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