2016年，人工智能技術(shù)被推上了研究和商業(yè)的風(fēng)口浪尖, 從“深藍(lán)” 到Master，從駕駛輔助到自動(dòng)駕駛，從Alexa到Google Home，從大學(xué)教授到企業(yè)領(lǐng)袖，人工智能技術(shù)在互聯(lián)網(wǎng)行業(yè)遍地開花，同時(shí)也對人們心目中的傳統(tǒng)行業(yè)--制造業(yè)帶來了巨大的沖擊與商機(jī)。
從“深藍(lán)”到Master
從AlphaGo以4：1的比分戰(zhàn)勝了韓國圍棋大師李世乭、升級版Master在弈城網(wǎng)上取得60：0：1的不敗戰(zhàn)績的那天起，我們開始意識到人工智能正以難以想象的速度崛起，并漸漸深入到我們生活中的點(diǎn)點(diǎn)滴滴。其實(shí)人工智能早在1997年就在國際象棋領(lǐng)域中擊敗人類選手，只是從“深藍(lán)”到Master的發(fā)展速度令人始料不及?！吧钏{(lán)”到Master的發(fā)展充分體現(xiàn)出了人類科技進(jìn)步在計(jì)算方法和計(jì)算資源上的長足進(jìn)步。
如果說“深藍(lán)”是憑借其運(yùn)算速度通過遍歷戰(zhàn)勝了人類，那么Master是在此基礎(chǔ)上通過優(yōu)化的搜尋算法，決策支持和計(jì)算架構(gòu)遍歷了當(dāng)時(shí)覺得不可能實(shí)現(xiàn)的所有可能。Master所用到的Deep Reinforcement Learning結(jié)合了當(dāng)今AI領(lǐng)域研究的兩大前沿技術(shù)Deep Learning（DL）和Reinforcement Learning（RL），創(chuàng)造性的使用DL的方式，通過棋局的圖片評估落子的優(yōu)先級，再結(jié)合RL，通過自我“對弈”的方式更新深度神經(jīng)元網(wǎng)絡(luò)的參數(shù)，最終帶領(lǐng)人類真正意義上站在了“智能”的門口。AlphaGo最重要的成就并不是采用了性能多么優(yōu)秀的電腦，而是第一次讓程序可以近似人類的方式去感知、學(xué)習(xí)、思考和決策。
如今，人工智能已經(jīng)大跨步的走進(jìn)了我們的生活，機(jī)器正在以很快的速度發(fā)展并從許多方面超越人類的平均水平，有人預(yù)測奇點(diǎn)理論正在以很快的速度成為現(xiàn)實(shí)。我們不去探討人工智能的技術(shù)本質(zhì)或是它的倫理問題，如果人工智能真的被規(guī)?；貞?yīng)用，那么能夠?qū)θ祟惿鐣?huì)帶來什么樣的改變和價(jià)值？
走出“楚門的世界”
在與Master交手前，棋手柯潔在自己的微博上如是說，可謂一語道出了智能化的真諦。如果未來人工智能僅僅停留在遍歷搜索，相似度分析的層面，那對毫無意義。人工智能和大數(shù)據(jù)分析最重要的核心就是要能夠?yàn)槿祟愄峁┤碌恼J(rèn)識問題和解決問題的方式，用機(jī)器純理性的“思維”方式去輔助人類的思維與決策。
就像《楚門的世界》當(dāng)中，劇組為楚門所構(gòu)建的整個(gè)生態(tài)，無形的禁錮了他認(rèn)識問題，解決問題的能力，目前的人類幾乎無異于此。而當(dāng)人的認(rèn)知和判斷無法滿足不斷增長的數(shù)據(jù)維度和問題復(fù)雜度時(shí)，依靠人的知識和經(jīng)驗(yàn)去驅(qū)動(dòng)和創(chuàng)造的過程就會(huì)有邊界。人類應(yīng)該善于利用機(jī)器帶來的龐大數(shù)據(jù)量，基于大量原始數(shù)據(jù)，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，提取有效特征，最終實(shí)現(xiàn)更加準(zhǔn)確地決策支持。
