我一直说：工业的智能往往是“吴淑珍式的智能”，也就是把人的知识变成计算机的计算和执行逻辑。既然如此，为什么需要模型、需要自学习呢？

采用模型的一个重要原因，是计算所依赖的一些数据是难以实时、准确测量。比如，有些材料、设备的内部参数，经常就难以测量。模型经常用来预测，而预测结果当然也是难以测量的：因为现在无法测量未来。模型的本质，是用容易测量的数据，去估算不容易得到的数据。

学术界的很多人，认为工业界缺乏机理模型、缺乏理解机理模型的人。这个理解往往不准。事实上，工业对象的机理往往是清楚的，理解机理的人也越来越多：很多企业的操作工都是大专毕业了，理解几个数学公式不算特别难。针对工业对象建立模型的一个重要难点，是模型所需要的参数无法获得。所以，现实的模型一般要用现实中可以测量的数据来建立。这样，实际数据模型的输入就与机理模型不一样了，而数据模型往往就与机理模型不一样了。建立这样的模型时，有时候就需要机器学习了。

把机器学习用于数据建模的报道越来越多了。学术界把机器学习分成两类：有监督学习和无监督学习。但从工程师的角度看，论文中的“无监督学习”本质上也是“有监督学习”:这个监督者其实就是写文章的作者。

一篇文章发表之前，作者一般会花一些时间研究算法：先搞到数据、编写算法，然后进行尝试。计算结果出来以后，作者需要进行评估，往往会继续调整数据或算法，直到有个基本满意、可以用来发表论文的结果。所以，论文作者就是一个监督者啊！ 有了人的参与，模型往往比纯粹的机器学习更好。

但是，从工程师的角度看，有时需要没有人参与的、“自动的机器学习”。这时，机器学习的本质作用，是维持模型精度的稳定性。

针对生产过程的建模，往往依赖于设备和生产过程的参数。其中，智能模型往往依赖于复杂系统内众多的参数。在生产过程中，这些参数是会随着时间和事件发生变化。这时，通过数据建模方法建立模型，精度往往会逐渐变差。甚至变得无法使用。

一般来说，开发模型的人属于研发部门或外部的科技公司、甚至国外的公司，而使用模型的人属于工业企业的生产部门。开发模型的人完成任务以后就离开了，一般不会永远提供服务。人们经常发现：开发的人走了而模型的精度变差了。这个时候，模型往往变得“不能用了”。

模型的自学习，其实就是要解决这个问题的。如果这个问题不解决，很多企业的智能控制就会变成摆设。我感觉，很多人没有把这个逻辑想清楚，对机器学习的作用没有把握好。

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。