当AI进入工厂

电力18讯：

30多场主题论坛，150多家前沿企业，200位重量级嘉宾……

 

今年最顶级的AI盛会——正在上海举办的“2018世界人工智能大会”吸引了全世界的目光。

 

 

在全世界都在讨论AI如何改变生活的时候，小能人也请来了一位专家，聊聊AI如何改变工业生产。有请真视通公司的大数据首席顾问、伦敦大学人工智能领域专家赖兆红博士

 

在我的一生中，我见证了社会深刻的变化。其中最深刻的，同时也是对人类影响与日俱增的变化，是人工智能的崛起。

——霍金

 

人工智能不同于机器学习

 

很多人都会把机器学习和人工智能混为一谈，在赖兆红的理解中，人工智能与通常引述的机器学习是两个不同的概念。

 

机器学习的出现要早于人工智能，是机器利用算法模型从大量数据中解析得到有用信息的过程。在机器学习的过程中，已知的算法模型和明确的规则是必不可少的。人工智能则是在AlphaGo击败人类围棋冠军这个里程碑事件后，开始受到业界广泛关注的。人工智能的研究重点是人工神经网络，用机器模拟人脑运转，从信息处理角度对神经元细胞相互连接、触发的方式建立运算模型。在特定环境（规则）下，机器自行感知采集数据，再通过复杂运算逼近自然界的某种算法或者人脑神经网络行为特征，从而做出最合理的推理、判定并给出反馈。基于这一目标，对特定环境或规则的解析，计算机、大数据、统计学、经济学、生命科学等大量学科被牵扯到其中。

 

目前，人工智能的主流算法分为监督学习与强化学习。监督学习是用大量的结论数据对机器进行培训。以AlphaGo为例，AlphaGo通过研究人类棋手数千场对抗的棋谱，从这些游戏中学习规则和策略，进而学会下围棋，这个过程就是监督学习。而强化学习更偏向让机器“自学”。研发AlphaGo的公司去年公布了它的升级版“AlphaGo Zero”——据说AlphaGo Zero的围棋玩得更好、学得更快，最主要的是它的学习过程没有求助于人类专家。AlphaGo Zero的自学过程建立在对围棋规则的充分了解和“奖励”机制之上。AlphaGoZero在19x19的棋盘上反复尝试落子，赢棋便“奖励”加分，输棋就扣分，通过反复与其他版本的“自己”对抗下棋，这个不断自我革新的过程就是强化学习。相比较而言，监督学习需要的数据成本更高，更加依赖人类专家在该领域获取的经验；而在强化学习的过程中，机器展现出的“非人类”风格可能会衍生出其他棘手问题。

 

理论上来讲，机器可以模仿人类智能，然后通过自学快速成长、超越人类。“但是，人类对大脑的认知还是非常有限的”，赖兆红说，“我们现阶段在人工智能领域取得的突破，还停留在规则性较强的场景中。人工智能可以通过规则递归运算（搜索）推导出准确率极高的结论，实现强大的人机互动效果，但是在语言的理解、人体感知（如嗅觉）和情感的认知等方面处理效果还欠佳”。

 

人工智能落地工业制造

 

人类对人工智能的开发利用并不满足于给自己找一个强大的棋友，在工业生产中它更被寄予厚望。

 

人工智能技术落地工业制造有两大先天优势：一是工业生产流程往往与业务机理紧密结合，具有明确的规则性；二是生产过程通常伴随着多节点的数据采集，为人工智能数据分析提供了海量样本。

 

在工业制造中，人工智能技术与大数据分析相辅相成，一直专注于赋予工业生产智能化的属性，最典型的应用包括模型分析、预测研判、辅助决策等等。这些应用是如何实现的？可以为工业生产带来什么效益？以设备预测性维护为例，赖兆红做了简要说明：设备的理想状态为正常工作状态，随着时间的推移、环境的变化，设备发生损耗，人工智能的任务就是去感知这个变化，识别并提前预警。人工智能可以结合业务知识，通过特征值进行故障预测，指导人员提前维护或更换设备。“设备故障的原因是多种多样的，体现在数据上也是千差万别，但是我们预测故障并不需要逐一排除，通过发现特征值，人工智能就能判定设备状态异常。”赖兆红说，“这个功能应用到隐患排查方面，非常简单实用。”

 

 

除了实现设备检修维护、性能分析这一类的生产优化，人工智能还能建立数据模型，通过精确到小时、分钟的历史电力负荷数据训练，预测该厂的短期电力负荷变化，帮助企业优化经营成本；通过协同上下游企业，优化产业生态链……人工智能技术在工业生产中的巨大潜力已经得到了国家层面的重视。在打造中国工业互联网+、中国制造2025的浪潮中，新技术、新平台、新的商业模式孕育而生，应用在中国庞大的工业生产基数下，哪怕很小的性能改进，都将带来巨大的经济效益，进而鼓励更长期、更可观的投入和研发。

 

智能工厂离我们有多远？

 

一方面，人工智能在工业领域的潜力已经开始显现，在预测性维护、安全检查、成本优化等方面的应用获得了小范围成功；另一方面，从“单点智能”到“全局智能”，从特定场景下的智能化应用到建设智能工厂，如何让机器完成一个高度协调的生产过程，需要更多冷静思考。“像电厂一样的流程化企业，生产的每一步都牵一发而动全身，比如，电厂停机会影响到电网负荷，再影响到更多家庭用电、企业生产，这个安全生产的责任是非常艰巨的，”赖兆红认为，“全局智能电厂还有待进一步研究。”

 

“在现阶段，工厂要做好从自动化到数字化、再到智能化的转型，一定要重视大数据分析。发挥人工智能的辅助决策功能，通过大数据分析，预测供给侧、需求侧变化趋势，用数据指导决策。”赖兆红说，“比如，我们正在进行企业用户画像方面的尝试，首要的是给人工智能构建相关的知识体，这还要生产企业相关领域专家的帮助。”如何确定数据的采集点，如何理解每个数据的含义，构建完整的专业领域知识体，这是人工智能运算的前期条件，也是人工智能专家和工业生产业务专家共同面临的难点。只有充分了解业务机理，才能更好地把生产制造流程映射到人工智能模型，再对模型进行层层优化，达到理想的收敛效果……人工智能为工业制造提供了转型升级的重大机遇，工业制造为人工智能提供了技术落地的优渥土壤，为了共同实现提速发展，双方专家的工作已紧密交织。

 

 

目前，人工智能技术已经可以为工业生产省去很多重复性工作、解决传统领域无法解决的问题，在安全施工、救援抢险领域也大有可为。“DeepMind团队正在让机器学习模仿类似消防员的行为，如翻越障碍物。这个功能成熟以后，就可以应用到某些高危工作领域，比如用机器人抢险救援任务，或者完成煤矿井下、核电领域、高温高压环境中的操作。”赖兆红预测道。

 

正如霍金曾在全球移动互联网大会所说：“我们站在一个美丽新世界的入口。这是一个令人兴奋的、同时充满了不确定性的世界”，我们将是这个智能世界的先行者。祝福我们。