主题：自动化的迷思 -- 晨枫

首先，完全同意这样的意见：没有了中低层，高层就是无本之木，早晚要枯萎。这是美国的重大问题。他们如果要再工业化，必须要能够把中低层都再做起来才行。至于是否能够，就不是简单的技术问题，而是他们的整体的社会问题，的确困难重重。不过，我想大家还是要看到美国社会的活力。有活力，困难总是能够克服的。

我其实想说的是机器学习。先举个例子。不知大家是否看美国的电视片“How to Make It”？其中有很多工业自动化线的介绍。记得有一次看他们的可口可乐饮料的灌装自动线，自动线上有很多机器人，对其中的一个机器人有比较深的印象。压制好的铝罐从自动线上流水而来，速度很快，估计每秒过10个，那个机器人有摄像头，有智能判别，可以辨别铝罐是否合符质量要求，如果不符合，就把那个铝罐踢出去。不知道具体怎么做智能判别的，不过从电视上看，是有一个软件，对实时获取的图像，在屏幕上和已有的模板做对比，然后决定是否踢出。应该说，这是比较简单的模式识别的软件。不过，虽然是相对简单的软件，正如晨枫说的，要支持这个软件和实施操作，需要一个不小的支持队伍。特别的是，如果这个自动线是柔性的，可以生产多种罐的，每过若干天就换生产的内容，要支持这个机器人的队伍就更大一些。

但是，如果这个机器人具备了比较强的机器学习能力，那么需要的支持队伍就可能要小一大截。目前的机器人，多半都达不到有比较强的学习能力，他们能够做模式识别，其实还是靠的是很仔细的编程，也就是说通过人工，慢慢磨合，获取数据，然后把这些数据编进程序里面。不过，机器学习也正在上来。机器具备自主学习能力后，这些大量的人工，就可以省去，还是非常有价值的。

完全意义上的人工智能是很难的事情。但是，比现在进一步，先让机器具备某种学习能力，特别是非常专注的方面的能力，例如那个判断罐子是否符合质量标准的能力，还是可以有很大帮助的，在若干领域，也有可能起到生或者死的作用。

我们有另一个帖子专门讨论机器学习等事情：围绕脑科学而发生的若干玄想链接出处

在自动化行业只待了不长时间，但印象比较深刻，纯粹自动控制技术上的问题了解的还不是很透彻，但是对文中有些看法觉得还是没进入这个行业去看。

1、需求，需求总是最重要的。国内这些年工业发展速度很快，对自动化设备和自动化工作人员的需求极多，但是过去几年社会上能供应的自动化工程师比较少，基本上还是各个企业都在慢慢培养中，毕竟一个工程师，尤其是高级工程师是要几年的时间来学习，几年的时间来积累经验，然后自然而然，有所领会。所以国内工程师会有一个明显的趋势，从一大批初学者，到一大批基础工程师，到一大批高工，慢慢来。

2、产业循环的形成。社会有需求，人才配备了，设备当然更加需要了，早些年国外的企业在国内生意好的不是一般的好，一个项目负责人有可能会同时负责一个以上的项目，而且后面还有好多项目堆着，我记得2004年，西门子中国自动化部门接到的业务已经排到2008年以后了，该部门里来回游荡着国内各个厂家来做项目的工程师，数量远远超过西门子的工作人员。在国际巨头吃的胀不下去的时候，国内的一些自动化企业也在慢慢的发展着，高端点的去做PLC，低端点招一批工人，专门给人接线做一些自动化控制柜的简单活。活的远没有国际巨头那么滋润，但是好在总有口饭吃，慢慢也在成长。各地城乡结合带的小钣金厂也大有专门以做控制柜，自动化设备外面那层铁皮生存的。几年前当我游荡在城乡结合带，在各个看似关门闭户的小钣金厂中流窜找合适的供应商的时候感慨，卫星上肯定看不出，这些连水泥路面都没有的地方隐藏着一批产能惊人的生产基地，搞线切割的比办证的都多，那些生产机床的厂子不晓得业务有多好，哦，他们也是需要自动化的，一个个产业循环就这样出现了。

