動化的工廠里，人們的一個重要作用是發(fā)現(xiàn)異常。而所謂的異常，就是“超出標準范圍之外”。大家注意到：傳統(tǒng)的報警就是一種認知能力。

根據(jù)信號進行報警，一直都是一種傳統(tǒng)的、常見的功能。但在數(shù)字化背景下，這種功能可以極大地發(fā)揮出來。這是因為：計算機管理標準的能力大大提升了。比如，用射釘槍打釘子時，扭矩曲線就可以作為標準：如果某次打釘子的扭矩曲線與標準曲線不同，則意味著發(fā)生了異常。再如，設備的震動曲線也可以作為標準：當震動曲線的特征與標準不同時，就可以判斷發(fā)生了異常。

許多了解我的朋友都知道：我對設備的預測性維護并不是太看好。一個重要的原因是：這些方法往往不具備一般性；算法也可能會隨著時間產生漂移。如果用標準化的思想，問題就簡單多了：只要關系設備狀態(tài)是否在標準范圍之內——只要偏離了標準，就去處理。對于數(shù)據(jù)條件好的高科技企業(yè)，這種辦法是具有一般性的：當設備狀態(tài)發(fā)生了奇怪的現(xiàn)象，能不去管嗎？

在數(shù)字化背景下建立標準時，也可能會遇到一些困難。典型的問題是：標準的范圍取多大好呢？如果標準過寬，則難以發(fā)現(xiàn)問題；如果標準過窄，虛假報警就會太多。再如，如何針對多變量問題建立標準？但我相信辦法總比困難多。比如，用模式識別（分類）方法、主成分分析方法，就可能會得到廣泛應用。