【正運(yùn)動】工業(yè)人工智能需要什么樣的人才？

AI掀起的巨浪正在席卷著全球科技界，AI似乎即將甚至已經(jīng)顛覆著很多產(chǎn)業(yè)。但是，在比較長的時間里，它在自動化圈小伙伴眼里，都是充滿質(zhì)疑的-畢竟，AI展示的力量都在商業(yè)應(yīng)用的世界里，在制造現(xiàn)場它似乎還并未表現(xiàn)的如它在商業(yè)世界那樣的恐怖力量。

首先，就是AI本身的缺點(diǎn)在工業(yè)里發(fā)揮的場景似乎有限—這是首要被質(zhì)疑的。因為可解釋性、安全性、穩(wěn)定性等，這些使得現(xiàn)場的工程師質(zhì)疑AI在工業(yè)的有效性。假設(shè)你讓openAI兩次回答同一個問題，它無法保證回答具有工業(yè)所需的“確定性”。它可以解決不確定性問題，但它不能用不確定性的方式解決問題。

其次，由于講述AI應(yīng)用的美好前景的“專家”，很多來自IT或大學(xué)的學(xué)者，對工業(yè)現(xiàn)場缺乏了解，使得其忽視了現(xiàn)場的復(fù)雜性。因此，AI被認(rèn)為僅停留在理論上。同時，可能也是AI風(fēng)頭蓋過了OT領(lǐng)域，使得OT領(lǐng)域?qū)@些“夸夸其談”，不落地的言辭表示了不屑。

還有一個問題，就是從事AI工作的人也必須得說“AI應(yīng)用必須建立在良好的自動化與數(shù)字化基礎(chǔ)之上”-理想很豐滿，現(xiàn)實很骨感。由于缺乏好的自動化基礎(chǔ)，原本那些可以通過自動化即可解決的問題，如果用AI來解決，那就陷入“為了AI而AI”的坑里，問題就在于自動化本來就可以經(jīng)濟(jì)性的解決問題，卻非用了個“吃力不討好”的方式來解決，淪為笑料。

第四點(diǎn)，就是場景的可復(fù)制性，導(dǎo)致AI很多僅為項目型的應(yīng)用，這使得其實現(xiàn)的經(jīng)濟(jì)性匱乏，對于很多創(chuàng)業(yè)型公司而言，就會陷入“勞動密集型”產(chǎn)業(yè)的困境中—因此，如何AI在工業(yè)場景的工具化、應(yīng)用標(biāo)準(zhǔn)化就是難題，尚未被有效的解決，而這需要數(shù)據(jù)的標(biāo)準(zhǔn)化、結(jié)構(gòu)化，以及通信連接的接口等統(tǒng)一，否則，就會陷入在軟件工程領(lǐng)域里的軟件“泥潭”。

對AI的態(tài)度轉(zhuǎn)變

當(dāng)然，流傳在IT業(yè)界的那句“我們?nèi)菀赘吖兰夹g(shù)在當(dāng)前的影響力，卻又會低估在未來的潛能”。因此，隨著AI的應(yīng)用逐漸多起來，產(chǎn)業(yè)對于AI似乎發(fā)生了較大的態(tài)度轉(zhuǎn)變。

上次在深圳遇到了上海大學(xué)的李明教授，他自己創(chuàng)業(yè)，做汽車領(lǐng)域的尺寸工程，在圖紙標(biāo)注及作業(yè)工序方面，他采用了AI方式來為圖紙生成尺寸及加工路徑。可以大幅降低出錯、加工中的遺漏等。他說“AI不能不用，但看怎么用”—這就是比較理性的態(tài)度。即，我們不要忽視它的價值，但要結(jié)合實際。

