雷锋网(公众号：雷锋网)按：李涵雄，博士，香港城市大学系统工程及工程管理系，和中南大学特聘教授。先后入选国家杰出青年基金（海外）获得者（2004），教育部长江学者（2006），国家“千人计划”专家（2010）和IEEE Fellow （2010）。长期担任国际权威期刊 IEEE Transactions on Cybernetics (2002 - 至今)和 IEEE Transactions on Industrial Electronics (2009 - 2015)的副主编和国内多个核心刊物的编委。出版系统建模和系统设计方面的英文专著 2本；在国际权威学术期刊上发表 SCI 论文 180 多篇。连续两年（2014，2015）被国际权威出版社 Elsevier 评为中国高被引学者。最近二十多年来一直从事智能制造方面的研究，侧重于工业过程的智能建模、设计与控制，和基于数据学习的智能决策。
李涵雄教授在大会现场演讲
今天，在湖南长沙举办的“纪念人工智能 60 年系列活动”之“2016 人工智能湖南论坛”上，大会首位重磅嘉宾李涵雄教授从学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”。
智能制造就是要实现从客户需求到生产的全面自动化，这对未来的控制系统提出了极高的要求。整个工业制造链涵盖多种生产设备和工艺过程：从单个机械动作，到多个嵌套操作，乃至复杂的生产调度管理，因而存在多变量耦合和多尺度的复杂特性。需要针对过程的具体特性进行不同的操控，包括系统设计、过程建模与控制，数据学习与决策。
针对多尺度的复杂性，智能制造的实现需要一个5层的金字塔结构：
硬件传感
数据-信息转换
多模型融合
自我感知
自主决策
通过智能集成多种方法，逐层消除不确定性，增加系统智能；实现从产品智能到生产智能的逐级进化，最终提升工业制造的全面自动化及智能化。
工业 4.0
首先，李涵雄教授提到，人类社会到目前为止大概经历了四次工业革命，第一次工业革命源于水蒸气驱动的纺织机，第二次和第三次工业革命主要依靠电力驱动的生产线以及之后出现的工业机器人，直到最近的提出的第四次工业革命中计划通过协作机器人进行工业升级。
因此，从这个角度来说，不但所有可通讯的设备都能连接在一起，而且还可以大大降低生产成本。从另一个角度来说，工业 4.0 可以看成 CP+，也就是大物理系统，这意味着需要根据市场的需求，通过互联网实现智能制造，最终达到生产的全面自动化。
而传统的做法一般是从市场需求开始，从原材料到产品，再到机器。现在通过智能化实现中间过程全自动，最终能够大大提高生产制造的质量、效率和敏捷性。这种方式可以延伸的工业生产的各个方面，包括未来制造业、网络化能源、智能基础设施以及医疗 IT 等等。一般来讲工业4.0，有九大技术支柱行业，有人工智能、工业互联网等等这些支柱行业。
制造中的控制作用
制造是一个多尺度的复杂系统，我们一般用系统工程来解决的话，需要将制造系统分解，进行分布求解，最后再合成。因为这取决于人的思维，我们的解决问题的思维是将复杂问题简单化，所有的复杂运算都化作为加减乘除，这是基本的现代化理论。
我举一个制造的例子，就是电子封装工业。这是一个很复杂的生产线，从贴片到包装，由很多个系统过程组成。贴片过程分成三步，一是芯片的抓取，二是要点抓手，三是构化。这三个简单动作是多级嵌套的，同时尺度是不一样的，是多时间和多时空的尺度。
再比如，最常用的点胶机，这是我今年的课题项目。这就是一个多时间尺度的问题，从这里面来看，有一个快时间尺度，然后在分众级别可以有点很多滴胶水。那么由于工业制造业一致性很好，这又是多时间尺度的问题。这是制造当中很普遍的现象，不光是点胶机，很多其他的制造都是这样的。由单个部件生产形成多个部件，但由于最终的性能很难检测，有很大的不确定性，所以往往需要人的干预。另外一个是温度厂的控制，当一个芯片经过一点时，温度要一致，因此就形成一个时空和空间的一个关系。
多尺度与不确定性
总的来讲，从整个制造业的高度往下看，制造具有多尺度特性；从最底层的设备往上看，先是一个快过程，然后是批处理慢过程。生产级别的逻辑控制是有不确定性的，监督层越往上，智能化需要越来越高。也就是说，底层的确定性比较高，复杂度比较低，越到顶层，对应的复杂度也越来越高。下层制造控制更关心产品质量，而上面制造控制更关心商业市场的利润，这主要适用于企业管理层面。
如果把最底层的机器级和最顶层的工厂级放在一起比较就会发现，其特点是不一样的。机器级是局部特征，而工厂级是全局特征。不确定性很关键，越下面不确定性越小，越上面不确定性越大，这是底层物理驱动的，所以需要采用动态控制。
最底层的是物理连接，传感器要观测很多东西，这个企业可以做到。从数据到信息的转换，利用很多现成的算法，企业也可以做到。再往上，企业就比较难做到了，一般只有高校才具备这样的能力，就是系统与计算之间的转换以及模型之间的转换。更高的就是认知层面了，这里面就需要人和机器互动了。实现最顶层的无人工干预全自动化也许需要未来世界了。
