本文選自中國工程院院刊《Engineering》2019年第4期
作者：Lihui Wang
來源：From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.
編者按
智能科學(xué)大致包括自然智能和人工智能兩個領(lǐng)域。自然智能是發(fā)現(xiàn)生命系統(tǒng)智能行為的科學(xué)，而人工智能是制造智能軟件和系統(tǒng)的科學(xué)和工程。智能制造對人工智能保持著很高的依賴度。
中國工程院院刊《Engineering》刊發(fā)《從智能科學(xué)到智能制造》一文，基于智能科學(xué)到智能制造的視角，探析人工智能發(fā)展簡史，指出智能制造的目標(biāo)是利用集成信息技術(shù)和人工智能，將先進(jìn)的計(jì)算能力與制造設(shè)備相結(jié)合，在本地或全球建立靈活、適應(yīng)性強(qiáng)的制造業(yè)務(wù)，人工智能在云計(jì)算、大數(shù)據(jù)分析、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)/5G等新技術(shù)的支持下，將為智能制造帶來眾多機(jī)遇：延遲時間短的遠(yuǎn)程實(shí)時監(jiān)控和控制；通過機(jī)會過程計(jì)劃和調(diào)度進(jìn)行無缺陷加工；具有成本效益和安全的資產(chǎn)預(yù)測維護(hù)；整體規(guī)劃和控制復(fù)雜的供應(yīng)鏈。
一、引言
智能制造的目標(biāo)是利用集成信息技術(shù)（IT）和人工智能（AI），將先進(jìn)的計(jì)算能力與制造設(shè)備相結(jié)合，在本地或全球建立靈活、適應(yīng)性強(qiáng)的制造業(yè)務(wù)。智能制造依賴于及時獲取、分發(fā)和利用制造車間甚至整個產(chǎn)品生命周期內(nèi)機(jī)器和流程的實(shí)時數(shù)據(jù)。有效的信息共享可以提高生產(chǎn)質(zhì)量、可靠性、資源效率和報廢產(chǎn)品的可回收性?；跀?shù)字化的智能制造也旨在更具可持續(xù)性，并為未來的工廠做出貢獻(xiàn)。然而，智能制造廣泛依賴于人工智能。為了更好地掌握智能制造的未來，有必要了解人工智能。筆者從智能科學(xué)到智能制造，提出了對人工智能的看法。
二、人工智能的簡史
人工智能是智能科學(xué)的一個分支，智能科學(xué)領(lǐng)域大致涵蓋兩個領(lǐng)域：自然智能和人工智能。自然智能是發(fā)現(xiàn)生命系統(tǒng)智能行為的科學(xué)，而人工智能是制造智能軟件和系統(tǒng)的科學(xué)和工程。這兩個研究領(lǐng)域在過去的幾十年相互促進(jìn)。自然智能的發(fā)展為人工神經(jīng)網(wǎng)絡(luò)（ANN）、遺傳算法（GAS）和蟻群優(yōu)化（ACO）等的人工智能研究奠定了堅(jiān)實(shí)的基礎(chǔ)，而先進(jìn)的人工智能工具有助于加速自然智能的發(fā)現(xiàn)。由于人工智能的歷史相對較短，該領(lǐng)域的研究仍然活躍，有前景，并且還有待進(jìn)一步發(fā)現(xiàn)，如在制造業(yè)的背景下。