從“人工智能”到“工業(yè)智能”
從計(jì)算機(jī)，互聯(lián)網(wǎng)行業(yè)出身的智能化技術(shù)，正在以勢不可當(dāng)?shù)膭蓊^橫掃全球各個(gè)領(lǐng)域。智能化與工業(yè)的結(jié)合更是引得全球矚目。從德國的工業(yè)4.0到美國的工業(yè)互聯(lián)網(wǎng)，從GE的Predix到IBM的PMQ，可以看出，工業(yè)與智能化技術(shù)的結(jié)合也必將是下一個(gè)風(fēng)口。
智能的核心在于決策和執(zhí)行，而決策的核心在于感知和判斷。在工業(yè)系統(tǒng)中，IoT技術(shù), 包括傳感器技術(shù)，數(shù)據(jù)傳輸，數(shù)據(jù)管理等不斷發(fā)展，為智能化技術(shù)實(shí)施提供了可靠的感知基礎(chǔ)。但是目前的工業(yè)界大都以人的決策和反饋為核心，這就導(dǎo)致系統(tǒng)中有很大一部分的價(jià)值并沒有被釋放出來。系統(tǒng)越是復(fù)雜，人的學(xué)習(xí)曲線就會(huì)越緩慢，而當(dāng)人的學(xué)習(xí)曲線比技術(shù)的進(jìn)步速度慢時(shí)，人就會(huì)成為制約技術(shù)進(jìn)步和應(yīng)用的瓶頸。而人工智能為工業(yè)帶來的第一個(gè)革命性的改變，就是擺脫人類認(rèn)知和知識邊界的限制，為決策支持和協(xié)同優(yōu)化提供可量化依據(jù)。
現(xiàn)階段，工業(yè)智能的應(yīng)用尚處于探索階段，結(jié)合工業(yè)領(lǐng)域的特性，在實(shí)施階段需要著重考慮以下幾點(diǎn)：
1、問題的定義
在應(yīng)用人工智能方法解決工業(yè)問題時(shí)，首先要確定需要解決的問題，一定要避免“拿著錘子找釘子”的情況，不能為了使用算法而徒增問題的復(fù)雜度。首先需要將實(shí)際問題抽象成可用建模方法解決的問題，需要人員的經(jīng)驗(yàn)輔助。微軟亞洲研究院鄭宇博士也強(qiáng)調(diào)“培養(yǎng)一個(gè)真正的數(shù)據(jù)科學(xué)家需要七到十年時(shí)間”。這里的時(shí)間其實(shí)是對個(gè)人基本功以及實(shí)戰(zhàn)經(jīng)驗(yàn)的非強(qiáng)制指標(biāo)。
2、問題的邊界
工業(yè)問題與圍棋問題不同，其解決問題的邊界定義不明確，沒有明確的規(guī)則。這樣就為解決方案的設(shè)計(jì)帶來了很大的不確定性。一切模型可以解決的問題都是在前提條件所包含的問題域內(nèi)，沒有一個(gè)方案是可以涵蓋所有的情況，所以在制定工業(yè)智能方案時(shí)一定要緊密結(jié)合業(yè)務(wù)來定義問題邊界，最終確定解決方案。
工業(yè)智能，在智能化算法和技術(shù)層面也擁有自身的特點(diǎn)和挑戰(zhàn)：
1、機(jī)理模型是關(guān)鍵基礎(chǔ)
工業(yè)智能所要解決的問題大都是針對特定設(shè)備的特定問題，其數(shù)據(jù)表征應(yīng)該符合設(shè)備運(yùn)行的機(jī)理。在大量雜亂的數(shù)據(jù)當(dāng)中，依照設(shè)備運(yùn)行機(jī)理可以幫助選擇、構(gòu)建出更加有用的變量，為決策支持提供有效依據(jù)。特征工程，非監(jiān)督式學(xué)習(xí)很大一部分研究工作就是針對如何從海量數(shù)據(jù)提取有效特征?；跈C(jī)理的特征提取方法在傳統(tǒng)的故障診斷上應(yīng)用廣泛，例如軸承故障診斷中所用到的失效頻率。