优也信息科技有限公司首席科学家，走向智能研究院首席研究员。
）

人工智能的两个经典学派

谈到智能制造，人们很随意马虎遐想到各种高等算法，如机器学习和逻辑推理。
事实上，人工智能技能在最近十几年最主要的进展便是深度学习技能，这也是人工智能最近成为热点的缘故原由。

人类发明打算机的初衷是帮助人们进行数据打算。
由于人的很多思维过程都可以转化成打算问题，以是打算机每每被俗称为电脑。
打算机可以打算很多问题，但只有一部分算法被称为人工智能算法。

一样平常来说，人工智能的算法每每有两个特点：一是普通的算法不随意马虎办理，二是与人的思维靠近。
因此，算术、方程求解、排序等常见算法一样平常不被算作人工智能算法，只有涉及繁芜逻辑推理和知识学习等问题时，才被称为人工智能算法。

打算机在办理逻辑推理问题时，每每先将其转化为搜索问题。
人工智能关注的搜索问题每每会面临组合爆炸，打算机也难以求得最优解。
下棋便是这种范例问题。
但是，面对这类组合爆炸问题，人类每每有能力用有限的搜索找到相对较好的办法。
这便是表示智能的地方。
有人把智能算法的特点描述为能够从一个巨大的搜索空间中迅速找到比较好解的算法。
因此，谷歌公司建立之初就定位为“做人工智能的公司”。

要把人的想法变成打算机代码，条件是必须能用打算机措辞精确地表达出来。
但是，人的很多认识正好是难以用措辞表达清楚的。
例如，我们很随意马虎认出一个熟人，也很随意马虎识别梨的味道，但这些认识不随意马虎说出来。
再如，棋手对“棋势”有一种直觉的认识，这种直觉能够帮助人们把把稳力聚焦在个别主要的棋子上。
但是，这种直觉同样难以用精确的措辞来描述。
这些一样平常被称为“默会知识”。

人类措辞表达不清楚的东西，每每无法直接变成打算机代码。
机器学习便是用来办理这个困难的。
所谓机器学习，一样平常是用数学函数仿照人或动物的神经系统，通过数据不断改动这个模型，从而形成类似感性认识的知识。
这样就避开了“默会”知识“难以编码”的困难。

然而，让打算机得到“感性认识”并不随意马虎。
例如，模型识别的缺点比例每每太高。
导致这类问题的缘故原由很多，有数据的缘故原由、模型的缘故原由，也有演习算法的缘故原由。
随着打算机打算和存储能力的增强，积累的数据越来越多。
在这样的背景下，涌现了深度学习技能并在多个领域取得了巨大的成功。
于是，人工智能成为近期的热点。

人们可以从很多角度认识人工智能，由此产生了很多的学派。
个中，两个经典的主流学派分别是仿照逻辑推理的符号学派和仿照神经系统构造的连接学派。
这两个学派的方法可以结合在一起进行运用。
例如，阿尔法狗须要进行逻辑推理，但为理解决搜索中组合爆炸的问题，又须要仿照棋手的感性认识，而这种感性认识便是通过深度学习得到的。

自动化与人工智能的掌握论学派

除了上述两个经典学派外，人工智能还有一个主要的学派被称为掌握论学派。
掌握论是自动化和智能化的理论根本。
多年以来，自动化学科比人工智能更成熟、运用范围更广和影响力也更大。
因此，学术界评论辩论人工智能时，指的每每是上述两个学派，而不是掌握论学派。
但是，这个学派的思想正好是智能制造紧张的理论根本。

20世纪40年代，掌握论之父诺伯特•维纳（Norbert Wiener）想到一个问题：机器和动物（或人）到底有什么差异？维纳认为，机器一样平常只能按既定的步骤和逻辑运行，而动物能通过信息感知到外部天下的变革，并根据新的信息进行决策、采纳行动。
例如，一只正在吃草的山羊溘然看到了一只狼，它会立时停滞吃草，奔跑逃命。
自动化便是要把感知、决策和实行3个要素统一起来，这3个要素类似于动物的觉得器官、大脑和四肢的功能。
这便是自动化的实质特色。
事实上，自动化系统一样平常由传感器、掌握器和掌握工具构成，分别用于信息得到、决策和实行。

与人工智能的两个经典学派不同，掌握论关心的是效果和浸染，每每不在乎算法和逻辑是不是繁芜。
事实上，自动化用到的一些算法和逻辑可能相称大略。

最近几十年来，自动化运用的范围越来越广，但也有局限性。
一样平常来说，自动化系统能够应对的都是“预见之中”的变革。
当涌现设备故障、生产非常等预见之外的问题时，还是须要人来处理。
这是由于打算机处理问题都是有预案的，其灵巧处理问题的能力远远不如人类。

