人工智慧只是智能製造舞台上的「小配角」＃智能製造錯題本

作者：物女王（彭昭）

物聯網智庫 原創

轉載請註明來源和出處

------【導讀】------

本文與你分享了我的#智能製造錯題本#中的五大錯題。錯題1.智能製造是人工智慧在製造業的應用；錯題2.製造業的絕大多數場景可以用人工智慧解決;錯題3.製造業應該追求使用最先進的技術；錯題4.製造業的創新要想前人想不到的東西;錯題5.工業物聯網應該首先讓生產底層數據被工廠管理層看到。

|物女心經專欄|寫的第059篇文章。

從學校走向社會，很多人會將所學的「知識」一股腦全然拋去，不信你問問自己，工作之後你還繼續記筆記，整理自己或者別人出現的「錯題」嗎？我一直堅持著這個習慣，目的當然不是只為了記錄，而是為了繞開可能的陷阱，降低試錯成本。

這裡與你分享的就是我在「智能製造」領域的「錯題本」，每次查閱都能通過別人的提醒持續為自己的思維糾偏，裡面的觀點來自於我收藏的精品文章，以及我與多位好友的深度交流。

我的這些好友，共性非常明顯，他們泡過一線、編過程序、調過設備，直面過各種工業現場的疑難雜症，是堅守陣地超過10年的工業現場工作狂，他們比大多數智能製造的專家更加懂得工業實際，可貴（qi）的是他們同時還具備國際視野，總能第一時間關注和掌握各種最新技術。

錯題一：智能製造是人工智慧在製造業的應用

此話出自中國工程院院士之口，他還說，人工智慧對於製造工業的影響甚至上升至國家戰略層面，中國製造2025的提出，深刻說明了人工智慧在助推製造業發展方面能夠起到的作用和將要達到的高度。

以下觀點源自林雪萍，如果將人工智慧在製造業的地位提升到如此高度，恐怕是中國製造2025最大的歧途。與之相應的還誕生了一個新詞，「人工智慧製造」，智能正在日益成為人們討論的焦點，最具有含金量的「製造」明明是「主角」，卻被放在了最後。

現實情況是，中國絕大部分企業還沒有認可數字化製造的價值，如果奢談智能製造，將「智能」作為中國製造2025的核心目標，難免有過於樂觀和操之過急之嫌。

中國製造需要崛起，的確要依靠人工智慧等技術手段，但是推動事物重大變革的關鍵，從來都源於自身。外力可借，還需要自身強大，對於從事工業領域的所有人，更應該的是關注製造本身，回歸本我去思考，而不是跟著趨勢，一味追著人工智慧的風口跑，甚至被人工智慧某些邊緣泡沫帶跑偏。

錯題二：製造業的絕大多數場景可以用人工智慧解決

有專家在會議中談到：人工智慧以知識庫、知識工程為核心，通過感知、交互、實時，最後達到自學習、自決策。因此，在和中國製造結合時，人工智慧可以解決製造業的加工、裝配以及服務等問題。

現實情況是否如此呢？有必要圍繞製造業本質這個命題。郭朝暉曾經舉過一個很直白的例子來說明製造業的本質。他以炒股為例，說明了兩種模式，一種是巴菲特模式，閱讀大量的企業和行業信息，通過複雜推理進行投資決策，也就是「模糊信息+複雜推理」的模式；另一種是陳水扁的夫人吳淑珍模式，掌握來自上市公司董事長的內部確定消息，通過簡單推理進行投資決策，也就是「準確信息+簡單推理」模式。那麼哪種模式更接近製造業的本質呢？真相只有一個——第二種。

而大數據和人工智慧產生的核心背景是由於多維度和多變數導致的很大不確定性，簡單的因果關係不能表達事物的內在邏輯，只能通過「模糊信息+複雜推理」的模式，從足夠多的大量數據中提取相關性，這也就是數據密集型科學產生的基礎。

製造業與人工智慧的推理模式從本質上來講有很大差異，製造業中的數據儘管「大量」，但很難稱得上是「大數據」。由於製造業現場面臨著機械、光學、熱學、電磁、材料、流體等多種複雜學科的相互影響，工業數據的分析要困難的多。在智慧城市和智能生活等領域廣泛採用的大數據和人工智慧，進行人臉識別和語音對話，很難照搬到工業領域。

因此人工智慧在工業領域只能是「小配角」的定位，強行誇大「藥效」，勢必陷入喧賓奪主之誤。

錯題三：製造業應該追求使用最先進的技術

很多公司正在嘗試將虛擬現實、增強現實、深度學習等最新技術應用於製造業現場，前一陣子的「機器換人」大潮也開展得如火如荼。

用麥總的話說，熱門的技術名詞越來越多，經常讓我們顛倒了剛需和技術的因果關係主次地位，忘記自己到底想要什麼了。這些高大上的技術是否馬上就能夠為我們所用，並創造價值呢？是否就能夠幫助企業解決各種在生產、運營過程中所面臨的現實問題呢？

先進的技術往往不實用，實用的技術可能不先進。所有的技術問題都需要同時考慮經濟性和適用性問題。因為製造業必須考慮經濟性，不能階躍，只能進化，否則無法進行有效的成本控制。

