人工智能不同于機器學習

很多人都會把機器學習和人工智能混為一談，在賴兆紅的理解中，人工智能與通常引述的機器學習是兩個不同的概念。

機器學習的出現要早于人工智能，是機器利用算法模型從大量數據中解析獲得有用信息的過程。在機器學習的過程中，已知的算法模型和明確的規則是必不可少的。人工智能則是在 AlphaGo擊敗人類圍棋冠軍這個里程碑事件后，開始受到業界廣泛關注的。人工智能的研究是人工神經網絡，用機器模擬人腦運轉，從信息處理角度對神經元細胞相互連接、觸發的方式建立運算模型。在特定環境（規則）下，機器自行感知采集數據，再通過復雜運算逼近自然界的某種算法或者人腦神經網絡行為特征，從而做出合理的推理、判定并給出反饋。基于這一目標，對特定環境或規則的解析，計算機、大數據、統計學、經濟學、生命科學等大量學科被牽扯到其中。

目 前，人 工 智 能 的 主 流 算 法分為監督學習與強化學習的方法。監督學習是用大量的結論數據對機器進行培訓。以 AlphaGo 為例， AlphaGo 通過研究人類棋手數千場對抗的棋譜，從這些游戲中學習規則和策略，進而學會下圍棋，這個過程就是監督學習。而強化學習更偏向讓機器“自學”。研發 AlphaGo 的公司去年公布了它的升級版“AlphaGo Zero”——據說 AlphaGo Zero 的 圍 棋 玩 得 更 好、學得更快，主要的是它的學習過程沒有求助于人類專家。AlphaGo Zero 的自學過程建立在對圍棋規則的充分了解和“獎勵”機制之上。 AlphaGo Zero在 19x19的棋盤上反復嘗試落子，贏棋便“獎勵”加分，輸棋就扣分，通過反復與其他版本的“自己”對抗下棋，這個不斷自我革新的過程就是強化學習。相比較而言，監督學習需要的數據成本更高，更加依賴人類專家在該領域獲取的經驗 ；而在強化學習的過程中，機器展現出的“非人類”風格可能會衍生出其他棘手問題。

理論上來講，機器可以模仿人類智能，然后通過自學快速成長、超越人類。“但是，人類對大腦的認知還是非常有限的”，賴兆紅說， “我們現階段在人工智能領域取得的突破，還停留在規則性較強的場景中。人工智能可以通過規則遞歸運算（搜索）推導出準確率極高的結論，實現強大的人機互動效果，但是在語言的理解、人體感知（如嗅覺）和情感的認知等方面處理，效果還欠佳”。

人工智能落地工業制造

人類對人工智能的開發利用并不滿足于給自己找一個強大的棋友，在工業生產中它更被寄予厚望。

人工智能技術落地工業制造有兩大先天優勢 ：一是工業生產流程往往與業務機理緊密結合，具有明確的規則性 ；二是生產過程通常伴隨著多節點的數據采集，為人工智能數據分析提供了海量樣本。

在工業制造中，人工智能技術與大數據分析相輔相成，一直專注于賦予工業生產智能化的屬性，典型的應用包括模型分析、預測研判、輔助決策等等。這些應用是如何實現的？可以為工業生產帶來什么效益？以設備預測性維護為例，賴兆紅做了簡要說明 ：設備的理想狀態為正常工作狀態，隨著時間的推移、環境的變化，設備發生損耗，人工智能的任務就是去感知這個變化，識別并提前預警。人工智能可以結合業務知識，通過特征值進行故障預測，指導人員提前維護或更換設備。“設備故障的原因是多種多樣的，體現在數據上也是千差萬別，但是我們預測故障并不需要逐一排除，通過發現特征值，人工智能就能判定設備狀態異常。”賴兆紅說，“這個功能應用到隱患排查方面，非常簡單實用。”

 除了實現設備檢修維護、性能分析這一類的生產優化，人工智能還能建立數據模型，通過準確到小時、分鐘的歷史電力負荷數據訓練，預測該廠的短期電力負荷變化，幫助企業優化經營成本 ；通過協同上下游企業，優化產業生態鏈……人工智能技術在工業生產中的巨大潛力已經獲得了國家層面的重視。在打造中國工業互聯網、中國制造 2025 的浪潮中，新技術、新平臺、新的商業模式孕育而生，應用在中國龐大的工業生產基數下，哪怕很小的性能改進，都將帶來巨大的經濟效益，進而鼓勵更長期、更可觀的投入和研發。

智能工廠離我們有多遠？

一方面，人工智能在工業領域的潛力已經開始顯現，在預測性維護、檢查、成本優化等方面的應用獲得了小范圍成功 ；另一方面，從“單點智能”到“全局智能”，從特定場景下的智能化應用到建設智能工廠，如何讓機器完成一個高度協調的生產過程，需要更多冷靜思考。 “像電廠一樣的流程化企業，生產的每一步都牽一發而動全身，比如，電廠停機會影響到電網負荷，再影響到更多家庭用電、企業生產，這個生產的責任是非常艱巨的，”賴兆紅認為，“現階段談智能電廠還為時尚早。”

 “在現階段，工廠要做好從自動化到數字化、再到智能化的轉型，一定要重視大數據分析。發揮人工智能的輔助決策功能，通過大數據分析，預測供給側、需求側變化趨勢，用數據指導決策。”賴兆紅說，“比如，我們正在進行企業用戶畫像方面的嘗試，首要的是給人工智能構建相關的知識體，這還要生產企業相關領域專家的幫助。”如何確定數據的采集點，如何理解每個數據的含義，構建完整的專業領域知識體，這是人工智能運算的前期條件，也是人工智能專家和工業生產業務專家共同面臨的難點。只有充分了解業務機理，才能更好地把生產制造流程映射到人工智能模型，再對模型進行層層優化，達到理想的收斂效果……人工智能為工業制造提供了轉型升級的重大機遇，工業制造為人工智能提供了技術落地的優渥土壤，為了共同實現提速發展，雙方專家的工作已緊密交織。

目前，人工智能技術已經可以為工業生產省去很多重復性工作、解決傳統領域無法解決的問題，在施工、救援搶險領域也大有可為。 “DeepMind團隊正在讓機器學習模仿類似消防員的行為，如翻越障礙物。這個功能成熟以后，就可以應用到某些高危工作領域，比如用機器人搶險救援任務，或者完成煤礦井下、核電領域、高溫高壓環境中的操作。” 賴兆紅預測道。

正如霍金在 GMIC 的演講中所說 ：“我們站在一個美麗新世界的入口。這是一個令人興奮的、同時充滿了不確定性的世界。”我們將是這個智能世界的先行者。祝福我們。