一些观察(不代表正确)，主要想分享三个问题

1).为何以前不提“自主化（Autonomy）”-和CEC老石闲聊时谈到AI-Enable Autonomy，老石说目前各家自动化公司也都在提“自主化”。刚好这个话题就是“为什么以前不提？”。

2).技术走得通吗？以前不提是因为它很难实现，但现在提是因为它有实现的路径了。

3).有需求吗？-任何技术如果没有市场，也就没有讨论的必要性。

注：这几个问题也是长期思考的汇集-最近和几位朋友们交流，包括戴老师、D同学、冰老师及客户端的朋友们。

为什么以前不提“自主化”？

“非以前不提”，很多年前就知道有“自主化（Autonomy）”这个概念，也有大佬提及未来实现“自主化”的愿景。但仅作为一种预测，当不得现实。自主化的障碍还是挺多的。自主化（Autonomy）与自动化（Automation）其实从表1可以看到差异。因此，在学术界这个定义如何也显得不那么重要了。最近确实看了德国斯图加特大学和不莱梅大学的几位教授的论文，针对Autonomos Control的定义。太学术的东西不如用表1比较来呈现。

表1-自动化与自主化的比较

表1是我让Kimi给我生成的关于两者的区别，挺靠谱的。

其实，随便想想，就会想到自主化的难题：

自主意味着“自动编程”—因为自主化里提到的“自主”，那就得自动实现分析并生成决策的参数/指令，否则这还是自动化的预设编程（IF-Then），当然你无法穷举所有的情况。但是，把不确定的环境变化表示出来，给机器识别的这个工程就很巨大。按传统方式增大感知的传感器数量-但这也无法预知“概率”上的“隐性”难题。

图1-编程语言的演进

图1是上次在自动化学会年会的一页关于自动领域编程的演进。从早期的汇编、IEC61131、高级语言编程、低代码/无代码，到AIGC的普及。前几天还看到冯博士写的过程控制的程序，他测试了可用。

其次，系统得有强“自动编程”来应对变化，而自动编程—现在大家都喊着AI编程把码农都给快干废了。但即使如此，我们仍然认为在工业现场的程序还是很难信任有幻觉的这种LLM来干活吧？

工业里的程序和代码对于安全、可靠的要求也非商用系统可以相比。不过，之前D同学给我看Palantir的这种语义代码及自动程序生成我就在想“战场对于代码的安全可靠要求也不低吧？人家行—工业应该也是可以的吧？”。

标准难题-上下行语义

当我们想着“自主”的时候，那肯定环境的复杂性维度超越自动化的既定状态维度。这里会牵扯到感知的复杂性，自主系统里它的输入相对可能会包括复杂的传感器采样，也可能会是人的自然语言发出的指令，也需要通过Agent调用数字设计类软件、仿真计算类、还有自动化系统的执行—这里可能会牵扯到非常多的语义交互问题。当然了，OPC UA制定了这种语义互操作-但它制定的是框架性的。具体到了实体性的领域或行业，就像PackML算是看到比较完整的行业规范，但PackML的发展过程也并未考虑今天的AI大量应用的这种场景—它仍然是在自动化时代的预设规则下的调度与协作机制。

图2-层级架构到分布式架构的演进

对于自主系统而言，这个通信的标准化将变得更为复杂，如图2所示，原有的工业通信都基于层级架构匹配的机制如轮询、令牌、时间片来实现。而未来的系统将被摊平，底层确保确定性的同时，要能够自主的在跨业务的系统间传输数据，同时支持周期性（Cyclic）支持事件触发任务（Event-Trigged）。OPC UA FX也为AI应用提供了信息建模的机制。

当然，最为难的在垂直行业—如果信息建模不能标准化，那么自主化的工程实现将像50年前接线一样复杂，进而影响系统的工程化实施的经济性。

算力难题

即使今天的AI也如此强大了，硬件算力是可以的-但工业的问题不是算力，而是确定性和周期性的问题—它需要时间约束下，而不是留给你足够的时间。“大力出奇迹”，只要秉承“天下武功唯快不破”—但这就会出现算力成本的经济性问题。因为，如果经济性仍然是工业领域技术能否被推广的关键。