郭朝暉老師前段時間提到了數(shù)字化創(chuàng)新，他提到了一句話，我覺得非常有道理，即“悲觀者正確，而樂觀者成功”—對此，深以為然。對于AI的質(zhì)疑和批評顯然是正確的，有道理的-但是，很多新事物它本身就處于探索中。我們需要去探索它的可能性，以及為其定義適用的邊界，并通過工程努力，去彌補(bǔ)它的缺點(diǎn)，發(fā)揮其優(yōu)勢所在。路就是摸索中走出來的，正確也都是相對的—時間會告訴我們，因此，不要輕易對未來做出有限認(rèn)知下的研判。

記得數(shù)年前，為交大學(xué)生講AI應(yīng)用，其實也是講了幾個有限的場景-因此，D老師給學(xué)生講“跟你們說過了吧，AI沒啥用”—我當(dāng)時很吃驚，D老師如此直白的表示對AI的質(zhì)疑。當(dāng)然，現(xiàn)在D老師認(rèn)為還是有些場景適合AI的—我想他肯定是發(fā)現(xiàn)了AI的威力。

AI的潛力進(jìn)一步釋放

顯然，AI在工業(yè)的潛能是巨大的，在以下幾個方面來說，它應(yīng)該是巨大的潛能。

1.擺脫經(jīng)驗依賴性：對于大規(guī)模生產(chǎn)，通過人員在初始階段的反復(fù)參數(shù)調(diào)試，形成穩(wěn)定的生產(chǎn)參數(shù)組合，但這通常依賴于工程師的經(jīng)驗。但是，隨著越來越少的技師，以及越來越復(fù)雜的產(chǎn)品規(guī)格與流程的變化。依賴于經(jīng)驗的參數(shù)匹配，在小批量、多品種生產(chǎn)中就會造成大量的不良品，生產(chǎn)的經(jīng)濟(jì)性、產(chǎn)品競爭力就會下降。

因此，在工業(yè)場景里，AI有一個很重要的作用，就是要將那些隱藏在豐富經(jīng)驗的技師、工程師大腦里的知識給挖掘出來，變?yōu)榭蓮?fù)用的，顯性的知識。其實，在各個領(lǐng)域廣泛存在著這樣的問題，每個領(lǐng)域里，過去都是依賴于經(jīng)驗的—而這樣豐富經(jīng)驗的人越來越稀少。

2.降低人工工作量：對于復(fù)雜的生產(chǎn)中，包括參數(shù)的辨識、路徑規(guī)劃、調(diào)度流等，人是可以完成，但這些往往需要數(shù)小時乃至數(shù)天，才能完成推演。而這個對于AI來說，它能夠快速的生成路徑，并能夠根據(jù)對時間、成本、品質(zhì)的約束，為生產(chǎn)提供決策支持—這個時間會縮短至分鐘級。

3.發(fā)現(xiàn)新潛能：人們經(jīng)常說演繹法和歸納法作為兩種常用的人的思維模式，演繹法通常在大部分時候不產(chǎn)生新知識。而歸納法可以產(chǎn)生新知識—這是具有誘惑力的。因為，本身自然界或者工程領(lǐng)域，它的“未知”就是普遍存在的—畢竟，科學(xué)發(fā)展了數(shù)千年，其實對世界的認(rèn)知也是極為有限的。因此，未知就是工程中的真實情況—如果通過數(shù)據(jù)的歸納法，能夠發(fā)現(xiàn)背后的知識，這顯然是令人興奮的。而這樣AI對于科學(xué)的研究同樣是促進(jìn)的—工程在改變科學(xué)。

AI的制造業(yè)應(yīng)用人才極為匱乏

AI人才的需求是極為迫切的-首先，就是對AI的認(rèn)知方面的人才就是極為匱乏的?？梢哉f大學(xué)基本上無法提供相應(yīng)的人才輸出給工業(yè)-大學(xué)很多AI相關(guān)專業(yè)，在教材、師資、課程方面，其實都是應(yīng)對商業(yè)AI場景的。而且，現(xiàn)在商業(yè)AI場景的工程師都是匱乏的—更別說勻一點(diǎn)給工業(yè)領(lǐng)域了。而傳統(tǒng)的自動化專業(yè)領(lǐng)域，包括在基本的軟件工程訓(xùn)練也是缺乏的-畢竟，AI最終還是以軟件為載體的，也同樣是需要良好的軟件工程訓(xùn)練作為基礎(chǔ)的。

