在人工智能的發(fā)展歷史上，連接主義依靠模擬大腦神經(jīng)遞質(zhì)(Brain)和符號主義模擬人的思維與推理(Mind)來發(fā)展AI，似乎都遇到了問題，回到問題的起點，即，讓機器來學(xué)習(xí)-開啟了新的道路，才讓AI經(jīng)歷寒冬，那么，這個時候，我們就要思考一個問題，機器學(xué)習(xí)人的什么？

“知識與經(jīng)驗”，經(jīng)常被提及，其中知識是已有的物理公式與化學(xué)方程，這些都是經(jīng)歷了數(shù)百年積累的人類知識，但是，它也同樣來自大量的實踐實踐積累—它的顯著特征是顯性，可被用數(shù)學(xué)表達。這是一種很高級的思維方式，具有很強的可可解釋與可預(yù)測性，且在實現(xiàn)方面，算力要求低，20年前的芯片也可以用于處理這樣的任務(wù)。

但是，經(jīng)驗，則是另一個方向，它無法用公式來描述，因為人經(jīng)驗是一種非結(jié)構(gòu)而又依賴直覺的判斷過程，而且人可以自組織學(xué)習(xí)，這是人相對于機器而言，比較強大的。機器的優(yōu)勢在于“野蠻的算力”，存儲與不知疲倦的工作能力-只要電力供應(yīng)穩(wěn)定。


圖1 人的智能與人工智能應(yīng)該形成互動

因此，就學(xué)習(xí)而言，機器學(xué)習(xí)實際上，是需要向人學(xué)習(xí)。記得去年參觀印刷廠，看到一臺進口膠印機，有一個功能就是調(diào)節(jié)水墨均衡，機器的產(chǎn)品拿到工作臺上，被掃描，然后師傅在調(diào)節(jié)這個水相墨相時，機器可以將其調(diào)節(jié)過程記錄，那么，這就是一個典型的學(xué)習(xí)過程。

在最近德國漢諾威展上，儀表同行談到了參與了SmartFactoryKL的測試線，正在進行一個稱為“Skill-Based Production”-這給我們一個啟示，Skill-這是誰的技巧？對于已有的產(chǎn)品成熟的生產(chǎn)來說，可以實現(xiàn)預(yù)設(shè)的生產(chǎn)變化，但是，對于新材料、新工藝、新產(chǎn)品，機器該怎么去進行最優(yōu)參數(shù)的獲?。磕敲?，它需要向人學(xué)習(xí)，人如何預(yù)設(shè)并調(diào)整參數(shù)，以獲得高品質(zhì)的產(chǎn)品，這些需要機器與人來協(xié)作完成。

這個時候，我們發(fā)現(xiàn)“技師”-職業(yè)教育能夠培養(yǎng)大量的高素質(zhì)技師也至關(guān)重要，因為，機器可以學(xué)習(xí)，但是，如果經(jīng)驗豐富的技師可以讓機器快速的學(xué)習(xí)到好的經(jīng)驗，而如果經(jīng)驗弱的，機器只能很慢學(xué)習(xí)到低品質(zhì)的產(chǎn)品生產(chǎn)過程。

機器學(xué)習(xí)過程也需要人的參與
有些朋友開玩笑，說現(xiàn)在的人工智能其實是“人工的”智能，這是有一定道理，就現(xiàn)階段而言，在整個機器學(xué)習(xí)的應(yīng)用過程來說還是得要人的參與才行。

一個完整或典型的機器學(xué)習(xí)應(yīng)用，如圖2所示，工業(yè)AI應(yīng)用同樣如此，在這個過程中，包括數(shù)據(jù)的采集、濾波處理、特征提取、參數(shù)選擇、訓(xùn)練方法的選擇、驗證，其實都是依賴于人給予機器指導(dǎo)。


圖2 機器學(xué)習(xí)的通用流程

就像特征提取，你數(shù)據(jù)量大，但與目標(biāo)無關(guān)或弱相關(guān)，那么，你的數(shù)據(jù)量再大也無法得到有效的模型。另外，數(shù)據(jù)如果沒有被有效的濾波處理，就會得到非常低品質(zhì)的數(shù)據(jù)，消耗資源，卻沒有達到良好的訓(xùn)練效果。

當(dāng)然了，相信隨著技術(shù)的進步，機器自動提取特征或者自動降維處理也是會降低人的工作量的。但是，這個也需要數(shù)據(jù)科學(xué)專家來對它進行設(shè)計呀！

沒有人的參與和幫助—想來機器也很迷茫啊！

人的智慧復(fù)合才能解決問題
我們經(jīng)常講掌握Know-How，直觀的說，Know-How就是知道(Know)怎么作(How)，但是，我們還得在這之前知道Know-Why-目的是什么，方向確定了才選方法。這才關(guān)注Know-How,如何去做這件事，還得知道Know-Who，誰更適合做這件事情。

圖3想回答一個問題，誰(Who)來做的問題，機器向人學(xué)習(xí)，而一個機器學(xué)習(xí)應(yīng)用需要由多個人，或復(fù)合型的人來主持和協(xié)作團隊來完成。


圖3 機器學(xué)習(xí)多角色人的專業(yè)融合

對于算法，其實，機器學(xué)習(xí)的算法也有很多，用于來處理不同的任務(wù)，那么算法專家，就得清晰的明白每種機器學(xué)習(xí)方法的優(yōu)點、缺點、適用的問題，以及在這個過程中，存在的潛在問題該如何處理，會遇到哪些常見問題。

而對于領(lǐng)域?qū)＜?，尤其制造業(yè)里的各種復(fù)雜場景，印刷人家關(guān)注的是顏色、紙盒關(guān)注成型、機床加工的是金屬材料成型，每種材料的特點-否則，也不知道影響質(zhì)量的因素有哪些？

技師-就是那些掌握經(jīng)驗的人，畢竟現(xiàn)有的物理模型是有限的認知，且并非最優(yōu)的，遇到新材料，新工藝，技師他就能有經(jīng)驗怎么摸索很快就能把需要的工藝參數(shù)做好—這種來自直覺的東西，就是機器要去學(xué)習(xí)的。

產(chǎn)品經(jīng)理-其實，工業(yè)里做事情，都得具有可復(fù)制性，如果現(xiàn)在AI應(yīng)用都得Case by Case的項目形式，這個就特別消耗工程師資源，再說懂AI的工程師這么貴，不能復(fù)制的應(yīng)用就是成本無法被稀釋，難以擴展就是問題，因此，產(chǎn)品經(jīng)理，也得把這個AI應(yīng)用給標(biāo)準(zhǔn)化，才能細水長流的賺錢。

項目管理-要很好的掌控開發(fā)項目過程的效率，品質(zhì)，代碼的規(guī)范，不管你做什么，只要是干軟件活，這事也不能省，要不然就有可能遙遙無期，項目做不成-還不知道止損。

市場銷售-還得有效的了解客戶需求，高效溝通，考慮的不僅僅純技術(shù)因素，也要考慮行業(yè)的未來戰(zhàn)略，以及客戶之間的協(xié)同。

總之，人，各種人才是關(guān)鍵—技師，尤其容易被忽略。大談各種AI能帶來什么價值—這種套話在各種場合里的專家那里都能聽到，剛剛看了篇號稱機械行業(yè)數(shù)字化的，卻沒有談到任何一個具體機器行業(yè)，說的都是冠冕堂皇的話，忘記了現(xiàn)場有神明。
作者：宋華振