低調的自動化與熱鬧的AI如何相處?

文:宋華振2023年第五期

  相對于AI的狂飆猛進而言,自動化的確低調。AI總要隔三差五地驚艷登場,掀起一場革命的浪潮——即使這個浪潮來過已經很多次了,也不會讓吃瓜群眾失卻興致。連自動化圈,都時不時露出羨慕的目光,盡管心里會不以為然,畢竟,誰不喜歡待在聚光燈下享受世人崇敬的眼光。(原文摘自微信公眾號:說東道西)。

  文/宋華振

  就像ChatGPT引發的狂潮——各界大佬都被它震驚了,均表示真正的革命時代即將到來,以至于辛頓都表示忌憚,要阻止ChatGPT這樣的怪獸——這聽起來比較符合科幻片里的“天網”。如果有一天真的世界被一個智能體所控制,而且它還以無處不在的分布式智能存在,可以穿越各種安全機制,從各個漏洞進入不同的系統,它可以掌控一輛車,或是掌控一個發電廠,甚至操控一臺轟炸機——那的確是太可怕。

  “工具而非目的”

  不過,對于AI的這種熱烈推崇,以及預期的繪聲繪色的前景描繪,似乎主要還是來自于圈外——就是自媒體、資本,以及熱衷于談論科技的吃瓜群眾。與之相反,AI業界的伙計們似乎還沒有那么囂張——最常見的恐嚇就是AI將讓某些職業人群失業。但是,回想過去,當年電話剛被發明出來的時候,如果要讓當時的美國人每家都裝個電話的話,那么全美國的婦女都得去干接線員的工作——而后來出現了程控交換機的時候,那得讓多少接線員失業呢?再想想,我們這些自動化人經常干的都是自動化機器和產線的;然而,人們還是該上班的就上班,該失業的就失業。正如前段時間聽韋博士在混沌學院演講所提到的:“人們對AI的這種恐懼無非是對自身缺乏信心”。

  其實發展工業科技必須意識到,即便AI如何強大,它畢竟是一個工具和方法的問題,而并非是目的。不是誰的AI更厲害,就能更好地被應用——畢竟工業還要考慮經濟性、易用性、穩定性與可靠性。誰能夠更好地以經濟的手段解決問題,才算是一種好的技術——制造業不是炫技場,而是要有實實在在的收益。

  創新,都是以經濟性為前提的,如果構建AI系統經濟,或基于分布式計算資源的AI邊際成本已經很低,那么,誰也不會拒絕AI的應用,其中的著眼點無非是用在哪里的問題。

  “同源而生,何必艷羨”

  干自動化的,也很喜歡討論AI,相對其他專業,自動化離AI最近。不過,大部分人對AI的歷史似乎也不甚了解。最近幾次在自動化行業的會議上,發現大家都挺羨慕人家AI專業,很多學校都開始成立人工智能學院或專業。首先,AI專業前沿又時髦,代表科技的發展趨勢,在部委、企業界都是熱門話題,大師講座也逢制造業的場子必講AI,一大堆專家高談闊論AI如何幫你降本增效、提高良品率,雖然聽得云山霧罩,但總歸還是有一種朦朧的美感——不明覺厲、霸氣側漏的既視感。其次,這個方向就業肯定比較好,百萬年薪,走上人生巔峰。再者,作為重點發展方向與戰略新興產業,也能獲得更多的縱向課題與項目資金支持,這可是實打實的好處。

  其實,自動化所對應的機電工程領域,它本身也是作為人工智能的三大學派之一,即,行為主義學派而獨立存在的。不過,連接主義學派和符號主義學派本身是一種“自上而下”的方式,更接近人們理解的智能,因此,自下而上的行為主義學派,就不那么被他們歸于同類。但就歷史上而言,行為主義的代表諾伯特·維納的《控制論》更早一些,也不大愿意與達特茅斯夏令營這幫小伙子們混在一起,而這些年輕人也更希望能夠開山立派。但是,基于感知、決策、執行的整體思想卻是相同的。

貝加萊

  圖1 人工智能的三大學派及其核心觀點與成果

  “臨淵羨魚,不如退而結網”

  AI或者自動化,終究是技術或工具,它要解決的是問題。并且,就實而論,在工業領域,如果用KPI考核業績,可能自動化技術帶給產業的回報更高,但這就像《人工智能通識課》里作者講的“一個技術真正有了作用的時候,它就不值錢了”。

  AI畢竟是個工具和方法問題,它不是目的,而目的是解決制造業中的“質量、成本、交付”問題。我們要問的問題是:“目的是什么?”,什么工具是合適的——評價指標來自于“經濟性”。工程師總是在約束條件下尋找技術與經濟的可行性,沒有人會拒絕一個好用的工具和方法,因為,創新往往來自于此。