1.領(lǐng)域?qū)＜?，制造業(yè)的復(fù)雜性在于它是一個非常需要垂直領(lǐng)域的專家支持的，制造業(yè)最大的問題就是，物理對象的強(qiáng)耦合關(guān)系如何被“解耦”的問題。這樣的人才本身就是急缺的，更何況要結(jié)合

2.技師，雖然我們把人才分為研究型、應(yīng)用型，對應(yīng)于科學(xué)、工程。但技術(shù)型，即現(xiàn)場技術(shù)經(jīng)驗豐富的技師，他們的經(jīng)驗也是AI應(yīng)用去學(xué)習(xí)的對象—如果這個技師它的經(jīng)驗不是特別豐富，那么，其實，這個彎路也是一樣的。

3.數(shù)據(jù)處理-這個數(shù)據(jù)處理主要還是在信號采集，有些原始信號本身就要被有效的轉(zhuǎn)化為信息，以及知識—按照DIKW模型，它需要將數(shù)據(jù)轉(zhuǎn)為信息，這本身就是需要豐富經(jīng)驗的工程師的。因為，工業(yè)的數(shù)據(jù)如振動，超聲波、編碼器信號都有著特殊的處理需求的。

4.標(biāo)準(zhǔn)化-數(shù)據(jù)的結(jié)構(gòu)化，以及構(gòu)建可復(fù)用的軟件系統(tǒng)規(guī)范與接口的標(biāo)準(zhǔn)化專家，它們需要參與到項目中，否則，缺乏標(biāo)準(zhǔn)化的進(jìn)程，就會使得AI也變?yōu)樵诠こ躺想y以被復(fù)用的。盡管在很多時候，這比較難，但如果能標(biāo)準(zhǔn)化的還是得標(biāo)準(zhǔn)化，盡量降低工程的實施成本，否則，AI就變成了“勞動密集型”產(chǎn)業(yè)。

5.算法專家：這里特指在AI算法的有效使用的專家。

在某種意義上，AI工業(yè)應(yīng)用就包括兩個方向的人才培養(yǎng)模式：

1).垂直領(lǐng)域?qū)I(yè)自身培養(yǎng)AI應(yīng)用人才；

2).兩者在產(chǎn)業(yè)的結(jié)合，即，各自還是培養(yǎng)強(qiáng)的垂直專業(yè)人才，而在產(chǎn)業(yè)中，進(jìn)行擬合。

3).在教學(xué)中，融入AI，但考慮到壓縮課時，以及每個領(lǐng)域?qū)I(yè)課程不足，這種必須得是較為通識性的教學(xué)。

工業(yè)AI人才的聚焦點(diǎn)

在說一句有用的廢話，解決問題的關(guān)鍵是找到關(guān)鍵問題—其實AI發(fā)展的關(guān)鍵問題就是人才的問題，有人認(rèn)為這個技術(shù)方向重要，那個技術(shù)方向重要，如何培養(yǎng)人才—認(rèn)知這些，本身就需要人才。也即，能夠?qū)@件事究竟如何發(fā)展，該怎么去發(fā)展，能把問題整明白，就是人才—而且，還是人才中的人才。

（1）.對復(fù)雜問題的拆分與模塊化

盡管AI是如此受人關(guān)注，被譽(yù)為科技的前沿，但就產(chǎn)業(yè)的實際而言，它仍然需要按照工程思維，對復(fù)雜的問題進(jìn)行拆解。

