原创：皓思百微
Ai技术正逐渐广泛使用,首先我们先来了解一下什么是AI.人工智能（Artificial Intelligence），英文缩写为AI,AI是一门综合性的技术与科学研究方法,是对人类智能机器化的拓展,它是很大的一个范围,例如机器学习,图像识别,语音识别,专家系统等. 所以我们经常说AI技术用于什么行业,其实不够具体和准确,它下面还有很多具体的分支,但是研究的方式与理论比较相近. 而今天我们讨论的AI技术主要集中在机器人,计算机视觉,机器学习,专家系统.
其实传统的工业领域已经用了很多的AI技术,特别是机器学习,只不过称呼不一样而已,像我们了解的控制理论就已经涵盖了很多机器学习的技术.按照机器学习的分类来,分为3大类:
一.监督学习(有导师学习)：输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数.
二.无监督学习(无导师学习)：输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等
三.强化学习(增强学习)：以环境反馈(奖/惩信号)作为输人，以统计和动态规划技术为指导的一种学习方法.
我们熟悉的PID,闭环控制这类属于强化学习,其次继续往上的就是模糊控制,鲁棒控制,神经元网络,遗传算法等属于监督学习,而现在互联网,阿尔法狗等基于专家级,大数据等多种技术综合的学习方式,最后表现为无监督学习,具有类似与人类的智商,如果数据量够大,经验够多,阿尔法狗就越像人.
机器学习上，工业领域目前大量使用的为强化学习,特别是工业现场层,因为方法简单,计算量小,要求速度快,好调整,算法不复杂,特别的单机小设备,成本比较苛刻.这是由于现场控制需求与行业特点的综合决定的. 而监督学习要求就比较高了,首先模型复杂了,例如模糊控制,需要设置对象数学模型,模糊规则,对象反馈模型等,算法也复杂了,这时间计算基本是基于数模模型计算,所以计算量会大很多,一般的控制器CPU,内存就无法满足了. 然后再到无监督学习,对硬件的要求,算法,模型,数据量的要求更高了.所以你要想让其他两种学习方法应用到工业,首先需要明确需求,是否有升级的必要,是做分布式/集散控制还是做集中控制,还是说利用通信实现控制/计算的协同.
从控制的角度来看,目前直接无监督学习是不现实的, 但是监督学习还是有必要的,因为传统的控制器基本大部分没有智能可言,都是基于控制器基本控制+工程师经验现场调试而来, 对于控制对象与控制模型基本没有科学的分析方法,自学习能力比较弱,当外部出现干扰因素多的时候.
其次边缘计算设备会逐步使用监督学习，更高级别的可能会上无监督学习，只是概率比较小.
在机器人领域，传统的工业机器人使用的还是强化学习与监督学习为主，按照预先编好的程序，最智能的就是规避.自动规划最优路径，其实内核算法还是监督学习. 但是民用机器人就不一样了，例如餐厅的服务机器人，需要涉及到NLP自然语言学习，语音识别，图像识别等，技术比较密集，但是其对机器人本体的结构要求则不高，如果像大家网上看到的波士顿动力的智能机械狗，机器人，那就真的是最复杂的机器人了，就是AI+工业的完美结合.
在计算机视觉/图像识别上，传统的识别在工业领域还是占据主流，是基于对照的参考或者标准来判断信号/图片的差异性来直接对比匹配度，就是合格的标准阈值如果区间太小则可能误判. 现在大家看到的AI计算机视觉，除了是从视觉信号上采集分析出结果之外，还建立了学习的模型，有的还是深度的学习，基于大数据的识别一定程度上减少了样本数量少带来的细微差异.同时也是因为成本的限制，及市场的垄断，使得深度学习的技术没有快速普及.
最后是专家系统，这个概念比较模糊，工业领域的专家系统更多是基于数学与经验为多，而例如现在互联网的客服机器人，更多的是基于大数据，NLP多门科学，大量数据综合的结果，相对更智能一些，未来随着5G，物联网的普及，硬件成本及开发成本的降低，AI带来的效益不断增加，未来专家系统普及不是梦.
AI在工业领域的应用主要为这些，但是其实还有很广泛的空间，例如AI辅助研发，数据科学带来的价值有时候会超出你的想象，例如医疗上应用比较成功.AI火是有原因的，但是AI没大家想象那么夸张，鄙人分析，其实就是传统的控制/算法理论+数学+哲学. 未来是广阔的，需要我们不断的探索.