如果人工智能仍被视为一种“属于未来的技术”，那么，机器学习则是“早已发生的未来”，只是尚未普及。尤其是最近几年，机器学习已显现出扭转工业“微笑曲线”的迹象。
2017年7月，全球权威技术咨询机构Gartner公司发布了《2017年度新兴技术成熟度曲线》，并揭示未来10年人工智能(AI)将成为最具破坏能力的技术，主要是因为卓越的计算能力、漫无边际的数据集、深度神经网络领域的超乎寻常的进步，机器将逐渐具备人的思考能力(即机器学习)，人们基于数据可以解决超乎想象的问题。
中国科学院陆汝钤院士则认为，机器学习掀起的热潮也许大过其本身真正的贡献，在理论和技术上并没有太多的创新，只不过是由于硬件技术的革命，计算机速度大大提高了，使得人们有可能采用复杂度更高的算法，从而得到比过去更精细的结果。
机器学习在工业领域的前沿应用已经被很好地理解，“用海量数据进行训练后将使机器运行变得更聪明的算法”，这是一种通用技术，可以应用于几乎任何问题。
从“程序自动化”到“人工智能”究竟有多难
普遍认为，智能制造是以“机器智能”为推动力的，机器将越来越聪明，机器越来越会自我学习。“流水线、标准化、规模化、集装箱、低成本”作为传统工业时代的标志性产物，都将被重新定义。定制化将会越来越多，IOT(物联网)、大数据对传统制造业造成的冲击影响极其深远。
而机器智能、机器学习的来源正是数据。以前，机器插上了电以后就听人的话;今后，机器不仅要通电，更要通数据。这一切创新的最终目的，是要实现“人机自然交互带来的效率跃升”。那么，人机交互不够“自然”，又会带来怎样的“效率损失”呢?
人工智能的构想最早在20世纪50年代就出现了，当年，麻省理工学院的计算机系教授以为“人工智能这个问题用一个夏天的时间就可以解决了。”而实际上，在此后20多年的时间里，学术领域、工业领域在用电脑模拟人脑上的努力几乎毫无进展。
以现代信息技术的角度看，机器模拟人与人之间的自然沟通可以分为五个步骤：信息生成——编码——通信渠道——解码——信息接收。
第一步，信息生成：就是在大脑中想好要表达什么意思，传递怎样一个信息;第二步，编码：组织语言进行表达就是“编码”，沟通中用的是汉语，或者英语、日语、意大利语、西班牙语等，都是对我想传递的信息进行编码，各种语言的语法就相当于机器语言的算法;第三步，信道：人与人进行自然沟通，空气就可以作为传递信息的通道，机器之间或者人与机器之间进行沟通，可以选择光缆，也可以选择无线信道;第四步，解码：我能听懂对方说过的话，就是将对方传递的信息进行成功“解码”;第五步，信息接收：完全理解对方要表达的意思。
学术界和工业界曾经进入一个长达20多年的漫长误区，认为人与机器进行沟通，类似于汉语与英语之间的翻译，必须同时懂得汉语和英语两种语言，然后才能进行“编码解码”。可是，人类语言太过复杂，相关语法仅能覆盖其中的很小一部分，正如莎士比亚戏剧、中国古典文学当中的很多经典名句并不符合语法规则，但并不妨碍它们成为经典。
直到20世纪90年代前后，“数字是最通用的语言”被广泛认可(数字语言几乎没有语法障碍)，人工智能才开始获得可靠的技术进步。此后，由于互联网、浏览器以及搜索引擎的快速发展，运用海量数据的“机器学习”迅速崛起，计算机的“深度学习”开始模拟人脑的神经网络进行分析学习。
数字、文字和自然语言一样，都是信息的载体，而不是信息本身。使机器具备人工智能的直接目的，就是要使机器与人之间的沟通，能像人与人之间那样沟通顺畅。推动人工智能与制造业的结合，不断提高人与机器之间进行沟通的顺畅程度，这意味着越来越少的人，就能轻易操纵大量机器设备的高效运行，而这个过程中最重要的步骤就是要使机器自行学习、自行进化，不断适应多样化的制造需求。