以前我曾經提到過一個例子，一家工廠中由於電機的磁鐵心很重，搬運工人都是90後不堪重負，儘管提高工資也是留不住人，買KUKA機器人又買不起，結果當班主任自己設計了一個助力搬運機械手，雖然沒有多麼高大上，自動化程度也不高，但卻在減輕人力的同時提升了搬運效率。

目前製造業暴露的主要矛盾是過去幾十年製造業的「簡單粗暴式」發展，很多技術照搬國外，使得在基礎技術層面並不紮實，大量空白有待彌補。同時勞動力問題激發了工廠改造的動力，勞動力短缺的時候，不僅找不到人、工資高，還會出現員工流動性強、敬業度低、管理難度大等問題。如果技術應用得當，不僅可以減少用工，還可以降低勞動強度、改變勞動環境。

但是解決這些矛盾和問題，為什麼一定要用工業物聯網或者人工智慧？好像不扯點IoT和AI就不好意思談製造業轉型似的。這些最新技術到底治的是什麼病？是不是還有成本更低更加實用的「良藥」？在這點上，中小製造企業中的工段長、車間主任、生產經理這些位於最前線的工程師們最有發言權。

錯題四：製造業的創新要想前人想不到的東西

真的存在前人沒有想到的東西嗎？製造業是一個歷史悠久的領域，作為「後人」的我們，要用充滿敬意的眼光來看待。郭朝暉有句話說得很實在，他說如今任何一個研究，前人一定是研究過的，而且前人的先進程度往往遠出乎你的預料。

德國上個世紀早期就有由數字控制的印花機，設備的故障診斷也已經被研究了好幾十年，通用型工業網關從始至終都有很多公司在做…

因此當你誕生一個新想法時，一定要查查「史料」，有沒有前人曾經想到過這個問題？如果他想到了，他當時為什麼沒有解決？而現在我擁有的條件發生了什麼變化，使得這個想法有了重見天日的新機？

很多最新技術其實是解鎖了前人沒法運用的「笨辦法」，而並不是什麼「新手段」。比如以前的故障診斷，一些致命的故障發生的情況非常罕見，也許幾百台機器才有可能重複發生同一種故障，好不容易分析出一種故障模式，到了機器報廢也沒有再次發生，故障模式提煉出來也派不上用場。因此為了進行故障診斷，對於機器運行狀態的持續監控投入太大，經濟上並不值得。

GE在工業物聯網平台上提出的「新方法」其實是同時監控成千上萬台設備的操作數據，由於IT成本的下降讓採集和存儲大量歷史數據進行分析的「笨辦法」在經濟上變得可行，這樣當一台設備出現故障時，成千上萬台設備中有很大概率復現過類似情況，別人處理相同故障的經驗可以被複用，及時解決故障問題，因此創造了新的價值。

錯題五：工業物聯網應該首先讓生產底層數據被工廠管理層看到

很多公司在推廣工業物聯網應用時，首要的賣點是通過加裝數據採集模塊和工業網關，實現數據上傳，讓工廠經理使用智能手機就能看到生產的實時情況。

現實情況是，底層數據並不是用來「看」的，而是拿來「用」的。工業物聯網首先需要解決的問題，應該是消費端快速變化和急劇爆發的個性化定製需求，和製造端的機械設備因為受到巨大慣性周期的限制，無法快速響應和迭代之間的靈活性落差問題。

宋華振說，個性化製造的批量太小，產品質量無法迭代，開機浪費無法避免，如何讓小批量生產的產品成本可控甚至更低？這件事情的難度超高，如果不懂精益生產的三個核心話題：質量、成本和交付，是沒法搞懂智能製造的，也沒法搞懂工業物聯網的價值。

從產品設計開始，直到產品製造、包裝和出庫，從頭到尾都不能出錯，沒有試生產的機會，產品質量迭代周期很小，一次性就要生產好，最極端的情況，可能一個產品只有一件，沒有第二次機會生產第二個產品，那麼質量迭代怎麼完成？

高速生產的情況下，各種設備之間無縫銜接，通過機械手、傳送帶、AGV完成零件的傳輸，如果某台注塑機突然停機，那整個生產線的節拍怎麼調整？一台設備工作失效或者生產的產品有問題，不良品如何避開？萬一某個零部件沒有到位，生產節拍怎麼調整變化？

一台生產線好幾億投資，每延誤1秒鐘都意味著很大的經濟損失，以上這些排產問題在個性化製造中會變得非常複雜，不再是基於單機生產的思路解決這些問題，而是要基於整體性的互聯工廠做全局思考，工業物聯網在這個層面落地才能發揮最大價值。

以上，與你分享了我的一些整理筆記，暫且把它叫做#智能製造錯題本#。千人千面，相信你也曾發現並困惑於專家們看到的現實和現場工程師們看到的現實有很大差異，甚至會互相矛盾。其實，矛盾的不是現實，而是我們看待問題的角度，以及這個角度所呈現的現實情況的映射，或叫「幻境」。人和人的差距主要在脖子以上，有時候換個角度看看你就會豁然開朗，誰看到的「幻境」最接近現實，誰就掌握先機。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！