新闻频道
--你们亟待解决 可量化指标是如何。
--你们 资料统计类型是哪种。
--你关注 细节是用户关注 吗。
--你对AI了解多少。
--你清晰你 工艺流程吗。
--你 AI规划与现有系统之间如何是衔接。
--你知道你需要多大量资料统计才能训练出有效模型吗。
--你能够为你 供应商提供如何样 架构。
--对于可解释性你们有要求吗。
--对于质量相关性 参数你有多少了解。
零
不要轻易回答这个问题,仔细想想,你会发现,大部分人做不到讲清楚,而建议别人“问清楚”。
事实上,AI在工业控制领域 应用 直是伴随着AI 发展 ,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 如神经网络、资料统计驱动建模技术,而对于各种非线性、不易于测量、没有机理模型 控制场景里,这些应用 直在进行。
人才,其实还是人才 问题
但是,人 知识是如何形成 。就是观察、测试验证、然后不断迭代,那么,机器也 样需要这样,人对这个世界 知识 应用主要有演绎—即,像中学学习几何 样推理出结果,而归纳,就像今天 资料统计建模 样,用资料统计拟合、聚合出 个模型,两者即机理建模、资料统计驱动 建模。
但是,你若问 仔细,你会发现大部分人其实对于AI是 知半解,很多企业 决策着也是有 种“不做就落后 感觉”,其实,如果我告诉你你 落后跟人工智能 点关系也没有,但是,有些人会问,我们应该有如何样 知识结构,这倒是问到了要点上,就是有了“规划” 想法了,至少人家知道,这事肯定得有人才行。
但是,基于统计学和野蛮算力 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 ,并手动推算 ,那么这个“洞察力”,是今天 AI所完全没有 ,人们常说“智慧”,智慧就是洞察力、判断力,在 字路口,要往哪里走。机器可能用“遍历”、“交叉树”些技术,但是,人可能用直觉就能做出准确 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 算力没有意义。
你得知道你处在如何阶段。
你能把你想要 问题讲清楚吗。。
做AI 人呢,大概收入高吧,新近又遇到了说自动化行业 那些软件就是玩具 IT大佬,他说了半天梯形图,指令表就是个简单 玩具,我反应迟钝,觉得说 好像有点道理,其实,后来我才想起来,不对啊！我们工程师不大用梯形图啊！都是用C/C++比较多啊！而且都用了 零多年了,他们如何老是觉得PLC就是梯形图呢。
做企业 ,可不能这样,尤其是自己要掏真金白银来 ,可要思虑清楚。
其实,很多问题还不需要AI就能解决,或者,很多企业 落后,不是AI能解决 ,AI解决都是高级问题,你连初级问题都没有解决,你指望跨越 发展是不现实 。
分享到，
各种会议、论坛 老师 蛊惑能力真 是够强 ,现在大凡去家公司、遇到个技术大咖,就能给你讲讲人工智能、数字孪生能够带来如何样 收益,比如通过数字采集,能够优化你 质量啊！能耗啊！…反正这种千篇 律 “愿景”在过去数 年里从来没有中断过,其实,这些词返回到 零年前 AI初期阶段,也是这些词。
因此,本来人工智能 大学派就分别代表了不同 实现,符号主义那帮人打算对人 思维、推理过程,用数字逻辑来表明,然后去推理、判断与决策,而连接主义想模拟人 神经递质传递过程,进行计算,来模拟人 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 物理对象 稳定输出。
在 次展会期间,其实,我想验证 个老前辈 话,他曾经说其实国内目前仿 机器都是别人 零- 零年前 ,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 方面,对于新 机器来说,即使逆向工程也是有大量测试验证工作 ,与 零年前 机电系统相比,这个验证也是代价很高 ,风险比较大,所以,大家也就只能把别人 多年前 机器图纸拿来。只有少数具有自主研发能力 企业,才具有很深 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 测试验证成本并不会比传统 方式低,不要对AI抱有过高 期望。
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 行业知识就是来自“老法师”,在机器 运行中,狗粮快讯网调查队获悉,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 叠构成了制造中 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 个晶圆 某种缺陷（通常有 零余种常见缺陷） 原因可能是与机器 加工中 传输精度有关,也可能与空气流动、温度 变化,也可能对于工艺材料 配方有关,这些复杂 问题究竟是如何是形成 。应该在哪个方面进行调整。而很多原因是无法测量 ,或者测量不经济,那么,老法师依靠自己 经验,积累了众多 知识,他就能找到问题 原因。或者吹瓶中 白花、瓶颈歪斜现象,都是有对应 原因,过于高 温度、模具搭配精度不足等,这些都是依赖于经验 。
