前几天,梁局长在朋友圈发了一个帖子,对我很有启发:

香农为人工智能设定了四个目标:到 2001年,创造出打败世界冠军的象棋程序;写出被《纽约客》认可的诗文的诗歌程序;写出能够证明难以捉摸的黎曼假设的数学程序;以及“最重要的”,设计出收益超过50%的选股软件。

信息论创始人香农博士

香农的预见性非常了不起。经过了几十年,这四个方向都有所进展。除此之外,香农或许没有意识到的 “读心术”的发展:比如,在谷歌搜索中打入“白痴”就会出现特朗普的照片。再如,各种商业网站的个习惯化推荐等等。香农也没有提到图像识别、语音识别技术。或许他觉得这类技术“太简单了”。

从上面这些讨论中可以看出:人工智能本质是研究 “人”的,是研究和模拟人们面对开放、复杂问题时,难以捉摸的思维方式。人的思维方式难以琢磨,但要得到特定的思维结果,脑子里一般有足够的思维素材。

“ 难以捉摸 ” 是思维方式本身、尤其是针对概率问题的思维方式。 人类的思维过程本身之所以奇妙,是因为过程本身含有不确定性、难以推理。 “文章本天成,妙手偶得之”。许多智慧的想法,来自于灵光一现的灵感。凉风一吹,可能激发灵感;苹果落地,也可能激发灵感。但凉风、苹果与灵感之间关系确实难以复制的。 同样,人们的爱好、喜好往往也 是难以用因果关系解释的。所以,人工智能的研究往往针对相关而非因果的思维方式,

毋庸置疑,人工智能在制 造过程是有一定作用的。 最典型的就是图像识别。 这类应用的特点符合上面提到的要求: 决策所需要的材料(如信息)是有的,关键是如何决策。 尽管如此,制造过程(不是研发设计)并非人工智能的主要应用场景。

首先,制造过程针对的是客观世界,而不是人的思维。制造过程中出现的各种现象和问题,都是可以用科学原理解释的,背后必然存在因果关系(而不是纯粹的相关关系)。其次,在工业过程中(图像和音频识别除外),阻碍决策的往往是素材( 知识和信 息 )的不足,并不是计算或决策过程的问题。即便有些问题计算过程复杂,计算逻辑也是能说清楚的,并不是AI主要研究的内容。当然,有些算法可以借鉴人的思维方式,如采用模拟退火方法等非常规算法。


(资料图)

在制造过程中,许多困难问题不是模拟人的决策,而是人自己没有办法。比如,工业过程中遇到的很多令人头疼的问题,往往属于 “意外”的范畴。而提高工业技术水平的过程,往往是设法减少意外。比如,提高标准化程度、质量管理水平;再如,通过机器代人,减少人本身带来的不确定性。

工业企业的技术秘密,往往是 “聪明人想不到的笨办法”。而AI往往是模拟人的“聪明”。由于计算机不怕麻烦,依靠数字化技术,可以让这些“笨办法”发挥更大的作用。数字化技术能够帮助企业处理不确定性。处理办法的本质,是提升信息收集能力,将“预料之外”转化为“预料之中”。

我想用一个不太准确的比喻,区分人工智能与智能制造的区别:人工智能主要解决开放、不确定性、非因果问题的;但智能制造是通过把系统做大、做细,把原来的系统外部的不确定信息包含进来,并让系统的拓展变得更加容易。从原来小系统的视野看,系统是开放了;但系统新的管控范围内,本质上仍然是封闭、确定性的系统。只是大系统包含了原来的小系统。智能系统逻辑推理的依据,仍然是因果关系。

所以,把人工智能神秘化,甚至说 “智能制造就是人工智能加制造”,是不懂制造、不懂现代工业的言论。

推荐内容