如果你看了这个标题，以为是关于“谈恋爱”的工程实现路径分析，也不要失望-至少证明你青春的力量还在。

现在在自动化圈的AI的浓度实在太高了，但凡你不谈AI就感觉不年轻了，或者不高级了。而且，原来IT圈的那种“华而不实”的风气也正在自动化圈弥漫。因为你听，现在也是那股子“IT黑话”诸如“赋能”、“解耦”、“轻量化”、“技术民主化”、“闭环”、“降本增效”、“技术底座”、对齐颗粒度…以前，自动化它是一个“自下而上”构建应用解决方案的行业，现在IT这种“自上而下”的也正在成为一种必然。自动化行业的IT化看来是无法阻挡，从底层操作系统、到通信、服务、业务模式都开始显著的IT化了。

图1-正在IT化的几个显著标志

但是，OT端的人们似乎也一直忧虑一个问题，即，我们很多谈的AI似乎很“虚浮其上”的感觉，就是那种劲，你明白吗？…那种“拿着榔头找钉子”的感觉来了。

为啥说要了解“对象”？

5月13日AI界的顶级大咖们的闭门会得出了一个OT界早知道的共识-“AI的未来是为用户创造价值”。这算是一种碰壁后的醒悟，相信这一定很惨痛的教训下的醒悟。

但是，如果你想创造价值，那就得非常了解你的对象—在制造业里，AI应用的话，如果离开了对对象的理解，就开始谈“降本增效”—我只能说这是“复读机”性的营销话术。这就像你想谈个恋爱，你对你的对象的这些特征得有点了解。她要是喜欢仪式感，你就最好不要忘记那些重要的时间节点。你得明白她说的“安全感”指的是什么？如果她逛街-你最好能够对这个衣服的好看与否提出具体的评价，如果你敷衍了事的说“挺好的”—那指定是不行的。你得知道哪些“逆鳞不可触碰”、“手机得给她看”、如何巧妙的回答诸如“当我和你的妈妈掉进河里….”。所以，你得针对这些潜在的问题，提供你的有效“情绪”价值。对，谈恋爱她和AI的未来发展是一样的，得提供价值输出能力。

对于AI的发展其实，你同样得了解你的对象—尤其是在制造业，这种物理意义的强相关性场景里—如果你不能了解对象，那就意味着你可能“事倍而功半”的悲催。

我们对AI的期待，就是“参数/曲线”的问题

很多在OT端的专家认为AI是不能用于控制的，基于AI来进行控制的想法，其实都不是很靠谱，比如下面这张图，是我根据之前对AI在控制技术的发展上的一个总结。当时给N博士看，回答是“这玩意根本就没法用，只是在理论意义上”—我不难理解，毕竟这个离散机器而言，它也不允许你这么直接的在线给它干这个-出点事算谁的？

图2-控制理论中对于AI的应用结构

主要是AI的这个不确定性给出的是不是靠谱谁也不知道的。

什么是工程的复杂性？

KIMI还是挺靠谱的，我最近和它交流了一些行业的影响因素的问题，它还给了我很多提示--原来我还不了解的那么深入。

表1-聚合物成型中的材料加工影响因素

在表1中，是KIMI帮我总结的关于聚合物成型工作中的机电机理与控制特性，包括热特性，即，熔点与玻璃化的温度（Tg）、热分解温度（上限）。流变特性-流变这个词我大概在20年前就听朋友讲过。工艺相关特性-P-V-T的关系，这些都是在加工过程中需要考虑的。

例如注塑机控制，在我们实际的控制中，有一些量是可测的，并且他们是强因果性的。像熔体温度—熔胶和螺杆挤出的各段温区检测与控制、模温，这些都会影响冷却和聚合物结晶的速度。比如压力控制，像保压压力它会用来补偿熔体在模腔内的收缩二次压力，背压则提供塑化过程中阻止熔体汇流的阻力，它会影响塑化质量与停留时间。而注塑速度则会影响熔体进入模腔的线速度，它又与熔接痕与取向相关—这个通过流量阀来控制。射胶和保压压力切换，它需要根据机器本身的特性进行设计—实现这种多个压力PID调节。