智能制造的观点

智能制造技能是信息通信技能的发展带动的，是信息通信技能在工业的广泛、深入运用。
德国的工业4.0和美国的工业互联网都属于智能制造的范畴。

从整体效果来看，智能制造能够加强企业快速相应变革的能力。
市场或用户有了新的需求，能够尽快设计并制造出来以供应市场；供应链发生变革时，能只管即便避免对生产经营产生的不利影响；生产设备或产品质量发生问题时，能尽快找到问题的根源和解决问题的办法。

从业务角度来看，推进智能制造的紧张浸染是要促进多方协同、资源共享和知识复用。
普通地讲，协同便是多方协作时“不掉链子”，不延误彼此的事情；资源共享有利于低成本地得到优质资源；知识复用则可以提高研发和做事的效率，降落得到知识的本钱。
当企业中的物质、知识和人力资源都能用数字化描述时，互联网就随意马虎促进协同、共享和复用。

打算机的运算能力很强但灵巧处理问题的能力很弱。
这是限定自动化技能广泛运用的主要缘故原由。
为理解决这类问题，前辈的制造企业普遍采取了信息化技能。
信息化系统能够为管理者网络信息、帮助管理者决策和管理企业的生产和经营。
与自动化系统比较，信息系统把决策的事情交由人类完成。

在数字化、网络化时期，成千上万的设备可以实时、高速地采集数据并搜集到一起。
人类可以得到更多的信息，但处理信息的能力受到了生理极限的约束。
为理解决这个抵牾。
美国通用公司发布的《工业互联网》白皮书就提出理解决办法。
该白皮书指出，工业互联网有3个要素：智能的机器、高等算法和事情中的人。
智能机器指的是可以实时吸收和发送数据的机器。
但是，人类并不直接处理这些数据。
高等算法就像人的秘书一样，帮助人们处理实时数据，从海量数据中找出那些须要人类关注和处理的问题，交给“事情中的人”来处理。

其余，对付常见的问题，可以把专家处理问题的逻辑和方法变成打算机代码，让机器按照人类的想法进行决策。
这便是人类知识的数字化。
通过这种办法，可以进一步减少人类处理问题的负荷，提高决策的自动化水平——这实在便是智能化。

从某种意义上来说，智能化是自动化和信息化的领悟。
自动化和信息化领悟的思想很早就有了，但在信息通信技能不足发达的时候，技能上很难实现。
于是，机会留在了智能化的时期。

智能化对工业企业的意义非常巨大。
从企业生态的层面来看，智能化能促进企业之间的分工细化并在企业间建立新的生态关系。
“分工促进生产力的发展”是一条非常主要的经济规律。
由于互联网能够提高企业之间的协同能力、降落分工的负面影响，这为促进分工的细化奠定了根本。
总之，从企业间的关系来看，智能化能够促进社会资源的优化配置。
从企业自身的层面来看，智能化能提升企业的管理能力。
在我国很多企业中，“技能水平低”的实质每每是管理水平差。
某些企业的管理问题所导致的本钱丢失会超过企业的利润。
通过推进智能化，人类的很多决策事情可以交给机器去做，也可以在机器帮助下或“监督”下去做，通过提升企业的管理能力，大大减少因管理不善导致的问题。
从现实效果来看，智能化每每能够有效地推动企业整体利益实现最大化。

智能化与人工智能

智能化是一场决策革命，即通过数字化的方法代替人决策、帮助人决策、“监督”人决策。
对工业过程来说，决策所需的知识每每是工业人多年积累的结果。
这些知识的逻辑每每是清晰的、能够被准确表达的。
推进智能制造的时候，随意马虎把这些知识转化成打算机的代码，但智能制造未必用到人工智能的范例算法。
因此，“智能制造即是人工智能加制造”的不雅观点是缺点的。

但是，经典的人工智能技能确实能够促进智能制造技能的发展。
在一些场景下，传感器采集到的旗子暗记并不随意马虎转化针言义明确的信息。
例如，摄像头可以采集到产品表面的图像信息，但不能把图像信息与质量毛病的类型和级别对应起来。
如果这类问题办理不了，质量管理的逻辑就难以自动地实现，智能化的进程就会受阻。

深度学习等范例的人工智能技能特殊长于办理图像识别问题。
事实上，图像识别是人工智能算法在工业界最范例也是最紧张的运用领域。
缺少人工智能技能，智能制造的体系每每是不完全的。

从某种意义上来说，人工智能是技能问题也是学术问题，这也是学术界特殊喜好研究的问题。
现实中，自动化每每只是技能问题，并不是学术问题，由于工程师一样平常喜好用最大略的办法办理问题。
推进智能化的过程不仅涉及技能问题，每每还涉及企业组织流程的重构、商业模式的创新。
从这种意义上讲，智能化的问题每每可以看作企业的管理乃至计策问题。

《张江科技评论》！