3、循环中的上升。当我刚进入厂里，做个小学徒的时候，我是一窍不通的，一个理科毕业生，在国内的就业形势中，进入社会对自己的第一个认识就是自己好像什么都觉得能看懂，但是什么具体技能都不会。进厂后跟着老工程师们干，当然所谓老，也不过比我们大了七八九十岁而已。那时就听他们说，XX工程师好厉害，自己编写了神经网络的算法程序来对设备的故障情况进行提前预知，说的好神奇好厉害好高不可攀。我在和大家一起露出无限崇拜的表情后，心里在嘀咕：这神经网络算法程序我在学校里也是颇写了一批的，各种算法数学建模，程序编写什么的也是在国家竞赛里几进几出的，搞个这算法至于这么夸张么。但是当我做久了，慢慢我明白了他们的心态，之前的很多工程师，都是在现场摸爬滚打出来的，他们实践经验无比丰富，但是理论基础非常空虚，有些工程师以前是工人，自己函授或者自学慢慢学成，所学也都是基于现场，基于设备，基于本企业工艺流程和自动化控制方式，基于所有看得到的东西。而很多算法，设备内部的光电转换工艺，大量设备运行中的衔接，故障的概率统计和估算，从几个简单信号进行逻辑推理，发现真正故障原因，神经算法和其他预知算法的运作方式等等，对他们来说太抽象了，但是他们慢慢摸到这一步了，还会慢慢摸下去，太不容易了，这就像是街头混混打架打出内力来了，草都赶上树高了。现在像我一样，从学校里学了好多自己觉得无用知识的人来到了工业现场，拜他们当师傅，那是应该的，首先该学的就是这精神。当然我直到离开企业，都没说过自己写过神经网络算法。

对自动控制进行比较基础的理论研究这方面，我就不了解了，不过我想需求的力量如此之大，这方面应该也会有更多的人去搞。

中国人口这么多，工业搞不好 ，自动化搞不好，那连饭都要吃不上，人都要互相倾轧，社会要动乱，战争要爆发，以后搞好是自然地，搞不好是不正常的，没什么其他的，都是被逼的，被逼的。

没压力的国家咱没去过，不知道，就像海里的孩子，不知道陆地上的孩子不会游泳，怎么生活。

但有风险。

近朱者赤，近墨者黑。

自动化是把责任从技能转移到技术

晨大是化工专业的，可以关注一下制造业30多年前兴起的CIMS、FMS等自动化制造理念的兴衰。

在80s-90s中国投入上千亿发展CIMS，养出了一堆专家院士。美国也类似，但是看看这帮人现在在干什么，就明白了。

有几十年工作经验的博士

“如果这个机器人具备了比较强的机器学习能力，那么需要的支持队伍就可能要小一大截。”

实际上，支持的队伍不会小，只是支持的范围变了，变为支持机器学习了。机器学习的过程也是一个渐进的过程，有的地方需要改进，有的地方需要纠错。问题可以搬来搬去，可以施加不同的化妆，但问题不会消失。自动控制理论里有很多这样的例子，到后来，好像有一个“不变性”在里面，只是把原来难解决的问题换一个新的形式出现。极点配置到LQR问题就是一个例子，sliding mode又是一个例子，真正的硬核桃不因为换一个视角就变成软柿子了。固定结构系统-》自适应系统-》自学习系统，都是一样的，问题是形式和性质变了，难度不变。

DCS系统的性能高点低点，系统软件性能高点低点，这些都不是最重要的，花点功夫，没有条件创造条件，总是可以在功能上满足的。就像用DOS2加WordPerfect还是用Win7加Word2010写文章，关键在文章，差别顶多是配图、格式什么的，而不是文章的内容。自动化的难点在于对于过程的深刻理解，这是理论所不能代替的。最好的医生是最了解病人的医生，而不是生理学家、药学家、病理学家，哪怕是得诺贝尔奖的大家。问题的解决在于工具的最优应用，但工具本身的好坏并不是决定性的。阿波罗时代的计算机技术和控制理论水平大大不及现在，但那一代人对航天控制具有深刻理解（不是拍脑袋拍出来的，而是汗与血里练出来的）。神经元网络不是什么了不起的东西，但想到而且正确应用神经元网络，这才是了不起的，具体编程方面，大不了找一个人来编就是了，花公司里几个钱的事。

100年前，机械化是趋势；现在固定程式的自动化是趋势；以后，机器学习是趋势。一代一代趋势下去，还是同一个道理：什么也代替不了对过程的深刻理解。改变的是，除了对过程本身需要深刻理解，还需要对程式和机器学习过程具有深刻理解。人类学习的过程不是简单化了，而是复杂化了。

