纳米时髦时，冒出一大批纳米产品和公司；石墨烯时髦时，冒出一大批石墨烯产品和公司。现在AI时髦，很多工业自动化公司就开始推销“工业AI”概念了。另外，一些搞商业AI的互联网公司，也成了工业AI公司，提供工业AI解决方案。还有，一些搞工业自动化的大牛们和大V写手，也开始高喊工业AI、新的工业革命等等。（我担心工业自动化专业要关门了）

讨论问题，应该有清楚的定义并叙事具体化，而不是喊几个新名词，画一大堆框图。

首先要弄清楚现在大家讲的“AI”是个什么东东。现在最实用、最成功的“AI”技术是深度神经网络模型。十年来，深度神经网络在图像处理（比如刷脸），语音识别和语言处理方面取得极大成功，得到广泛应用。大家看到的应用大都是这方面的。所以说，现在的“AI”能用的主要是深度神经网络模型和一些变种，他们处理图像、语音和语言能力很棒。

这里我给AI打引号了，因为图像、语言处理等属于感知功能，跟智能关系不大。人的智能在脑子里，主要是指认知能力，即从现象中发现规律（建模），用规律作分析、预测和决策。所以说智能的核心是找规律（建模）。我们从来不说眼睛和耳朵有什么智能，虽然感官很重要。AI的初心是模仿人的认知能力，既建模能力，而不是模仿眼睛耳朵的功能。不能一用神经网络模型就说是AI.

现在退一步，就把深度神经网络当作AI，看看它在工业上有多大能耐。

工业分为两大类，一类是（离散）组装工业，一类是（连续）流程工业。组装工业主要生产元器件、机器设备和最终产品，如集成电路、机床、家用电器、手机、汽车、火车、飞机、食品、服装等。流程工业主要生产原材料，如采矿、采油、炼油、石化、化工、电力、钢铁、水泥、玻璃、造纸等。

组装工业的典型应用，是通过AI图像处理来检测产品质量，如手机面板的瑕疵。这是仅限于感知方面的技术，如果成熟应用，应该对检验自动化有意义。但这只是生产车间和全厂自动化（智能）制造的一个小局部。组装工业的制造系统属于离散事件系统，目前没有成熟的数学模型。没有数学模型，组装工业只有很局部的自动化，比如机电控制，整体上是人工生产，智能制造的路还很漫长。

连续系统可用微分方程组描述，建模工作比较成熟。建模有两种方法，基于物理化学原理的机理建模法和基于测试数据的系统辨识法。流程工业自动化（智能化）制造有成熟的框架，就是我常说的金字塔，见下图。

建造金字塔的每一层只需要两件东西：（1）系统相关变量的测量（传感）；（2）系统的数学模型。(常规PID控制层可以不要模型，但有了模型更快更好)

先说测量。这里，AI（深度神经网络）对测量无用，因为被测变量是温度、压力、流量、材料（气体、液体和固体）组分等，无法用图像和音频手段检测。

那么AI（深度神经网络）在建模方面有用吗？理论上是有的，因为神经网络可以用来逼近任意给定函数。1990年代到现在，控制学术界用神经网络建模和控制的研究很多，文章发得乌央乌央的。流程工业的应用呢？几乎没有。有的控制公司自称用神经网络建模，实际上是传统的系统辨识建模。Aspen Tech公司上市后，收购一家叫神经控制（Neural Control）的小公司，过几年也没听说神经控制方面的消息了。Aspen Tech现在还在用系统辨识建模和机理建模。另外，由于系统辨识建模的成功，基于神经网络的建模只有比系统辨识更精确更高效才会被流程工业接受。

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（深度神经网络）技术，实现了核聚变反应的环形容器托卡马克（Tokamak）等离子体的自动控制。（论文在这里：https://www.nature.com/articles/s41586-021-04301-9）

该消息差点推翻我前面的观点，开始怀疑人生。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。有了精确的数学模型，设计一套多变量控制器，派个硕士生就搞定了。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。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。

最近，又有人提出AI的一个工业应用：用AI图像处理来识别厂区人员是否戴安全帽。这又是感知层面的应用。

如果AI真的有一天比系统辨识建模更强，我第一个用。

加油！

转载本文请联系原作者获取授权，同时请注明本文来自朱豫才科学网博客。
链接地址：https://blog.sciencenet.cn/blog-862928-1332219.html

上一篇：出成果啦：5. 基于系统辨识的实时优化（RTO）
下一篇：人云亦云之：科研要创新