原創：皓思百微

Ai技術正逐漸廣泛使用,首先我們先來了解一下什么是AI.人工智能（Artificial Intelligence），英文縮寫為AI,AI是一門綜合性的技術與科學研究方法,是對人類智能機器化的拓展,它是很大的一個范圍,例如機器學習,圖像識別,語音識別,專家系統等. 所以我們經常說AI技術用于什么行業,其實不夠具體和準確,它下面還有很多具體的分支,但是研究的方式與理論比較相近. 而今天我們討論的AI技術主要集中在機器人,計算機視覺,機器學習,專家系統.

? ? 其實傳統的工業領域已經用了很多的AI技術,特別是機器學習,只不過稱呼不一樣而已,像我們了解的控制理論就已經涵蓋了很多機器學習的技術.按照機器學習的分類來,分為3大類:?

? ?一.監督學習(有導師學習)：輸入數據中有導師信號，以概率函數、代數函數或人工神經網絡為基函數模型，采用迭代計算方法，學習結果為函數.?

? ?二.無監督學習(無導師學習)：輸入數據中無導師信號，采用聚類方法，學習結果為類別。典型的無導師學習有發現學習、聚類、競爭學習等

? ?三.強化學習(增強學習)：以環境反饋(獎/懲信號)作為輸人，以統計和動態規劃技術為指導的一種學習方法.

? ?我們熟悉的PID,閉環控制這類屬于強化學習,其次繼續往上的就是模糊控制,魯棒控制,神經元網絡,遺傳算法等屬于監督學習,而現在互聯網,阿爾法狗等基于專家級,大數據等多種技術綜合的學習方式,最后表現為無監督學習,具有類似與人類的智商,如果數據量夠大,經驗夠多,阿爾法狗就越像人.

機器學習上，工業領域目前大量使用的為強化學習,特別是工業現場層,因為方法簡單,計算量小,要求速度快,好調整,算法不復雜,特別的單機小設備,成本比較苛刻.這是由于現場控制需求與行業特點的綜合決定的.?而監督學習要求就比較高了,首先模型復雜了,例如模糊控制,需要設置對象數學模型,模糊規則,對象反饋模型等,算法也復雜了,這時間計算基本是基于數模模型計算,所以計算量會大很多,一般的控制器CPU,內存就無法滿足了.?然后再到無監督學習,對硬件的要求,算法,模型,數據量的要求更高了.所以你要想讓其他兩種學習方法應用到工業,首先需要明確需求,是否有升級的必要,是做分布式/集散控制還是做集中控制,還是說利用通信實現控制/計算的協同.

? 從控制的角度來看,目前直接無監督學習是不現實的, 但是監督學習還是有必要的,因為傳統的控制器基本大部分沒有智能可言,都是基于控制器基本控制+工程師經驗現場調試而來,?對于控制對象與控制模型基本沒有科學的分析方法,自學習能力比較弱,當外部出現干擾因素多的時候.

其次邊緣計算設備會逐步使用監督學習，更高級別的可能會上無監督學習，只是概率比較小.

在機器人領域，傳統的工業機器人使用的還是強化學習與監督學習為主，按照預先編好的程序，最智能的就是規避.自動規劃最優路徑，其實內核算法還是監督學習. 但是民用機器人就不一樣了，例如餐廳的服務機器人，需要涉及到NLP自然語言學習，語音識別，圖像識別等，技術比較密集，但是其對機器人本體的結構要求則不高，如果像大家網上看到的波士頓動力的智能機械狗，機器人，那就真的是最復雜的機器人了，就是AI+工業的完美結合.

在計算機視覺/圖像識別上，傳統的識別在工業領域還是占據主流，是基于對照的參考或者標準來判斷信號/圖片的差異性來直接對比匹配度，就是合格的標準閾值如果區間太小則可能誤判. 現在大家看到的AI計算機視覺，除了是從視覺信號上采集分析出結果之外，還建立了學習的模型，有的還是深度的學習，基于大數據的識別一定程度上減少了樣本數量少帶來的細微差異.同時也是因為成本的限制，及市場的壟斷，使得深度學習的技術沒有快速普及.

?最后是專家系統，這個概念比較模糊，工業領域的專家系統更多是基于數學與經驗為多，而例如現在互聯網的客服機器人，更多的是基于大數據，NLP多門科學，大量數據綜合的結果，相對更智能一些，未來隨著5G，物聯網的普及，硬件成本及開發成本的降低，AI帶來的效益不斷增加，未來專家系統普及不是夢.

AI在工業領域的應用主要為這些，但是其實還有很廣泛的空間，例如AI輔助研發，數據科學帶來的價值有時候會超出你的想象，例如醫療上應用比較成功.AI火是有原因的，但是AI沒大家想象那么夸張，鄙人分析，其實就是傳統的控制/算法理論+數學+哲學.?未來是廣闊的，需要我們不斷的探索.