前些日子，某位搞控制算法的著名教授讲智能化，完全不着边际。其实，现在搞智能化的很多人是搞自动化的出身。自动化和智能化有很多的共性。例如，无论是自动化还是智能化，追求的都是信息感知、决策和执行的统一，也都要借助于数字化、网络化的手段。自动化也往往是智能化的基础。但是，两者的差异还是很大的，而且很多自动化的人并没有还到两者的差别。

传统的自动化往往针对阀门、设备尺度的问题。现在搞的智能化，却往往针对车间、工厂、企业乃至社会层级的问题。规模和尺度的变化，会导致认识论和方法论上巨大差别。自动化的层级强调的是计算机自动执行，智能化层级往往是人机融合；自动化层级主要研究“实时控制”，而智能化层级则偏重“业务管理”。两者的侧重点有很大的不同。

l 在自动化领域，模型算法、尤其是基于微分方程的数学算法特别重要。自动化专业的高档次论文，几乎都在讲算法。阀门或机器级的自动化系统复杂性相对较低，有可能直接用数据建模。控制理论中的系统辨识就是这样。

l 在智能化领域，数学算法就不那么重要了。智能化业务中的算法往往是些操作逻辑。这种逻辑一般不是数学推导出来的，而是人想到的。理论或数据可以验证、修正、挑选人脑中的方法。如果把人的想法比作“美女”，数据和理论就是“化妆师”：“化妆师”可以让美女更漂亮，却无法制造出一位美女。导致这种现象的原因就是：智能化的体系复杂多变、问题的边界也是模糊的，只有人先想清楚，才能让机器想清楚。但这样的思维方式，不宜轻易地用在智能化系统中。

在自动化领域，科技“成果”往往表现为某一项“技术”。如模型、算法、自动化设备等；关键核心问题都是技术问题。在智能化领域，“成果”很可能就是企业管理的流程、业务逻辑、商业模式等资源管控的方式；关键核心难点很可能是利益和权力分配。所以，技术人员可以干自动化的活，离开领导的支持却很难做智能化的工作。

不久前安司长做了一场报告：从亚当斯密到熊彼特。报告讨论了与数字化转型相关的两个经济学观点。安司长认为：亚当斯密是资源配置的逻辑、熊彼特是创新的逻辑。从某种意义上说：智能化的主要价值来自于资源配置，而不是技术创新。

技术创新主要体现在大数据、AI以及ICT基础技术方面。AI和大数据的本质优势是提供知识。大数据可以贡献一些传统方法难以获得的知识，让决策更优；是推进智能化的“美工刀”。AI能让计算机模拟人的感性认识（默会知识），把原始信号（如图像）转化成符号（如姓名、质量缺陷）。这样，就可以把传统上依靠人类感知的工作交给计算机去做。相对而言，AI对提高自动化水平的价值较大。

我把智能化领域的主流技术分成三类：

1、专业领域（技术或管理）知识：这些知识用于发现价值、提出方案的；他们就是那些找到“美女”的人。

2、数字化转化的能力：把专业人士的知识和思想，转化成计算机的软件和代码；这些人的工作其实就是前面讲的“化妆师”。

3、平台技术：为知识的数字化和沉淀提供支撑和工具，提高前两种工作的效率和质量；本质作用就是提供各种化妆的工具，提高“美容”的水平和效率。

前面提到的教授讲智能化不着边际。关键就是他不懂企业的业务和管理，只能凭他的想象满嘴跑火车了。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。