与产界更关注AI落地和应用不同，大众更乐于讨论人工智能是否会取代人，甚至彻底淘汰一些工作和职业，工厂里的劳工更是首当其冲。不管人工智能可以实现什么功能，技术落地需要多久，学界依然在努力实现AI的终极目标——“让机器更像人”。
8月30日，2019全球工业智能峰会在上海举行，本次峰会由世界人工智能大会组委会主办，上海市经济和信息化委员会、江苏省工业和信息化厅、浙江省经济和信息化厅、安徽省经济和信息化厅、中国信息通信研究院、工业互联网产业联盟（AII）、联合国工业发展组织上海投资促进中心、日本工业价值链促进会等联合承办。
在开幕式的嘉宾报告环节，中国工程院院士、北京化工大学教授高金吉介绍了脱胎于“人类自愈”的“人工自愈”，目的是减少工业流程中40%由人为失误造成的机器故障，让强大的智能控制能保证机器运行在“健康”的状态；中国工程院院士、东北大学教授柴天佑则希望通过人工智能让机器进入决策层，弥补人类在收集、分析信息和决策上的不足。
仅从主题上看，不止是产线上的工人要担心被机器人取代，工厂的检修员和工程师都要开始考虑失业问题了。
高金吉：类比人类自愈能力，机器装备也要能自主健康
人工自愈类比自人类的自愈能力，是机器状态检测由数据采集、数据分析、决策判断到自我解决故障发展进程中的最后一环。人工智能也将由“脑”到“手”，从思考判断发展到操作。
机器故障一直是工业生产的难点和痛点。在以往的生产环节中，一旦机器发生故障，轻则被动停机，产生经济损失；重则发生事故，甚至机毁人亡。
长期以来，生产企业对于机械故障的处理也相对“简单粗暴”。一旦设备报错，先采用紧急停车系统停止生产流程，再通过人工排查、检修的方式解决问题，耗时耗力，效率极低，还有可能引发安全事故。
根据统计，在石化生产事故中，来源于机器的故障占40%，人为失误和工艺分别占40%和20%。所以如何提升机器运行状态检测，并且逐步降低设备对人工的依赖就成为重要课题。
在AI技术没兴起之前，工况监测的重心主要在数据采集上。中国工程院院士、北京化工大学教授高金吉以自己的工作经历作为参考，他从1979年开展状态监测故障诊断工作，直到1987年才从美国引进一台监测系统，当时美国的技术也仅支持模拟量，不支持数字量。
直到1991年，高金吉所在的团队才开始研发国内一套局域网监测系统，不过电路板依然需要从国外引进。2001年，监测系统才通过互联网支持异地监测。直到2005年，高教授的团队才开始自主研发电路板。尽管他们的产品已经支持10类56种机械故障的诊断，但依然是人机对话，系统不能让机器自主制动。
又经过十几年的发展，高教授团队通过统计关键机组、透明压缩机组2700多个案例以及监测系统内原有的1万多个案例，才逐步使故障诊断准确率达到90%。但是，系统依然是机械的，单个指标超过范围就会控制设备停车。
人工智能技术所带来的第一个变革，就是能让监测智能化，让系统判断不同指标的间的相互关系，从而能从指标中判断问题的来源和严重程度，为操作者的决策提供依据。
“机器自愈”是智能运维更进一步的AI进展，意味着机器不只能完成数据获取、信息认知和科学决策，最终还可以精准执行。机器将不止有自主判断的能力，而且能够逐步实现维护机器健康运转的工作。
高金吉教授介绍说，医学上来讲保持健康的根本点不在于宏观的稳定状态，而在于调节控制和建立保持这种状态的机制。和大众所理解的细胞繁殖产生的生物自愈不同，机器自愈首先是通过强力有效的调控使它不发生故障。
与人工智能类似，人工自愈也是研究由人到物的科学，目的是赋予机器自发作用的维持健康状态的能力。所以人工自愈系统应该包括自修复、代偿、自保护和故障防止四个功能。
