表面处理行业与智能化

袁 华

（中国表面工程协会名誉理事长）

0 前 言

如果在前几年，物联网、云计算、大数据还是非常热门的词汇，那么当前各行各业最常被人提及的话题无疑是“人工智能”。 从20世纪50年代开始，人类对“人工智能”的探索已经持续了半个多世纪，为什么这两年在全社会掀起了“人工智能”的热潮？ “自动化”和“智能化”到底有什么样的区别？表面处理行业在未来实现“智能化”的过程中应遵循什么样的原则？下面跟大家分享一下本人对这些问题的思考。

1 智能化系统具有四个主要的特征

与“自动化系统”相比，“智能化系统”一般具有四个主要的特征：

（1）具有感知能力，即具有能够主动感知外部世界、获取外部信息的能力，这是产生智能活动的前提条件；

（2）具有思维能力，即能够在感知外部信息的基础上由思维产生知识，并能够利用已有的知识对新的信息进行处理，从而产生更新的知识；

（3）具有学习能力和自适应能力，即通过不断学习和积累知识，系统本身能实现自我优化从而适应环境的变化；

（4）具有行为决策能力，即系统能对外部环境作出反应，形成正确的决策并加以执行。

2 两种主导思路

人们在构建人工智能的过程中产生了两种主导思路：

（1）第一种是功能主义，即撇开人脑的具体结构，仅在输入输出上实现与人脑功能相似的人工智能，早期的人工智能研究大都遵循这一思路，形成了传统的人工智能技术。

（2）第二种是结构主义，这一流派试图从硬件结构上模拟人脑的构成和工作原理。基于这种思想，人们开发了以人工神经网络为代表的人工智能技术。

3 人工智能技术以期达到模拟人脑智能的目的

传统的人工智能技术以冯·诺依曼型计算机为基础，通过编制基于各种算法的软件程序，以期达到模拟人脑智能的目的。其在求解逻辑问题、过程模拟和控制以及基于知识系统的辅助决策等方面取得了很大的成功。

在工业自动化时代，善于“逻辑思维和精确计算”的传统人工智能技术得到了广泛地运用，包括在很多行业得到应用的“专家系统”。但其在感知和处理外界的模糊信息（如人工视觉、自然语言的理解）以及无督导机器学习等方面遇到了很大的困难。而“人工神经网络”等人工智能技术在这些领域具有很多优势。在经过多年的努力后，以基于多层神经网络的“深度学习”为代表的人工智能技术在2006年以后取得了突破，在人工视觉、语音识别和机器学习等领域获得了一系列的成功：基于深度卷积神经网络的AlphaGo（阿尔法狗）系统在对弈人类顶尖棋手时取得了几乎百战百胜的战绩，让所有的人感到震撼，为人工智能技术做了无与伦比的广告。

与此同时，人工视觉、语音识别、无人驾驶等技术已经进入实际应用阶段：人们在银行使用“人脸识别”进行身份认证；很多用户在使用手机时利用“语音识别技术”进行人机交互；而无人驾驶汽车实现商用似乎也只是时间问题。这些贴近百姓的应用，在全社会掀起了人工智能的热潮。总体社会舆论对人工智能的未来非常乐观，大家已经开始探讨人工智能取代脑力劳动的前景。

4 实现智能化制造的过程中应遵循四个原则

在这种语境下，无需对智能化的必要性再做阐述，我们曾在过去几次行业协会的会议上数次讨论这一课题。今天只想就表面处理行业在未来实现智能化的过程中应注意的事情谈谈自己的一些看法。

我个人认为：虽然目前人工智能技术取得了飞速的发展，但距离实现真正意义上的人工智能仍很遥远。在我们行业实现“智能化制造”的过程中应遵循“简单性”、“实用性”、“渐进性”和“经济性”的原则。

