表面處理行業與智能化

袁 華

（中國表面工程協會名譽理事長）

0 前 言

如果在前幾年，物聯網、云計算、大數據還是非常熱門的詞匯，那么當前各行各業最常被人提及的話題無疑是“人工智能”。 從20世紀50年代開始，人類對“人工智能”的探索已經持續了半個多世紀，為什么這兩年在全社會掀起了“人工智能”的熱潮？ “自動化”和“智能化”到底有什么樣的區別？表面處理行業在未來實現“智能化”的過程中應遵循什么樣的原則？下面跟大家分享一下本人對這些問題的思考。

1 智能化系統具有四個主要的特征

與“自動化系統”相比，“智能化系統”一般具有四個主要的特征：

（1）具有感知能力，即具有能夠主動感知外部世界、獲取外部信息的能力，這是產生智能活動的前提條件；

（2）具有思維能力，即能夠在感知外部信息的基礎上由思維產生知識，并能夠利用已有的知識對新的信息進行處理，從而產生更新的知識；

（3）具有學習能力和自適應能力，即通過不斷學習和積累知識，系統本身能實現自我優化從而適應環境的變化；

（4）具有行為決策能力，即系統能對外部環境作出反應，形成正確的決策并加以執行。

2 兩種主導思路

人們在構建人工智能的過程中產生了兩種主導思路：

（1）第一種是功能主義，即撇開人腦的具體結構，僅在輸入輸出上實現與人腦功能相似的人工智能，早期的人工智能研究大都遵循這一思路，形成了傳統的人工智能技術。

（2）第二種是結構主義，這一流派試圖從硬件結構上模擬人腦的構成和工作原理。基于這種思想，人們開發了以人工神經網絡為代表的人工智能技術。

3 人工智能技術以期達到模擬人腦智能的目的

傳統的人工智能技術以馮·諾依曼型計算機為基礎，通過編制基于各種算法的軟件程序，以期達到模擬人腦智能的目的。其在求解邏輯問題、過程模擬和控制以及基于知識系統的輔助決策等方面取得了很大的成功。

在工業自動化時代，善于“邏輯思維和精確計算”的傳統人工智能技術得到了廣泛地運用，包括在很多行業得到應用的“專家系統”。但其在感知和處理外界的模糊信息（如人工視覺、自然語言的理解）以及無督導機器學習等方面遇到了很大的困難。而“人工神經網絡”等人工智能技術在這些領域具有很多優勢。在經過多年的努力后，以基于多層神經網絡的“深度學習”為代表的人工智能技術在2006年以后取得了突破，在人工視覺、語音識別和機器學習等領域獲得了一系列的成功：基于深度卷積神經網絡的AlphaGo（阿爾法狗）系統在對弈人類頂尖棋手時取得了幾乎百戰百勝的戰績，讓所有的人感到震撼，為人工智能技術做了無與倫比的廣告。

與此同時，人工視覺、語音識別、無人駕駛等技術已經進入實際應用階段：人們在銀行使用“人臉識別”進行身份認證；很多用戶在使用手機時利用“語音識別技術”進行人機交互；而無人駕駛汽車實現商用似乎也只是時間問題。這些貼近百姓的應用，在全社會掀起了人工智能的熱潮。總體社會輿論對人工智能的未來非常樂觀，大家已經開始探討人工智能取代腦力勞動的前景。

4 實現智能化制造的過程中應遵循四個原則

在這種語境下，無需對智能化的必要性再做闡述，我們曾在過去幾次行業協會的會議上數次討論這一課題。今天只想就表面處理行業在未來實現智能化的過程中應注意的事情談談自己的一些看法。

我個人認為：雖然目前人工智能技術取得了飛速的發展，但距離實現真正意義上的人工智能仍很遙遠。在我們行業實現“智能化制造”的過程中應遵循“簡單性”、“實用性”、“漸進性”和“經濟性”的原則。

