雷鋒網(wǎng)按：李涵雄，博士，香港城市大學系統(tǒng)工程及工程管理系，和中南大學特聘教授。先后入選國家杰出青年基金（海外）獲得者（2004），教育部長江學者（2006），國家“”專家（2010）和IEEE Fellow （2010）。長期擔任國際權威期刊 IEEE Transactions on Cybernetics (2002 - 至今)和 IEEE Transactions on Industrial Electronics (2009 - 2015)的副主編和國內(nèi)多個核心刊物的編委。出版系統(tǒng)建模和系統(tǒng)設計方面的英文專著 2本；在國際權威學術期刊上發(fā)表 SCI 論文 180 多篇。連續(xù)兩年（2014，2015）被國際權威出版社 Elsevier 評為中國高被引學者。最近二十多年來一直從事智能制造方面的研究，側重于工業(yè)過程的智能建模、設計與控制，和基于數(shù)據(jù)學習的智能決策。

李涵雄教授在大會現(xiàn)場演講

今天，在湖南長沙舉辦的“紀念人工智能 60 年系列活動”之“2016 人工智能湖南論壇”上，大會首位重磅嘉賓李涵雄教授從學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”。

智能制造就是要實現(xiàn)從客戶需求到生產(chǎn)的全面自動化，這對未來的控制系統(tǒng)提出了極高的要求。整個工業(yè)制造鏈涵蓋多種生產(chǎn)設備和工藝過程：從單個機械動作，到多個嵌套操作，乃至復雜的生產(chǎn)調(diào)度管理，因而存在多變量耦合和多尺度的復雜特性。需要針對過程的具體特性進行不同的操控，包括系統(tǒng)設計、過程建模與控制，數(shù)據(jù)學習與決策。

針對多尺度的復雜性，智能制造的實現(xiàn)需要一個5層的金字塔結構：

• 硬件傳感

• 數(shù)據(jù)-信息轉換

• 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；實現(xiàn)從產(chǎn)品智能到生產(chǎn)智能的逐級進化，最終提升工業(yè)制造的全面自動化及智能化。

工業(yè) 4.0

首先，李涵雄教授提到，人類社會到目前為止大概經(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)動的紡織機，第二次和第三次工業(yè)革命主要依靠電力驅(qū)動的生產(chǎn)線以及之后出現(xiàn)的工業(yè)機器人，直到最近的提出的第四次工業(yè)革命中計劃通過協(xié)作機器人進行工業(yè)升級。

因此，從這個角度來說，不但所有可通訊的設備都能連接在一起，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)市場的需求，通過互聯(lián)網(wǎng)實現(xiàn)智能制造，最終達到生產(chǎn)的全面自動化。

而傳統(tǒng)的做法一般是從市場需求開始，從原材料到產(chǎn)品，再到機器?，F(xiàn)在通過智能化實現(xiàn)中間過程全自動，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)的各個方面，包括未來制造業(yè)、網(wǎng)絡化能源、智能基礎設施以及醫(yī)療 IT 等等。一般來講工業(yè)4.0，有九大技術支柱行業(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

制造是一個多尺度的復雜系統(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，進行分布求解，最后再合成。因為這取決于人的思維，我們的解決問題的思維是將復雜問題簡單化，所有的復雜運算都化作為加減乘除，這是基本的現(xiàn)代化理論。

我舉一個制造的例子，就是電子封裝工業(yè)。這是一個很復雜的生產(chǎn)線，從貼片到包裝，由很多個系統(tǒng)過程組成。貼片過程分成三步，一是芯片的抓取，二是要點抓手，三是構化。這三個簡單動作是多級嵌套的，同時尺度是不一樣的，是多時間和多時空的尺度。

再比如，最常用的點膠機，這是我今年的課題項目。這就是一個多時間尺度的問題，從這里面來看，有一個快時間尺度，然后在分眾級別可以有點很多滴膠水。那么由于工業(yè)制造業(yè)一致性很好，這又是多時間尺度的問題。這是制造當中很普遍的現(xiàn)象，不光是點膠機，很多其他的制造都是這樣的。由單個部件生產(chǎn)形成多個部件，但由于最終的性能很難檢測，有很大的不確定性，所以往往需要人的干預。另外一個是溫度廠的控制，當一個芯片經(jīng)過一點時，溫度要一致，因此就形成一個時空和空間的一個關系。

多尺度與不確定性

總的來講，從整個制造業(yè)的高度往下看，制造具有多尺度特性；從最底層的設備往上看，先是一個快過程，然后是批處理慢過程。生產(chǎn)級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，復雜度比較低，越到頂層，對應的復雜度也越來越高。下層制造控制更關心產(chǎn)品質(zhì)量，而上面制造控制更關心商業(yè)市場的利潤，這主要適用于企業(yè)管理層面。

如果把最底層的機器級和最頂層的工廠級放在一起比較就會發(fā)現(xiàn)，其特點是不一樣的。機器級是局部特征，而工廠級是全局特征。不確定性很關鍵，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)動的，所以需要采用動態(tài)控制。

