工业AI有多少值得期待？( 四 ) Orig宋华振说东道西有时候

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。
文章插图
（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？