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。