机器编程语言一直非常复杂、不易掌握，只有少数工程师能学会，这也是机器人在制造业中推广应用的重要因素。目前，中国制造业每万人当中的机器人使用数量大概是50台左右，而日本、韩国的这一数据都超过300。工业机器人是一个复杂的系统工程，不是买来就能用的，需要进行编程，将机器本体与控制软件、应用软件、周边设备结合起来，组成一条完整的产业链。在中国推行工业机器人技术，最大的瓶颈不是谁会买，而是谁会用。
如果人工智能在制造业中的实际应用真正成熟起来，人机沟通达到可以接受的顺畅程度，工业机器人的效率和潜力将获得充分发挥，这绝对是智能制造的一个巨大成就，将使“机器换人”真正成为这个时代的趋势潮流。
机器学习的“体系化实现”
长期以来，国内普遍期待“互联网+”各种前沿技术能使中国制造业转型升级获得更强劲的“新动能”，而人工智能则被称为“互联网的下一幕”。目前看来，这似乎并未有效提升制造业的投资回报率，也没有类似内燃机、蒸汽机那样的革命性技术出现。
互联网技术主要经历了三个发展阶段——PC互联网、移动互联网和人工智能，整个过程中出现过各种前沿概念和资产泡沫。几年前“物联网”在中国特别火，但至今也没有出现一个特别大的“物联网”市场，可穿戴设备和VR(虚拟现实)也是如此。所以，当政策面期待“互联网+人工智能”能够催生一场新的工业革命时，只有极少数制造业巨头能从中找到“具有可操作性的着力点”。
当前最先进的IC，内部结构就像是一个层层叠叠的千层蛋糕，做出每一层所花时间的平均，就称为“生产周期”。早年在180纳米的时代(约15年前)，一颗IC内部只有25层，但是生产一层得花上两天。当前最先进的10纳米手机芯片，内部已高达80层。如果一层还是两天，就代表一个产品要160天，将近半年才做得出来。无疑，没有人能等这么久。现在台积电10纳米的生产周期约1.1到1.2天。
生产周期已是产业胜负关键。格罗方德(globalfoundries)是从AMD分离出来的世界三大集成电路制造商之一，其生产周期约比台积电长上30%。这不但代表同样一个厂，台积电可以多创造三成营收，客户产品上市的时间也可以快上将近一个月(华为海思、紫光展讯都是台积电的长期客户)。而一个月时间，在变化快速的智能手机市场，往往就能决定一款产品的生死。
韩国三星的研发能力与台积电不相上下，但是制造管理不如台积电。最先进的7纳米智能手机IC，内部结构高达100层。只有台积电能够以成熟技术生产出7纳米IC，即快工能出细活。为何台积电的制造能力能够遥遥领先对手?台积电先进制造环境已采用“独特的专家系统和先进演算法，类神经网络自我学习的模式”。
在工厂管理部分，10纳米生产线收集的数据量，是过去40纳米的10倍。台积电以大数据与机器学习的方式，善用这些数据。以一个月产30万片的晶圆厂为例，厂内3000生产机台，每天会产生800万的派工命令，台积电的工厂管理系统可以在一分钟之内计算出最佳的生产排列组合。成果就是，准时交货率99.5%，产品生产周期1到1.2天。
集成电路是典型的“纳米级”制造工艺，1纳米=十亿分之一米，中国目前已实现量产的最先进工艺制程是28纳米。随着电晶体的尺度小到逼近物理极限，制程要控制的厚度变异量，甚至比一个原子还要小。10纳米时代与28纳米相比，控制参数多上20倍。因此，每台生产机台装了上千个感测器。
台积电更发展出精密的调机系统，大数据分析过去累积的很多调机记录，再根据当下的机台状况，即时回馈一个最佳的调机参数组合，例如温度、气体流量、电流等。而且，不同厂区之间还要确保产品品质的高度一致性。因此随时监控不同厂区的机台参数，找出生产状况最佳者，然后做到标准化。
