工业AI有多少值得期待？ Orig宋华振说东道西有时候

Orig宋华振说东道西
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！
文章插图
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？
文章插图
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。
文章插图
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。
文章插图
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。