历史就像一个老顽皮，在人们不经意中，一次又一次开着同样的玩笑。
历史但只是开玩笑而已，由于玩笑过后，人们创造，机器不吃人，机器化依然是残酷的小红花，而自动化也不用瑟瑟颤动。
科技的进步只是加长了食品链，原来的顶端不再是顶端了，必须重新找正自己的位置，但自己的位置还是在的，而且绝对主要性不减，乃至可能增加，只是相对主要性降落了。
这是馅饼做大的缘故。

机器化是用机器代替人的体力，但机器的运作还是要靠人的。
比如说，用水泵抽水，就不再须要手提肩挑了，但开泵关泵还是要靠人扼守，否则池塘满了、溢出来了，或者池塘见底了，泵在空抽、造成破坏，就不好了。
在自动化时期，池塘里加个水位计，池塘里也加一个水位计，池塘满了，或者池塘干了，就自动停泵；池塘的水位下去了，而且池塘的水位也足够，那就重新开干。

在人工智能的时期，可能有一个高等运用在监管着。
池塘可能不满，池塘也有足够水位，但现在其实用水的地方并不须要，白白抽那么多水上来，影响节水，增加挥发，也是高峰用电的电价，摧残浪费蹂躏了，可以等等再决定是不是要抽水。
或者说，现在有好多地方都须要用水，须要综合权衡一下，哪里有优先权可以多用水，哪里须要捐躯一下顾整年夜局，或者在水价低的时候多用，水价高的时候少用。
这样在更高层次上方案用水哀求，决定自动抽水是不是进入事情状态，还是连续待命，这可以看作最低低级的人工智能。

也便是说，人工智能可以看作更高层次的自动化。
如果说自动化可以比作查表办事，表上说看到“1”就做“A”，看到“2”就做“B”，看到的在“1”和“2”之间，那要做的也在“A”和“B”之间；那人工智能就像炒股，须要比拟好多曲线，查对好多条件，说不定还要根据自家秘制的公式打算一下本钱、收益和风险，才能决定到底怎么办了。
说到底，还是有一定之规的，只是这“规”要繁芜得多。

人工智能有很多分支，当前主流基本上环绕着神经元网络。

神经元网络模拟人类大脑的思维，其基本单元是神经元。
神经元的数学表述不繁芜，便是一条S形曲线。
也便是说，在输入值从小变到大的时候，输出值从也从小变到大，但不是均匀地变，而是先慢、后快、再慢地变。

神经元这条S曲线有几个参数可调，一是可调“小”到底多小，“大”到底多大，二是可调S形的弯度，还有参数可以整体升高或者降落基线。
“拉直”了，S曲线就和笔直的斜线差不多了，这时神经元的表现和传统的连续变量靠近。
“拧巴”到极点了，S曲线就和开关曲线差不多了，也便是说，输入值从小变到中的时候，输出值基本不变，保持在低位；但在中点前后急剧上升，一过中点，输出值就基本保持在高位了。
这时，S曲线的表现和传统的断续变量靠近。

S曲线可以在连续变量（像温度、水位）和离散变量（像“好/坏”、“开/关”）之间无缝过渡的特点，使得神经元既可以仿照连续变量，也可以仿照离散事宜，这是人工智能更加“聪明”的关键。

单个的神经元还只是好玩的玩具，多个神经元组网起来，就可以仿照高度繁芜的征象。
一层一层的神经元网络组成高度繁芜的网，这便是深度学习了，已经展现出令人类害怕的智能了。

什么是智能、人工智能vs人类智能可能会成为永恒的哲学问题，但对眼下来说人工智能已经远远超过大略重复人类智能的地步了。
“阿尔法狗”大胜人类顶级围棋手成为里程碑式的迁移转变，“阿尔法狗1.0”还是还是用人类最精良的棋局首先演习一遍然后在“自我琢磨”的，“阿尔法狗2.0”便是分开人类棋局完备用自学习演习出来的。
在更加“接地气”的层面上，人脸识别已经做到惊人的准确度和速率。

但就这些还是抢不了自动化的饭碗的。
人脸识别对标的是传感器，自动化的核心还是在于掌握器。

自控有两大路：一起是参数化掌握（parametric control），另一起是非参数化掌握（non-parametric control）。
非参数化掌握不须要被控过程的数学模型，只要理解大概的定性行为就可以了，比如“加水导致水位升高，撤火导致降温”，这个不能搞反了，剩下的靠一定形式的掌握算法和参数整定来终极调试出一个稳定、满意的系统，传统的PID便是这样的。
参数化掌握则因此数学模型为根本的，数学模型的浸染是精确预测被控过程在给定输入时的相应，然后可以根据须要的相应，反推须要给出的掌握输入。
当然，模型不可能完备精确，剩下的就靠反馈和参数微调来“磨”了。

人工智能用于非参数化掌握的话，参数整定太胆怯。
一个大略的单回路神经元网络掌握器可能有一个决策层，不超过10个神经元，加上输入层和输出层，随随便便就有30-50个可调参数，这是不可能像PID那样整定的。
PID一共只有3个参数，大部分人都嫌麻烦，不碰微分，只动比例和积分。
要动那么多参数，这是不可能的。
但把大量参数都锁定，神经元网络的高度可塑性就没有了，也就不须要费那个事了。

