AB/1769-IF4 

AB/1769-IF4 

仲鑫達以“ 誠信、創新、合作、共贏”的經營理念、不斷開發新產品、為客戶提供服務、以大限度追求客戶滿意、并不斷開拓新領域業務。

公司經銷產品廣泛應用于數控機械 冶金、石油天然氣、石油化工、化工、造紙印刷、紡織印染、機械、電子制造、汽車制造，塑膠機械、電力、水利、水處理/環保、市政工程、鍋爐供暖、能源、輸配電

有時候，產業似乎很容易陷入“運動式”的技術狂潮，AI的熱流*，AI也變成了像是個“萬金油”，哪里蹭哪里放光芒，人們都開始要賦予制造業AI的能力了—有時候這種熱讓人感覺，AI會來拯救制造業，傳統的技術都過時了—不值得在研究了的感覺，但是，另一方面，又都在議論基礎研究的欠缺，各種技術被卡脖子，這種矛盾，大概源于對技術的無明，C博士曾經說“AI只是一個無奈的選擇—在一些場景中，的確有些對象不好測量，也沒有什么更好的辦法”，但是，其實，機理模型是效的辦法—因為，它是確定的，并且可解釋性的，你從公式就能推出結果，*可預測性、與AI相比那簡直太優秀了，放著優秀的技術不用，非要去搞成本更高，對于人員的專業性需求更高的AI，純粹就是為了“大氣上檔次”嗎？還有就是“泛智能”—把原來的自動化升級、軟件也泛化為“AI”—就像80年代，擺攤“計算機”一樣，似乎比那些道士裝扮的人就高級一樣，后來大家也明白了，那就是查字典，談不上任何的智能，但是，對于缺乏科技素養的大部分人來說，，牛！

近翻看了一本稱為《復雜》的書，談到了混沌，其結果對于輸入極其敏感，就像蝴蝶效應，純粹的非線性，但是，發現其實這里的非線性也是有確定性的描述的，即，通過邏輯斯蒂映射，可以對整個非線性過程進行預測，并發現了“費根鮑姆常數”—這是讓我很吃驚的，非線性系統原來也是具有確定性的，這就是“AI可以發揮”的地方，和戴老師在群里聊及一些技術話題，談到這個—其實，這就是人們希望AI可以干的事情，在不確定中尋找確定性—其實，還是可解釋的模型管用，人類所有的工作不就是希望提高確定性嗎？

但是，基于統計學和野蠻算力的AI，卻并沒有“洞察力”—因為邏輯斯蒂映射、費根鮑姆常數是數學家們自己發現的，并手動推算的，那么這個“洞察力”，是今天的AI所*沒有的，人們常說“智慧”，智慧就是洞察力、判斷力，在十字路口，要往哪里走？機器可能用“遍歷”、“交叉樹”些方法，但是，人可能用直覺就能做出準確的判斷，或者作出判斷是不去了—對于計算機來說，它擅長于計算，但是，我說不去了—因為，去找各種路估計已經來不及了，我放棄了，不用算了—這個時候，計算機的算力沒有意義。

在制造業現場同樣如此，所以，智能是AI算法+物理模型+行業知識，這里的行業知識就是來自“老法師”，在機器的生產運行中，涉及到機械、電氣傳動、流體、溫度與傳導、光學等多種對象，而這些對象之間又會疊加出各種物理效應，這些物理效應的疊構成了制造中的各種干擾因素，有些無法測量，形成機理不是很清晰，比如，影響一個晶圓的某種缺陷（通常有40余種常見缺陷）的原因可能是與機器的加工中的傳輸精度有關，也可能與空氣流動、溫度的變化，也可能對于工藝材料的配方有關，這些復雜的問題究竟是如何形成的？應該在哪個方面進行調整？而很多原因是無法測量的，或者測量不經濟，那么，老法師依靠自己的經驗，積累了眾多的知識，他就能找到問題的原因。或者吹瓶中的白花、瓶頸歪斜現象，都是有對應的原因，過于高的溫度、模具安裝精度不足等，這些都是依賴于經驗的。

而要解決工業中的問題，AI在沒有物理模型、行業知識的協助下，幾乎無能為力，一定是“老虎吃甜，無處下爪”的。要把老法師們的“隱性知識”變成顯性知識，本身就是一個復雜的人工過程，在AI還沒有洞察力的時代，AI的代價是非常高昂的，因為，測試驗證仍然是要花費巨大的成本的，而這個成本有時候我們忽視了—因為在傳統機理模型上就出現這樣的問題。

在一次展會期間，其實，我想驗證一個老前輩的話，他曾經說其實國內目前仿的機器都是別人10-20年前的，通過與行業幾位業內人士聊過發現果然如此，因為從技術上來說，Know-How通過軟件封裝已經讓很多這種“灰度創新”難以為繼，而另一方面，對于新的機器來說，即使逆向工程也是有大量測試驗證工作的，與20年前的機電系統相比，這個驗證也是代價很高的，風險比較大，所以，大家也就只能把別人十多年前的機器圖紙拿來。只有少數具有自主研發能力的企業，才具有很深的機械電氣機理模型驗證能力，談到這個是想說，其實，AI用于解決問題花費的測試驗證成本并不會比傳統的方式低，不要對AI抱有過高的期望。