2016年，人工智能技術(shù)被推上了研究和商業(yè)的風(fēng)口浪尖,
從“深藍(lán)” 到Master，從駕駛輔助到自動駕駛，從Alexa到Google
Home，從大學(xué)教授到企業(yè)領(lǐng)袖，人工智能技術(shù)在互聯(lián)網(wǎng)行業(yè)遍地開花，同時也對人們心目中的傳統(tǒng)行業(yè)--制造業(yè)帶來了巨大的沖擊與商機(jī)。
從“深藍(lán)”到Master
繼IBM“深藍(lán)”在國際象棋對決中戰(zhàn)勝世界冠軍卡斯帕羅夫，Waston在危機(jī)邊緣戰(zhàn)勝人類冠軍Ken和Brad，Eugene挑戰(zhàn)圖靈的“TheImitation
Game”后，人工智能在一個更加復(fù)雜的領(lǐng)域—圍棋中再次超過了人類的最高水平，AlphaGo以4：1的比分戰(zhàn)勝了韓國圍棋大師李世乭，其升級版Master更是在弈城網(wǎng)上取得60：0：1的不敗戰(zhàn)績。同樣是在對弈比賽中戰(zhàn)勝頂尖人類選手，“深藍(lán)”到Master的發(fā)展充分體現(xiàn)出了人類科技進(jìn)步在計算方法和計算資源上的長足進(jìn)步。如果說“深藍(lán)”是憑借其運算速度通過遍歷戰(zhàn)勝了人類，那么Master是在此基礎(chǔ)上通過優(yōu)化的搜尋算法，決策支持和計算架構(gòu)遍歷了當(dāng)時覺得不可能實現(xiàn)的所有可能。Master所用到的Deep
Reinforcement Learning結(jié)合了當(dāng)今AI領(lǐng)域研究的兩大前沿技術(shù)Deep Learning（DL）和Reinforcement
Learning（RL），創(chuàng)造性的使用DL的方式，通過棋局的圖片評估落子的優(yōu)先級，再結(jié)合RL，通過自我“對弈”的方式更新深度神經(jīng)元網(wǎng)絡(luò)的參數(shù)，最終帶領(lǐng)人類真正意義上站在了“智能”的門口。AlphaGo最重要的成就并不是采用了性能多么優(yōu)秀的電腦，而是第一次讓程序可以近似人類的方式去感知、學(xué)習(xí)、思考和決策。
無論是Master這樣已經(jīng)存在的，還是在《西部世界》中的BICAMERAL
MIND，人工智能已經(jīng)大跨步的走進(jìn)了我們的生活。目前來看，人類所有的外部感知能力例如溫度，加速度等都早已可使用現(xiàn)有的傳感器技術(shù)實現(xiàn)，基于機(jī)器學(xué)習(xí)，統(tǒng)計學(xué)習(xí)的方法更是幫助機(jī)器在聽（語音助手），看（computer
vision），讀（NLP），寫（handwriting
recognition），思考（Optimization）等多方面超越人類平均水平。有人預(yù)測奇點理論正在以很快的速度成為現(xiàn)實。我們不去探討人工智能的技術(shù)本質(zhì)或是它的倫理問題，如果人工智能真的被規(guī)?；貞?yīng)用，那么能夠?qū)θ祟惿鐣硎裁礃拥母淖兒蛢r值？
走出“楚門的世界”
在與Master交手前，棋手柯潔在自己的微博上如是說，可謂一語道出了智能化的真諦。如果智能化僅僅停留在遍歷搜索，相似度分析的層面，那對人類的進(jìn)步又有何意義。作者看來，人工智能和大數(shù)據(jù)分析最重要的核心就是要能夠為人類提供全新的認(rèn)識問題和解決問題的方式，用機(jī)器純理性的“思維”方式去輔助人類的思維與決策。
決定人類社會進(jìn)步速度的最本質(zhì)的制約要素是“認(rèn)知的邊界”，所謂知識的邊界則是基于前人的經(jīng)驗與規(guī)則所構(gòu)建的無形的域。
就像《楚門的世界》當(dāng)中，劇組為楚門所構(gòu)建的整個生態(tài)，無形的禁錮了他認(rèn)識問題，解決問題的能力。而當(dāng)人的認(rèn)知和判斷無法滿足不斷增長的數(shù)據(jù)維度和問題復(fù)雜度時，依靠人的知識和經(jīng)驗去驅(qū)動和創(chuàng)造的過程就會有邊界。以圖像識別為例，基于人類經(jīng)驗的數(shù)據(jù)分析方法，首先使用濾波器對原始圖像經(jīng)行降噪，在使用濾波器經(jīng)行圖像邊界識別，最終使用模式識別的方法分辨圖像中不同的物體。這樣的方式，其核心在于濾波器的選擇，濾波器的參數(shù)配置以及分類器的選擇都需要經(jīng)驗支持，不同的組合形式其最終模型輸出的結(jié)果差距明顯。如今使用的基于深度學(xué)習(xí)的CNN方法，將濾波器的類型及參數(shù)選擇基于依賴于最終分類器輸出結(jié)果的表現(xiàn)，使用反向傳播算法，不斷優(yōu)化模型結(jié)構(gòu)與參數(shù)。這樣的方法，基于大量原始數(shù)據(jù)，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，提取有效特征，最終實現(xiàn)更加準(zhǔn)確地決策支持。
