ABB/SNAT/633 PAC

ABB/SNAT/633 PAC 

ABB/SNAT/633 PAC 

智能的本质是什么？

智能的本质，主要还是为了应对变化，其实，变化是永恒的存在，因此，不管过去，今天，还是未来，变化都是存在的，因此，像控制、通信，其实都是为了解决这种VUCA环境下的稳定生产问题，降低不确定性，这是显然的。

相对来说，在过去的时间里，生产还是比较标准的，现在就不一样了，现在你要让我穿件跟你一样的衣服，我内心深深的觉得自己没有个性-不能彰显我*的魅力，尽管我知道我的个性化需求主要来自体型的局限性带来的困扰，但是，我还是选择去定制衬衫和西装。

如果你让机器拥有智能，其实，就是让机器学会人的方式去干活，人怎么干活的？人是有眼睛、耳朵感知世界的，然后有手去执行的，由感知到大脑，大脑协调各种肌肉、关节的运动（机器或机器人）来完成各种任务的。

智能的形成过程

但是，人的知识是怎么形成的？就是观察、测试验证、然后不断迭代，那么，机器也一样需要这样，人对这个世界的知识的应用主要有演绎—即，像中学学习几何一样推理出结果，而归纳，就像今天的数据建模一样，用数据拟合、聚合出一个模型，两者即机理建模、数据驱动的建模。

数学是连接物理和虚拟世界的桥梁，建模必然会用到数学，只是会用到什么样的数学一样，比如逻辑就是布尔代数、PID调节基于微积分、数据的处理基于概率统计，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一个“对不确定环境的统计学建模，然后预测未来的趋势”，如果回到维纳的《控制论》和香农《信息论》，控制与通信都是这样的，也是基于数据驱动的模型。

因此，本来人工智能三大学派就分别代表了不同的实现，符号主义那帮人打算对人的思维、推理过程，用数字逻辑来表达，然后去推理、判断与决策，而连接主义想模拟人的神经递质传递过程，进行计算，来模拟人的推理过程，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、干扰环境下的物理对象的稳定输出。

说来说去，其实，制造业的智能包括了大家平时用的机理建模和数据建模两种方式，因为我们可以想象，是否所有的制造都是“物理”和“化学”两种，物理的成型也是有物理公式的，化学则有化学方程式，只是干扰却具有不确定性，那么，行为主义不管你们的干扰形成和影响是什么样的，我就认准对象输出有问题就去调节，然后不断的采样、控制、周期性的控制策略调整，总归是能达到效果的。机理模型当然也不是完美的，毕竟，它也不是实时的，也只是控制“趋势”。

智能其实就是这两种主要的思维方式的数学建模，然后经过大量的测试验证，终形成知识的载体—工业软件，软件即是人的知识、推理的封装。

工业智能的几个重要场景

对于工业而言，图3几个场景是比较典型的AI发挥能力的地方：

ABB/SNAT/633 PAC 

ABB/SNAT/633 PAC 

仲鑫达以“ 诚信、创新、合作、共赢”的经营理念、不断开发新产品、为客户提供服务、以大限度追求客户满意、并不断开拓新领域业务。

公司经销产品广泛应用于数控机械 冶金、石油天然气、石油化工、化工、造纸印刷、纺织印染、机械、电子制造、汽车制造，塑胶机械、电力、水利、水处理/环保、市政工程、锅炉供暖、能源、输配电

工业智能的几个重要场景

对于工业而言，图3几个场景是比较典型的AI发挥能力的地方：

（1）.预测性维护：传统采用机械失效分析等机理的方式，其实一样是需要领域知识的大量积累，过去称为专家系统，但是，对于航空航天等重要领域，其实，这个方面的研究一直在进行，但是，对于更为广泛的领域，则由于经济性问题，而不能进行大量的专家知识积累，依靠于人的经验，而随着AI带来的成本下降，使得，通过AI来进行更为广泛领域的预测性维护，也成为了可能。

（2）.视觉应用

相对于传统的光电开关、红外等传感器，机器视觉能够表达更为丰富的信息，因此，可以被应用于各种任务，随着FPGA芯片、GPU成本的下降，使得视觉可以更为广泛的应用，典型的在瑕疵检测、测量、识别等场景，而机器视觉与机器学习可以结合，训练对缺陷的识别模型，并提高适应性。

（3）.控制策略

事实上，AI在工业控制领域的应用一直是伴随着AI的发展的，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的如神经网络、数据驱动建模方法，而对于各种非线性、不易于测量、没有机理模型的控制场景里，这些应用一直在进行。

工业对于AI必须是“物理模型+AI方法与工具+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，就能跨越制造的本身？