在實際的工程中，影響品質(zhì)、效率的因素是多重的，相互之間具有耦合關(guān)系，所謂的“復(fù)雜系統(tǒng)”就是這其中包含著材料特性、機(jī)械傳動、電氣、測量、路徑等多個維度的問題。在生產(chǎn)現(xiàn)場，它也與人員的操作、現(xiàn)場環(huán)境、材料的不一致性等緊密相關(guān)。

相關(guān)又分為高相關(guān)和低相關(guān)，也包括可測量和不易測量等各種情況，因此，這就需要工程師能夠?qū)@些復(fù)雜的問題進(jìn)行“解耦”-然后能夠規(guī)劃整個項目開發(fā)各自的模塊劃分，包括具有確定性的機(jī)理建模，以及不確定性的數(shù)據(jù)建模。

（2）.特征工程-人有人的作用

在使用AI解決問題時，首要在于數(shù)據(jù)采集與特征提取—這是難題的第一步。“磨刀不誤砍柴工”，這一步解決好了，后面的工作才能做好。

人的能力主要在非結(jié)構(gòu)化信息處理，直覺判斷，自主學(xué)習(xí)。而AI在算力，存儲，長時間加班方面還是有優(yōu)勢的。

我們在分析引發(fā)質(zhì)量的各種問題時，究竟是什么引發(fā)了裁切刀切不準(zhǔn)這個問題-那可能是機(jī)械的共振、也會是傳動軸的參數(shù)比較硬（曲線階次低）、還有材料本身的切割時的界面過程。就像有一次與某位專家談到電池隔膜的牽伸速度比，而其背后會受到高分子材料在熱成型過程中，分子鍵被破壞后的重組過程，這個重組過程也受到溫度、速度、加速度的影響—那這個關(guān)系究竟為何？AI可以幫你處理大量數(shù)據(jù)的收斂，比如聚類分析，但是，這個究竟是“哪些相關(guān)數(shù)據(jù)”—這個是需要工程師的判斷的。

因此，AI并非像我們想象那樣智能，它需要人與機(jī)器結(jié)合—人有想象、直覺，人本身就有“知識遷徙”能力，它可以“由此及彼”、“舉一反三”—為AI提供特征參考方向。

而這種對物理對象的特征的知識、洞見（Insight）、智慧就是人的優(yōu)勢，因此，人有人的優(yōu)勢—而這樣的人，則是機(jī)電工程、化學(xué)工程、建筑工程等工程專業(yè)在培養(yǎng)的。

（3）.AI算法的邊界識別

M博士總是提及這個問題，他認(rèn)為在自動化、機(jī)電專業(yè)的AI教學(xué)中，并不需要對具體的算法、工具進(jìn)行深入的教學(xué)。這很容易被陷入“工具”而缺乏“思辨”的能力陷阱—似乎懂得18般兵器，但卻無法交手時靈活應(yīng)對，甚至受限于武器，例如一寸長一寸險，太重的兵器身體消耗過大-你的物理身體扭矩輸出無法驅(qū)動一個大慣量的兵器。就像我自從體重增強(qiáng)后，踢球的時候，同事們說“你的意識超越了你身體”—想得到，得做得到，這就是工業(yè)的顯著特征。物理的對象本身的特性，并非理論上的可行，或者，你必須在理論上足夠完備、精準(zhǔn)的預(yù)測，才在物理上可行。

AI的每種算法、訓(xùn)練方法都是有其優(yōu)缺點(diǎn)的，包括適合的使用邊界。這種邊界本身就是“洞見”—來自于長期的實踐。而這種認(rèn)知，就需要給予學(xué)生傳遞-并讓他們在實訓(xùn)中體驗。因此，體驗式必須的-任何這種訓(xùn)練必須是建立在較大的格局下，才能培養(yǎng)出卓越的見識的人才。