图3-射胶与保压压力切换

在注塑机行业，做自动化你就得了解这些特性，即，针对不同的塑料颗粒，他们的这些物理关键参数是不同的，包括整个注塑过程所需温度、压力、时间都是不同的。这些都是通过长时间的工程积累来实现的—在机器的控制中，预设了针对不同的产品规格、材料、容积等的组合配置。

但是，这些都是有强因果性，且低耦合度的参数上。还有很多参数-比如缺陷的模式，飞边、缩痕、熔接痕、翘曲等曲线，它与这些参数的隐性关联就无法被识别。模腔压力曲线能够预测收缩率和翘曲量，而在新的材料加工时，分子结构与加工窗口和性能紧密相关。还有类似于一些需要离线才能进行的质量相关性测量，比如残余应力、影响透光性的结晶度，影响力学特性的参数，这些都得产品打出来后，进行一些破坏性测试才能进行的测试—但希望能够在线解决的问题，是否可以通过AI来解决呢？ 

表2-金属加工中的关键机理与影响因素

实际上，在我看来有时候我们讲机床行业，它的很多问题并非指的是这个机床的加工，而是指对材料本身特性的理解，以及对其有效监测、控制的Know-How。当然，在很多行业，这些都依赖于工程积累形成了工业软件—比如弹簧的折弯，对于不同材料、节距、轮廓、直径等进行的回弹补偿量—这个“量”究竟是多少，在对于固定产品类可以通过测试来实现。

为什么要寄望于AI？

但，所有谈智能都是因为现在的材料的变化太多了，产品的种类多了后，机器如何去应对这个变化？

还有就是，随着机器的速度越来越高，那么原来的一些影响将会变大，即，失之毫厘差之千里—原本摩擦力在低速时的影响是线性的，但到了高速的某个值后，它将变得不可控的影响力。那么，究竟他们是怎么的关系？

其实，我们希望AI真正要做的可能并不是它能够去控制，而是找到那个“关键参数设置点”，或者在其他影响变量变化的时候，能够为这种观测不到的变量提供估算，以使得其影响能够被收敛到可控的变量的参数设置上—还有就是在几个关键参数都变化的时候，他们究竟应该配置怎么样的合适参数—那个关键可控的点究竟怎么变化的？

至于说控制，其实你找到那个点或那条曲线—控制反倒可能是容易的。这个可能PID就很管用了。但是，如果你想用AI去学习、训练找到这个动态的参数，那么你的确也得了解对象。

1).特征选择与提取-即，我们选择哪些参数，用物理模型控制的方法，而哪些参数它无法被测量控制，又是高相关性的。用学习的方法来实现。

2).在构造这个AI的学习时，我们也得了解这些要训练的参数本身的关系方向-不能具体，但能大致的去分析它的潜在关联，构造这个训练模型。

图5-PINN物理约束神经网络

现在比较热的PINN在实际应用中也要注意优化冲突、空间冲突、因果律违反等系列问题。里面还是有很多陷阱的，能够掌握物理与数据方法的各自特点才能更好的配置采样、清洗数据、权重分配等诸多问题。

3).某种算法、模型都有其能力边界和特点，如何组合使用—如何为其构造合适的成本函数、并如何去校验。

4).为软件的实现提供构造，以及人机交互等易用性设计—这些都建立在我们对行业加工特征、用户需求的理解和洞察。

不同行业它有它的不同，例如半导体加工的本质是在原子级精度上构建三维结构，满足微纳尺度控制、缺陷密度、界面陡峭度的指标。而3D粉体打印追求快速融化、高导热性+高吸收率。在制药行业粉体强调温和条件下的流动与填充，需防潮和温敏保护。压延类的则要满足温度-速度-压力三元耦合，任何一项波动会通过流变特性放大为厚度、表面质量缺陷。

总之-我们得了解对象，才能更好的用好AI，谈好恋AI。

来源：微信号 说东道西