【正運動】工業人工智能需要什么樣的人才？

AI掀起的巨浪正在席卷著全球科技界，AI似乎即將甚至已經顛覆著很多產業。但是，在比較長的時間里，它在自動化圈小伙伴眼里，都是充滿質疑的-畢竟，AI展示的力量都在商業應用的世界里，在制造現場它似乎還并未表現的如它在商業世界那樣的恐怖力量。

首先，就是AI本身的缺點在工業里發揮的場景似乎有限—這是首要被質疑的。因為可解釋性、安全性、穩定性等，這些使得現場的工程師質疑AI在工業的有效性。假設你讓openAI兩次回答同一個問題，它無法保證回答具有工業所需的“確定性”。它可以解決不確定性問題，但它不能用不確定性的方式解決問題。

其次，由于講述AI應用的美好前景的“專家”，很多來自IT或大學的學者，對工業現場缺乏了解，使得其忽視了現場的復雜性。因此，AI被認為僅停留在理論上。同時，可能也是AI風頭蓋過了OT領域，使得OT領域對這些“夸夸其談”，不落地的言辭表示了不屑。

還有一個問題，就是從事AI工作的人也必須得說“AI應用必須建立在良好的自動化與數字化基礎之上”-理想很豐滿，現實很骨感。由于缺乏好的自動化基礎，原本那些可以通過自動化即可解決的問題，如果用AI來解決，那就陷入“為了AI而AI”的坑里，問題就在于自動化本來就可以經濟性的解決問題，卻非用了個“吃力不討好”的方式來解決，淪為笑料。

第四點，就是場景的可復制性，導致AI很多僅為項目型的應用，這使得其實現的經濟性匱乏，對于很多創業型公司而言，就會陷入“勞動密集型”產業的困境中—因此，如何AI在工業場景的工具化、應用標準化就是難題，尚未被有效的解決，而這需要數據的標準化、結構化，以及通信連接的接口等統一，否則，就會陷入在軟件工程領域里的軟件“泥潭”。

對AI的態度轉變

當然，流傳在IT業界的那句“我們容易高估技術在當前的影響力，卻又會低估在未來的潛能”。因此，隨著AI的應用逐漸多起來，產業對于AI似乎發生了較大的態度轉變。

上次在深圳遇到了上海大學的李明教授，他自己創業，做汽車領域的尺寸工程，在圖紙標注及作業工序方面，他采用了AI方式來為圖紙生成尺寸及加工路徑?？梢源蠓档统鲥e、加工中的遺漏等。他說“AI不能不用，但看怎么用”—這就是比較理性的態度。即，我們不要忽視它的價值，但要結合實際。

郭朝暉老師前段時間提到了數字化創新，他提到了一句話，我覺得非常有道理，即“悲觀者正確，而樂觀者成功”—對此，深以為然。對于AI的質疑和批評顯然是正確的，有道理的-但是，很多新事物它本身就處于探索中。我們需要去探索它的可能性，以及為其定義適用的邊界，并通過工程努力，去彌補它的缺點，發揮其優勢所在。路就是摸索中走出來的，正確也都是相對的—時間會告訴我們，因此，不要輕易對未來做出有限認知下的研判。

記得數年前，為交大學生講AI應用，其實也是講了幾個有限的場景-因此，D老師給學生講“跟你們說過了吧，AI沒啥用”—我當時很吃驚，D老師如此直白的表示對AI的質疑。當然，現在D老師認為還是有些場景適合AI的—我想他肯定是發現了AI的威力。

AI的潛力進一步釋放

顯然，AI在工業的潛能是巨大的，在以下幾個方面來說，它應該是巨大的潛能。

1.擺脫經驗依賴性：對于大規模生產，通過人員在初始階段的反復參數調試，形成穩定的生產參數組合，但這通常依賴于工程師的經驗。但是，隨著越來越少的技師，以及越來越復雜的產品規格與流程的變化。依賴于經驗的參數匹配，在小批量、多品種生產中就會造成大量的不良品，生產的經濟性、產品競爭力就會下降。

因此，在工業場景里，AI有一個很重要的作用，就是要將那些隱藏在豐富經驗的技師、工程師大腦里的知識給挖掘出來，變為可復用的，顯性的知識。其實，在各個領域廣泛存在著這樣的問題，每個領域里，過去都是依賴于經驗的—而這樣豐富經驗的人越來越稀少。

2.降低人工工作量：對于復雜的生產中，包括參數的辨識、路徑規劃、調度流等，人是可以完成，但這些往往需要數小時乃至數天，才能完成推演。而這個對于AI來說，它能夠快速的生成路徑，并能夠根據對時間、成本、品質的約束，為生產提供決策支持—這個時間會縮短至分鐘級。