部署难题

这个就一直是我觉得比较现实的困难。大脑的分析决策可以是纯软的，你可以用什么求解器、算法来设计这个过程，包括各种Agent去调用不同的软件（其实这里还有软件授权的壁垒在里面）给你生成过程的代码--但你能不能执行，却是个难题。比如：制造产线和设备的控制器来自于不同的厂商，总线、操作系统都千差万别，这个下发指令到执行，就变得非常的复杂，难以实现。

信任难题

自动化与自主化，在现实中就是“确定性”与“概率性”两种不同范式的冲突。因为AI的不可解释性就是个问题，你只是一种概率上的判断，而且，这种与物理的确定性表达还是有很大的差异。让系统能够在“两种思维方式上切换”。就像一个人常年说普通话，但回到家乡得说家乡话—这个时候就需要脑子去翻译，它就不会那么流畅。

当然，关于这里的技术难题，无论是感知方面、分析和决策端、执行侧每个环节都有各种难题。

技术走的通吗？

但实际上，技术，尤其是大模型、大语言模型这些技术正在改变这个难题的可能性—应该是为“自主”提供了实现的可能性。

虚拟控制技术

虚拟PLC其实解决了一个比较关键的平台问题，它把原来封闭、强硬件耦合、操作系统耦合的控制器平台转向了解耦的平台。这就相当于降低了部署的门槛—跨越不同平台，大家都在统一的软件，底层的操作系统基于Linux、与硬件无关。

比如想实现类似汽车领域的OTA升级—虚拟的控制其实就可以在纯软件的多个核里完成—这就不存在原有的硬件/总线/操作系统障碍。工厂需要能够自主的决策，生成程序—它才能直接去部署到每个Runtime或独立核里的任务。

编程与算法

其实，最为重要的并不是AI来编程，而是AI将人的自然语言转换为程序所需的关键信息，并且能够识别隐性信息。将文本或PDF文件解析为程序的代码—AI现在可以读取你的PDF文件里的一个算法，并将它转化为代码。怎么把视觉看到的转化为一种需求—有客户就问，机器人配置视觉它看到了场景的变化，能否自主的设置路径并配置参数呢？

图3自动代码生成已经开始在工作

当然，现在相应的技术也正在支撑这些问题，比如约束引导的生成，用IEC61131/IEC1499的约束，嵌入安全规则的语义提示（Prompt）。通过知识图谱来进行知识的关联，给系统一个认知的关系图。当然还可以让人在回路（Human in the Loop）来进行确认—我觉得人机协作就是这样比较好。有了自然语言的识别能力，那么人与机器的交互障碍就会大幅消除。

形式化验证也是个难题，尽管有些形式化验证的方式，但在工艺控制、安全方面的程序，目前来看还是很难去获得信任的。因此，AIGC代码目前还是聚焦在分析类任务/边缘层的任务—这些任务解析出参数给控制器。

难的是将人的需求（包含隐性）转换为机器识别的完备性任务—就是说需求确定了，编程倒不难，方向清晰了，方法就容易了。

通信

要想实现自主化-其实通信的“流畅”“无障碍”，自上而下（北向数据）要通畅，能够将跨供应商、不同语义的系统能够“流畅”的“汇集”到“全局中心”。这里牵扯到多种不同的“语言系统”，不同机器的对象数据、语言系统、生产物流、机器人/AGV、实验室、管理软件、AI分析系统、工艺分析的跨专业（聚合物、金属、玻璃、纤维等）。