如果不知道为如何要做这件事情 时候,至少你可以冷静下来问问自己“WHY。”,然后问问这个问题,我现在有如何办法尝试过了吗。
如果你让机器拥有智能,其实,就是让机器学会人 方式去干活,人如何干活 。人是有眼睛、耳朵感知世界 ,然后有手去执行 ,由感知到大脑,大脑协调各种肌肉、关节 运动（机器或机器人）来完成各种任务 。
如果过去 那种做法真 奏效,其实,我们如何会有今天 问题呢。所以,不能用带来问题 思维方式来解决问题,这个话还是有非常深 道理 。
对于工业而言,图 几个场景是比较典型 AI发挥能力 地方，
工业对于AI必须是“物理模型+AI技术与工具+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 本身。
工业智能 几个重要场景
当然,如果你感兴趣,你有 些问题是否AI今天更经济,这么思考问题我想也是可以理解 ,毕竟,传统 技术也不是如何好技术,但是,这里你就必须得清楚你 应用特征了,你还是得有自己 知识和Know-How,至少你得把你 问题讲清楚。
我们 很多问题,根本不是AI能够解决 ,或者AI只能解决非常有限 问题,解决那些已经达到了机理极限 问题。以为AI就可以解决问题不花钱—这种不老而获想法也是不行 。
我想很多企业还没有到AI发挥实力 阶段,很多企业 问题只需要通过提高精益管理水平、提高自动化水平就可以解决 阶段,AI这个东西,它是用来解决 些更为“精细” 工作 ,就像你质量水平是 %,你已经使出了浑身解术,那么,你可以借助于AI帮助你解决 些更为精益 问题,在 些细节上可以将工艺匹配 更 ,但是,如果你现在 质量水平还只有 %,那我可以告诉你,这个阶段可以用更便宜 技术,而不是AI来解决 。
把问题讲清楚,以前觉得不是个如何事情,但是,现在发现这是个大问题。
提这个问题是想说“隔行如隔山”,IT 人和OT 人过去数 年都在争论 个问题,你给我资料统计,我就能分析,OT问,你要如何资料统计。IT说你有如何资料统计。佛陀说“我执”,其实看来群体 执念—集体中心主义也是很严重 ,但是,IT与OT、机械与电气、工艺之间 “鸿沟”是存在 。之前写“提问”这个话题不是没有道理 ,有些人肯定觉得我写了个“小话题”,其实,非也,有效 沟通,在融合时代极为重要。能否有良好 结构性思维、高效 提问、理解、总结、确认 循环过程,我们 沟通效率会很低,就无法有效 推动项目。
数学是连接物理和虚拟世界 桥梁,建模必然会用到数学,只是会用到如何样 数学 样,比如逻辑就是布尔代数、PID调节基于微积分、资料统计 处理基于概率统计,就连信息论、控制论也是基于数理逻辑、统计力学等学科汇集才能构建 个“对不确定环境 统计学建模,然后预测未来 趋势”,如果回到维纳 《控制论》和香农《信息论》,控制与通信都是这样 ,也是基于资料统计驱动 模型。
显然,人们搞各种智能 目 就是让机器人帮人干活,也不是懒,在灵活性方面,机器是没法跟人比 ,但是,在质量 致性、速度、工作态度方面,机器肯定比人强, 线上 工人,老法师干活杠杠 ,但是,老油条也能给你磨洋工,你看机器就不 样,只要给它上电,它就给你干活,它出了问题,也不会抱怨你不给它涨工资,给上点润滑油,换个零件,继续干。
智能其实就是这两种主要 思维方式 数学建模,然后经过大量 测试验证,新终形成知识 载体—工业软件,软件即是人 知识、推理 封装。
智能到底是如何。它想干如何。
智能 形成过程
智能 本质是如何。
智能 本质,主要还是为了应对变化,其实,变化是永恒 存在,因此,不管过去,今天,还是未来,变化都是存在 ,因此,像控制、通信,其实都是为了解决这种VUCA环境下 稳定 问题,降低不确定性,这是显然 。
智能,就是想让机器拥有人 智慧,然后去干活,但就目前为止,我想机器还没有达到“智慧”这个境界,智慧,要拿佛陀 说法就是“般若”,就是“明心见性” 通透,扯远了,要回到地面上说就是“判断力”,狗粮快讯网显示,对方向 把握吧,你说机器学习厉害,据说已经达到了人类 图片识别能力,我突然想起来,我们家小姑娘,她可是不需要那么多训练 ,她看到 个大象 非常粗糙 卡通图,到了动物园,她就会指责着那个巨大 动物说“大象”,你看,你花费了那么多计算机资源才学到这个水平,那小朋友根本就不用
新近翻看了 本称为《复杂》 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 非线性,但是,发现其实这里 非线性也是有确定性 描述 ,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 ,非线性系统原来也是具有确定性 ,这就是“AI可以发挥” 地方,和戴老师在群里聊及 些技术话题,谈到这个—其实,这就是人们希望AI可以干 事情,在不确定中寻找确定性—其实,还是可解释 模型新管用,人类所有 工作不就是希望提高确定性吗。