  工業場景中的AI應用

  雖然,我覺得AI在工業里總是干點錦上添花的事情,不過工業場景對于“確定性”還是存在著較大的執念。記得很久以前和一位專家談起了印刷的套色。我們控制系統要讓它達到+/-0.1mm甚至更低的精度,一位數據方向的朋友曾經問:“那么,我們能不能從+/-0.5mm開始進行迭代,一步步迭代到你們所需的+/-0.1mm呢?”。我想了想,只好說:“這……用戶是不允許這樣干的,他們需要的是+/-0.1mm必須要達到,否則,你就不應該提供這樣的系統”。還有人非要跟我爭論通過AI如何提高風力發電機組的發電效率,我聽了半天都感到困惑,我們干自動化的已經把“最大葉尖速比λ值”做到最大了,究竟如何能夠獲得更大的效率呢?難道是風向變化我沒有及時發現——但是,我不是還有偏航系統嗎?難道是電網同步協調問題沒有解決好?那不是還有并網同步來協調相位嗎?

  還有光伏的追日系統,我的一位朋友非要跟我講是人工智能,但我就以我有限的天體物理知識來進行分析,地球在每天和太陽之間的角度變化其實是個固定的函數——如果實在不行,你是否可以加一個傳感器來感測?日晷就是一個很好的例子——我把日晷形成的影子給你檢測出來,作為一個輸入可以嗎?

  商業AI的“黑盒”機制對于工業是不能輕松接受的,相關性并不代表因果性,因此,它具有“不確定性”。這是數據相關性分析與機理的因果性差異的地方……機理模型具有“確定性”、“完全可預測性”、“完全可解釋性”的特點,對于工業來說,也是一種算力經濟的方法。

貝加萊

  圖2 基于AI的PID參數自學習

  其實,將AI用于最優參數的學習是控制系統的常用方法,不過,當我鉆研了這個問題后,有一個非常直接的問題就在圖2中。AI的這些PID動態參數,它真的可以直接就下載(實時)到控制器去執行嗎?這其實并非現實——在流程工業也許這是可行的,但離散制造業里的機器動作可能也并非現實的,這不很危險,潛在的風險包括安全性問題,也包括帶來控制的波動——因為,畢竟這是一個優化的參數,但對象能否接受這種“波動”,還是需要驗證的。當然策略是趨勢性調節,或者可能更多時候還是以離線的方式,在停機或下一批次任務中可以進行這樣的運行,但,實時的卻是不能想當然就去干的。

  盡管我們認為AI在工業有很多約束條件——但這不是全盤否認,因為畢竟人類認知的世界是有限的,機理模型本身是有限的。而另一方面,世界的本質是非線性的,線性只是特殊情況而已?,F在的機理模型只是運行在一個擬合的線性或數學可描述的(已知)的區間,對于更為廣泛的機器效率提升,還是要尋找更好的參數匹配。另外在控制而言,局部最優與全局最優又是有差異的,而AI可以在全局的策略調度、節拍匹配、參數適配方面進一步挖掘制造中的潛能,從這個意義上來說,它一定是有作用的,無非是要考慮以下幾點:

  (1)工業與商業AI的差異厘清,這有助于選擇合適的方法、算法來解決合適的問題;

  (2)在AI與機理間尋找最為合適的結合點,畢竟世界也不是非黑即白的——灰色的盒子也是好的盒子。

  這不是能不能干的問題,而是如何干的問題。

  干自動化的人為啥有優勢;單純干AI,自動化的人當然沒有啥優勢,不過,如果能夠來干點自動化,那么至少有很多地方,自動化干起來還是有優勢的,例如:

  (1)數據源的問題:在制造業現場,自動化自身的數據源,包括信號采集與處理,像PLC的IO處理模塊的種類往往會牽扯到大量不同的信號處理,在控制之外,這些信號也會作為信息被反饋給管理系統。另外,在控制中產生的中間數據同樣可以作為信息被處理。而這些數據通常就被存放于控制系統的RAM中。就數據優勢而言,可能AI反倒沒有這么直接;

  (2)結構化數據的問題:其實,采用OPC UA的框架,數據也被格式化為工業所需的標準數據,無論是從現場到控制層的總線,還是從控制層到管理層的OPC UA協議,這些都是工業自動化的優勢所在;

  (3)機理建模與數據建模的混用問題,其實,對于AI而言,相關性的判斷也是需要對機理有基礎了解的,否則,這種無序探索也是代價高昂的,除了本身的機理模型問題來自于機電專家,且機電專家也和數據專家可以融合;