总之，让这些数据能够高效且流畅的来到“耦合点”，并把不同的语言翻译为统一的计算、然后又没有障碍的、实时的分发给不同的机器单元，那么这个“自主化”，就是幻想。

图4-OPC UA FX进程

通信这个问题里就看OPC UA FX的进程，OPC基金会还是雄心壮志，从结构上来看，如果要想实现一种更为复杂输入（语音、文本、PDF/图形、视觉导入），以及多种控制和数据分析，并能够实时控制。要建立一个从传感器级到云端的连接—并能够语义互操作，OPC UA FX还是比较好的机制。工业的确定性和模块化在这里还是有一定的边界感，这个OPC UA是有点重，是个好思想-但OPC感觉落地起来也挺难。

但TSN似乎在汽车领域更容易达成一致，这就像SEMI为何在半导体行业能够更为成熟应用。因为车载通信的对象模型是一致的，而半导体的流程设备（氧化扩散、光刻、沉积、清洗、打磨等），他们的对象是单一的“Wafer”—这就容易统一。

在AI领域MCP其实也扮演一个协作各个智能体之间的调用作用，它在各个AI工具与应用之间提供数据的传输。OPC UA当然还是在自动化系统间，也在垂直的云/边缘间传递语义数据。

PINN物理信息神经网络

去年和管老师闲聊AI在工业里的应用难题在于“物理模型更经济”—因为我的意思说，这个物理模型它解释性好、可预测，解释性也好。干嘛要用AI来干。管老师说“那你可以告诉AI在有物流模型可用的时候就用物理模型啊！”…我当时就想，你们做软件的果然比我们做硬件的脑子灵活。因为跟硬件打交道的人，经常会想到物理对象—其实，这物理对象也没有像我们想的那么“稳当”—我的意思，确定性也没那么高。

去年夏天那会，和几位老师聊到了PINN非常热，在工艺的辨识与参数的寻优里，能够在工业场景里为大家找到一种能够均衡的方式。

图5-PINN物理信息神经网络

PINN能够兼具物理建模的可解释性，以及确定性，而又融合神经网络在不可测、非线性、不确定性场景中的内在模型/参数的挖掘能力。两者结合，会让工业能够更好的解决一些安全稳定与智能的平衡问题。

磁悬浮输送技术

除了能把数据传递到现场，在整个自动化系统到自主化中，执行侧的“自主”终于在磁悬浮输送技术的推出并投入应用后成为了可能。

图6-ACOPOS 6D平面磁悬让产品自主加工成为可能

自动化在过去的5年里，向上是AI方向的发展，几种在数据连接、分析、智能。同时，为了解决下层执行的问题，采用了柔性输送系统。它对于自主化的关键在于 1).它让产品本身成为了一个可以“按需”自主找工位，而非规模生产的既有流程或复杂调校产线才能生产不同产品。2).数字标签，装载每个产品的动子，可以让产品被完全“监测”并“编排”，即，编排动子就可以编排产品的加工流/工艺—它使得“软件定义”在物理意义端成为了“可编排”。自主化才能物理意义被执行。

可见，要实现自动的感知动态、复杂变化的输入侧，自动分析决策，部署新的任务（参数，程序与）、执行，这个Autonomy的闭环与Automation是相同的—这些在过去巨大的障碍，正在被控制的虚拟化、程序自动构造、自动部署、传感器到云端的通信等来跨越。

需求有吗？

无论何种技术，在制造业里，它首先得是有需求的—这种需求通常可能会比较碎片化，但当我接触了更多的跨领域后。我觉得这种需求显然是存在的，并且已经显示了明显的苗头。

对标汽车行业的智驾

要说汽车行业真的是一个影响力卓越的行业，在过去的百年时间里。关于通信的需求产生、离散流水线、机器人工程、精益管理思想、标准化作业与作业标准等等，都是来自于汽车制造业的影响。今天，我们谈到自主化，你说这个需求是否存在，最好的对标对象就是汽车行业。

现在自动驾驶应该大家可能会看到很多通过语音输入去让系统规划路径，自动驾驶本身的环境复杂性、对于安全性的要求—本身就比制造业的场景更为复杂。现在已经实现感知分析与决策的一体化，消除模块化信息系统里的延迟，并且，使得这种过程转化为人的“直觉”性的驾驶。