3.發現新潛能：人們經常說演繹法和歸納法作為兩種常用的人的思維模式，演繹法通常在大部分時候不產生新知識。而歸納法可以產生新知識—這是具有誘惑力的。因為，本身自然界或者工程領域，它的“未知”就是普遍存在的—畢竟，科學發展了數千年，其實對世界的認知也是極為有限的。因此，未知就是工程中的真實情況—如果通過數據的歸納法，能夠發現背后的知識，這顯然是令人興奮的。而這樣AI對于科學的研究同樣是促進的—工程在改變科學。

AI的制造業應用人才極為匱乏

AI人才的需求是極為迫切的-首先，就是對AI的認知方面的人才就是極為匱乏的。可以說大學基本上無法提供相應的人才輸出給工業-大學很多AI相關專業，在教材、師資、課程方面，其實都是應對商業AI場景的。而且，現在商業AI場景的工程師都是匱乏的—更別說勻一點給工業領域了。而傳統的自動化專業領域，包括在基本的軟件工程訓練也是缺乏的-畢竟，AI最終還是以軟件為載體的，也同樣是需要良好的軟件工程訓練作為基礎的。

1.領域專家，制造業的復雜性在于它是一個非常需要垂直領域的專家支持的，制造業最大的問題就是，物理對象的強耦合關系如何被“解耦”的問題。這樣的人才本身就是急缺的，更何況要結合

2.技師，雖然我們把人才分為研究型、應用型，對應于科學、工程。但技術型，即現場技術經驗豐富的技師，他們的經驗也是AI應用去學習的對象—如果這個技師它的經驗不是特別豐富，那么，其實，這個彎路也是一樣的。

3.數據處理-這個數據處理主要還是在信號采集，有些原始信號本身就要被有效的轉化為信息，以及知識—按照DIKW模型，它需要將數據轉為信息，這本身就是需要豐富經驗的工程師的。因為，工業的數據如振動，超聲波、編碼器信號都有著特殊的處理需求的。

4.標準化-數據的結構化，以及構建可復用的軟件系統規范與接口的標準化專家，它們需要參與到項目中，否則，缺乏標準化的進程，就會使得AI也變為在工程上難以被復用的。盡管在很多時候，這比較難，但如果能標準化的還是得標準化，盡量降低工程的實施成本，否則，AI就變成了“勞動密集型”產業。

5.算法專家：這里特指在AI算法的有效使用的專家。

在某種意義上，AI工業應用就包括兩個方向的人才培養模式：

1).垂直領域專業自身培養AI應用人才；

2).兩者在產業的結合，即，各自還是培養強的垂直專業人才，而在產業中，進行擬合。

3).在教學中，融入AI，但考慮到壓縮課時，以及每個領域專業課程不足，這種必須得是較為通識性的教學。

工業AI人才的聚焦點

在說一句有用的廢話，解決問題的關鍵是找到關鍵問題—其實AI發展的關鍵問題就是人才的問題，有人認為這個技術方向重要，那個技術方向重要，如何培養人才—認知這些，本身就需要人才。也即，能夠對這件事究竟如何發展，該怎么去發展，能把問題整明白，就是人才—而且，還是人才中的人才。

（1）.對復雜問題的拆分與模塊化

盡管AI是如此受人關注，被譽為科技的前沿，但就產業的實際而言，它仍然需要按照工程思維，對復雜的問題進行拆解。

在實際的工程中，影響品質、效率的因素是多重的，相互之間具有耦合關系，所謂的“復雜系統”就是這其中包含著材料特性、機械傳動、電氣、測量、路徑等多個維度的問題。在生產現場，它也與人員的操作、現場環境、材料的不一致性等緊密相關。

相關又分為高相關和低相關，也包括可測量和不易測量等各種情況，因此，這就需要工程師能夠對這些復雜的問題進行“解耦”-然后能夠規劃整個項目開發各自的模塊劃分，包括具有確定性的機理建模，以及不確定性的數據建模。

（2）.特征工程-人有人的作用

在使用AI解決問題時，首要在于數據采集與特征提取—這是難題的第一步。“磨刀不誤砍柴工”，這一步解決好了，后面的工作才能做好。

人的能力主要在非結構化信息處理，直覺判斷，自主學習。而AI在算力，存儲，長時間加班方面還是有優勢的。

我們在分析引發質量的各種問題時，究竟是什么引發了裁切刀切不準這個問題-那可能是機械的共振、也會是傳動軸的參數比較硬（曲線階次低）、還有材料本身的切割時的界面過程。就像有一次與某位專家談到電池隔膜的牽伸速度比，而其背后會受到高分子材料在熱成型過程中，分子鍵被破壞后的重組過程，這個重組過程也受到溫度、速度、加速度的影響—那這個關系究竟為何？AI可以幫你處理大量數據的收斂，比如聚類分析，但是，這個究竟是“哪些相關數據”—這個是需要工程師的判斷的。