4.1 “简单性”原则

“简单性”原则，在西方也被称作“奥卡姆剃刀原理”，即“如无必要，勿增实体”。“奥卡姆剃刀原理”是人工智能研究和开发者所遵循一个最基本的原则。同样，表面处理行业在实现智能化的过程中也应始终牢记这一原则。例如，我们在构建智能生产系统的感知能力时，仅需基于生产设备采集必要的数据；与无人驾驶等领域需要在极短的时间内感知和处理大量缺乏特征的模糊数据相比，我们的系统需要采集的数据简单而明确，无需复杂的模式识别和处理系统。简单是可靠的前提，任何不必要的复杂常常导致失败。在感知系统方面，我们更需要关心如何提升传感器在我们复杂的工作液体中使用的可靠性和寿命，这同样需要遵循“简单性”原则。

4.2 “实用性”原则

在一般情况下，任何技术都有使用的限制和边界条件。在很多条件并不具备的场景，高端的技术未必是实用的技术，人工智能技术尤其如此。例如，各种机器学习算法都需要必要且足量的数据供机器学习和训练使用，大数据更是应用“深度学习”等人工智能技术的基础。客观上说，我们表面处理行业在数据采集、存储和整理方面的工作依旧很薄弱。在很多必要基础工作完成之前，一些人工智能算法在这个行业尚无用武之地。在部署和实施我们的智能制造项目时，我们应多花些时间对所要采用的技术进行必要的可行性分析，务必要使用实用而成熟的技术。

4.3 “渐进性”原则

人工智能技术的发展历史呈现出阶段性突破和停滞相伴的特征，表现为非线性地成长。在实际的工程应用过程中，我们也应对“智能化项目”实施应采取渐进发展的策略：

（1）先补足我们行业“自动化”的短板，实现数据采集、信息处理和分析的自动化；

（2）在人工系统地整理和归纳行业知识的基础上，逐步构建满足企业需求的“专家系统”，形成辅助决策的能力；

（3）在有人督导和改进的情况下，逐步构建机器学习的能力；

（4）实现系统的自我决策和优化能力，初步形成满足行业需求的“人工智能”。在这一过程中，首先应以传统人工智能技术为主，在条件成熟的情况下，逐步引入“遗传算法”等具有自我优化能力的算法。

4.4 “经济性”原则

无论是技术上，还是财力上，我们表面处理企业都不可能像谷歌公司那样为人工智能技术烧钱。“量入为出”是我们在实现智能化的过程中必须始终恪守的原则。很多目前热门的人工智能技术都很昂贵，例如要应用基于人工神经网络的“深度学习”那样的人工智能技术，需要构建具有并行计算和存储能力的软硬件系统（包括研发适应并行计算的芯片），这不是普通制造业的企业可以负担得起的。如果我们采用成熟的技术，就可以以较为低廉的成本逐步构建智能化的系统。在过去的讨论中，我们曾讨论过利用普通PC机和互联网构建分布式数据分析系统的可能性。

5 结束语

人工智能是一个非常开放和宽泛的技术体系，我们表面处理行业应在做好自身需求分析的基础上，制定适合自身行业需求和禀赋的智能化发展策略，采用经济、成熟而实用的智能化技术，将实现行业的智能化落到实处。

（注：本文系作者在智能制造技术论坛上的发言稿，经储荣邦高工整理和斧正，特表谢意！）

【相关链接】

什么是冯·诺依曼型计算机？

在我们日常生活和工作中常使用“电脑”这个词，但大家基本不认为它是具有自我思维能力的“脑”，而是将其看作“计算机”，是一台机器。

事实也是如此！到目前为止，无论功能有多么强大，大到银行系统，小到一台手机，人们广泛使用的计算机的工作原理几乎和人类第一台计算机没什么区别，即它们都是“冯·诺依曼型计算机”： 由运算器、控制器、存储器、输入和输出设备等功能模块组成，采用二进制存储和处理数据，按照程序的指令以串行的模式工作。

无论是物理结构和还是工作原理，“冯·诺依曼型计算机”都与人脑相去甚远。它们非常擅长算术和逻辑运算，人们把对任何性质的问题求解都当作一个计算过程，通过将问题转换成算法并编制成计算机可执行的程序，从而通过计算机的计算求得问题的精确解。

冯·诺依曼系著名的匈牙利裔美籍数学家、计算机科学家、物理学家和化学家；被誉为20世纪最具科学头脑的人；数字计算机之父。