像“阿尔法狗1.0”那样，用现有数据演习神经元网络掌握器，这在理论上是可能的，问题是实用中不可能有那样海量的输入-输出的静态数据和动态数据。
要真有这些数据，非神经元网络的掌握器也已经在手了，而且行为可预测，还费那个事干什么？直接不雅观察人类操作的常年数据也弗成，那是闭环的，输入-输出的因果关系已经打乱了，直接拿来演习肯定是弗成的，这就和闭环辨识一样。

那像“阿尔法狗2.0”那样自学习呢？更弗成了。
“阿尔法狗2.0”自我演习的条件是有清晰的规则和游戏空间。
更主要的是，自学习须要大量的试错。
不可能在实际工业过程上这样试错，人家还要不要生产啦？更何况无限制的试错可能造成各种安全问题。
用高度精确的仿真系统大量试错倒是不会造成危险或者生产丢失，“阿尔法狗2.0”实际上便是这样做的，但围棋和实际工业工程的差别太大了，“阿尔法狗2.0”可以旁边手互博，也可以与“阿尔法狗1.0”互博，每一步在棋盘上清清楚楚，结果剖断也一览无余，实际工业过程就须要高精度动态仿真系统了，还要考虑各种不定脾气况，这样的高精度动态仿真在工业上是特例，可遇而不可求的。
事实上，有了高度精确的动态仿真模型，本身就可以成为模型预估掌握或者其他当代掌握方法的根本，不须要舍近求远搞神经元网络掌握器。

这和人工智能用于医学一样，人工智能赞助诊断喜闻乐见，但自学习人工智能疗法？您先请。

影响神经元网络用于掌握算法大发展的关键可能在于缺少一个统一、有效的数学剖析架构。
PID掌握的观点很早就有了，但提高到理论高度是在微分方程稳定性理论发展起来之后。
微分方程是数学里很主要的一个分支，稳定性又是微分方程里的一个分支。
从这里用拉普拉斯变换发展出频域剖析，建立了经典掌握理论。
在60年代，卡尔曼引入线性代数，建立状态空间方法，掌握理论进入了单变量和多变量统一架构乃至可以原谅非线性系统的当代掌握理论阶段。
随着打算机的发展，曾经只能纸上谈兵的掌握理论可以工程实现了，各种严格、不严格但管用的掌握方法（如模型预估掌握）如雨后春笋般地呈现，但基本上都是在微分方程的架构下，打算机实现中利用的差分方程也可看作微分方程离散化的结果，很多结论和方法可以通过映射搬过来用。

但神经元的S曲线只管威力无穷，很难用已知的数学方法进行剖析和综合。
换句话说，纵然建立了神经元网络的被控工具和掌握器的模型构造，除了用数字仿真一遍一遍试错，没法确保回路性能，连给出故意义的辅导性设计原则（如经典掌握理论里的“闭环极点必须在左半平面才能担保稳定，离虚轴的间隔代表收敛速率，离实轴的间隔代表振荡频率“）都做不到。

数字仿真能试错的场景永久是有限的，以此为系统稳定性的依据是不足的，由于在已经测试的有限场景之间（内插）或者之外（外推），谁也不知道系统会如何反应，以是仿真几百几千次也不一定能解释问题。
这与按照传统掌握理论（包括经典和当代）截然不同，那里在完成设计打算后，数字仿真只是验证用的，验算几个点就足够了。

人工智能在实用中已经涌现了这个问题。
“阿尔法狗”（不管是1.0还是2.0）都在棋局中走出令人类匪夷所思的步子，事后看来是走对的，但对付如何走出这样的步子依然百思不得其解。
这样的人工智能正在成为运用中的最大阻碍：人类不能接管无法理解因而不能相信的人工智能决策，对付实时性哀求很高的掌握领域，人类又不可能查验人工智能的每一步决策。
在做到对人工智能的行为能严格数学剖析和预测之前，这个坎很难迈过去，因次在可预见的将来，人工智能决策的直接应用必定是有限的。

但人工智能用于自控层之上的“指挥层”则险些是一定的，就像前面提到的智能用水调度系统指挥自动掌握的水泵一样。
在这个场景下，自控的哀求实在是高了，不是低了。

在模型预估掌握时期，很有一些人为PID的未来担忧，但很快创造，要使得模型预估掌握有效事情，PID层须要更加风雅地整定到最优状态。
这和串级掌握是一个道理。
主回路好比短序导，副回路好比干活的。
假如干活的手脚麻利，办事精准，短序导则井井有条、指挥若定，那这合营就如鱼得水了，指哪打哪。
假如反过来，短序导是个事儿妈，干活的

在人工智能时期，这还是一个道理。
指挥层的人工智能要从长计议，不能事儿妈；自控层则要更加敏捷、精准。
指挥层与自控层最好还要有深度沟通，指挥层不仅发布下一步的指令，还把预期的未来指令一起发下去，自控层好预做安排。

这就彷佛开汽车过弯一样。
看着车头前3米的地方，一点一点过，是可以安全过弯的，便是慢一点。
但假如早早看到前面完全的弯道，可以预先操持好，在入弯的时候晚一点刹车，在中间的时候甩一点尾，然后加速出弯，这就快多了。
但这哀求预先就看到全体弯道，预作准备。

这样的预估掌握是范例PID做不到的，模型预估掌握就可以做到，但各种PID依然是模型预估掌握的腿脚，不仅不能弱化，还要极大强化。

在人工智能时期，自动化不仅不须要瑟瑟颤动，还要打起精神，磨炼新本事。
本来端坐的金字塔尖的位置被人工智能坐掉了，但自动化实在还是坐在原来的位置，只是金字塔长高了。