因此，AI并非像我們想象那樣智能，它需要人與機器結合—人有想象、直覺，人本身就有“知識遷徙”能力，它可以“由此及彼”、“舉一反三”—為AI提供特征參考方向。

而這種對物理對象的特征的知識、洞見（Insight）、智慧就是人的優勢，因此，人有人的優勢—而這樣的人，則是機電工程、化學工程、建筑工程等工程專業在培養的。

（3）.AI算法的邊界識別

M博士總是提及這個問題，他認為在自動化、機電專業的AI教學中，并不需要對具體的算法、工具進行深入的教學。這很容易被陷入“工具”而缺乏“思辨”的能力陷阱—似乎懂得18般兵器，但卻無法交手時靈活應對，甚至受限于武器，例如一寸長一寸險，太重的兵器身體消耗過大-你的物理身體扭矩輸出無法驅動一個大慣量的兵器。就像我自從體重增強后，踢球的時候，同事們說“你的意識超越了你身體”—想得到，得做得到，這就是工業的顯著特征。物理的對象本身的特性，并非理論上的可行，或者，你必須在理論上足夠完備、精準的預測，才在物理上可行。

AI的每種算法、訓練方法都是有其優缺點的，包括適合的使用邊界。這種邊界本身就是“洞見”—來自于長期的實踐。而這種認知，就需要給予學生傳遞-并讓他們在實訓中體驗。因此，體驗式必須的-任何這種訓練必須是建立在較大的格局下，才能培養出卓越的見識的人才。

（4）.AI算法設計與工程實踐結合

人們經常說“理想很豐滿、現實很骨感”—這是因為理論和現實是兩個世界。但是，如果我們認為理想很豐滿-那是因為，從理想到現實的道路是曲折，而艱辛的。你必須清楚，只有現場的實踐才是讓你的理論能夠被驗證，也才讓我們學會“成長”、“迭代”自己的想法，讓我們變得更為成熟。在成熟的人眼中，所有的曲折，都是必然的-問題只在于如何去越過它。

AI的實踐也是如此，的確在現實中有很多問題，但是，AI是必須要去學習的。上周深圳和媒體的小伙伴閑聊，說錄個視頻，題目就是“AI會不會讓我失業”。我覺得這包括兩點：（1）.AI并非想象那么可怕，如韋青博士所說“我們擔心AI，只是對人類自己沒有信心”，（2）.AI不會淘汰人，而是那些掌握AI的人會淘汰那些不學習的人。

（5）.可復用的軟件系統設計

AI4C的管老師，出自IT業界，他說很多AI場景比較難復制，我和他開玩笑說“那是因為可復制的已經被自動化給干了”。不過，說實話，在既有規則下，安全值內的控制任務，其實，并不能滿足“極限”制造的需求-正如馮恩波博士有一次講AI時所說“因果關系能夠解決80%的問題，但勝負手在于剩下那些相關性問題”。因為，物理的知識是很容易被“復制”、“遷徙”、“抄襲”—因此，大家很容易進入“同質化”狀態。那么，這個時候，剩下的那些問題就變成了“關鍵競爭點”，大家都可以把良品率做到99%，而贏得競爭的是那個能做到99.2%的企業。

可復用的軟件設計，這可能更為需要根據垂直場景來劃分，或者根據應用類型來劃分。這也是個探索，根據行業場景劃分呢，就會遇到行業其實內部差別也很大-就像印刷行業，膠印、凹印、柔印，看上去都是印刷，但其實差距非常大，一般鮮有企業三者都做，因為，那就是跨界。因此，可以按照應用場景類劃分，比如流體類、粉體類、膠體類。也可以按照應用算法劃分，缺陷分析類、預測性維護類、參數尋優類。

但是，要建立這樣的分類，需要標準化，在數據集階段就需要標準化的接口。其次，在算法類就需要組合，以及良好的接口。交大的D老師，就主要在干的活，就是這些數據集之間的接口，以及軟件自動構造，如何讓AI或數據類應用“工程效率更高”—不要大量的人工參與，配置即可快速實現整個軟件應用體系的構造和運行。

綜上所述，AI在工業的人才培養，不僅包括在AI本身，更確切的說—AI只是作為一個工具。而在任何時候，培養具有全局思維、工程思維、規范與標準工作、好奇心驅動的優秀工程師仍然是奇缺的-只是，在這個里面，需要增強AI工具的使用，而使用的前提，首先是對對象的認知，對工具、方法的認知。人才不是寫代碼，培養一大堆會用Phthon、Java、AGI編程的人不難，但擁有對工業問題的認識，對選擇方法的認識的能力-這是人才培養的關鍵。