OTA升级其实就是一个不断迭代的过程，让采集到云端、训练到部署的闭环—当然，我还是觉得汽车行业优势还是在于对象单一，规模又大，因此，容易达成经济性。并且，产业链上下有你比如智驾端、云服务、ECU、地图系统、电机与驱动系统各个协同端容易围绕汽车这个单一对象达成技术实现的共识。

汽车行业谈“Software Defined Vehicle”,连Palantir服务的DoD/NASA都已经到了”Software Defined Warfare”软件定义战争了。Software Defined Automation也正在成为工业领域的共识。

太卷了-怎么突破？

对于制造业而言，我们回到精益制造的视角来看，不管是自动化技术、自主化、AI，其实都是要让整个生产能去实现“柔性”、“高效协作”、“品质/成本与交付”。太卷了，就必须突破性创新的方式，来为用户提供极致体验的产品或服务--情绪价值拉满，不但要个性化、还得快速、高品质、低成本，就是“既要”、“又要”、“还要”、“更要”。

越来越碎片化订单-调整能不能简单？

最大的影响因素其实是“变化”—很多行业的订单特别的碎片化，凹版印刷都有3000m订单，可是一卷材料也不知这个数啊！数字印刷更偏向灵活的小订单—确实挺多，据说有的工厂一天得做200不同的订单-这种生产的变化。

碎片化的订单-尤其是电商直播模式带来的这种碎片化、波动大的订单—让机器如何快速组织，机械的调校太复杂，通过伺服系统来改善灵活。但这些都是在“既定”规格下的有限柔性。

要解决这种复杂变化下，所有的机械调校、参数设置、全局的生产组织、工艺迭代。中间太多的时间消耗、物料损耗（开机浪费）。对于精益的工厂来说—如果能够快速的组织生产，AI给了大家启发和曙光。

图7-印后联线胶装系统

在物理意义就是“联线生产”（如印后联线生产、开清棉、清梳联、吹灌旋），对于长流程行业如电池、光伏、半导体，目前也在整个通过机器人/AGV、柔性输送系统把整个生产变为一个联线系统。目前各个行业在这方面都在推进，或者像流程工业干脆就是一个机器就是一个工厂（Machine is Factory）。但是，物理的机构实现了，但软件就得去快速构造应用，自感知、自决策与策略制定。包括缩短计算时间、协作时间，都是必要的。

品质优化也是需要不断的迭代的-如果能够建立在边缘/云端的训练体。AI在对于参数的形成还是有帮助的—至于执行，如果直接在同一虚拟控制平台，这种就类似于自动驾驶，感知、判断与执行一体了。当然，工业还是需要考虑更多安全机制与策略。

0代码开发需求

当制造产线需要这种快速变化、自主的时候，程序的复杂性就出现了。如果无需编程就可以实现系统的创建、仿真验证、自动下载与执行的闭环。那么，这对于用户是否是最为极致的体验？无需专业的工程师，通过语音交互、代码自动编排、参数统一的接口来实现下发。想想挺遥远-但其实现在看也没那么远了。

客户极致体验

赢得消费者，就赢得业务—按需生产，个性化，是为了最大化的提高客户体验。但这一切都需要整个自主化的生产系统来支撑。

从订单输入侧（京东、淘宝、自有客户端），通过AR/VR的体验、客户自主配置产品、订单汇流到工厂、排产、物料供应、生产设备组织、品质管控、产品内部物流、外部物流到客户端。整个流程，消费端的自主已经变得商业可行，瓶颈一直在工厂这里，现在，工厂的问题将被从磁悬浮输送到AI自主的系统所能实现。

客户能够按需及时交付的高品质产品—好像遥远，缺似乎明天。

总结：自动化到自主化-其实，在从磁悬浮输送系统的机电层面，通信的标准化归一趋势、虚拟控制技术、AI自动编程。其中，人工智能的影响正在改变自动化行业，自主化才能真正可预期。

来源：微信号 说东道西