除了深度神經(jīng)元網(wǎng)絡(luò)研究，機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的研究包括遷移學(xué)習(xí)，無監(jiān)督或半監(jiān)督學(xué)習(xí)，特征工程，增強(qiáng)學(xué)習(xí)，對抗網(wǎng)絡(luò)等的不斷創(chuàng)新，為人工智能在更多領(lǐng)域的應(yīng)用和價值創(chuàng)造提供了有力的理論支撐。遷移學(xué)習(xí)，無監(jiān)督或半監(jiān)督學(xué)習(xí)的研究實現(xiàn)了將統(tǒng)一的模型或模塊的推廣和啟發(fā)式應(yīng)用，類似于人類知識積累到一定程度之后觸類旁通。特征工程的研究，提供了在海量數(shù)據(jù)當(dāng)中依照業(yè)務(wù)需求或者既定規(guī)則抽取或者重構(gòu)有效信息的方法，為認(rèn)識和研究高維度下的數(shù)據(jù)科學(xué)問題提供了有效地工具。增強(qiáng)學(xué)習(xí)，對抗網(wǎng)絡(luò)等研究領(lǐng)域的不斷創(chuàng)新為在數(shù)據(jù)樣本不足，數(shù)據(jù)不完善前提下的智能化問題提供了全新的思路。
從“人工智能”到“工業(yè)智能”
從計算機(jī)，互聯(lián)網(wǎng)行業(yè)出身的智能化技術(shù)，正在以勢不可當(dāng)?shù)膭蓊^橫掃全球各個領(lǐng)域。智能化與工業(yè)的結(jié)合更是引得全球矚目。從德國的工業(yè)4.0到美國的工業(yè)互聯(lián)網(wǎng)，從GE的Predix到IBM的PMQ，可以看出，工業(yè)與智能化技術(shù)的結(jié)合也必將是下一個風(fēng)口。
智能的核心在于決策和執(zhí)行，而決策的核心在于感知和判斷。在工業(yè)系統(tǒng)中，IoT技術(shù),
包括傳感器技術(shù)，數(shù)據(jù)傳輸，數(shù)據(jù)管理等不斷發(fā)展，為智能化技術(shù)實施提供了可靠的感知基礎(chǔ)。但是目前的工業(yè)界大都以人的決策和反饋為核心，這就導(dǎo)致系統(tǒng)中有很大一部分的價值并沒有被釋放出來。系統(tǒng)越是復(fù)雜，人的學(xué)習(xí)曲線就會越緩慢，而當(dāng)人的學(xué)習(xí)曲線比技術(shù)的進(jìn)步速度慢時，人就會成為制約技術(shù)進(jìn)步和應(yīng)用的瓶頸。而人工智能為工業(yè)帶來的第一個革命性的改變，就是擺脫人類認(rèn)知和知識邊界的限制，為決策支持和協(xié)同優(yōu)化提供可量化依據(jù)。
現(xiàn)階段，工業(yè)智能的應(yīng)用尚處于探索階段，結(jié)合工業(yè)領(lǐng)域的特性，在實施階段需要著重考慮以下幾點：
一．問題的定義
在應(yīng)用人工智能方法解決工業(yè)問題時，首先要確定需要解決的問題，一定要避免“拿著錘子找釘子”的情況，不能為了使用算法而徒增問題的復(fù)雜度。首先需要將實際問題抽象成可用建模方法解決的問題，需要人員的經(jīng)驗輔助。微軟亞洲研究院鄭宇博士也強(qiáng)調(diào)“培養(yǎng)一個真正的數(shù)據(jù)科學(xué)家需要七到十年時間”。這里的時間其實是對個人基本功以及實戰(zhàn)經(jīng)驗的非強(qiáng)制指標(biāo)。
二. 問題的邊界
工業(yè)問題與圍棋問題不同，其解決問題的邊界定義不明確，沒有明確的規(guī)則。這樣就為解決方案的設(shè)計帶來了很大的不確定性。一切模型可以解決的問題都是在前提條件所包含的問題域內(nèi)，沒有一個方案是可以涵蓋所有的情況，所以在制定工業(yè)智能方案時一定要緊密結(jié)合業(yè)務(wù)來定義問題邊界，最終確定解決方案。