智能制造的挑战
因此，智能制造的挑战从学术上来看是具有不确定性的，由于企业、制造业的复杂性和多样性，无法标准化，所以智能化应该如何做到智能感知、智能控制和智能决策，是我们应该考虑的。
任何一个工业工程都有动态系统，对于动态系统传统做法先介入，然后消除不确定性再进行控制，我相信企业认为控制不是问题，认为是设计问题，任何过程都可以设计，但是别忘了在小不确定性的情况下，在大的不确定性情况下，没法得到系统的方程主体，因此来讲对应现代生活系统和物理系统，方程的主体就得不到了，我们就需要用学习的方法去获得被控对象的模型。由于不确定性，因此来讲不能做控制只能搞决策，左边是确定性比较小，右边是确定性比较大。
智能制造当中最基本的工作就是传感、建模、学习，越往上不确定性越大，我们从设计到控制到管理整个这一层面，传感建波以及学习最终目的是消除不确定性，我们的世界是不确定性的，最常见的不确定性是随机性，大家都知道，还有一种就是模糊的，学术界是叫模糊性的，就是因为信息获取不完整，一个是随机的幅度是不准确的。
在我的研究过程当中，有数值不确定性、随机不确定性和空间不确定性。当主要方程丢失的时候，最终以随机的形式、分布的形式来做判断，这是随机不确定性。因此控制在不同的层面上对智能的要求和功能都不太一样，最基本的一层是过程的设计，还有底层回路控制，这两个集成是很大的挑战。因为要合理分配工作量，设计系统要易于控制，使设计出的算法比较易于实现。如果这两层解决不了就需要监督层来解决，信息学科现在提出的知识自动化，实际上就在这里面。
建模非常的重要，根据目标的不同，建立的模型就会不同。我们在做工业设计的时候，需要这三个平台。一是点胶的物理过程，必须有实验设备才能够采取设备。二是工业物理纺织模型，我们也许不知道方程，但会有一个标准流程，我们就要找到这个方程图。三是物理纺织模型要做标的，最终控制、设计等形成一个固定流程，而要把虚拟空间和物理空间标定好非常困难。这三个模块和阶段都必须要做到，缺一不可。
制造中智能主要就是解决不确定性的问题，人工智能是一种方法和工具，但它不是单一的。单一的方法是无法解决问题的，就跟修汽车一样，单一把东西做得再好也修不了车。而且跟控制不一样，人工智能是走在应用走在理论前面，控制是理论走在应用前面，而且人工智能关注是敏捷性而非精确性，因为智能越高精确性就比较差，看我们的机器人就知道了。
首先，人工智能系统是一种经验级别，就像开车一样。最难的级别就是对不确定性的判断，这是未来的一个挑战，因为从来没见过，我们必须要进行思考。
智能从哪里来
据说，人类只能感知到世界上 10% 的信息，因为信息满天飞。感知让我们获得信息，经过逻辑决策再行动。通过决策，我们会做很多的决定，但是决定不一定正确。制造系统也应该判断机器自身的适应性问题，而如今，自适性已经通过大量的运算实现了。那么人工智能会因此能够取代人类吗？我个人认为人工智能能够帮助人解决很多问题，但是对最终取代人类的说法并不认同，因为人还有第六感。
所有的优化算法有四大类：
一是建模，不确定性比较小，我们可以用传统优化或者是很多算法。
二是机器学习，主要基于统计方法。
三是增强学习，用于不确定性大到无法用统计的方法处理数据的情况。
四是进化计算。
常用算法各有各的特点，越下面的算法越准确，越上面的算法越不精确，用这种算法的时候往往是要结合的，所谓的上层算法必须要依靠下面的做法，我们人最终有很复杂的决策，具体还是需要人去做。所以人工智能面对真正问题的时候，必须要根据这一系列的问题特点去设计，这是很大的挑战。我们要把问题转化成计算机面对的问题，因为人毕竟跟计算机有很大的差异。
有了数据以后，我们要提取知识，然后模型只有两类，一类是数据模型，然后机器去控制，只要确定就可以控制了，还有一类有那么不确定性，就是语言规则，比较模糊的，那么就用于决策，数据信息所有都要经过数据学习来做，比如说信息回归、函数很多很多，包括深入学习也是一种应用网络的学习，这是直接从数据转化为信息。
控制最低级就是设计，最高层就是逻辑控制，就是决策判断，人能够做决策判断，因为不确定性有随机不确定性和模糊不确定性。如果知识是很模糊的话，所有的知识确定两种不确定性。
比如说，香港城市大学是一所好大学，这个信息是很模糊，说这句话的时候有多少自信呢？这个是随机的，我们人可以处理，但是对于机器来讲是比较难的。因为现在的模糊系统是有规则的，很难提取精确的信息，有模糊的记忆推理和反模糊化这种知识表达，但是不能处理随机过度的东西。因此，我们做的工作就是增加第三维的随机信息，建立了三个维度的逻辑关系。
智能制造系统是多尺度的问题，因此智能制造是多尺度的集群，集成了各个学科。目前，在全球范围内，还没有一个教授的研究能够涵盖智能制造的所有领域，只能专注于某个方面。打个不太恰当的比方，如果说工业界是修车的，教授就是研究工具的，而企业界则是生产工具的，教授们的任务就是尽量提供更多的工具。
推荐阅读：
本文作者：陈杨英杰
本文转自雷锋网禁止二次转载，原文链接