你说的那个“验罐机器人”，我想应该是检验铝罐上的印字（我是在关于“海涅根”啤酒厂的纪录片里看到的，应该和你说的系统类似）。铝罐上的印花是一次刷成，为避免刷歪或高低移动，用这个系统验货，每个铝罐经过时，都拍一张照片，然后用这张照片同电脑里设置的“标准照”作全尺寸比对，差若干个0.1毫米就踢出。这个系统，只比对图案，不负责检验铝罐品质。

至于说机器学习，这里有一个实例。加拿大滑铁卢大学有一个课题组，组建了目前世界上最复杂的“仿真大脑”Spaun，由250万个模拟神经元组成。比如，由一个摄像头“看”某静物，经过这个高仿大脑“想”，再用一个机械臂模仿着画出来。这类婴幼儿的动作（包括思考和回答问题），Spaun可以胜任8种任务，而且可以通过智商测试。

而Spaun最新的研究成果非常有趣，就是这个仿真大脑，同样具有人类大脑的缺点，该迷糊时也不含糊。比如，听完问题后需要想片刻再回答------而科学家们本以为运算以毫秒计，提问的人是感觉不到这“片刻”的。而且，要Spaun记忆一组长数字时，它会只记得首几位和末尾几位，对中间的数字很模糊------这是我们人类记忆自己的信用卡的标准动作------而科学家们本以为记忆对于Spaun根本不是问题，想象力才是问题。

这个课题组的领衔教授，居然是哲学系的，看来“人造马克思”已经不远哉。

外链出处

• 几个本站的链接，很有趣的讨论

抗拒潮流大势，咱们将跟人家差的越来越远。

自动化能不能拯救美国，俺不知道。我们是做容器的，我们这样的小企业也在引进自动化，我们这个行业也在慢慢尝试自动化。譬如，以前的一个换热器几千根换热管，都是一根一根慢慢焊，现在都在尝试自动焊接机焊接，质量可靠速度快。自动化也许现在不能提供很多解决方案，但它终将成为机械行业的主流。人类解放自身的渴望以及在机械行业以及数控行业的进步，必将使自动化越来越普及。

技术难点在“视觉识别”以及“声音识别”上，视觉识别技术现在有广泛的应用，比如海关通过x光系统自动鉴别违禁物品，比如无人机的自动识别系统；声音识别大家接触的比较多，比如手机的语音识别软件。

具体技术上，用的比较多的是神经网络技术和模糊技术。神经网络系统俗称“黑盒子”系统，利用大量历史数据建立起输入输出的关系（术语叫“学习”），这种关系一般不能数学方程表达，所以叫黑盒子。说白了就是一种计算机程序。

模糊技术是相对于传统数学发展起来的新学科（1965年有一篇模糊数学的重要文章发表），其根本是认为世界不是具体的是模糊的，是可以用度来衡量的，类似于天气预报说明天有60%的可能性要下雨一样（统计学范畴）。

机器人的学习能力在工业领域我们也可以称“自适应能力”，就是不断输入新的数据，不断更新新的输入输出关系，从而适应不断变化的环境。当然不同的任务方法和算法都不同，但以我的理解机器要超过人脑的可能性不大，至少在现有技术制造的机器人的情况下。

我自己的一些看法,有待商榷.看来晨大是化自出身的,感觉对自动化的讨论从化工自动化或者工厂里的自动化的经验出发.我觉得工厂里的自动化是一个重要的方面,但工厂里大多数是常规可控制环境,觉得好像不是当今研究的热点,或者说是按部就班在小幅前进?感觉现在没有太迫切的需求在工厂自动化方面突飞猛进.倒是觉得各种军事机器人的大规模使用和成群使用以及他们将来的民用会有一些在非常规环境中对各种不确定性的处理的控制问题,比如最新darpa challenge要用机器人来做一些人的工作,又比如老美军事上研究无人作战和多机协作,还有飞机autopilot在突发故障和极端情况下的处理.但是这些控制问题和晨大的化工问题又不太一样.大的方向上我以为在试图向人类和动物的感知,运动,决策能力学习,但可能还需要一些积累吧,不管是从很底层学起,还是很高层学起.

自己的一些体会,受晨大的启发.