对于人工自愈的前景，高金吉教授非常自信。首先，相比于自然制造、有300万年历史的人类来说，在没有医药诞生前的漫长时代都是依靠纯粹的生物自愈能力；只有200多年历史的机器的智能化已经实现了自动诊断，因此还有很长时间去值得期待。
此外，不管是自动化、智能化还是自愈化，理论的提出都是落后于实际发展的，有关自愈化的理论直到2003年才提出。通过测试工况，自愈调控在故障中自主排查故障原因，并通过反作用抵消故障产生的条件和原因，是对原有机器反馈理论的发展和革新。
“人工自愈改变传统理论、创新设计，让未来的机器装备和制造系统，乃至所有的人造物系统自主健康，助力于下一轮工业革命，迈进自愈化时代。”高金吉教授总结说。
柴天佑：制造流程智能化让机器进入决策层
工业生产可以简化为底层的工业装备和上层的控制系统。控制系统能够保证自动化生产，但是自动化的生产无法应对两种生产需求。
首先是个性定制产品的生产，要求底层的工业装备能够加工出不同的产品。此时，不仅是工业装备还是控制系统都需要智能化。
目前自动化流程可以提前设置生产参数，部署自动化产线，实现“关灯工厂”。不过，这种自动化无法满足定制化和柔性生产的需要。如果产品需要新的工艺和流程，决策部门需要重新把指标变成工业参数，再由工程师落实控制系统的设置。
当前的生产系统依然是人与信息物理系统融合的结果。在这样一个人机协作的系统中，人需要先从信息系统采集信息，然后根据自己的感知、认知和功能得到工况信息，最后在这些信息的基础上进行分析和决策。
在自动化水平不断提升后，人的决策就开始制约生产的发展。因为人很难感知到运行工况的动态变化，决策也容易受主观判断的影响。
因此，机器就将逐步进入决策层，将原有的管理系统变成人机合作的决策系统，让机器逐渐拥有感知、认知和决策的功能。柴教授同时认为，AI的加入也会改变现在的企业结构——从原有的资源计划系统、制造执行系统和设备控制系统的三层结构简化为自主系统和人机决策优化系统两侧结构。
不过，目前基于大数据的深度学习还很难应用于制造流程：多尺度和多元信息依然依赖人工获取；预报模型难以建立，预测依赖人工；决策和控制过程的集成也很困难。
人工智能技术依然不足以支撑机器状态的判断，无法完全实现工况的预测和追溯。以AlphaGo为例，它之所以能强于人，是因为围棋有固定的规则。通过博弈建立精确的决策模型，就能一直训练到打败人类，也不用考虑能耗。
但是工业过程的决策截然不同，工况没有确定的决策和规则。工业过程也无法通过反复试错去建立模型，更何况工业过程的决策本身是多目标的。所以人工智能技术更容易解决大数据量下的小任务，但是工业决策却是小数据量下的复杂任务。
所以，人工智能在工业流程被寄望能实现的工作有三个。首先是对工况多元化信息的感知和认知；其次是能够协同经营层、生产层和运行层的决策；最后是以企业综合生产指标优化为目标，自动协同控制装备的控制系统。
对应人工智能在工业流程上有望完成的工作，柴教授认为仍有五个关键技术亟待解决：
第一个关键技术复杂工业环境下运行工况多尺度、多元信息的智能感知和识别技术；
第二个复杂工业环境下基于5G多元信息的快速可靠的传输技术；
第三个系统辨识与深度学习相结合的智能建模、动态仿真和可视化的技术；
第四个关键的工艺参数和生产指标的预测和追溯技术；
第五个人机合作的智能优化决策技术。
两位院士的报告凸显了人工智能在工业领域的广阔前景，而人工智能的应用的目的也的确是在弥补人类在工业流程中决策和操作上的不足。
随着工业自动化进程的不断推进，机器的工作逐渐延伸原本人类完成的领域。目前，机器已经可以完成工业数据采集，也有相应的系统和应用可以实现数据分析和生产模型的构建。
但是，目前的人工智能依然是一个辅助决策的角色，主要功能还是为人的决策提供更全面、客观的信息。讨论取代人的话题，还为时尚早。
