表单: news
用户: dreamable
创建日期: 2021-04-26 23:58:21 UTC
更新日期: 2021-04-26 23:58:21 UTC
引用:(Table ID 4, Record ID 1121)

标题 :
人工智能来了,自动化是不是该瑟瑟发抖了?
类别 :
科技
内容 :

机械工业出版社要重印《大话自动化》,抓住我写一段。那就写一段吧。


======================================:


在机器时代,有“机器吃人”的愤怒控诉;在自动化的时代,轮到机械化慨叹过去的好时光了。在人工智能的时代,是不是该轮到自动化瑟瑟发抖了?


历史就像一个老顽皮,在人们不经意中,一次又一次开着同样的玩笑。历史但只是开玩笑而已,因为玩笑过后,人们发现,机器不吃人,机械化依然是灿烂的小红花,而自动化也不用瑟瑟发抖。科技的进步只是加长了食物链,原来的顶端不再是顶端了,必须重新找正自己的位置,但自己的位置还是在的,而且绝对重要性不减,甚至可能增加,只是相对重要性降低了。这是馅饼做大的缘故。


机械化是用机器代替人的体力,但机器的运作还是要靠人的。比如说,用水泵抽水,就不再需要手提肩挑了,但开泵关泵还是要靠人看管,否则水池满了、溢出来了,或者池塘见底了,泵在空抽、造成损坏,就不好了。在自动化时代,水池里加个水位计,池塘里也加一个水位计,水池满了,或者池塘干了,就自动停泵;水池的水位下去了,而且池塘的水位也足够,那就重新开干。


在人工智能的时代,可能有一个高级应用在监管着。水池可能不满,池塘也有足够水位,但现在其实用水的地方并不需要,白白抽那么多水上来,影响节水,增加挥发,也是高峰用电的电价,浪费了,可以等等再决定是不是要抽水。或者说,现在有好多地方都需要用水,需要综合权衡一下,哪里有优先权可以多用水,哪里需要牺牲一下顾全大局,或者在水价低的时候多用,水价高的时候少用。这样在更高层次上规划用水要求,决定自动抽水是不是进入工作状态,还是继续待命,这可以看作最低初级的人工智能。


也就是说,人工智能可以看作更高层次的自动化。如果说自动化可以比作查表办事,表上说看到“1”就做“A”,看到“2”就做“B”,看到的在“1”和“2”之间,那要做的也在“A”和“B”之间;那人工智能就像炒股,需要对比好多曲线,查对好多条件,说不定还要根据自家秘制的公式计算一下成本、收益和风险,才能决定到底怎么办了。说到底,还是有一定之规的,只是这“规”要复杂得多。


人工智能有很多分支,当前主流基本上围绕着神经元网络。


神经元网络模仿人类大脑的思维,其基本单元是神经元。神经元的数学表述不复杂,就是一条S形曲线。也就是说,在输入值从小变到大的时候,输出值从也从小变到大,但不是均匀地变,而是先慢、后快、再慢地变。


神经元这条S曲线有几个参数可调,一是可调“小”到底多小,“大”到底多大,二是可调S形的弯度,还有参数可以整体升高或者降低基线。“拉直”了,S曲线就和笔直的斜线差不多了,这时神经元的表现和传统的连续变量接近。“拧巴”到极点了,S曲线就和开关曲线差不多了,也就是说,输入值从小变到中的时候,输出值基本不变,保持在低位;但在中点前后急剧上升,一过中点,输出值就基本保持在高位了。这时,S曲线的表现和传统的断续变量接近。


S曲线可以在连续变量(像温度、水位)和离散变量(像“好/坏”、“开/关”)之间无缝过渡的特点,使得神经元既可以模拟连续变量,也可以模拟离散事件,这是人工智能更加“聪明”的关键。


单个的神经元还只是好玩的玩具,多个神经元组网起来,就可以模拟高度复杂的现象。一层一层的神经元网络组成高度复杂的网,这就是深度学习了,已经展现出令人类害怕的智能了。


什么是智能、人工智能vs人类智能可能会成为永恒的哲学问题,但对眼下来说人工智能已经远远超过简单重复人类智能的地步了。“阿尔法狗”大胜人类顶级围棋手成为里程碑式的转折,“阿尔法狗1.0”还是还是用人类最优秀的棋局首先训练一遍然后在“自我琢磨”的,“阿尔法狗2.0”就是脱离人类棋局完全用自学习训练出来的。在更加“接地气”的层面上,人脸识别已经做到惊人的准确度和速度。


但就这些还是抢不了自动化的饭碗的。人脸识别对标的是传感器,自动化的核心还是在于控制器。


自控有两大路:一路是参数化控制(parametric control),另一路是非参数化控制(non-parametric control)。非参数化控制不需要被控过程的数学模型,只要了解大概的定性行为就可以了,比如“加水导致水位升高,撤火导致降温”,这个不能搞反了,剩下的靠一定形式的控制算法和参数整定来最终调试出一个稳定、满意的系统,传统的PID就是这样的。参数化控制则是以数学模型为基础的,数学模型的作用是精确预测被控过程在给定输入时的响应,然后可以根据需要的响应,反推需要给出的控制输入。当然,模型不可能完全精确,剩下的就靠反馈和参数微调来“磨”了。


人工智能用于非参数化控制的话,参数整定太恐怖。一个简单的单回路神经元网络控制器可能有一个决策层,不超过10个神经元,加上输入层和输出层,随随便便就有30-50个可调参数,这是不可能像PID那样整定的。PID一共只有3个参数,大部分人都嫌麻烦,不碰微分,只动比例和积分。要动那么多参数,这是不可能的。但把大量参数都锁定,神经元网络的高度可塑性就没有了,也就不需要费那个事了。


像“阿尔法狗1.0”那样,用现有数据训练神经元网络控制器,这在理论上是可能的,问题是实用中不可能有那样海量的输入-输出的静态数据和动态数据。要真有这些数据,非神经元网络的控制器也已经在手了,而且行为可预测,还费那个事干什么?直接观察人类操作的常年数据也不行,那是闭环的,输入-输出的因果关系已经打乱了,直接拿来训练肯定是不行的,这就和闭环辨识一样。


那像“阿尔法狗2.0”那样自学习呢?更不行了。“阿尔法狗2.0”自我训练的前提是有清晰的规则和游戏空间。更重要的是,自学习需要大量的试错。不可能在实际工业过程上这样试错,人家还要不要生产啦?更何况无限制的试错可能造成各种安全问题。用高度精确的仿真系统大量试错倒是不会造成危险或者生产损失,“阿尔法狗2.0”实际上就是这样做的,但围棋和实际工业工程的差别太大了,“阿尔法狗2.0”可以左右手互博,也可以与“阿尔法狗1.0”互博,每一步在棋盘上清清楚楚,结果判定也一目了然,实际工业过程就需要高精度动态仿真系统了,还要考虑各种不定性情况,这样的高精度动态仿真在工业上是特例,可遇而不可求的。事实上,有了高度精确的动态仿真模型,本身就可以成为模型预估控制或者其他现代控制方法的基础,不需要舍近求远搞神经元网络控制器。



这和人工智能用于医学一样,人工智能辅助诊断喜闻乐见,但自学习人工智能疗法?您先请。


影响神经元网络用于控制算法大发展的关键可能在于缺乏一个统一、有效的数学分析架构。PID控制的概念很早就有了,但提高到理论高度是在微分方程稳定性理论发展起来之后。微分方程是数学里很重要的一个分支,稳定性又是微分方程里的一个分支。从这里用拉普拉斯变换发展出频域

点评 :