台积电何以能在生产周期、流程效率上大大赢过研发能力与其不相上下的韩国三星和格罗方德?无疑，机器学习带来“管理精度的跃升”功不可没。而数据则成为人工智能的主要能源，如果离开了数据，任何组织的创新基本上都是空壳。
工业“微笑曲线”开始发生逆转
“互联网+人工智能”得以达到今天这个热度，主要是因为硬件的进步，使得计算越来越快;数据的积累，使得基础资源越来越大;同时，算法的不断优化，使得解决问题越来越准。更重要是，风投资金和资本市场的持续高度关注，加速了人工智能技术“商业化变现”的进程。而事实上，这一切并不是更高的技术革命，只是主流工业技术的扩散，并不会立刻带来一个全新的工业时代，只是在产业和技术创新的过程中发挥点缀作用。
可以预期，未来机器智能强大的自我学习、自我进化能力，将足以撼动传统制造业的价值链结构，而突破口就是饱受诟病的“微笑曲线”。施振荣在1992年首次采用“微笑曲线”来描述制造业价值链——在制造业的利润结构中，“研发设计+市场营销”拿走利润的最大部分，而“制造环节”是微笑曲线最底部、利润最微薄的那一部分。“股神”巴菲特则进一步表示“对制造环节无休止的固定资产投资感到十分厌倦”，纽约基金经理普遍认为“带工厂的股票不要买”。
“微笑曲线”最广为人知的负面案例就是富士康组装iPhone手机，要忍受超低的利润率。苹果iPhone包含上百个零部件，其中约90%在美国以外生产，内存来自韩国和日本，显示屏、电路板来自韩国和中国台湾，芯片组来自欧洲，稀有金属来自非洲和亚洲，但所有这些零部件最终都在中国由富士康完成组装。这个拥有百万熟练工人、制造力强大的代工巨头，给苹果产品代工的利润率只有不到2%。
苹果公司只做研发设计和市场品牌，制造环节都外包出去了，最后利润结构中的最大部分被苹果拿走，富士康处于价值链的最底层。这就如同微笑嘴型的一条曲线，两端朝上。在产业链中，附加值更多体现在两端：设计、销售，处于中间环节的制造附加值最低。
为何苹果产品的利润分配会是这样一种结构?以往经验，往往是离最终消费者越近，获取的利润就越高。在产业分工上，离最终消费者越近，难度也越大。主要原因有二：
一是从经济学角度来讲，制造商与消费者之间的信息往往非常不对称，你说你是很好的公司，你卖的产品很好，服务也很好，但是大家发现所有厂家都可以这么说，最终消费者怎样在不同的厂家之间做一个区分，在不同的品牌之间做一个区分，这是决定游戏胜负的关键所在。二是现今产能严重过剩的现实，制造高质量的产品只是最低层次的要求，甚至只是一种低端的勤劳，如何将产品设计与市场需求进行无缝对接，才真正考验企业竞争力。
要想扭转制造商在“微笑曲线”中的不利地位，唯一可行的着力点在于提升人和机器的效率。研发设计、市场营销都很需要创意，这当中有很大不确定性。而制造环节最需要的，是效率和精度，这恰恰是人工智能最有发挥空间的部分。
2011年，富士康高层已公布“百万机器人”计划，在具体推进的过程中当然会有各种曲折，比如机器人不如人工灵活、机器人不具有人的创新力等。但是，富士康从未停止将人工智能和工业物联网导入车间生产线的努力。最近几年，富士康直接劳动力数量是持续减少的，2016年仅在富士康昆山工厂就裁掉6万员工。
富士康通过持续、大量投资机器人和人工智能技术来提升制造效率，毫无疑问，效率即利润。具体而言，富士康除了维持在机器人技术上的重点投入，更关注“优化人机互动带来的效率跃升”，这也是富士康多次寻求对AI公司的投资的原因，而机器学习是促成人机高效沟通的核心技术。
人工智能的工业应用逻辑
