雷鋒網(wǎng)按：李涵雄，博士，香港城市大學(xué)系統(tǒng)工程及工程管理系，和中南大學(xué)特聘教授。先后入選國(guó)家杰出青年基金（海外）獲得者（2004），教育部長(zhǎng)江學(xué)者（2006），國(guó)家“”專家（2010）和IEEE Fellow （2010）。長(zhǎng)期擔(dān)任國(guó)際權(quán)威期刊 IEEE Transactions on Cybernetics (2002 - 至今)和 IEEE Transactions on Industrial Electronics (2009 - 2015)的副主編和國(guó)內(nèi)多個(gè)核心刊物的編委。出版系統(tǒng)建模和系統(tǒng)設(shè)計(jì)方面的英文專著 2本；在國(guó)際權(quán)威學(xué)術(shù)期刊上發(fā)表 SCI 論文 180 多篇。連續(xù)兩年（2014，2015）被國(guó)際權(quán)威出版社 Elsevier 評(píng)為中國(guó)高被引學(xué)者。最近二十多年來一直從事智能制造方面的研究，側(cè)重于工業(yè)過程的智能建模、設(shè)計(jì)與控制，和基于數(shù)據(jù)學(xué)習(xí)的智能決策。

李涵雄教授在大會(huì)現(xiàn)場(chǎng)演講

今天，在湖南長(zhǎng)沙舉辦的“紀(jì)念人工智能 60 年系列活動(dòng)”之“2016 人工智能湖南論壇”上，大會(huì)首位重磅嘉賓李涵雄教授從學(xué)者的角度和大家分享了“智能制造中的控制及智能化的作用”。

智能制造就是要實(shí)現(xiàn)從客戶需求到生產(chǎn)的全面自動(dòng)化，這對(duì)未來的控制系統(tǒng)提出了極高的要求。整個(gè)工業(yè)制造鏈涵蓋多種生產(chǎn)設(shè)備和工藝過程：從單個(gè)機(jī)械動(dòng)作，到多個(gè)嵌套操作，乃至復(fù)雜的生產(chǎn)調(diào)度管理，因而存在多變量耦合和多尺度的復(fù)雜特性。需要針對(duì)過程的具體特性進(jìn)行不同的操控，包括系統(tǒng)設(shè)計(jì)、過程建模與控制，數(shù)據(jù)學(xué)習(xí)與決策。

針對(duì)多尺度的復(fù)雜性，智能制造的實(shí)現(xiàn)需要一個(gè)5層的金字塔結(jié)構(gòu)：

• 硬件傳感

• 數(shù)據(jù)-信息轉(zhuǎn)換

• 多模型融合

• 自我感知

• 自主決策

通過智能集成多種方法，逐層消除不確定性，增加系統(tǒng)智能；實(shí)現(xiàn)從產(chǎn)品智能到生產(chǎn)智能的逐級(jí)進(jìn)化，最終提升工業(yè)制造的全面自動(dòng)化及智能化。

工業(yè) 4.0

首先，李涵雄教授提到，人類社會(huì)到目前為止大概經(jīng)歷了四次工業(yè)革命，第一次工業(yè)革命源于水蒸氣驅(qū)動(dòng)的紡織機(jī)，第二次和第三次工業(yè)革命主要依靠電力驅(qū)動(dòng)的生產(chǎn)線以及之后出現(xiàn)的工業(yè)機(jī)器人，直到最近的提出的第四次工業(yè)革命中計(jì)劃通過協(xié)作機(jī)器人進(jìn)行工業(yè)升級(jí)。

因此，從這個(gè)角度來說，不但所有可通訊的設(shè)備都能連接在一起，而且還可以大大降低生產(chǎn)成本。從另一個(gè)角度來說，工業(yè) 4.0 可以看成 CP+，也就是大物理系統(tǒng)，這意味著需要根據(jù)市場(chǎng)的需求，通過互聯(lián)網(wǎng)實(shí)現(xiàn)智能制造，最終達(dá)到生產(chǎn)的全面自動(dòng)化。