（4）.AI算法設(shè)計與工程實踐結(jié)合

人們經(jīng)常說“理想很豐滿、現(xiàn)實很骨感”—這是因為理論和現(xiàn)實是兩個世界。但是，如果我們認(rèn)為理想很豐滿-那是因為，從理想到現(xiàn)實的道路是曲折，而艱辛的。你必須清楚，只有現(xiàn)場的實踐才是讓你的理論能夠被驗證，也才讓我們學(xué)會“成長”、“迭代”自己的想法，讓我們變得更為成熟。在成熟的人眼中，所有的曲折，都是必然的-問題只在于如何去越過它。

AI的實踐也是如此，的確在現(xiàn)實中有很多問題，但是，AI是必須要去學(xué)習(xí)的。上周深圳和媒體的小伙伴閑聊，說錄個視頻，題目就是“AI會不會讓我失業(yè)”。我覺得這包括兩點(diǎn)：（1）.AI并非想象那么可怕，如韋青博士所說“我們擔(dān)心AI，只是對人類自己沒有信心”，（2）.AI不會淘汰人，而是那些掌握AI的人會淘汰那些不學(xué)習(xí)的人。

（5）.可復(fù)用的軟件系統(tǒng)設(shè)計

AI4C的管老師，出自IT業(yè)界，他說很多AI場景比較難復(fù)制，我和他開玩笑說“那是因為可復(fù)制的已經(jīng)被自動化給干了”。不過，說實話，在既有規(guī)則下，安全值內(nèi)的控制任務(wù)，其實，并不能滿足“極限”制造的需求-正如馮恩波博士有一次講AI時所說“因果關(guān)系能夠解決80%的問題，但勝負(fù)手在于剩下那些相關(guān)性問題”。因為，物理的知識是很容易被“復(fù)制”、“遷徙”、“抄襲”—因此，大家很容易進(jìn)入“同質(zhì)化”狀態(tài)。那么，這個時候，剩下的那些問題就變成了“關(guān)鍵競爭點(diǎn)”，大家都可以把良品率做到99%，而贏得競爭的是那個能做到99.2%的企業(yè)。

可復(fù)用的軟件設(shè)計，這可能更為需要根據(jù)垂直場景來劃分，或者根據(jù)應(yīng)用類型來劃分。這也是個探索，根據(jù)行業(yè)場景劃分呢，就會遇到行業(yè)其實內(nèi)部差別也很大-就像印刷行業(yè)，膠印、凹印、柔印，看上去都是印刷，但其實差距非常大，一般鮮有企業(yè)三者都做，因為，那就是跨界。因此，可以按照應(yīng)用場景類劃分，比如流體類、粉體類、膠體類。也可以按照應(yīng)用算法劃分，缺陷分析類、預(yù)測性維護(hù)類、參數(shù)尋優(yōu)類。

但是，要建立這樣的分類，需要標(biāo)準(zhǔn)化，在數(shù)據(jù)集階段就需要標(biāo)準(zhǔn)化的接口。其次，在算法類就需要組合，以及良好的接口。交大的D老師，就主要在干的活，就是這些數(shù)據(jù)集之間的接口，以及軟件自動構(gòu)造，如何讓AI或數(shù)據(jù)類應(yīng)用“工程效率更高”—不要大量的人工參與，配置即可快速實現(xiàn)整個軟件應(yīng)用體系的構(gòu)造和運(yùn)行。

綜上所述，AI在工業(yè)的人才培養(yǎng)，不僅包括在AI本身，更確切的說—AI只是作為一個工具。而在任何時候，培養(yǎng)具有全局思維、工程思維、規(guī)范與標(biāo)準(zhǔn)工作、好奇心驅(qū)動的優(yōu)秀工程師仍然是奇缺的-只是，在這個里面，需要增強(qiáng)AI工具的使用，而使用的前提，首先是對對象的認(rèn)知，對工具、方法的認(rèn)知。人才不是寫代碼，培養(yǎng)一大堆會用Phthon、Java、AGI編程的人不難，但擁有對工業(yè)問題的認(rèn)識，對選擇方法的認(rèn)識的能力-這是人才培養(yǎng)的關(guān)鍵。