最底層的是物理連接，傳感器要觀測很多東西，這個企業(yè)可以做到。從數(shù)據(jù)到信息的轉換，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)與計算之間的轉換以及模型之間的轉換。更高的就是認知層面了，這里面就需要人和機器互動了。實現(xiàn)最頂層的無人工干預全自動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)從學術上來看是具有不確定性的，由于企業(yè)、制造業(yè)的復雜性和多樣性，無法標準化，所以智能化應該如何做到智能感知、智能控制和智能決策，是我們應該考慮的。

任何一個工業(yè)工程都有動態(tài)系統(tǒng)，對于動態(tài)系統(tǒng)傳統(tǒng)做法先介入，然后消除不確定性再進行控制，我相信企業(yè)認為控制不是問題，認為是設計問題，任何過程都可以設計，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，因此來講對應現(xiàn)代生活系統(tǒng)和物理系統(tǒng)，方程的主體就得不到了，我們就需要用學習的方法去獲得被控對象的模型。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。

智能制造當中最基本的工作就是傳感、建模、學習，越往上不確定性越大，我們從設計到控制到管理整個這一層面，傳感建波以及學習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性，大家都知道，還有一種就是模糊的，學術界是叫模糊性的，就是因為信息獲取不完整，一個是隨機的幅度是不準確的。

在我的研究過程當中，有數(shù)值不確定性、隨機不確定性和空間不確定性。當主要方程丟失的時候，最終以隨機的形式、分布的形式來做判斷，這是隨機不確定性。因此控制在不同的層面上對智能的要求和功能都不太一樣，最基本的一層是過程的設計，還有底層回路控制，這兩個集成是很大的挑戰(zhàn)。因為要合理分配工作量，設計系統(tǒng)要易于控制，使設計出的算法比較易于實現(xiàn)。如果這兩層解決不了就需要監(jiān)督層來解決，信息學科現(xiàn)在提出的知識自動化，實際上就在這里面。

建模非常的重要，根據(jù)目標的不同，建立的模型就會不同。我們在做工業(yè)設計的時候，需要這三個平臺。一是點膠的物理過程，必須有實驗設備才能夠采取設備。二是工業(yè)物理紡織模型，我們也許不知道方程，但會有一個標準流程，我們就要找到這個方程圖。三是物理紡織模型要做標的，最終控制、設計等形成一個固定流程，而要把虛擬空間和物理空間標定好非常困難。這三個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，人工智能是走在應用走在理論前面，控制是理論走在應用前面，而且人工智能關注是敏捷性而非精確性，因為智能越高精確性就比較差，看我們的機器人就知道了。

首先，人工智能系統(tǒng)是一種經(jīng)驗級別，就像開車一樣。最難的級別就是對不確定性的判斷，這是未來的一個挑戰(zhàn)，因為從來沒見過，我們必須要進行思考。

智能從哪里來

據(jù)說，人類只能感知到世界上 10% 的信息，因為信息滿天飛。感知讓我們獲得信息，經(jīng)過邏輯決策再行動。通過決策，我們會做很多的決定，但是決定不一定正確。制造系統(tǒng)也應該判斷機器自身的適應性問題，而如今，自適性已經(jīng)通過大量的運算實現(xiàn)了。那么人工智能會因此能夠取代人類嗎？我個人認為人工智能能夠幫助人解決很多問題，但是對最終取代人類的說法并不認同，因為人還有第六感。

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。

二是機器學習，主要基于統(tǒng)計方法。

三是增強學習，用于不確定性大到無法用統(tǒng)計的方法處理數(shù)據(jù)的情況。

四是進化計算。

常用算法各有各的特點，越下面的算法越準確，越上面的算法越不精確，用這種算法的時候往往是要結合的，所謂的上層算法必須要依靠下面的做法，我們?nèi)俗罱K有很復雜的決策，具體還是需要人去做。所以人工智能面對真正問題的時候，必須要根據(jù)這一系列的問題特點去設計，這是很大的挑戰(zhàn)。我們要把問題轉化成計算機面對的問題，因為人畢竟跟計算機有很大的差異。

有了數(shù)據(jù)以后，我們要提取知識，然后模型只有兩類，一類是數(shù)據(jù)模型，然后機器去控制，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)學習來做，比如說信息回歸、函數(shù)很多很多，包括深入學習也是一種應用網(wǎng)絡的學習，這是直接從數(shù)據(jù)轉化為信息。

控制最低級就是設計，最高層就是邏輯控制，就是決策判斷，人能夠做決策判斷，因為不確定性有隨機不確定性和模糊不確定性。如果知識是很模糊的話，所有的知識確定兩種不確定性。

比如說，香港城市大學是一所好大學，這個信息是很模糊，說這句話的時候有多少自信呢？這個是隨機的，我們?nèi)丝梢蕴幚?，但是對于機器來講是比較難的。因為現(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表達，但是不能處理隨機過度的東西。因此，我們做的工作就是增加第三維的隨機信息，建立了三個維度的邏輯關系。

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，集成了各個學科。目前，在全球范圍內(nèi)，還沒有一個教授的研究能夠涵蓋智能制造的所有領域，只能專注于某個方面。打個不太恰當?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)授權禁止轉載。詳情見轉載須知。