国内曾有著名专家学者提出：智能制造就是人工智能加制造。这种观点会对推进智能制造带来思想混乱。为此，我们有必要澄清这两个概念的关系。
文/郭朝晖（博士，教授级高级工程师，
优也信息科技有限公司首席科学家，走向智能研究院首席研究员。）
人工智能的两个经典学派
谈到智能制造，人们很容易联想到各种高级算法，如机器学习和逻辑推理。事实上，人工智能技术在最近十几年最重要的进展就是深度学习技术，这也是人工智能最近成为热点的原因。
人类发明计算机的初衷是帮助人们进行数据计算。由于人的很多思维过程都可以转化成计算问题，所以计算机往往被俗称为电脑。计算机可以计算很多问题，但只有一部分算法被称为人工智能算法。
一般来说，人工智能的算法往往有两个特点：一是普通的算法不容易解决，二是与人的思维接近。因此，算术、方程求解、排序等常见算法一般不被算作人工智能算法，只有涉及复杂逻辑推理和知识学习等问题时，才被称为人工智能算法。
计算机在解决逻辑推理问题时，往往先将其转化为搜索问题。人工智能关注的搜索问题往往会面临组合爆炸，计算机也难以求得最优解。下棋就是这种典型问题。但是，面对这类组合爆炸问题，人类往往有能力用有限的搜索找到相对较好的办法。这就是体现智能的地方。有人把智能算法的特点描述为能够从一个巨大的搜索空间中迅速找到比较好解的算法。因此，谷歌公司建立之初就定位为“做人工智能的公司”。
要把人的想法变成计算机代码，前提是必须能用计算机语言精确地表达出来。但是，人的很多认识恰恰是难以用语言表达清楚的。例如，我们很容易认出一个熟人，也很容易识别梨的味道，但这些认识不容易说出来。再如，棋手对“棋势”有一种直觉的认识，这种直觉能够帮助人们把注意力聚焦在个别重要的棋子上。但是，这种直觉同样难以用精确的语言来描述。这些一般被称为“默会知识”。
人类语言表达不清楚的东西，往往无法直接变成计算机代码。机器学习就是用来解决这个困难的。所谓机器学习，一般是用数学函数模拟人或动物的神经系统，通过数据不断修正这个模型，从而形成类似感性认识的知识。这样就避开了“默会”知识“难以编码”的困难。
然而，让计算机获得“感性认识”并不容易。例如，模型识别的错误比例往往太高。导致这类问题的原因很多，有数据的原因、模型的原因，也有训练算法的原因。随着计算机计算和存储能力的增强，积累的数据越来越多。在这样的背景下，出现了深度学习技术并在多个领域取得了巨大的成功。于是，人工智能成为近期的热点。
人们可以从很多角度认识人工智能，由此产生了很多的学派。其中，两个经典的主流学派分别是模拟逻辑推理的符号学派和模拟神经系统结构的连接学派。这两个学派的方法可以结合在一起进行应用。例如，阿尔法狗需要进行逻辑推理，但为了解决搜索中组合爆炸的问题，又需要模拟棋手的感性认识，而这种感性认识就是通过深度学习得到的。
自动化与人工智能的控制论学派
除了上述两个经典学派外，人工智能还有一个重要的学派被称为控制论学派。控制论是自动化和智能化的理论基矗多年以来，自动化学科比人工智能更成熟、应用范围更广和影响力也更大。因此，学术界谈论人工智能时，指的往往是上述两个学派，而不是控制论学派。但是，这个学派的思想恰恰是智能制造主要的理论基矗
20世纪40年代，控制论之父诺伯特 维纳（Norbert Wiener）想到一个问题：机器和动物（或人）到底有什么区别？维纳认为，机器一般只能按既定的步骤和逻辑运行，而动物能通过信息感知到外部世界的变化，并根据新的信息进行决策、采取行动。例如，一只正在吃草的山羊突然看到了一只狼，它会马上停止吃草，奔跑逃命。自动化就是要把感知、决策和执行3个要素统一起来，这3个要素类似于动物的感觉器官、大脑和四肢的功能。这就是自动化的本质特征。事实上，自动化系统一般由传感器、控制器和控制对象构成，分别用于信息获得、决策和执行。
与人工智能的两个经典学派不同，控制论关心的是效果和作用，往往不在乎算法和逻辑是不是复杂。事实上，自动化用到的一些算法和逻辑可能相当简单。
最近几十年来，自动化应用的范围越来越广，但也有局限性。一般来说，自动化系统能够应对的都是“预料之中”的变化。当出现设备故障、生产异常等预料之外的问题时，还是需要人来处理。这是因为计算机处理问题都是有预案的，其灵活处理问题的能力远远不如人类。
智能制造的概念