而傳統(tǒng)的做法一般是從市場(chǎng)需求開始，從原材料到產(chǎn)品，再到機(jī)器?，F(xiàn)在通過智能化實(shí)現(xiàn)中間過程全自動(dòng)，最終能夠大大提高生產(chǎn)制造的質(zhì)量、效率和敏捷性。這種方式可以延伸的工業(yè)生產(chǎn)的各個(gè)方面，包括未來制造業(yè)、網(wǎng)絡(luò)化能源、智能基礎(chǔ)設(shè)施以及醫(yī)療 IT 等等。一般來講工業(yè)4.0，有九大技術(shù)支柱行業(yè)，有人工智能、工業(yè)互聯(lián)網(wǎng)等等這些支柱行業(yè)。

制造中的控制作用

制造是一個(gè)多尺度的復(fù)雜系統(tǒng)，我們一般用系統(tǒng)工程來解決的話，需要將制造系統(tǒng)分解，進(jìn)行分布求解，最后再合成。因?yàn)檫@取決于人的思維，我們的解決問題的思維是將復(fù)雜問題簡(jiǎn)單化，所有的復(fù)雜運(yùn)算都化作為加減乘除，這是基本的現(xiàn)代化理論。

我舉一個(gè)制造的例子，就是電子封裝工業(yè)。這是一個(gè)很復(fù)雜的生產(chǎn)線，從貼片到包裝，由很多個(gè)系統(tǒng)過程組成。貼片過程分成三步，一是芯片的抓取，二是要點(diǎn)抓手，三是構(gòu)化。這三個(gè)簡(jiǎn)單動(dòng)作是多級(jí)嵌套的，同時(shí)尺度是不一樣的，是多時(shí)間和多時(shí)空的尺度。

再比如，最常用的點(diǎn)膠機(jī)，這是我今年的課題項(xiàng)目。這就是一個(gè)多時(shí)間尺度的問題，從這里面來看，有一個(gè)快時(shí)間尺度，然后在分眾級(jí)別可以有點(diǎn)很多滴膠水。那么由于工業(yè)制造業(yè)一致性很好，這又是多時(shí)間尺度的問題。這是制造當(dāng)中很普遍的現(xiàn)象，不光是點(diǎn)膠機(jī)，很多其他的制造都是這樣的。由單個(gè)部件生產(chǎn)形成多個(gè)部件，但由于最終的性能很難檢測(cè)，有很大的不確定性，所以往往需要人的干預(yù)。另外一個(gè)是溫度廠的控制，當(dāng)一個(gè)芯片經(jīng)過一點(diǎn)時(shí)，溫度要一致，因此就形成一個(gè)時(shí)空和空間的一個(gè)關(guān)系。

多尺度與不確定性

總的來講，從整個(gè)制造業(yè)的高度往下看，制造具有多尺度特性；從最底層的設(shè)備往上看，先是一個(gè)快過程，然后是批處理慢過程。生產(chǎn)級(jí)別的邏輯控制是有不確定性的，監(jiān)督層越往上，智能化需要越來越高。也就是說，底層的確定性比較高，復(fù)雜度比較低，越到頂層，對(duì)應(yīng)的復(fù)雜度也越來越高。下層制造控制更關(guān)心產(chǎn)品質(zhì)量，而上面制造控制更關(guān)心商業(yè)市場(chǎng)的利潤(rùn)，這主要適用于企業(yè)管理層面。

如果把最底層的機(jī)器級(jí)和最頂層的工廠級(jí)放在一起比較就會(huì)發(fā)現(xiàn)，其特點(diǎn)是不一樣的。機(jī)器級(jí)是局部特征，而工廠級(jí)是全局特征。不確定性很關(guān)鍵，越下面不確定性越小，越上面不確定性越大，這是底層物理驅(qū)動(dòng)的，所以需要采用動(dòng)態(tài)控制。

最底層的是物理連接，傳感器要觀測(cè)很多東西，這個(gè)企業(yè)可以做到。從數(shù)據(jù)到信息的轉(zhuǎn)換，利用很多現(xiàn)成的算法，企業(yè)也可以做到。再往上，企業(yè)就比較難做到了，一般只有高校才具備這樣的能力，就是系統(tǒng)與計(jì)算之間的轉(zhuǎn)換以及模型之間的轉(zhuǎn)換。更高的就是認(rèn)知層面了，這里面就需要人和機(jī)器互動(dòng)了。實(shí)現(xiàn)最頂層的無人工干預(yù)全自動(dòng)化也許需要未來世界了。