在討論智能制造之前，有必要簡要回顧一下人工智能的歷史，如圖1所示。人工智能的歷史可以追溯到20世紀(jì)40年代初。第一個人工智能是伊利諾伊大學(xué)的沃倫·麥卡洛克和沃爾特·皮茲創(chuàng)造的二元人工神經(jīng)網(wǎng)絡(luò)模型。盡管他們的模型只考慮了二元狀態(tài)（即每個神經(jīng)元的開/關(guān)），但該模型在20世紀(jì)80年代末卻是快速人工神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)。在1950年，英國數(shù)學(xué)家阿蘭·圖靈提出了著名的“圖靈測試”來確定機(jī)器是否能思考。“圖靈測試”是通過計(jì)算機(jī)通信進(jìn)行的，由一個考官、一個人和一臺機(jī)器（即計(jì)算機(jī)）在單獨(dú)的房間中進(jìn)行?？脊倏梢詥柸魏螁栴}。如果考官無法根據(jù)答案區(qū)分機(jī)器和人，則機(jī)器通過測試。1951年，普林斯頓大學(xué)的兩名研究生馬文·明斯基和迪恩·艾德蒙茲建造了第一臺用于模擬40個神經(jīng)元網(wǎng)絡(luò)的神經(jīng)元計(jì)算機(jī)。
圖1 人工智能的簡史
人工智能開發(fā)的一個重要里程碑是第一次人工智能研討會，這個研討會標(biāo)志著人工智能歷史上“黑暗時代”的結(jié)束和“人工智能崛起”的開始。該研討會于1956年在達(dá)特茅斯學(xué)院舉行。麥卡錫提出的“人工智能”一詞在當(dāng)時就得到了認(rèn)可，并沿用至今。麥卡錫后來搬到麻省理工學(xué)院。1958年，他定義了第一種人工智能語言LISP，該語言至今仍在使用。該領(lǐng)域最雄心勃勃的項(xiàng)目之一是通用解題程序（GPS），由艾倫·紐厄爾和卡內(nèi)基梅隆大學(xué)的赫伯特·西蒙于1961年創(chuàng)建。GPS基于形式邏輯，可以生成無數(shù)個試圖找到解決方案的運(yùn)營商，但在解決復(fù)雜問題方面效率低下。1965年，加州大學(xué)伯克利分校的拉特飛·扎德發(fā)表了他的著名論文《模糊集》，這是模糊集理論的基礎(chǔ)。第一個專家系統(tǒng)DENDRAL于1969年在斯坦福大學(xué)開發(fā)，該項(xiàng)目由美國國家航空航天局（NASA）資助，由諾貝爾遺傳學(xué)獎獲得者喬舒亞·萊德伯格領(lǐng)導(dǎo)。然而，由于當(dāng)時大多數(shù)人工智能項(xiàng)目只能處理玩具問題而不是現(xiàn)實(shí)世界的問題，所以許多項(xiàng)目在美國、英國和其他幾個國家被取消，人工智能研究進(jìn)入了所謂的“人工智能冬季”。
盡管被削減了資金，但人工智能研究仍在繼續(xù)。1969年，Bryson和Ho提出了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的反向傳播基礎(chǔ)。此外，第一個遺傳算法是由密歇根大學(xué)的約翰·霍蘭德于1975年提出的，他使用選擇、交叉和變異作為遺傳算子進(jìn)行優(yōu)化。1976年，MYCIN由斯坦福大學(xué)丹德拉的同一個研究小組開發(fā)。MYCIN系統(tǒng)是一種基于規(guī)則的血液疾病診斷專家系統(tǒng)，使用450個if-then規(guī)則，被發(fā)現(xiàn)比初級醫(yī)生表現(xiàn)得更好。
30年后，人工智能領(lǐng)域再次開始神經(jīng)網(wǎng)絡(luò)的研究。人工智能成為一門科學(xué)的新時期始于1982年，當(dāng)時約翰·霍普菲爾德出版了他的霍普菲爾德網(wǎng)絡(luò)（Hopfield Networks），該網(wǎng)絡(luò)至今仍廣受歡迎。1986年，反向傳播在它被提出的16年后成為人工神經(jīng)網(wǎng)絡(luò)中真正實(shí)現(xiàn)的學(xué)習(xí)算法。它還通過并行分布式處理觸發(fā)了分布式人工智能（DAI）的啟動。經(jīng)過22年的發(fā)展，日本的公司于1987年成功地將模糊集理論或模糊邏輯構(gòu)建到洗碗機(jī)和洗衣機(jī)中。1992年，John Koza提出遺傳編程來操縱代表Lisp程序的符號代碼。基于DAI和人工生命的思想，智能代理在20世紀(jì)90年代中期逐漸形成。20世紀(jì)90年代末，模糊邏輯、ANN和遺傳算法（GA）的混合系統(tǒng)開始流行用于解決復(fù)雜問題。最近，各種新的人工智能方法應(yīng)運(yùn)而生，包括ACO、粒子沼澤優(yōu)化（PSO）、人工免疫優(yōu)化（AIO）和DNA計(jì)算。人工智能在未來的潛力（如制造業(yè)）仍然無法預(yù)測。