智能制造技术是信息通信技术的发展带动的，是信息通信技术在工业的广泛、深入应用。德国的工业4.0和美国的工业互联网都属于智能制造的范畴。
从整体效果来看，智能制造能够加强企业快速响应变化的能力。市场或用户有了新的需求，能够尽快设计并制造出来以供应市场；供应链发生变化时，能尽量避免对生产经营产生的不利影响；生产设备或产品质量发生问题时，能尽快找到问题的根源和解决问题的办法。
从业务角度来看，推进智能制造的主要作用是要促进多方协同、资源共享和知识复用。通俗地讲，协同就是多方协作时“不掉链子”，不耽误彼此的工作；资源共享有利于低成本地获得优质资源；知识复用则可以提高研发和服务的效率，降低获得知识的成本。当企业中的物质、知识和人力资源都能用数字化描述时，互联网就容易促进协同、共享和复用。
计算机的运算能力很强但灵活处理问题的能力很弱。这是限制自动化技术广泛应用的重要原因。为了解决这类问题，先进的制造企业普遍采用了信息化技术。信息化系统能够为管理者收集信息、帮助管理者决策和管理企业的生产和经营。与自动化系统相比，信息系统把决策的工作交由人类完成。
在数字化、网络化时代，成千上万的设备可以实时、高速地采集数据并汇集到一起。人类可以得到更多的信息，但处理信息的能力受到了生理极限的约束。为了解决这个矛盾。美国通用公司发布的《工业互联网》白皮书就提出了解决办法。该白皮书指出，工业互联网有3个要素：智能的机器、高级算法和工作中的人。智能机器指的是可以实时接收和发送数据的机器。但是，人类并不直接处理这些数据。高级算法就像人的秘书一样，帮助人们处理实时数据，从海量数据中找出那些需要人类关注和处理的问题，交给“工作中的人”来处理。
另外，对于常见的问题，可以把专家处理问题的逻辑和方法变成计算机代码，让机器按照人类的想法进行决策。这就是人类知识的数字化。通过这种办法，可以进一步减少人类处理问题的负荷，提高决策的自动化水平这其实就是智能化。
从某种意义上来说，智能化是自动化和信息化的融合。自动化和信息化融合的思想很早就有了，但在信息通信技术不够发达的时候，技术上很难实现。于是，机会留在了智能化的时代。
智能化对工业企业的意义非常巨大。从企业生态的层面来看，智能化能促进企业之间的分工细化并在企业间建立新的生态关系。“分工促进生产力的发展”是一条非常重要的经济规律。由于互联网能够提高企业之间的协同能力、降低分工的负面影响，这为促进分工的细化奠定了基矗总之，从企业间的关系来看，智能化能够促进社会资源的优化配置。从企业自身的层面来看，智能化能提升企业的管理能力。在我国很多企业中，“技术水平低”的本质往往是管理水平差。某些企业的管理问题所导致的成本损失会超过企业的利润。通过推进智能化，人类的很多决策工作可以交给机器去做，也可以在机器帮助下或“监督”下去做，通过提升企业的管理能力，大大减少因管理不善导致的问题。从现实效果来看，智能化往往能够有效地推动企业整体利益实现最大化。
智能化与人工智能
智能化是一场决策革命，即通过数字化的方法代替人决策、帮助人决策、“监督”人决策。对工业过程来说，决策所需的知识往往是工业人多年积累的结果。这些知识的逻辑往往是清晰的、能够被准确表达的。推进智能制造的时候，容易把这些知识转化成计算机的代码，但智能制造未必用到人工智能的典型算法。因此，“智能制造等于人工智能加制造”的观点是错误的。
但是，经典的人工智能技术确实能够促进智能制造技术的发展。在一些场景下，传感器采集到的信号并不容易转化成语义明确的信息。例如，摄像头可以采集到产品表面的图像信息，但不能把图像信息与质量缺陷的类型和级别对应起来。如果这类问题解决不了，质量管理的逻辑就难以自动地实现，智能化的进程就会受阻。
深度学习等典型的人工智能技术特别善于解决图像识别问题。事实上，图像识别是人工智能算法在工业界最典型也是最主要的应用领域。缺乏人工智能技术，智能制造的体系往往是不完整的。
从某种意义上来说，人工智能是技术问题也是学术问题，这也是学术界特别喜欢研究的问题。现实中，自动化往往只是技术问题，并不是学术问题，因为工程师一般喜欢用最简单的办法解决问题。推进智能化的过程不仅涉及技术问题，往往还涉及企业组织流程的重构、商业模式的创新。从这种意义上讲，智能化的问题往往可以看作企业的管理甚至战略问题。