智能制造的挑戰(zhàn)

因此，智能制造的挑戰(zhàn)從學(xué)術(shù)上來看是具有不確定性的，由于企業(yè)、制造業(yè)的復(fù)雜性和多樣性，無法標(biāo)準(zhǔn)化，所以智能化應(yīng)該如何做到智能感知、智能控制和智能決策，是我們應(yīng)該考慮的。

任何一個(gè)工業(yè)工程都有動(dòng)態(tài)系統(tǒng)，對(duì)于動(dòng)態(tài)系統(tǒng)傳統(tǒng)做法先介入，然后消除不確定性再進(jìn)行控制，我相信企業(yè)認(rèn)為控制不是問題，認(rèn)為是設(shè)計(jì)問題，任何過程都可以設(shè)計(jì)，但是別忘了在小不確定性的情況下，在大的不確定性情況下，沒法得到系統(tǒng)的方程主體，因此來講對(duì)應(yīng)現(xiàn)代生活系統(tǒng)和物理系統(tǒng)，方程的主體就得不到了，我們就需要用學(xué)習(xí)的方法去獲得被控對(duì)象的模型。由于不確定性，因此來講不能做控制只能搞決策，左邊是確定性比較小，右邊是確定性比較大。

智能制造當(dāng)中最基本的工作就是傳感、建模、學(xué)習(xí)，越往上不確定性越大，我們從設(shè)計(jì)到控制到管理整個(gè)這一層面，傳感建波以及學(xué)習(xí)最終目的是消除不確定性，我們的世界是不確定性的，最常見的不確定性是隨機(jī)性，大家都知道，還有一種就是模糊的，學(xué)術(shù)界是叫模糊性的，就是因?yàn)樾畔@取不完整，一個(gè)是隨機(jī)的幅度是不準(zhǔn)確的。

在我的研究過程當(dāng)中，有數(shù)值不確定性、隨機(jī)不確定性和空間不確定性。當(dāng)主要方程丟失的時(shí)候，最終以隨機(jī)的形式、分布的形式來做判斷，這是隨機(jī)不確定性。因此控制在不同的層面上對(duì)智能的要求和功能都不太一樣，最基本的一層是過程的設(shè)計(jì)，還有底層回路控制，這兩個(gè)集成是很大的挑戰(zhàn)。因?yàn)橐侠矸峙涔ぷ髁?，設(shè)計(jì)系統(tǒng)要易于控制，使設(shè)計(jì)出的算法比較易于實(shí)現(xiàn)。如果這兩層解決不了就需要監(jiān)督層來解決，信息學(xué)科現(xiàn)在提出的知識(shí)自動(dòng)化，實(shí)際上就在這里面。

建模非常的重要，根據(jù)目標(biāo)的不同，建立的模型就會(huì)不同。我們?cè)谧龉I(yè)設(shè)計(jì)的時(shí)候，需要這三個(gè)平臺(tái)。一是點(diǎn)膠的物理過程，必須有實(shí)驗(yàn)設(shè)備才能夠采取設(shè)備。二是工業(yè)物理紡織模型，我們也許不知道方程，但會(huì)有一個(gè)標(biāo)準(zhǔn)流程，我們就要找到這個(gè)方程圖。三是物理紡織模型要做標(biāo)的，最終控制、設(shè)計(jì)等形成一個(gè)固定流程，而要把虛擬空間和物理空間標(biāo)定好非常困難。這三個(gè)模塊和階段都必須要做到，缺一不可。

制造中智能主要就是解決不確定性的問題，人工智能是一種方法和工具，但它不是單一的。單一的方法是無法解決問題的，就跟修汽車一樣，單一把東西做得再好也修不了車。而且跟控制不一樣，人工智能是走在應(yīng)用走在理論前面，控制是理論走在應(yīng)用前面，而且人工智能關(guān)注是敏捷性而非精確性，因?yàn)橹悄茉礁呔_性就比較差，看我們的機(jī)器人就知道了。

首先，人工智能系統(tǒng)是一種經(jīng)驗(yàn)級(jí)別，就像開車一樣。最難的級(jí)別就是對(duì)不確定性的判斷，這是未來的一個(gè)挑戰(zhàn)，因?yàn)閺膩頉]見過，我們必須要進(jìn)行思考。