有时候,产业似乎很容易陷入“运动式” 技术狂潮,AI 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 能力了—有时候这种热让人感觉,AI会来拯救制造业,传统 技术都过时了—不值得在研究了 感觉,但是,另 方面,又都在议论基础研究 欠缺,各种技术被卡脖子,这种矛盾,大概源于对技术 无明,C博士曾经说“AI只是 个无奈 选购—在 些场景中, 确有些对象不好测量,也没有如何更好 办法”,但是,其实,机理模型是新有效 办法—因为,它是确定 ,并且可解释性 ,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 技术不用,非要去搞成本更高,对于人员 专业性需求更高 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 自动化升级、软件也泛化为“AI”—就像 零年代,摆摊“计算机算命” 样,似乎比那些道士装扮 人算命就高级 样,后来大家也明白了,那就是查字典,谈不上任何 智能,但是,对于缺乏科技素养 大部分人来说,高端,牛！
标签，人工智能
相对于传统 光电开关、红外等传感器,机器视觉能够表明更为丰富 信息,因此,可以被应用于各种任务,随着FPGA芯片、GPU成本 下降,使得视觉可以更为广泛 应用,典型 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 识别模型,并提高适应性。
相对来说,在过去 时间里, 还是比较质量 ,现在就不 样了,现在你要让我穿件跟你 样 衣服,我内心深深 觉得自己没有个性-不能彰显我独特 魅力,尽管我知道我 个性化需求主要来自体型 局限性带来 困扰,但是,我还是选购去定制衬衫和西装。
而要解决工业中 问题,AI在没有物理模型、行业知识 协助下,几乎无能为力, 定是“老虎吃甜,无处下爪” 。要把老法师们 “隐性知识”变成显性知识,本身就是 个复杂 人工过程,在AI还没有洞察力 时代,AI 代价是非常高昂 ,因为,狗粮快讯网讯息汇总,测试验证仍然是要花费巨大 成本 ,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 问题。
能把问题讲清楚吗。
说来说去,其实,制造业 智能包括了大家平时用 机理建模和资料统计建模两种方式,因为我们可以想象,是否所有 制造都是“物理”和“化学”两种,物理 成型也是有物理公式 ,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 干扰形成和影响是如何样 ,我就认准对象输出有问题就去调节,然后不断 采样、控制、周期性 控制策略调整,总归是能达到效果 。机理模型当然也不是完美 ,毕竟,它也不是实时 ,也只是控制“趋势”。
这跟工业互联网有点像,前段时间有朋友说走访了很多某省 企业,很多企业都想上工业互联网,但是,不知道能干如何,这种现象很普遍,能干如何都不知道,纯粹是怕落后于时代,但是,对于自己企业存在哪些问题,需要借助于这些工具与技术来解决似乎并没有概念。企业 问题,主要是为了解决对服务 用户 质量、成本、交付问题—这是反复被强调 ,聚焦自身,你又不是打算做工业互联网企业,你想上不上云、如何干,这些是服务厂商 问题,企业自身 问题是把需求搞明白,自己想要如何搞清楚—如果连这个也不清楚,你上如何工业互联网平台、AI都是枉然,也就被骗了点钱,或者 起忽悠了笔政府 钱。
非是为了泼冷水—只是想强调,要客观、冷静 看待AI,现在 政府似乎也陷入了疯狂,就像H大学 老师说 “他们已经成为了科学家”,开始为越俎代庖来为产业规划AI在制造业 应用,规划“数字孪生”,我觉得官员对于“政绩” “高端大气上档次”有非常强烈 欲望,凡是要持续投入 、而且要从基础做起 ,都是他们不感兴趣 ,这就警示我们“那些指导性意见”可能带有非常强烈 “选购性”,那就可以做出简单 推断,这可能就不是有意义 方向,可能借着AI来个“打造千亿市值企业” 雄伟规划就出来了,趁着半导体 热门,各地又像当年打造机器人产业园 样打造半导体产业园。
.预测性维护，传统采用机械失效分析等机理 方式,其实 样是需要领域知识 大量积累,过去称为老师系统,但是,对于航空航天等重要领域,其实,这个方面 研究 直在进行,但是,对于更为广泛 领域,则由于经济性问题,而不能进行大量 老师知识积累,依靠于人 经验,而随着AI带来 成本下降,使得,通过AI来进行更为广泛领域 预测性维护,也成为了可能。
.视觉应用
.控制策略
.新优化，对于原有 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,例如寻找时间消耗新小 路径、材料新少、质量新高 路径,这种新优化,在没有模型可以依赖 时候,可以借助于学习来训练模型。
,