AI真是热火朝天，一片繁荣，不断的有所谓革命性的技术进步，GPT、SORA，反正是一派颠覆世界的压迫感扑面而来，令人窒息的科技暴力。前几天Amy同学就来咨询,说是某家生成式AI公司打算进军制造业（赚大钱），咨询他们，但是又似乎不那么了解制造业。在和这位Amy同学交流后，我觉得有必要来写点东西谈谈这个事情。

记得去年工博会那会和自动化圈的小伙伴们交流，他们对这些来势汹汹，总是叫嚣要颠覆制造业的技术总是有些不以为然—因为，现场不是理想主义。当然，这股话语权的失落感也是些许存在的。

不过，工业AI本身与商业AI还是不同的，人们在欢欣鼓舞商业AI的巨大影响力。但，工业的核心是自己的发展，AI是个好工具，但它不是核心业务或它也不是真正所对应垂直产业的核心技术。

首先，像自动化圈，并非拒绝AI，而是主动的拥抱AI，以期来解决问题。但是，这里的差异在于，商业AI这圈人其实是拿着榔头找钉子，而工业人则是拿着钉子找榔头，因此，它是两个方向的人在做同一件事情。

这是一个很大的差异，从语言体系就可以看到，AI的人总是说要“找场景”。但是，找场景这个事自动化的人并不提及，因为，场景有，我只是在找一个“经济”的工具。

条条大道通罗马

制造业，它要解决问题，至于它用什么解决问题是次要问题，而要解决什么问题是首要问题。前几天看了部电影，里面有一句废话“关键的问题就是找到问题的关键”。但是，这也不算废话，就是得先知道问题在哪里，才知道什么是好的解决问题的办法。

制造业要解决的通常就是“品质、成本和交付”三个问题。那么，引发质量的因素究竟在哪里？这有时候是个未知问题—但是，解决问题的方法却有很多种。

第一是找到问题：通过鱼骨图分析，我们可以把质量相关因素解析为，人机料法环的问题。然后建立解决问题的路径，通过根源分析，找到问题的关键问题和次要问题。

第二是解决问题：有些问题的解决是依赖于物理建模，有些问题依赖数据建模，还有些问题根本不用技术来解决问题，通过人员的培训、流程的再造就可以解决问题。

因果与相关问题

在解决问题的时候，我们要找到因果问题和相关问题。记得有一次听冯恩波博士讲AI，谈到了因果问题能够解决大部分问题，而剩下的相关性问题却又是“胜负手”。

因果问题指的是可以通过像物理建模这样，构建物理模型，然后通过参数的工程测试来建立控制的边界。在不同的定义域（高等数据基本概念）里函数值是有一定规律的。

如果找到这个规律，那么，就能解决根本性问题，这就是机理模型—它具有显著的优势，即，它可预测、可解释、算力需求特别低。那么，如果你用AI解决这个问题，就显然是不经济的，你花费了巨大的代价解决了问题。发现，其实跟自动化里的增加一个AI（Analog Input模拟量输入）采样和一个DO输出解决问题的效果可能是一样的。那完全就缺乏了经济性。毕竟这个AI和DO加起来，在自动化硬件价格已经卷到白菜价的今天，大概就百十来块钱的事。

表-物理与数据建模的差异

但是，为什么AI又是胜负手呢？

因为机理模型它的特点就是可获得性较强，一旦被建立，可复制性也强。它能够同样被其他对手所获得，并应用。那么，这个时候，相关性那部分就会发挥其价值的杠杆收益。

在锂电制造里0.2%的良品率提升都是意义重大的，因为大家都能做到99%的时候，胜负手就在你能做到99.2%带来的优势。同样道理，在这里相关性解决的那些问题有时候也会变成决定性因素。

