最近，DeepMind公司和瑞士洛桑联邦理工学院EPFL在《自然》（Nature）期刊上发表一篇文章，报告他们应用AI(人工智能)技术，一种神经网络模型，实现了核聚变反应的环形容器托卡马克（Tokamak）等离子体电流、垂直稳定性、位置与形状的自动控制。

（论文在这里：https://www.nature.com/articles/s41586-021-04301-9）

  昨天一看到此消息，顿时开始怀疑人生。我一直认为，AI再牛，只是在图像及语音处理方面有优势。对于复杂系统的控制，AI无法超过传统的基于动态模型的控制技术。难道。。。？所以放下别的事，把文章下载读了一遍。读完论文，又释然了。

  原来，所谓的AI控制器，是用一个高精度的机理模型训练出来的，即该AI系统不包含建模功能。那我就有话说了。

1.   首先，要认可这是一件非常有意义的工程工作，因为核聚变技术对人类获取清洁能源至关重要。但是

2.   不包含建模功能的控制技术，是残缺的技术。在工业应用中，复杂装置控制系统的开发和实施，90%的工作和困难是建立对象的数学模型。我经常说，智能都在模型里；模型是最高级智能。大家知道，工业化的模型预测控制技术是包含建模功能的。文章作者的所谓AI控制器，如果没有使用高精度的数学模型，将是一事无成；如果从头开始建模，将耗费几代人几十年的工作和心血。该控制系统试验的成功，与其说是AI的成功，不如说是建模的成功。

3.   有了精确的数学模型，许多多变量控制算法都可以用来做控制器。现有的托卡马克控制器就是走的这条技术路线。所谓的AI控制器只是提供了另一个控制算法。作者没有比较他们的AI控制器和现有控制器的控制性能，比如响应速度的快慢和控制误差的大小。我要是审稿人，一定要求他们提供比较结果。作者只是说，他们的AI控制器比现有的控制器结构更简单。

4.   对于流程工业（炼油、化工、钢铁、冶金、水泥、采矿等）该AI控制器无法应用，因为这些装置没有精确的动态数学模型。

5.   如果哪位同学说，可以用AI（神经网络）模型对流程工业装置进行数据建模呀！勇敢。那我们讨论下多变量复杂系统建立神经网络模型的可行性。大家知道神经网络模型的参数极多。该文章的AI控制器的参数个数从26万个到330万个。懂点统计学的知道，做参数估计时，数据的样本数要远大于模型参数的个数。假设控制系统的采样时间是1分钟（这对炼油和化工装置是合适的），神经网络模型的参数个数为20万个，数据的样本数为参数个数的10倍，则需要1389天的测试数据，将近4年。有同学愿意去做这样的测试吗？就算有同学耐得住寂寞，测了4年的数据，但生产装置每年都有变化，你的数据代表哪一年的装置？最后，做测试要加干扰信号，那个厂能容忍你干扰他们4年！