第一個流行的AI工具可能是基于AI的國際象棋計(jì)算機(jī)程序“深藍(lán)”（Deep Blue），該程序由IBM創(chuàng)造。當(dāng)世界象棋冠軍加里·卡斯帕羅夫在1997年的一場表演賽中與“深藍(lán)”一起比賽時，他以2.5︰3.5輸給了“深藍(lán)”。另一個早期的例子是2005年的本田ASIMO機(jī)器人，它能夠爬樓梯。對于機(jī)器人在非結(jié)構(gòu)化環(huán)境中移動并由人類指揮，它需要具備在運(yùn)行時自然語言處理、計(jì)算機(jī)視覺、感知、對象識別、機(jī)器學(xué)習(xí)和運(yùn)動控制的能力。在2016年，DeepMind的AlphaGo 使用云計(jì)算、強(qiáng)化學(xué)習(xí)和蒙特卡羅搜索算法結(jié)合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行決策，在五場比賽中有四場擊敗了世界圍棋冠軍李世石。它的新版本Alphago Zero，通過從頭開始的自我學(xué)習(xí)，在短短三天內(nèi)就超越了Alphago的能力。如今，從下棋到機(jī)器人控制，從疾病診斷到飛機(jī)自動駕駛儀，從智能設(shè)計(jì)到智能制造，人工智能技術(shù)和系統(tǒng)無處不在。除了圖1中總結(jié)的人工智能技術(shù)外，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)顯示了智能制造的巨大前景。
表1根據(jù)是否受監(jiān)督或無監(jiān)督、區(qū)分性或生成性以及深度學(xué)習(xí)或非深度學(xué)習(xí)對典型的機(jī)器學(xué)習(xí)模型進(jìn)行分類。
表1 典型的機(jī)器學(xué)習(xí)模型
三、人工智能在制造業(yè)中的代表性例子
在制造業(yè)背景下，智能科學(xué)，或者更具體地說，機(jī)器學(xué)習(xí)模型形式的AI，有助于智能制造。圖2描繪了人機(jī)協(xié)作（HRC）的一種場景，其中來自傳感器和現(xiàn)場設(shè)備的數(shù)據(jù)在應(yīng)用適當(dāng)?shù)臋C(jī)器學(xué)習(xí)模型后被轉(zhuǎn)換為知識。使用特定領(lǐng)域的HRC決策模塊進(jìn)一步將知識轉(zhuǎn)化成行動。因此，操作人員可以在沉浸式環(huán)境中安全地使用機(jī)器人，而機(jī)器人可以預(yù)測人類接下來會做什么，并根據(jù)需要提供現(xiàn)場幫助。
圖2 智能制造中的機(jī)器學(xué)習(xí)
腦機(jī)器人是利用有經(jīng)驗(yàn)的人類操作者的腦電波進(jìn)行自適應(yīng)機(jī)器人控制的另一個例子。不需要遵循數(shù)據(jù)—知識—動作鏈，只需通過適當(dāng)?shù)挠?xùn)練將人類腦電波模式映射到機(jī)器人控制命令即可實(shí)現(xiàn)腦電波—動作的進(jìn)展，如圖3所示。在這種情況下，使用一個14通道的EMOTIV EPOC +設(shè)備（EMOTIV，美國）來收集人類的腦波信號。信號處理后的匹配命令被傳遞給機(jī)器人控制器進(jìn)行自適應(yīng)執(zhí)行。
