在制造业中，任何与计算机有关的东西都会被大肆炒作。我已经写了不少文章警示工业4.0浪潮，这篇文章将更深入地探讨人工智能（AI）。我相信人工智能在制造业中有应用场景，但目前仍不常见。接下来我想谈一谈工业4.0是如何被炒作，同时也展示一些它赋能制造业的实例。
简介
人工智能是来自机器的智能，而不是人类或动物，很不幸的是，这个定义有一些灰色地带。你需要智能来计算15129的平方根吗？当然需要！但计算机可以做得更快，在你读出这个数字的第二个数字之前计算机就会给你结果（123）。但这并不意味着计算机是智能的，而是有人编写了计算平方根的程序，计算机只是遵循程序的逻辑，这通常不能被称为是人工智能。另一个例子，以国际象棋计算机为例，现在任何一个拿得出手的程序都能打败大多数棋手。其实大多数国际象棋计算机只是利用计算机算力来分析数以百万计的可行步骤，然后挑选出获胜概率最高的那一步。有人已经称这为人工智能了，但对我来说，这充其量还只是先进算法。
我觉得人工智能是一个能够学习的计算机系统，对于人工智能来说，不是由人类提供规则，而是由系统根据所提供的数据生成自己的规则。当然，很多人工智能的研究人员不同意这个观点，但似乎这些研究人员在定义他们的领域时，彼此之间也有很多分歧，而且有许多比我更了解人工智能的人提出了相互矛盾的定义（关于AI如何被定义，请参考维基百科）。
AI有多火？
人工智能绝对是一个热门话题，谷歌学术上有超过300万篇关于人工智能的学术论文，包括20万篇评论文章。仅关于制造业AI的学术文章就有100多万篇，其中2.2万篇是摘要评论。这绝对是热门话题，媒体的报道就更多了，谷歌新闻搜索返回了超过1亿篇相关报道。我相信你也经常看到相关新闻，与这么多学术文献及新闻报道相比，我还没看到过多少人工智能在制造业或物流业的实际应用。
中国作为制造业大国，也积极参与这个话题，发表了大量论文。他们的优势在于有大量数据来训练神经网络算法。仅在2021年，就有500多篇关于制造业AI的论文，但其中很少是关于现场实际应用，绝大部分更偏理论研究。总之，我没找到过多少关于实际运用的文献能够作为参考。
诸如咨询公司和一些软件公司总是喜欢蹭热点，以展示其竞争优势，不管是通过工业4.0还是人工智能等等。不少咨询顾问提到的人工智能，背后还是传统数学。我看到的大多数情况，人工智能只是一个卖点，PPT中的高大上的热门词，实际呈现出来的少之甚少。这感觉和导入精益很像：客户从解决方案（比如看板，或者人工智能）开始，寻找一个问题来解决，这明显是本末倒置。请记住，我们总是需要从问题，痛点或愿景开始，不要拘束于现有的解决方案，不然你很容易就忽视了更经济更高效的解决方案。
人工智能的挑战
人工智能的道路很坎坷，高度复杂的问题还没有可靠的解决方案。我们在汽车自动驾驶领域研究投入的经费至少数十亿美元，目前还没是有完全自主驾驶的汽车上市。我可以想象，在车间里导航生产计划和导航汽车一样复杂。此外，人们对自动驾驶可靠性和性能的期望也非常高，95%的可靠性远远不够，与之类似，如果车间有5%的时间无法按计划生产，一样让人抓狂。人工智能现阶段仍然局限于特定的场景，当然更多的场景也开始被慢慢识别出来。
人工智能赋能实例
目前，人工智能大多是对未来的承诺，但我也已经看到过制造业中一些有价值的应用。AI擅长的是从大量数据中寻找一些规律，让数据之间建立联系，常规的方法在这方面通常无能为力。下面我将展示几个我遇到过的AI运用。
其中一个场景是图像识别。字符识别现在很常见，你手机APP上就可能有这样的应用，由于这种软件过于普遍，以至于一些研究人员不再认为这是人工智能。在工业上需要用到图像识别的场景很多，亚马逊使用AI来识别他们的货架中商品的数量和类型，左图是一张供AI分析的图像。AI分析完该图像后，需要与系统实际数据比较，并标出差异，具体请见《亚马逊交付中心-第5讲》。
另一个例子是寻找PCB板上的缺陷。Julian Senoner和他在EthonAI 的团队正在进行这方面的研究，不仅检测PCB板是否有质量问题，还能生成热图，指出缺陷部分。
南非的亚特兰蒂斯铸造厂之前使用传统的方法来降低他们的缺陷率，通过努力工作，他们将缺陷率从15%降至6%。但这显然还不够好，他们在一家人工智能咨询公司的帮助下，利用大量的历史数据，使用AI分析了高达185个过程变量。AI不仅学会了如何预测质量，还能建议过程参数，将产品的缺陷率成功地降到了2%以下，甚至连续三个月实现零缺陷。(感谢非洲精益研究院Anton Grütter提供的案例）。
如果你有大量重复的多维度的数据用于AI训练，且无需100%精确，那么AI能够帮到你。通常这些都是限定的问题，如特定的质量问题，但不适合高度复杂的问题（比如，我应该在什么时候生产什么产品）。其它相关的关键词是弱人工智能与强人工智能。此外，AI无法告诉你为什么做这个决定，因为大多数神经网络无法给出这个信息（关键词是可解释性）。总之，不要期望通过AI获得一个神奇的解决方案。再次强调下，不管是精益还是AI，都要从你实际的问题入手！如果你有更多关于AI的例子，请在评论中分享给我们。现在，走出去，使用任何智能，组织你的行业！
参考文献
- The Economist: Can China create a world-beating AI industry?, January 22, 2022
- Julian Senoner, Torbjørn Netland, Stefan Feuerriegel , Using Explainable Artificial Intelligence to Improve Process Quality: Evidence from Semiconductor Manufacturing, Management Science, December 09 2021 (not the example in the blog post above, but similar)
- Foundry of the Week: Atlantis Foundries, Foundry Planet
- Industry 4.0 or Lean 4.0?, Interview with Anton Grütter on the Atlantis Foundries
Translated by Xie Xuan