e-works数字化企业网  »  文章频道  »  工业自动化控制  »  工业自动化综合

闲聊自动化与人工智能的渊源

2021/5/27    来源:说东道西    作者:宋华振      
关键字:自动化  人工智能  

   最近几年与自动化专业院系老师们交流,似乎大家对于人工智能这个热潮下,作为学科建设角度,人工智能却并未被纳入控制学科而感到些许意见。去年发现人工智能被归入电子信息学科,从我们接触的产业实践中来看,的确是有需要很多人工智能的场景,但是,可能从学校学科建设角度,各个专业都希望能够划分到各自的学科范畴,这不难理解。但是人工智能本身应用为主,它也是一个跨学科的,自动化产业可以应用人工智能来解决实际问题,而专业也可以发展自己的人工智能与工业机理结合的应用研究。只是说,如果脱离了产业实践,纯粹作为一种学术研究,那么自动化专业去干这个可能反倒没有体现出自身专业优势,毕竟自动化是一个工程专业,依靠工程实践来成长。

   自动化是不是人工智能?

   记得2018年时阅读《智慧的疆界-从图灵机到人工智能》一书中,作者提及了人工智能的三大学派,即连接主义(Brain-模拟大脑神经元递质传递的逻辑过程)、符号主义(Mind-将信息处理过程用数理逻辑表达进行推理)与行为主义(Action-根据执行机构的反馈来调整控制策略),当时,我刚开始接触人工智能,觉得很奇怪,行为主义学派的奠基人是诺伯特.维纳博士的《控制论》,尽管严格来说,控制论是涵盖加大范围的理论架构,并不特指机电控制,不过,似乎目前来看控制方向反倒是它最大的应用成就。但是,为何以控制论应用最为主要的场景,自动化、机电工程为何没有被列为人工智能?作者的解释是因为相对于连接与符号主义,行为主义的“自下而上”的智能似乎与“自上而下”不那么像是一个“全局”的智能,大概就这样的意思吧。

   在2021年的全国院系自动化主任联席会议上,中南大学的桂卫华院士推荐了一本《机器崛起-遗失的控制论历史》一书,觉得很有兴趣,就当即京东订了一本,翻开阅读,在该书的序言中,王飞跃老师提到了维纳《控制论》与人工智能之间的差异,其实1955年,约翰.麦卡锡为了避免与维纳的纠缠、避免使用“控制论”而想出的新词,并在1956年召开了里程碑式的“达特茅斯”会议,从此人工智能作为一个独立的研究领域正式面世。麦卡锡与他的同事Nils Nilsson后来对人工智能做出了另一种解释:AI=Automation ofIntelligence,该见解与维纳控制论思想一脉相承,也解释了从工程角度看,人工智能的实质就是知识自动化。

   维纳控制论最大贡献在于将机电伺服系统的物理反馈现象推广为生理神经上的“目标性行为”和哲学上的循环因果律、循环逻辑,认为人类、生物和智能机器等都是通过“由负反馈和循环因果律逻辑来控制的目标性行为”来实现自身目的,这与科学中居通知地位的因果范式相冲突,但却形成了控制论的思想基础。之前麦卡锡、皮特关于神经系统固有思维逻辑运算的革命性文章“A Logic Calculus of the Ideas Immanent in Nervous Activity”,才有了后来“控制论小组”和梅西系列会议,最后诞生了控制论这一领域。

   在皮埃罗.斯加鲁菲所写的《人工智能通识课》一书中,也提到了这段历史,1956年,John McCarthy在DartmouthCollege举办了“达特茅斯人工智能夏季研究项目”,明斯基、麦卡锡、索洛莫诺夫三个人参加了6月18到8月17日的两个月夏季会,这些人可真是有时间啊!居然在一起开会2个月,其它一些大神也参加了这次会议,包括提出信息论的克劳德.香农、朱利安.毕格罗、沃伦.麦克诺克、奥利弗.塞尔弗里奇、罗斯.阿仕比、阿瑟.塞缪尔、赫伯特.西蒙、艾伦.纽厄尔。维纳没有参加,因为这个研讨会是反对控制论的。当时,维纳已经创立了“控制论”,麦卡锡试图表明它的人工智能与“控制论”不同在于人工智能是基于数学逻辑,而非工程学,但实际上,作者皮埃罗.斯加鲁菲的观点看来,AI所谓的神经网络等从发展历史的层面来讲,这些项目被称为“控制论”更为恰当。

   看看这个历史上的故事,就感觉学术之争的意味多么浓烈,不过,也有意思在于,这些人都是混迹在一个圈子里的各位大咖,控制论的创立者诺伯特.维纳博士、信息论的克劳德.香农博士、系统论的创立人贝郎塔菲这几位大咖都是经常在一起交流的,加上大名鼎鼎的冯.诺伊曼、图灵、柏兰特.罗素、大卫.希尔伯特这些各界大牛都聚集在一起经常探讨技术的发展。这让我回想起在《上帝掷骰子吗?》一书中看到的那个“索尔维会议”的经典场景,一圈物理学界最顶级的大咖们在一起探讨着科学的发展。

   可能与大学争论学科归属不同,更多的意义在于是否能够解决问题,自动化是否属于人工智能,其实,这已经不重要了,人家形成这个“概念”也花费了很多年吧,如果不能通过带来实际的产业价值提升专业水准,争到也并无大的用处。可能科研经费会多点,但是,如果不能与产业融合,带不来商业价值,其实也没有什么用。

   其实在产业里,我们还是有很多这样对于机器学习的应用场景需求,像贝加莱就用机器学习来做轮胎的缺陷检测、晶硅切片的预测性维护、烫金的温度控制算法优化等等,有很多产业用户提出了各种传统机理模型难以描绘、不易测量、非线性的场景,这些都是需要通过工业人工智能来解决的。

   自动化发展人工智能的优势

   其实,自动化领域发展工业AI也是有非常大的优势的,因为,就实而论,工业AI与商业AI的场景还是有着较大的差别的。图像、语音、文本是商业AI的数据主要特征,本身属于高维数据,而工业数据可能是一维(温度、压力值),视觉会提高更高维度的数据源。但是,AI在特征值提取方面,降维处理等方面仍然是需要行业经验的,而这是工业现场人的有时候。就像现在在一些地方发展的“数据标定”产业,其实,商业AI还是有大量的人员给其喂数据、标定才能训练出好的模型-感觉这就是个劳动密集型产业。工业人玩AI其实离数据源近是一方面,而且,对机理模型的理解,本身有助于我们分析特征值,通过高效的处理,并且还可以快速的部署,现场实时的执行,这些优势本身是工业人可以更好利用AI解决产业亟待解决的难题的关键。

   人才培养是关键

   关口仍然是在人才,这需要懂工业机理,又懂AI算法与工具的人才,这样才能更好的发展制造业的AI应用,在工业场景里,如果能够好的发展工业AI,它带来的价值是巨大的,因为,对于工业里,1%的良品率提升、1%的能源节省、1%的时间节省都是能够提升整体竞争力的关键,因为,竞争到了极致,差距往往就在这个细微之间。

   但是,工业AI人才培养的确是比较难的,因为还是需要融合本身的对象机理模型、数据科学、工程方法、通信等各个方便的专业课程结合,而且,还得是有工程经验的师资,这的确需要更好的校企合作来开展。

责任编辑:杨培
本文来源于互联网,e-works本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供,并已尽力标明作者与出处,如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