在大數(shù)據(jù)分析，人工智能沖擊傳統(tǒng)行業(yè)的同時(shí)，傳統(tǒng)行業(yè)的分析方法也在人工智能領(lǐng)域得到應(yīng)用，在2017年的AAAI榮獲outstandingpaper award的文章“Label-Free Supervision of NeuralNetworks with Physics and Domain Knowledge”就是將機(jī)理模型加入神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練當(dāng)中得到優(yōu)化的網(wǎng)絡(luò)模型。
2、數(shù)據(jù)的標(biāo)準(zhǔn)和技術(shù)仍有待發(fā)展
在工業(yè)領(lǐng)域，數(shù)據(jù)資源是發(fā)展智能化的一大障礙。眾所周知，在圖像識別領(lǐng)域有ImageNet，手寫識別有MNIST，UCI的機(jī)器學(xué)習(xí)數(shù)據(jù)庫也提供了大量標(biāo)準(zhǔn)，有標(biāo)注的訓(xùn)練數(shù)據(jù)組。在工業(yè)領(lǐng)域，數(shù)據(jù)獲取需要投入較大資金和時(shí)間，同時(shí)數(shù)據(jù)的標(biāo)注需要專家知識協(xié)助，更增加了獲取大量標(biāo)準(zhǔn)數(shù)據(jù)組的難度。除此之外，受限于傳感器技術(shù)，設(shè)備使用狀態(tài)等，經(jīng)常會(huì)出現(xiàn)關(guān)鍵數(shù)據(jù)無法獲取的情況。上述條件就導(dǎo)致在模型開發(fā)時(shí)，經(jīng)常會(huì)遇到樣本量小，不平衡數(shù)據(jù)組，數(shù)據(jù)質(zhì)量差，數(shù)據(jù)不完整，缺少失效狀態(tài)數(shù)據(jù)等問題。所以，IoT、遷移學(xué)習(xí)、增強(qiáng)學(xué)習(xí)、半監(jiān)督式學(xué)習(xí)的研究對于工業(yè)智能技術(shù)的發(fā)展至關(guān)重要。
3、從“產(chǎn)品”到“能力”的全方位交付
在解決方案的設(shè)計(jì)上，工業(yè)智能是多層次，高準(zhǔn)確度的解決方案，有時(shí)還需要實(shí)時(shí)計(jì)算與回饋。這樣的特點(diǎn)就要求所訓(xùn)練和部署的模型計(jì)算速度快，結(jié)果準(zhǔn)確，不確定性小。因此，需要有能夠靈活重構(gòu)的工業(yè)數(shù)據(jù)應(yīng)用模塊，以快速開發(fā)解決工業(yè)系統(tǒng)中碎片化問題的應(yīng)用。同時(shí)可以看出，工業(yè)智能的解決方案不是僅僅依賴于智能算法，整個(gè)鏈條上的每一環(huán)節(jié)的共同進(jìn)步才可以保證技術(shù)的進(jìn)步。那么，可以通過可視化的編程環(huán)境降低數(shù)據(jù)分析和應(yīng)用開發(fā)的門檻，以及通過培訓(xùn)，是企業(yè)的工程師可以根據(jù)自己的經(jīng)驗(yàn)和需求開發(fā)個(gè)性化的預(yù)測和分析應(yīng)用，來保證持續(xù)地解決企業(yè)在發(fā)展過程中遇到的問題。
中國特色工業(yè)智能之路
我國工業(yè)智能化起步較晚，工業(yè)基礎(chǔ)相對落后，但是我們是設(shè)備使用大國，設(shè)備保有量和設(shè)備使用數(shù)據(jù)保有量都是當(dāng)之無愧的世界第一。結(jié)合設(shè)備、業(yè)務(wù)場景和智能算法，依靠成熟的CPS理論框架，相信我國一定會(huì)在工業(yè)智能引領(lǐng)世界發(fā)展。
來源：工控網(wǎng)