现在问题严重了，据说是锂电池过热问题。为什么电池过热问题在787上这么严重呢，原来是787把原来传动控制的动力换成电池为动力的了，据说要求高速高压。那么换成传统的动力控制不行么，那么787的省油20%的卖点就做不到了，得这下波音有的瞧了。

想起这个事情是因为飞机原本也不是动力传控的，机械传控就不会产生这个需求也不会随之而来出现这样的新问题。这个似乎是响应了自动化过程中总是有问题的结论。

话说几十年前一架飞机驾驶舱里是三个人，现在自动化程度这么高了还是需要三个人，问题一点也不少，而且还出现这么致命的新问题，有什么好处呢？

原来是因为飞机越造越大，不使用动力传控大概控制不过来。或者是飞行员水平下降，必须要加入自动驾驶的计算机软件来减轻工作量？

这句话其实说出了自动化的本质

举个简单的例子，一人一杆毛瑟98的步兵班的火力是全体人员的火力总和，那么一人一挺MG42班用机枪的火力是不是就顶替了一个班的火力呢。 单纯从火力的角度看，自动化没有取代人是没错，但是取代了一个班的人，恰恰是因为这个人力倍增器的效果。使用维护MG42不需要高超的工程技术，但是造出MG42却需要。

美国人力资源的现实是数量上，高质量的人力资源上也许不如许多国家，但是在最高水平上，最高质量的人力资源上还没有别的国家可比。美国强调发展自动化这样看正是因地制宜，扬长避短之举，只要能造出一些高端的可以发挥“人力倍增器”作用的工具就可以减少对人力资源数量上的依赖。当然这个工具不会是象MG42那么简单的，因此才被冠以“产业革命”这样的名称。实际上，美国经济问题一个根源性问题就是人力资源过剩的问题，所有人都想做白领，做管理，因为底层的工作早就没有了（清洁卫生除外），连种地都不需要这么多人。

回到班用机枪的例子上，自动化这个趋势一旦被证明是正确的思路，取代的是一个班的人还是连机枪手也取代了，就是一个时间的问题了。当然这些变化不是简单的取代了步兵武器这样的形式，但是步兵在战争中作用下降，功能上被更高级别的自动武器取代才是自动化的本质，比如战车，导弹什么的。

从这个角度讲，自动化不只在窄义的工具自动化这个范畴内，还有广义的工业体系自动化的意义。飞机如果不改变为电子控制动力传动，软件就不可能使用，一个台阶上的自动化是为了上一个台阶进一步的自动化。不使用电脑软件那么下一个台阶的自动化就不可能实现，即全面的无人驾驶，现在有人部分遥控应该是技术不成熟之前的过度性方案。这个转变一环套一环，在其他行业上同样适用，不同的只是每个台阶的高低与跨越的难度时间长短，但是这个水往低处流人向高处走的趋势是不可逆转的，争论最大的应该是快慢问题，而不是可不可能的问题。

不同的台阶自然都会有不同的问题，也需要人来解决，但是需要解决的问题从低到高都有，类似今天科技这么发达仍然需要人来种地，但是不是需要大多数人去种地呢，几千年来种地中出现的问题现在仍然存在许多，但是无疑的许多问题被人类解决了，因此需要的人也就少了很多，省出许多人力资源去解决更高台阶的问题。美国现在要解决的问题是，他倒是把自己的人力资源解放出来了，但是更高的台阶还没迈上去，这么个不上不下的时候就只能靠美联储们见招拆招抵挡一阵子了，是挺没面子的，但是爬科技树这种事有时不是资本与政客们要风得风要雨得雨那么容易的，无心栽柳柳成行是常有的事，迷思是肯定会有的。

这个自动化或者机器人技术在30年前就是热潮了，但还是不断的产业转移的其他国家，还是有大量生产需要用人工。

为什么？就是利润率的问题，利润的提高不是靠单单加强自动化能解决的，这还涉及到配套能力，原材料因素等等，当然还有劳动力的水平与价格。我是看不出现有技术美国还能掀起一场自动化技术革命，以降低产品成本提高产品质量。

机器人自我学习技术目前还在发展阶段，还不足以提高整个工业界的利润率

但是运算速度可以随着摩尔定律与时俱进，让人感兴趣的这个实验对人工智能方向的意义。

http://www.technologyreview.com/view/510141/what-makes-a-mind-kurzweil-and-google-may-be-surprised/

可以看看人家是为什么怀疑的。