AI掀起的巨浪正在席卷着全球科技界，AI似乎即将甚至已经颠覆着很多产业。但是，在比较长的时间里，它在自动化圈小伙伴眼里，都是充满质疑的-毕竟，AI展示的力量都在商业应用的世界里，在制造现场它似乎还并未表现的如它在商业世界那样的恐怖力量。

首先，就是AI本身的缺点在工业里发挥的场景似乎有限—这是首要被质疑的。因为可解释性、安全性、稳定性等，这些使得现场的工程师质疑AI在工业的有效性。假设你让openAI两次回答同一个问题，它无法保证回答具有工业所需的“确定性”。它可以解决不确定性问题，但它不能用不确定性的方式解决问题。

其次，由于讲述AI应用的美好前景的“专家”，很多来自IT或大学的学者，对工业现场缺乏了解，使得其忽视了现场的复杂性。因此，AI被认为仅停留在理论上。同时，可能也是AI风头盖过了OT领域，使得OT领域对这些“夸夸其谈”，不落地的言辞表示了不屑。

还有一个问题，就是从事AI工作的人也必须得说“AI应用必须建立在良好的自动化与数字化基础之上”-理想很丰满，现实很骨感。由于缺乏好的自动化基础，原本那些可以通过自动化即可解决的问题，如果用AI来解决，那就陷入“为了AI而AI”的坑里，问题就在于自动化本来就可以经济性的解决问题，却非用了个“吃力不讨好”的方式来解决，沦为笑料。

第四点，就是场景的可复制性，导致AI很多仅为项目型的应用，这使得其实现的经济性匮乏，对于很多创业型公司而言，就会陷入“劳动密集型”产业的困境中—因此，如何AI在工业场景的工具化、应用标准化就是难题，尚未被有效的解决，而这需要数据的标准化、结构化，以及通信连接的接口等统一，否则，就会陷入在软件工程领域里的软件“泥潭”。

对AI的态度转变

当然，流传在IT业界的那句“我们容易高估技术在当前的影响力，却又会低估在未来的潜能”。因此，随着AI的应用逐渐多起来，产业对于AI似乎发生了较大的态度转变。

上次在深圳遇到了上海大学的李明教授，他自己创业，做汽车领域的尺寸工程，在图纸标注及作业工序方面，他采用了AI方式来为图纸生成尺寸及加工路径。可以大幅降低出错、加工中的遗漏等。他说“AI不能不用，但看怎么用”—这就是比较理性的态度。即，我们不要忽视它的价值，但要结合实际。

郭朝晖老师前段时间提到了数字化创新，他提到了一句话，我觉得非常有道理，即“悲观者正确，而乐观者成功”—对此，深以为然。对于AI的质疑和批评显然是正确的，有道理的-但是，很多新事物它本身就处于探索中。我们需要去探索它的可能性，以及为其定义适用的边界，并通过工程努力，去弥补它的缺点，发挥其优势所在。路就是摸索中走出来的，正确也都是相对的—时间会告诉我们，因此，不要轻易对未来做出有限认知下的研判。

记得数年前，为交大学生讲AI应用，其实也是讲了几个有限的场景-因此，D老师给学生讲“跟你们说过了吧，AI没啥用”—我当时很吃惊，D老师如此直白的表示对AI的质疑。当然，现在D老师认为还是有些场景适合AI的—我想他肯定是发现了AI的威力。

AI的潜力进一步释放

显然，AI在工业的潜能是巨大的，在以下几个方面来说，它应该是巨大的潜能。

1.摆脱经验依赖性：对于大规模生产，通过人员在初始阶段的反复参数调试，形成稳定的生产参数组合，但这通常依赖于工程师的经验。但是，随着越来越少的技师，以及越来越复杂的产品规格与流程的变化。依赖于经验的参数匹配，在小批量、多品种生产中就会造成大量的不良品，生产的经济性、产品竞争力就会下降。

因此，在工业场景里，AI有一个很重要的作用，就是要将那些隐藏在丰富经验的技师、工程师大脑里的知识给挖掘出来，变为可复用的，显性的知识。其实，在各个领域广泛存在着这样的问题，每个领域里，过去都是依赖于经验的—而这样丰富经验的人越来越稀少。

2.降低人工工作量：对于复杂的生产中，包括参数的辨识、路径规划、调度流等，人是可以完成，但这些往往需要数小时乃至数天，才能完成推演。而这个对于AI来说，它能够快速的生成路径，并能够根据对时间、成本、品质的约束，为生产提供决策支持—这个时间会缩短至分钟级。