工業(yè)智能，在智能化算法和技術(shù)層面也擁有自身的特點和挑戰(zhàn)：
一. 機(jī)理模型是關(guān)鍵基礎(chǔ)
工業(yè)智能所要解決的問題大都是針對特定設(shè)備的特定問題，其數(shù)據(jù)表征應(yīng)該符合設(shè)備運行的機(jī)理。在大量雜亂的數(shù)據(jù)當(dāng)中，依照設(shè)備運行機(jī)理可以幫助選擇、構(gòu)建出更加有用的變量，為決策支持提供有效依據(jù)。特征工程，非監(jiān)督式學(xué)習(xí)很大一部分研究工作就是針對如何從海量數(shù)據(jù)提取有效特征?；跈C(jī)理的特征提取方法在傳統(tǒng)的故障診斷上應(yīng)用廣泛，例如軸承故障診斷中所用到的失效頻率。在大數(shù)據(jù)分析，人工智能沖擊傳統(tǒng)行業(yè)的同時，傳統(tǒng)行業(yè)的分析方法也在人工智能領(lǐng)域得到應(yīng)用，在2017年的AAAI榮獲outstandingpaper
award的文章“Label-Free Supervision of NeuralNetworks with Physics and
Domain Knowledge”就是將機(jī)理模型加入神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練當(dāng)中得到優(yōu)化的網(wǎng)絡(luò)模型。
二. 數(shù)據(jù)的標(biāo)準(zhǔn)和技術(shù)仍有待發(fā)展
在工業(yè)領(lǐng)域，數(shù)據(jù)資源是發(fā)展智能化的一大障礙。眾所周知，在圖像識別領(lǐng)域有ImageNet，手寫識別有MNIST，UCI的機(jī)器學(xué)習(xí)數(shù)據(jù)庫也提供了大量標(biāo)準(zhǔn)，有標(biāo)注的訓(xùn)練數(shù)據(jù)組。在工業(yè)領(lǐng)域，數(shù)據(jù)獲取需要投入較大資金和時間，同時數(shù)據(jù)的標(biāo)注需要專家知識協(xié)助，更增加了獲取大量標(biāo)準(zhǔn)數(shù)據(jù)組的難度。除此之外，受限于傳感器技術(shù)，設(shè)備使用狀態(tài)等，經(jīng)常會出現(xiàn)關(guān)鍵數(shù)據(jù)無法獲取的情況。上述條件就導(dǎo)致在模型開發(fā)時，經(jīng)常會遇到樣本量小，不平衡數(shù)據(jù)組，數(shù)據(jù)質(zhì)量差，數(shù)據(jù)不完整，缺少失效狀態(tài)數(shù)據(jù)等問題。所以，IoT、遷移學(xué)習(xí)、增強(qiáng)學(xué)習(xí)、半監(jiān)督式學(xué)習(xí)的研究對于工業(yè)智能技術(shù)的發(fā)展至關(guān)重要。
三. 一體化解決方案 - 從“產(chǎn)品”到“能力”的全方位交付
在解決方案的設(shè)計上，工業(yè)智能是多層次，高準(zhǔn)確度的解決方案，有時還需要實時計算與回饋。這樣的特點就要求所訓(xùn)練和部署的模型計算速度快，結(jié)果準(zhǔn)確，不確定性小。因此，需要有能夠靈活重構(gòu)的工業(yè)數(shù)據(jù)應(yīng)用模塊，以快速開發(fā)解決工業(yè)系統(tǒng)中碎片化問題的應(yīng)用。同時可以看出，工業(yè)智能的解決方案不是僅僅依賴于智能算法，整個鏈條上的每一環(huán)節(jié)的共同進(jìn)步才可以保證技術(shù)的進(jìn)步。那么，可以通過可視化的編程環(huán)境降低數(shù)據(jù)分析和應(yīng)用開發(fā)的門檻，以及通過培訓(xùn)，是企業(yè)的工程師可以根據(jù)自己的經(jīng)驗和需求開發(fā)個性化的預(yù)測和分析應(yīng)用，來保證持續(xù)地解決企業(yè)在發(fā)展過程中遇到的問題。
中國特色工業(yè)智能之路
我國工業(yè)智能化起步較晚，工業(yè)基礎(chǔ)相對落后，但是我們是設(shè)備使用大國，設(shè)備保有量和設(shè)備使用數(shù)據(jù)保有量都是當(dāng)之無愧的世界第一。結(jié)合設(shè)備、業(yè)務(wù)場景和智能算法，依靠成熟的CPS理論框架，相信我國一定會在工業(yè)智能引領(lǐng)世界發(fā)展。
