ABB/SNAT/633 PAC 

ABB/SNAT/633 PAC 

智能的本質(zhì)是什么？

智能的本質(zhì)，主要還是為了應(yīng)對變化，其實(shí)，變化是永恒的存在，因此，不管過去，今天，還是未來，變化都是存在的，因此，像控制、通信，其實(shí)都是為了解決這種VUCA環(huán)境下的穩(wěn)定生產(chǎn)問題，降低不確定性，這是顯然的。

相對來說，在過去的時間里，生產(chǎn)還是比較標(biāo)準(zhǔn)的，現(xiàn)在就不一樣了，現(xiàn)在你要讓我穿件跟你一樣的衣服，我內(nèi)心深深的覺得自己沒有個性-不能彰顯我*的魅力，盡管我知道我的個性化需求主要來自體型的局限性帶來的困擾，但是，我還是選擇去定制襯衫和西裝。

如果你讓機(jī)器擁有智能，其實(shí)，就是讓機(jī)器學(xué)會人的方式去干活，人怎么干活的？人是有眼睛、耳朵感知世界的，然后有手去執(zhí)行的，由感知到大腦，大腦協(xié)調(diào)各種肌肉、關(guān)節(jié)的運(yùn)動（機(jī)器或機(jī)器人）來完成各種任務(wù)的。

智能的形成過程

但是，人的知識是怎么形成的？就是觀察、測試驗(yàn)證、然后不斷迭代，那么，機(jī)器也一樣需要這樣，人對這個世界的知識的應(yīng)用主要有演繹—即，像中學(xué)學(xué)習(xí)幾何一樣推理出結(jié)果，而歸納，就像今天的數(shù)據(jù)建模一樣，用數(shù)據(jù)擬合、聚合出一個模型，兩者即機(jī)理建模、數(shù)據(jù)驅(qū)動的建模。

數(shù)學(xué)是連接物理和虛擬世界的橋梁，建模必然會用到數(shù)學(xué)，只是會用到什么樣的數(shù)學(xué)一樣，比如邏輯就是布爾代數(shù)、PID調(diào)節(jié)基于微積分、數(shù)據(jù)的處理基于概率統(tǒng)計，就連信息論、控制論也是基于數(shù)理邏輯、統(tǒng)計力學(xué)等學(xué)科匯集才能構(gòu)建一個“對不確定環(huán)境的統(tǒng)計學(xué)建模，然后預(yù)測未來的趨勢”，如果回到維納的《控制論》和香農(nóng)《信息論》，控制與通信都是這樣的，也是基于數(shù)據(jù)驅(qū)動的模型。

因此，本來人工智能三大學(xué)派就分別代表了不同的實(shí)現(xiàn)，符號主義那幫人打算對人的思維、推理過程，用數(shù)字邏輯來表達(dá)，然后去推理、判斷與決策，而連接主義想模擬人的神經(jīng)遞質(zhì)傳遞過程，進(jìn)行計算，來模擬人的推理過程，而行為主義學(xué)派則是通過“負(fù)反饋”來調(diào)整“控制策略”，以實(shí)現(xiàn)對不確定性、干擾環(huán)境下的物理對象的穩(wěn)定輸出。

說來說去，其實(shí)，制造業(yè)的智能包括了大家平時用的機(jī)理建模和數(shù)據(jù)建模兩種方式，因?yàn)槲覀兛梢韵胂螅欠袼械闹圃於际?ldquo;物理”和“化學(xué)”兩種，物理的成型也是有物理公式的，化學(xué)則有化學(xué)方程式，只是干擾卻具有不確定性，那么，行為主義不管你們的干擾形成和影響是什么樣的，我就認(rèn)準(zhǔn)對象輸出有問題就去調(diào)節(jié)，然后不斷的采樣、控制、周期性的控制策略調(diào)整，總歸是能達(dá)到效果的。機(jī)理模型當(dāng)然也不是完美的，畢竟，它也不是實(shí)時的，也只是控制“趨勢”。

智能其實(shí)就是這兩種主要的思維方式的數(shù)學(xué)建模，然后經(jīng)過大量的測試驗(yàn)證，終形成知識的載體—工業(yè)軟件，軟件即是人的知識、推理的封裝。

工業(yè)智能的幾個重要場景

對于工業(yè)而言，圖3幾個場景是比較典型的AI發(fā)揮能力的地方：

ABB/SNAT/633 PAC 

ABB/SNAT/633 PAC 

仲鑫達(dá)以“ 誠信、創(chuàng)新、合作、共贏”的經(jīng)營理念、不斷開發(fā)新產(chǎn)品、為客戶提供服務(wù)、以大限度追求客戶滿意、并不斷開拓新領(lǐng)域業(yè)務(wù)。

公司經(jīng)銷產(chǎn)品廣泛應(yīng)用于數(shù)控機(jī)械 冶金、石油天然氣、石油化工、化工、造紙印刷、紡織印染、機(jī)械、電子制造、汽車制造，塑膠機(jī)械、電力、水利、水處理/環(huán)保、市政工程、鍋爐供暖、能源、輸配電

工業(yè)智能的幾個重要場景

對于工業(yè)而言，圖3幾個場景是比較典型的AI發(fā)揮能力的地方：

（1）.預(yù)測性維護(hù)：傳統(tǒng)采用機(jī)械失效分析等機(jī)理的方式，其實(shí)一樣是需要領(lǐng)域知識的大量積累，過去稱為專家系統(tǒng)，但是，對于航空航天等重要領(lǐng)域，其實(shí)，這個方面的研究一直在進(jìn)行，但是，對于更為廣泛的領(lǐng)域，則由于經(jīng)濟(jì)性問題，而不能進(jìn)行大量的專家知識積累，依靠于人的經(jīng)驗(yàn)，而隨著AI帶來的成本下降，使得，通過AI來進(jìn)行更為廣泛領(lǐng)域的預(yù)測性維護(hù)，也成為了可能。

（2）.視覺應(yīng)用

相對于傳統(tǒng)的光電開關(guān)、紅外等傳感器，機(jī)器視覺能夠表達(dá)更為豐富的信息，因此，可以被應(yīng)用于各種任務(wù)，隨著FPGA芯片、GPU成本的下降，使得視覺可以更為廣泛的應(yīng)用，典型的在瑕疵檢測、測量、識別等場景，而機(jī)器視覺與機(jī)器學(xué)習(xí)可以結(jié)合，訓(xùn)練對缺陷的識別模型，并提高適應(yīng)性。

（3）.控制策略

事實(shí)上，AI在工業(yè)控制領(lǐng)域的應(yīng)用一直是伴隨著AI的發(fā)展的，只是局限于算力與經(jīng)濟(jì)性問題，因此，例如在自適應(yīng)控制、模糊控制中都會用到相應(yīng)的如神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)驅(qū)動建模方法，而對于各種非線性、不易于測量、沒有機(jī)理模型的控制場景里，這些應(yīng)用一直在進(jìn)行。

工業(yè)對于AI必須是“物理模型+AI方法與工具+行業(yè)知識”共同構(gòu)成，難道我們機(jī)理模型沒有打好基礎(chǔ)，就認(rèn)為直接邁入AI時代，就能跨越制造的本身？