现今，人工智能技术能使语音识别的准确率达到97%，谷歌(Google)和百度的无人驾驶汽车不断接近实际应用的水平。创新工场CEO李开复甚至预言：“每个领域人工智能都有可能对传统公司产生颠覆，每产生一个有价值的机器人，一个人、一个群体就会失业，这对社会影响非常大。人工智能影响最深的，是制造业。百度CEO李彦宏认为“所有制造业都将属于人工智能产业。”
人工智能与制造业的结合是一个长期的、系统的构造过程，底层系统如何搭建，商业回报如何实现，需要综合考虑。比如你要制造一部智能手机、一架飞机或一辆汽车，那么你需要提前规划功能，推动硬件和软件设计同时完工，并安排生产和分销流程，一切就绪后才能投入生产。制造复杂实体产品，往往要进行大量前期准备，并花费很长时间去落实，产品生命周期通常被定在12至24个月，甚至更长。
制造业最大的效率耗损一定是在过程的管控上，而机器学习的核心技术与制造商每天要面对的复杂问题相一致。近年以来，制造业公司十分看重人工智能在改进体系运作、强化网络控制等方面的创新应用。以华为科技为例，2016年10月，华为诺亚方舟实验室对外公布了全球网络通信业首个基于机器学习的网络大脑(Network Mind)，可以自动检测、准确预测网络流量的变化，智能地实现网络流量的自动控制。
随着5G、物联网、SDN(一种新型网络创新架构)、AR/VR等技术的出现，通信网络中的数据量飞速增长、网络复杂度也急剧提升，这将使通信网络的控制与管理面临巨大挑战。华为科技在全球网络中占有1/3的份额，部署了大量网络设备，未来的设备会朝着体积更小、重量更轻、耗能更小、速度更快、成本更低的方向发展，而机器学习就是实现这一目标的载体。具体的技术路线是，利用深度学习的强大抽象表达能力以及强化学习的自我适配、自我进化能力，让网络具有基于数据自我学习、自我更新的特性，进而实现网络控制管理的自动化和智能化。
汽车制造业也极力寻求运用人工智能强化规模管理、提升整体设备效率(OEE)的手段。有很多汽车OEM为了提升制造环节的流程效率，进行了对传感器数据中数十个操作参数的集成(如油压、油温、油的黏度、空气压力等)，这些数据来自于12个月间每15秒对设备数据的收集。
很多制造商都有潜力将机器学习集成到自身的业务上，通过采用人工智能技术把工程师的经验转化为深度学习算法，以获得可预测性的洞察并投入生产，从而使企业变得更有竞争力。比如，上海宝钢和 Intel 合作，对钢材进行质量检验。目前，工业品的质量监测多是通过有经验的工人来完成。通过采用深度学习算法，可以把人工的检测经验转化为算法，从而实现无人化检测。对生产线上拍摄的照片，用机器学习的方法识别其中的划痕、酸洗，来代替人工检测。
机器算法已融入制造业各个环节——许多正在开发的算法都是迭代的，旨在不断地学习，以寻求最优化的结果。这些算法以毫秒为单位进行迭代，使制造商能够高效地寻求优化结果。算法与机器自我进化，推动制造环节重新成为“微笑曲线”的中心。这是中国制造业转型升级的重大时代机遇。
过去，中国要推动产业和技术升级，总会面临国际竞争对手在知识产权上的刁难，这种人为障碍在机器算法的创新应用上将很少发生。得益于开源软件，构建先进AI系统所需的很多工具可以公开获得。大量AI研究的开放性，以及关键技术和代码的自由流动，大大减轻中国制造业智能化升级的摩擦阻力。
在机器学习的前沿应用上，有一个关键因素使中国制造业处于有利地位。这项关键技术的应用有赖于庞大数据集的可获得性。终极的竞争优势将不在于拥有最佳算法，而在于能够获得最佳数据以训练AI系统。那么，中国庞大的市场加上一群从事广泛数字活动的互联网领军者，将会提供大量的原材料来推动智能系统的兴起。注意，机器学习在制造业创新中的潜能发挥，主要不是依靠人为的程序设计(这是工业3.0的思维)，而是用优质数据反复训练出AI系统的流程效率。
(来源：中国工业评论)
（转载）