4.1 “簡單性”原則

“簡單性”原則，在西方也被稱作“奧卡姆剃刀原理”，即“如無必要，勿增實體”。“奧卡姆剃刀原理”是人工智能研究和開發者所遵循一個最基本的原則。同樣，表面處理行業在實現智能化的過程中也應始終牢記這一原則。例如，我們在構建智能生產系統的感知能力時，僅需基于生產設備采集必要的數據；與無人駕駛等領域需要在極短的時間內感知和處理大量缺乏特征的模糊數據相比，我們的系統需要采集的數據簡單而明確，無需復雜的模式識別和處理系統。簡單是可靠的前提，任何不必要的復雜常常導致失敗。在感知系統方面，我們更需要關心如何提升傳感器在我們復雜的工作液體中使用的可靠性和壽命，這同樣需要遵循“簡單性”原則。

4.2 “實用性”原則

在一般情況下，任何技術都有使用的限制和邊界條件。在很多條件并不具備的場景，高端的技術未必是實用的技術，人工智能技術尤其如此。例如，各種機器學習算法都需要必要且足量的數據供機器學習和訓練使用，大數據更是應用“深度學習”等人工智能技術的基礎。客觀上說，我們表面處理行業在數據采集、存儲和整理方面的工作依舊很薄弱。在很多必要基礎工作完成之前，一些人工智能算法在這個行業尚無用武之地。在部署和實施我們的智能制造項目時，我們應多花些時間對所要采用的技術進行必要的可行性分析，務必要使用實用而成熟的技術。

4.3 “漸進性”原則

人工智能技術的發展歷史呈現出階段性突破和停滯相伴的特征，表現為非線性地成長。在實際的工程應用過程中，我們也應對“智能化項目”實施應采取漸進發展的策略：

（1）先補足我們行業“自動化”的短板，實現數據采集、信息處理和分析的自動化；

（2）在人工系統地整理和歸納行業知識的基礎上，逐步構建滿足企業需求的“專家系統”，形成輔助決策的能力；

（3）在有人督導和改進的情況下，逐步構建機器學習的能力；

（4）實現系統的自我決策和優化能力，初步形成滿足行業需求的“人工智能”。在這一過程中，首先應以傳統人工智能技術為主，在條件成熟的情況下，逐步引入“遺傳算法”等具有自我優化能力的算法。

4.4 “經濟性”原則

無論是技術上，還是財力上，我們表面處理企業都不可能像谷歌公司那樣為人工智能技術燒錢。“量入為出”是我們在實現智能化的過程中必須始終恪守的原則。很多目前熱門的人工智能技術都很昂貴，例如要應用基于人工神經網絡的“深度學習”那樣的人工智能技術，需要構建具有并行計算和存儲能力的軟硬件系統（包括研發適應并行計算的芯片），這不是普通制造業的企業可以負擔得起的。如果我們采用成熟的技術，就可以以較為低廉的成本逐步構建智能化的系統。在過去的討論中，我們曾討論過利用普通PC機和互聯網構建分布式數據分析系統的可能性。

5 結束語

人工智能是一個非常開放和寬泛的技術體系，我們表面處理行業應在做好自身需求分析的基礎上，制定適合自身行業需求和稟賦的智能化發展策略，采用經濟、成熟而實用的智能化技術，將實現行業的智能化落到實處。

（注：本文系作者在智能制造技術論壇上的發言稿，經儲榮邦高工整理和斧正，特表謝意！）

【相關鏈接】

什么是馮·諾依曼型計算機？

在我們日常生活和工作中常使用“電腦”這個詞，但大家基本不認為它是具有自我思維能力的“腦”，而是將其看作“計算機”，是一臺機器。

事實也是如此！到目前為止，無論功能有多么強大，大到銀行系統，小到一臺手機，人們廣泛使用的計算機的工作原理幾乎和人類第一臺計算機沒什么區別，即它們都是“馮·諾依曼型計算機”： 由運算器、控制器、存儲器、輸入和輸出設備等功能模塊組成，采用二進制存儲和處理數據，按照程序的指令以串行的模式工作。

無論是物理結構和還是工作原理，“馮·諾依曼型計算機”都與人腦相去甚遠。它們非常擅長算術和邏輯運算，人們把對任何性質的問題求解都當作一個計算過程，通過將問題轉換成算法并編制成計算機可執行的程序，從而通過計算機的計算求得問題的精確解。

馮·諾依曼系著名的匈牙利裔美籍數學家、計算機科學家、物理學家和化學家；被譽為20世紀最具科學頭腦的人；數字計算機之父。