3.发现新潜能：人们经常说演绎法和归纳法作为两种常用的人的思维模式，演绎法通常在大部分时候不产生新知识。而归纳法可以产生新知识—这是具有诱惑力的。因为，本身自然界或者工程领域，它的“未知”就是普遍存在的—毕竟，科学发展了数千年，其实对世界的认知也是极为有限的。因此，未知就是工程中的真实情况—如果通过数据的归纳法，能够发现背后的知识，这显然是令人兴奋的。而这样AI对于科学的研究同样是促进的—工程在改变科学。

AI的制造业应用人才极为匮乏

AI人才的需求是极为迫切的-首先，就是对AI的认知方面的人才就是极为匮乏的。可以说大学基本上无法提供相应的人才输出给工业-大学很多AI相关专业，在教材、师资、课程方面，其实都是应对商业AI场景的。而且，现在商业AI场景的工程师都是匮乏的—更别说匀一点给工业领域了。而传统的自动化专业领域，包括在基本的软件工程训练也是缺乏的-毕竟，AI最终还是以软件为载体的，也同样是需要良好的软件工程训练作为基础的。

1.领域专家：制造业的复杂性在于它是一个非常需要垂直领域的专家支持的，制造业最大的问题就是，物理对象的强耦合关系如何被“解耦”的问题。这样的人才本身就是急缺的，更何况要结合

2.技师，虽然我们把人才分为研究型、应用型，对应于科学、工程。但技术型，即现场技术经验丰富的技师，他们的经验也是AI应用去学习的对象—如果这个技师它的经验不是特别丰富，那么，其实，这个弯路也是一样的。

3.数据处理-这个数据处理主要还是在信号采集，有些原始信号本身就要被有效的转化为信息，以及知识—按照DIKW模型，它需要将数据转为信息，这本身就是需要丰富经验的工程师的。因为，工业的数据如振动，超声波、编码器信号都有着特殊的处理需求的。

4.标准化-数据的结构化，以及构建可复用的软件系统规范与接口的标准化专家，它们需要参与到项目中，否则，缺乏标准化的进程，就会使得AI也变为在工程上难以被复用的。尽管在很多时候，这比较难，但如果能标准化的还是得标准化，尽量降低工程的实施成本，否则，AI就变成了“劳动密集型”产业。

5.算法专家：这里特指在AI算法的有效使用的专家。

在某种意义上，AI工业应用就包括两个方向的人才培养模式：

1).垂直领域专业自身培养AI应用人才；

2).两者在产业的结合，即，各自还是培养强的垂直专业人才，而在产业中，进行拟合。

3).在教学中，融入AI，但考虑到压缩课时，以及每个领域专业课程不足，这种必须得是较为通识性的教学。

工业AI人才的聚焦点

在说一句有用的废话，解决问题的关键是找到关键问题—其实AI发展的关键问题就是人才的问题，有人认为这个技术方向重要，那个技术方向重要，如何培养人才—认知这些，本身就需要人才。也即，能够对这件事究竟如何发展，该怎么去发展，能把问题整明白，就是人才—而且，还是人才中的人才。

（1）.对复杂问题的拆分与模块化

尽管AI是如此受人关注，被誉为科技的前沿，但就产业的实际而言，它仍然需要按照工程思维，对复杂的问题进行拆解。

在实际的工程中，影响品质、效率的因素是多重的，相互之间具有耦合关系，所谓的“复杂系统”就是这其中包含着材料特性、机械传动、电气、测量、路径等多个维度的问题。在生产现场，它也与人员的操作、现场环境、材料的不一致性等紧密相关。

相关又分为高相关和低相关，也包括可测量和不易测量等各种情况，因此，这就需要工程师能够对这些复杂的问题进行“解耦”-然后能够规划整个项目开发各自的模块划分，包括具有确定性的机理建模，以及不确定性的数据建模。

（2）.特征工程-人有人的作用

在使用AI解决问题时，首要在于数据采集与特征提取—这是难题的第一步。“磨刀不误砍柴工”，这一步解决好了，后面的工作才能做好。

人的能力主要在非结构化信息处理，直觉判断，自主学习。而AI在算力，存储，长时间加班方面还是有优势的。

我们在分析引发质量的各种问题时，究竟是什么引发了裁切刀切不准这个问题-那可能是机械的共振、也会是传动轴的参数比较硬（曲线阶次低）、还有材料本身的切割时的界面过程。就像有一次与某位专家谈到电池隔膜的牵伸速度比，而其背后会受到高分子材料在热成型过程中，分子键被破坏后的重组过程，这个重组过程也受到温度、速度、加速度的影响—那这个关系究竟为何？AI可以帮你处理大量数据的收敛，比如聚类分析，但是，这个究竟是“哪些相关数据”—这个是需要工程师的判断的。