圖3 腦機(jī)器人人機(jī)協(xié)作
四、機(jī)遇與挑戰(zhàn)
人工智能和云計(jì)算、大數(shù)據(jù)分析、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)/5G等最新IT技術(shù)的支持，為智能制造提供了眾多機(jī)遇。這些新技術(shù)將促進(jìn)智能制造中的實(shí)時信息共享、知識發(fā)現(xiàn)和知情決策，具體如下：
· 物聯(lián)網(wǎng)為數(shù)據(jù)收集提供更好的機(jī)器和現(xiàn)場設(shè)備連接，因此使實(shí)時數(shù)據(jù)收集成為可能。
· 移動互聯(lián)網(wǎng)/5G使得以超低延遲傳輸大量數(shù)據(jù)，實(shí)現(xiàn)實(shí)時信息共享成為可能。
· 云計(jì)算提供快速和按需數(shù)據(jù)的分析；它還有助于儲存數(shù)據(jù)，這些數(shù)據(jù)可以輕松地與授權(quán)用戶共享。
· 大數(shù)據(jù)分析可以揭示數(shù)據(jù)中隱藏的模式和有意義的信息，從而將數(shù)據(jù)轉(zhuǎn)化為信息，并進(jìn)一步將信息轉(zhuǎn)化為知識。
例如，智能制造的新機(jī)遇可能包括：①延遲時間短的遠(yuǎn)程實(shí)時監(jiān)控和控制；②通過機(jī)會過程計(jì)劃和調(diào)度進(jìn)行無缺陷加工；③具有成本效益和安全的資產(chǎn)預(yù)測維護(hù)；④整體規(guī)劃和控制復(fù)雜的供應(yīng)鏈。
此外，近期的智能制造將受益于上述不同時間尺度的技術(shù)，具體如下：
· 5年內(nèi)，主要通過物聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)實(shí)現(xiàn)更好的橫向和縱向集成，可以消除自動化島之間的80%的差距；
· 10年內(nèi)，主要通過云計(jì)算和大數(shù)據(jù)分析實(shí)現(xiàn)經(jīng)驗(yàn)驅(qū)動的制造運(yùn)營，可能會在先前知識的支持下變成數(shù)據(jù)驅(qū)動；
· 20年內(nèi)，眾多中小型企業(yè)（SME）可以通過云制造技術(shù)為所有人提供服務(wù)，從而在全球市場中獲得競爭優(yōu)勢。
然而，復(fù)雜性和不確定性仍將是未來幾年制造業(yè)面臨的主要挑戰(zhàn)。人工智能和機(jī)器學(xué)習(xí)可以在很大程度上提供緩解甚至解決這些挑戰(zhàn)的機(jī)會。例如，可以使用深度學(xué)習(xí)來更好地理解制造環(huán)境，并在制造過程發(fā)生之前更準(zhǔn)確地預(yù)測未來的問題或失敗，從而實(shí)現(xiàn)無缺陷制造。
安全的HRC是智能和靈活的自動化進(jìn)程中的另一個挑戰(zhàn)，其中包括人工參與。這種協(xié)作是有用和必要的，特別是在制造裝備操作中，深度學(xué)習(xí)可以幫助機(jī)器人變得足夠智能，以幫助人類操作員，同時為人類的絕對安全提供更好的情境意識。
最后，在未來的工廠中實(shí)施智能制造之前，網(wǎng)絡(luò)安全和新的商業(yè)模式必須得到充分的重視。
注：本文內(nèi)容呈現(xiàn)形式略有調(diào)整，若需可查看原文。
改編原文：
Lihui Wang.From Intelligence Science to Intelligent Manufacturing[J].Engineering,2019,5(4):615-618.
聯(lián)系客服