  (4)執行的問題:這同樣是工業里最大的一個問題,AI并不能在線(On-line)來執行,這可能是與商業不同,因為,即使獲得了更好的參數,也必須在離線的方式下進行,直接在線的方式必須是在確保安全可靠的情況下才可以進行。

  因此,自動化的AI必須聚焦在工業場景本身上,而不要去試圖和AI企業在圖形圖像、語言、文本這種人家擅長的領域去競爭。

  “工欲善其事,必先利其器”

  對于自動化的企業而言,迎接AI是一種自然而然的事情。實現AI與自動化的融合辦法也很多,這主要取決于整個任務對于“周期性”的等級需求上。

  基于開放平臺的自動化廠商,通常會選擇接口比較方便的平臺,就像貝加萊exOS為Linux平臺的AI應用和RTOS平臺上的Real-Time任務建立了連接。通過exOS,Linux上基于Python、Java等編寫的AI算法就可以被導入至實時任務,相互之間可以交互數據。

貝加萊

  圖3 PLC和工業PC上的Tensorflow學習任務可經由Pub/Sub機制進行數據交互

  如圖3,PLC和工業PC上的Tensorflow學習任務可經由Pub/Sub機制進行數據的交互。在這樣的架構下,我們就可以在不需要花費太高的代價下,將AI的資源(算法/代碼)進行集成調用。

  另外一些自動化廠商也會自己集成一些AI算法,或在PLC上集成AI加速器的模塊,這些都有各自的應用場景,實現起來都不太難——畢竟,對于自動化行業來說,關注點是解決問題,AI只是一個工具。

  對于自動化行業,追求經濟性應用是技術推廣的關鍵,即:要解決現實問題,而又不造成高成本。自動化應用AI經濟性主要是體現在訓練模型雖然需要算力,但應用模型本地推理就還好。

  AI與自動化的和諧相處

  AI與自動化最和諧的相處模式就是“執子之手與子偕老”,自動化還是有點過于低調——這個很早就討論過,這與行業的屬性有關。因為,自動化行業的人,他首先得有問題,才能有解決問題的方法,因此,它必須是解決問題的。而AI這幫人呢,他們來到制造業是先有榔頭,再找釘子;我覺得這個比喻倒也貼切。因此,自動化和AI的人就完全是解決問題的兩種思維模式。

  人們喜歡流行的、前沿的,這沒有錯,但是,產業里還是要以實事求是解決問題為先導。非要把原本控制干的事情美化為人工智能、工業互聯網,顯得高大上,這種做法對于產業并無實質的貢獻,無非是名字聽上去高大上了的事情,還是少干為妙——總是聽有人說我們的產業太過浮躁,既然是眾所周知,但很多人還是仍然干這些“花活”。

  終究而言,自動化屬于一個工程領域,它是要解決實際問題的,目前產業里還有很多很多的問題要解決,我們還有很多克服“卡脖子”的事情要干。

中傳動網版權與免責聲明:

凡本網注明[來源:中國傳動網]的所有文字、圖片、音視和視頻文件,版權均為中國傳動網(www.yzzhiyu.com)獨家所有。如需轉載請與0755-82949061聯系。任何媒體、網站或個人轉載使用時須注明來源“中國傳動網”,違反者本網將追究其法律責任。

本網轉載并注明其他來源的稿件,均來自互聯網或業內投稿人士,版權屬于原版權人。轉載請保留稿件來源及作者,禁止擅自篡改,違者自負版權法律責任。

如涉及作品內容、版權等問題,請在作品發表之日起一周內與本網聯系,否則視為放棄相關權利。

伺服與運動控制

關注伺服與運動控制公眾號獲取更多資訊

直驅與傳動

關注直驅與傳動公眾號獲取更多資訊

中國傳動網

關注中國傳動網公眾號獲取更多資訊

熱搜詞
  • 運動控制
  • 伺服系統
  • 機器視覺
  • 機械傳動
  • 編碼器
  • 直驅系統
  • 工業電源
  • 電力電子
  • 工業互聯
  • 高壓變頻器
  • 中低壓變頻器
  • 傳感器
  • 人機界面
  • PLC
  • 電氣聯接
  • 工業機器人
  • 低壓電器
  • 機柜
回頂部
點贊 0
取消 0
往期雜志
  • 2023年第四期

    2023年第四期

    伺服與運動控制

    2023年第四期

  • 2023年第三期

    2023年第三期

    伺服與運動控制

    2023年第三期

  • 2023年第二期

    2023年第二期

    伺服與運動控制

    2023年第二期

  • 2023年第一期

    2023年第一期

    伺服與運動控制

    2023年第一期

  • 2022年第六期

    2022年第六期

    伺服與運動控制

    2022年第六期