因此，AI并非像我们想象那样智能，它需要人与机器结合—人有想象、直觉，人本身就有“知识迁徙”能力，它可以“由此及彼”、“举一反三”—为AI提供特征参考方向。

而这种对物理对象的特征的知识、洞见（Insight）、智慧就是人的优势，因此，人有人的优势—而这样的人，则是机电工程、化学工程、建筑工程等工程专业在培养的。

（3）.AI算法的边界识别

M博士总是提及这个问题，他认为在自动化、机电专业的AI教学中，并不需要对具体的算法、工具进行深入的教学。这很容易被陷入“工具”而缺乏“思辨”的能力陷阱—似乎懂得18般兵器，但却无法交手时灵活应对，甚至受限于武器，例如一寸长一寸险，太重的兵器身体消耗过大-你的物理身体扭矩输出无法驱动一个大惯量的兵器。就像我自从体重增强后，踢球的时候，同事们说“你的意识超越了你身体”—想得到，得做得到，这就是工业的显著特征。物理的对象本身的特性，并非理论上的可行，或者，你必须在理论上足够完备、精准的预测，才在物理上可行。

AI的每种算法、训练方法都是有其优缺点的，包括适合的使用边界。这种边界本身就是“洞见”—来自于长期的实践。而这种认知，就需要给予学生传递-并让他们在实训中体验。因此，体验式必须的-任何这种训练必须是建立在较大的格局下，才能培养出卓越的见识的人才。

（4）.AI算法设计与工程实践结合

人们经常说“理想很丰满、现实很骨感”—这是因为理论和现实是两个世界。但是，如果我们认为理想很丰满-那是因为，从理想到现实的道路是曲折，而艰辛的。你必须清楚，只有现场的实践才是让你的理论能够被验证，也才让我们学会“成长”、“迭代”自己的想法，让我们变得更为成熟。在成熟的人眼中，所有的曲折，都是必然的-问题只在于如何去越过它。

AI的实践也是如此，的确在现实中有很多问题，但是，AI是必须要去学习的。上周深圳和媒体的小伙伴闲聊，说录个视频，题目就是“AI会不会让我失业”。我觉得这包括两点：（1）.AI并非想象那么可怕，如韦青博士所说“我们担心AI，只是对人类自己没有信心”，（2）.AI不会淘汰人，而是那些掌握AI的人会淘汰那些不学习的人。

（5）.可复用的软件系统设计

AI4C的管老师，出自IT业界，他说很多AI场景比较难复制，我和他开玩笑说“那是因为可复制的已经被自动化给干了”。不过，说实话，在既有规则下，安全值内的控制任务，其实，并不能满足“极限”制造的需求-正如冯恩波博士有一次讲AI时所说“因果关系能够解决80%的问题，但胜负手在于剩下那些相关性问题”。因为，物理的知识是很容易被“复制”、“迁徙”、“抄袭”—因此，大家很容易进入“同质化”状态。那么，这个时候，剩下的那些问题就变成了“关键竞争点”，大家都可以把良品率做到99%，而赢得竞争的是那个能做到99.2%的企业。

可复用的软件设计，这可能更为需要根据垂直场景来划分，或者根据应用类型来划分。这也是个探索，根据行业场景划分呢，就会遇到行业其实内部差别也很大-就像印刷行业，胶印、凹印、柔印，看上去都是印刷，但其实差距非常大，一般鲜有企业三者都做，因为，那就是跨界。因此，可以按照应用场景类划分，比如流体类、粉体类、胶体类。也可以按照应用算法划分，缺陷分析类、预测性维护类、参数寻优类。

但是，要建立这样的分类，需要标准化，在数据集阶段就需要标准化的接口。其次，在算法类就需要组合，以及良好的接口。交大的D老师，就主要在干的活，就是这些数据集之间的接口，以及软件自动构造，如何让AI或数据类应用“工程效率更高”—不要大量的人工参与，配置即可快速实现整个软件应用体系的构造和运行。

综上所述，AI在工业的人才培养，不仅包括在AI本身，更确切的说—AI只是作为一个工具。而在任何时候，培养具有全局思维、工程思维、规范与标准工作、好奇心驱动的优秀工程师仍然是奇缺的-只是，在这个里面，需要增强AI工具的使用，而使用的前提，首先是对对象的认知，对工具、方法的认知。人才不是写代码，培养一大堆会用Phthon、Java、AGI编程的人不难，但拥有对工业问题的认识，对选择方法的认识的能力-这是人才培养的关键。

来源：微信号 说东道西

作者：宋华振

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。