供需大厅

登录/注册

公众号

更多资讯,关注微信公众号

小秘书

更多资讯,关注荣格小秘书

邮箱

您可以联系我们 info@ringiertrade.com

电话

您可以拨打热线

+86-21 6289-5533 x 269

建议或意见

+86-20 2885 5256

顶部

荣格工业资源APP

了解工业圈,从荣格工业资源APP开始。

打开

工业AI有多少值得期待?

来源:网络 发布时间:2020-10-28 276
工业金属加工智能制造其他运动控制传感器工业机器人液压与气动技术机械传动工业互联智能仓储物流仪器仪表智能加工设备
收藏
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

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,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!


01.jpg


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?


02.jpg


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。


03.jpg


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,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。


04.jpg


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,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,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。


05.jpg


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。


06.jpg


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。


07.jpg


(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,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?

收藏
推荐新闻