智能從哪里來

據(jù)說，人類只能感知到世界上 10% 的信息，因?yàn)樾畔M天飛。感知讓我們獲得信息，經(jīng)過邏輯決策再行動(dòng)。通過決策，我們會(huì)做很多的決定，但是決定不一定正確。制造系統(tǒng)也應(yīng)該判斷機(jī)器自身的適應(yīng)性問題，而如今，自適性已經(jīng)通過大量的運(yùn)算實(shí)現(xiàn)了。那么人工智能會(huì)因此能夠取代人類嗎？我個(gè)人認(rèn)為人工智能能夠幫助人解決很多問題，但是對(duì)最終取代人類的說法并不認(rèn)同，因?yàn)槿诉€有第六感。

所有的優(yōu)化算法有四大類：

一是建模，不確定性比較小，我們可以用傳統(tǒng)優(yōu)化或者是很多算法。

二是機(jī)器學(xué)習(xí)，主要基于統(tǒng)計(jì)方法。

三是增強(qiáng)學(xué)習(xí)，用于不確定性大到無法用統(tǒng)計(jì)的方法處理數(shù)據(jù)的情況。

四是進(jìn)化計(jì)算。

常用算法各有各的特點(diǎn)，越下面的算法越準(zhǔn)確，越上面的算法越不精確，用這種算法的時(shí)候往往是要結(jié)合的，所謂的上層算法必須要依靠下面的做法，我們?nèi)俗罱K有很復(fù)雜的決策，具體還是需要人去做。所以人工智能面對(duì)真正問題的時(shí)候，必須要根據(jù)這一系列的問題特點(diǎn)去設(shè)計(jì)，這是很大的挑戰(zhàn)。我們要把問題轉(zhuǎn)化成計(jì)算機(jī)面對(duì)的問題，因?yàn)槿水吘垢?jì)算機(jī)有很大的差異。

有了數(shù)據(jù)以后，我們要提取知識(shí)，然后模型只有兩類，一類是數(shù)據(jù)模型，然后機(jī)器去控制，只要確定就可以控制了，還有一類有那么不確定性，就是語言規(guī)則，比較模糊的，那么就用于決策，數(shù)據(jù)信息所有都要經(jīng)過數(shù)據(jù)學(xué)習(xí)來做，比如說信息回歸、函數(shù)很多很多，包括深入學(xué)習(xí)也是一種應(yīng)用網(wǎng)絡(luò)的學(xué)習(xí)，這是直接從數(shù)據(jù)轉(zhuǎn)化為信息。

控制最低級(jí)就是設(shè)計(jì)，最高層就是邏輯控制，就是決策判斷，人能夠做決策判斷，因?yàn)椴淮_定性有隨機(jī)不確定性和模糊不確定性。如果知識(shí)是很模糊的話，所有的知識(shí)確定兩種不確定性。

比如說，香港城市大學(xué)是一所好大學(xué)，這個(gè)信息是很模糊，說這句話的時(shí)候有多少自信呢？這個(gè)是隨機(jī)的，我們?nèi)丝梢蕴幚?，但是?duì)于機(jī)器來講是比較難的。因?yàn)楝F(xiàn)在的模糊系統(tǒng)是有規(guī)則的，很難提取精確的信息，有模糊的記憶推理和反模糊化這種知識(shí)表達(dá)，但是不能處理隨機(jī)過度的東西。因此，我們做的工作就是增加第三維的隨機(jī)信息，建立了三個(gè)維度的邏輯關(guān)系。

智能制造系統(tǒng)是多尺度的問題，因此智能制造是多尺度的集群，集成了各個(gè)學(xué)科。目前，在全球范圍內(nèi)，還沒有一個(gè)教授的研究能夠涵蓋智能制造的所有領(lǐng)域，只能專注于某個(gè)方面。打個(gè)不太恰當(dāng)?shù)谋确?，如果說工業(yè)界是修車的，教授就是研究工具的，而企業(yè)界則是生產(chǎn)工具的，教授們的任務(wù)就是盡量提供更多的工具。

推薦閱讀：

斯坦福教授張首晟談人工智能與未來

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。