用以满足工业智能的可成长性

1.我们需要什么样的工业智能？

人类能够在诸如围棋等活动中激发自己的智慧并从中感受到乐趣，围棋对于人类是有意义的。而对于人工智能来说，它只是在执行一些数学模型的运算而已，并不能从中感受到乐趣。智能化的出发点正是将人类从枯燥的、流程化的工作中解放出来，去完成更有乐趣和更具挑战性的任务。因此，虽然目前的人工智能与真正的人脑相比，仍然存在很大的差距，但在工业领域，智能化却可以有所作为，甚至大展宏图。

真正的工业智能应该是机器能拥有自己独特的分析方式。正所谓“授之以鱼，不如授之以渔”，工业智能的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，而不是作为信息的集成展示工具，将更多的问题更快地呈现在人类面前，等待人类的决策。工业智能的意义在于减轻人类的负担，而不是提高人类的工作强度。

在实现上述目标的过程中，最重要的是工业智能的可成长性。一个优秀的工业智能，应该做到不断丰富和迭代自己的分析与决策能力，来适应周围变幻不定的工业环境，完成多样化的工业任务流程，最终让工业智能达到主动获得和传承知识的能力。当然，要实现这些并非易事，而其最根本的途径，就在于掌握像人类大脑一样的认知能力。

2.“知识消费型”信息系统无法满足工业智能的需求

刚刚上路的新手司机，就算他是汽车专业的博士毕业，在面对一辆新车和新的路段时，会缺少对危险情况的预警和处理能力，甚至由于心里紧张等原因，犯一些低级错误，而有丰富经验的司机即使对汽车原理一窍不通，在对路况和车辆同样不熟悉的情况下，也能凭借长期驾驶过程中积累的经验和处理紧急情况的能力，更好地掌控新车，提高驾驶的安全性，降低事故发生率，完成新路段的行驶。也就是说，驾驶安全取决于驾驶技术，而不是对车辆原理的掌握。

但是，如何掌握驾驶技术？只能通过经验来慢慢提高吗？新手司机和汽车厂商显然都不这么认为，于是诞生了一系列辅助驾驶的智能系统。

以发动机启停技术和自动刹车技术为例，多数司机表示发动机启停技术在堵车、停车、穿过人流拥挤的街道时，频繁的启停非常影响驾驶感受，甚至有部分司机在上车后的第一件事就是关闭自动启停系统；而自动刹车技术同样由于城市交通状况的差异而显得“水土不服”，在穿过人流拥挤的道路时，驾驶体验很差，甚至还有高峰时段误判导致追尾的情况发生，“该停的时候不停，不该停的时候总停”。

那么，为什么人可以越驾驶越熟练，而机器不行呢？

其实不是不行，是方式不对，驾驶可以说是现代社会最普遍的一种人与机器交互的场景了，驾驶者可以不必了解汽车原理，通过反复的驾驶，就可以获得驾驶时的“舒适感觉”，其中的关键在于人脑对于驾驶的认知是一个不断积累、不断熟悉的过程，即人类可以通过反复训练来提高认知水平、提高驾驶技能，而辅助驾驶系统只是对已有驾驶常识的全新展现形式，没有认知能力和成长性，无法实现自身能力的主动提升。

自动启停技术的设计原理，来源于人类对于驾驶知识的总结：停车时关闭发动机可以省油，但是缺少了对具体情况的分析与调整，比如晚高峰时，在北京三环开车，汽车停止是由于拥堵造成的短暂停止，这时候不需要关闭发动机，而在春节期间同样时段的三环路上，汽车停止时应该就是遇到红灯了，此时可以选择关闭发动机，节省油耗。上述推断对于一个有经验的司机来说并不困难，但是不具备认知与决策能力的“伪智能”辅助驾驶系统则很难完成这个推断。

目前信息系统是“知识消费型”系统，只是对已有知识的消费，却不能有效地管理和创造知识。在上述医生和司机的例子中，关键问题不在于他们具备多少重复性任务的经验，而是他们在大量的实践中，形成了处理复杂新事物的方法论，发现了事物内在切实有效的关联规则，这些方法论和规则的形成就是行为认知的过程，增强这些认知成果的过程就是启发认知的过程，利用认知成果在新环境做出决策的过程就是群体认知的过程（见图3-8）。

工业信息化实现了信息流动的自动化，但是决策环节还需要依赖人的判断和输入，即便是部分系统实现了自动化和无人化，大多也是依靠专家规则和反馈控制实现的，其决策能力取决于专家库的丰富性以及控制模型的准确性，无法对多因素动态变化的系统进行动态的决策优化。而人工智能则是让机器像人一样具备行为的认知、启发的认知、群体的认知能力，即便在模型训练初期，效率和准确度不及专家系统，但是建立在自认知基础上的自主成长能力能够使机器学习模型的迭代优化，最终会在许多领域达到甚至超过人类的能力，实现真正的工业智能化。

图3-8 信息系统的知识消耗模式与人类的知识积累模式

“伪智能”系统是信息系统或是信息系统的增强版，通过互联网技术的应用，进一步提高信息获取的速度，但是制约着智能化水平关键的知识创造速度并没有增加，在上述辅助驾驶系统的例子中，并没有知识的认知学习机制，这就导致了所谓“伪智能”系统的效果和性能直接取决于专家库和知识库的完备程度，而在使用过程中一直处于知识消耗的过程，并不能根据实际情况进行适应和变化。这与人通过学习、训练获得新的知识，掌握更高级技能的模式完全不同（见图3-9）。

图3-9 信息系统与人类完成任务时的技能差异

知识的管理方式也导致了处理实际任务时的技能水平差异，“伪智能”信息系统往往只能处理单一的、重复的场景，而无法处理经验知识之外的情况。就像目前大多数辅助驾驶系统只能根据车速和车距做出是否刹车或减速的判断，而不能像人类一样根据时间、天气、路况做出综合的判断。