工业AI需要建立在良好的数字化基础上

AI更擅长于在相关性上解决问题，但是其实它的应用也是有前提的：

首先，必须要有好的自动化基础：自动化提供了数据采样、通信连接、数据分类、接口规范方面的基础。这本来也是制造中控制、信息化的基础需求。很多AI的人说现场缺乏数据，但是，这是你的问题，却并非自动化的问题—因为，这些数据就在PLC的内存里，也可以通过OPC UA/MQTT访问。不是有没有数据的问题，而是另外两个问题：

1).什么数据，要干什么用？似乎尚未搞清楚

IT的人经常会问“你有什么数据”，而OT通常会问“你要什么数据”。因为，拿着榔头找钉子的人会认为，你告诉我有啥数据，我才知道我能干什么。但是，OT的人认为，这个数据是与我的工艺相关的，我不能提供给你所有数据，但我可以按照你的需要提供所需数据。

2).未知的数据：在制造工程中，我们知道还有很多需要解决的问题，这些问题依赖于哪些数据，用什么样的频率采样、什么类型的问题应该用什么方法处理数据。这件事本身都是待定的—因为，制造工程本身就是“持续改善”的，通过不断的对制造中的机电问题分析，才能不断提升。解决问题过程中，才知道应该采集什么数据，如何分析这些数据。

因此，有时候，它不是缺乏数据，而是缺乏对制造的认知—而这种认知，本来就不是已知的，就是动态进行的。

其次，AI也需要和工程方法结合

为什么机理与数据结合？因为如果没有机理给出的方向，那么，数据就失去目标。甚至都不知道采集哪些数据…机理的好处在于它提供了基本的约束边界，而不是在浩瀚的大海里盲目的探索。相关性，它也不是完全没有头绪的，它也是有方向的。甚至来自于工程师的直觉性判断，通向解决问题的道路，有非常多的岔口，哪个岔口真的能走到目标。就会出现“只缘身在此山中”的问题，因为只见树而不见森林的遮蔽性—在数据分析这个问题上，同样会有“遮蔽性”。即，数据的偏差，例如“幸存者偏差”就是典型的一种数据偏差。

图1-自动化人干工业AI的优势

再者，人才是关键

图1列举了自动化领域干AI的优势，主要体现在数据及其通信、结构化处理、机理建模的结合，以及现场可执行，这些也都来自于工程师的洞见与智慧。工程师的洞察力，包括机电对象的特性、引发问题方向的判断，解决问题方法的界定，数据处理、模型训练方法的选择、参数调教、泛化等等问题。都是依赖于人工的参与。如果缺乏有序的工程过程综合能力，那么，AI将无所适从，会茫然不知所措。

自动化领域的工程师，具有非常强的机理、对象特性的理解。当然，我们需要选择更好的AI工具，就是找到好的榔头来解决问题。

工业从来都是拥抱AI

很多时候，来自于制造业的人会对AI有些不以为然，这不是对AI的不以为然。它只是对不懂工业却又妄图颠覆工业的那种迷之自信的不以为然。

而且，似乎真的了解AI的专家，甚至AI类公司的头部企业的专家们都还是比较谨慎的-但是，比较狂热的似乎更多是那些对AI并不了太多的人。

前些时日，记得郭老师朋友圈和文章都提到“悲观者正确，而乐观者成功”—我想对于自动化圈的人而言，我们需要好好想想这句话。因为，有时候，自动化圈对AI的各种不以为然，可能是有问题的，因为，AI在进步，也在不断的去测试，也是在摸索—那么，AI的不了解制造业这个事情，它本身也是一个过程，因此，积极的拥抱AI是有很大的帮助的—人们担心的不是竞争，而是颠覆性的技术，让你无从追赶，因为越是成功者越是容易形成对既有路径的依赖。而突破者，往往会让你失去反击的机会。

AI对于工业它是潜力巨大的：

1).在AI的发展历史上，像Alstrom、Bellman、Kalman这些人，他们既是控制学科的专家，也是AI领域的专家。因此，控制领域在其发展过程中，从未拒绝过AI，并一直试图将AI应用于自适应控制、模糊控制、非线性系统、最优化等问题的解决上。应该说，囿于算力的成本过去，它并未被广泛的应用。