工业人不要过度强调机器学习

机器学习很重要、最近的发展也很快,学术界研究无可厚非。但我有一种感觉:工业界人士对机器学习的追捧有点过头了。打个比方:生产味精的人可以拿生产味精 “当饭吃”; 但厨师却不能把味精“当饭吃”。 对工业人来说,迷信机器学习,反而不容易看到真正的机会、不利于数字化转型。

与自动化不同,智能化特别强调人的作用。对此,我曾经把智能化的决策逻辑分成两种:一种是把人的知识变成数字化知识、嵌入到计算机中、让软件去执行;一种是人类在决策的闭环中,用数字化、网络化的手段帮助人类决策。

为什么智能化要强调人的作用,或者说强调人机融合?

这是自动化的局限性所决定的。比如,机器自动执行是要有预案的。制定预案,就要事先把可能发生的事情想清楚。所以,自动化往往是针对小型、封闭系统,否则问题就会太复杂、无法操作。而智能化往往是针对大型、开放系统的。在大型开放系统中,不确定性强。这时,不确定性问题是人或者机器用人能理解的逻辑)来处理的。

智能化的“决策”是用于在线场景的,往往与规范化的管理或控制流程结合。决策需要知识。所以,“知识获取”是“决策流程”背后的支撑。如果把“决策”比作打仗的军队,“知识获取”就是军队的后勤保障。

与机器相比,人类获取知识的能力明显更强。在智能系统中,“决策”都要强调人的作用,“知识获取”又怎么能过度强调自动化(机器学习)呢?

现在,我们来看看,现实中的机器学习到底在做什么?

最成功的机器学习大概就是图像识别了。图像识别的本质,往往是把人容易掌握让计算机掌握。因为人类难以将自己的感性知识代码化,所以才需要机器学习。类似的,阿尔法狗也是把人的感性认识变成计算机的知识。从这种意义上讲,机器学习并不是在“创造知识”,而是在“转移知识”:把人的知识转移给机器。

搜索引擎中,也大量使用所谓“机器学习”。这种学习的本质是一种人类开发的特殊统计算法,人类编写的这些算法才是真正的知识;而机器学习到的知识,本质上是“统计结果”。

人们可能忽略的是:工业界很早之前就现实地采用机器学习了。比如,在炼钢和轧钢领域,机器学习已经用了几十年。这些技术早已是现代化钢铁企业的核心技术。这些机器学习的本质又是什么呢?在我看起来,本质上只是模型参数的调整。换句话说,并不是发现新的知识,而是用数据对知识精细化。

我觉得:工业界中的参数调整,可以看成PDCA持续改进:首先是有了一个相对较好的初始工作点,然后在这个工作点附近调整或者逼近。每次的学习(调整)本质上都是微调。这样, “机器学习”的结果是可控的。

这种做法是有必然性的。工业问题一旦到了生产环节,就一定会强调可靠性、稳定性(尤其是针对大工业),要防止风险的发生。所以,机器学习的结果一定是可控的、分寸上一定要把握好。

从生产实践中获得知识,PDCA才是最基本的方法:先得到一个成功的案例,将其作为标准;在下次采用的过程中,不断地加以改进。笔者认为:在智能化时代,工业生产领域的知识学习,PDCA仍然是主流逻辑。这大概就是日本的IVRA结构强调PDCA的原因。

PDCA的逻辑可以是人来做、可以是机器帮助人来做、也可以是机器自己去做。在数字化时代,机器帮助人做、机器自己做的比例会增加。因为机器的效率比人类高了很多。但与智能决策的方式一样:智能化时代的PDCA不能过度强调是机器自动去做,要适可而止。

数字化、网络化时代的优势,是PDCA更加容易做。容易做的原因是信息优势:发生问题、需要调整时,原因容易追溯——数字化、网络化带来的信息优势,使得过去难以发现的问题容易发现了。

搞智能化的人,不要总想着机器代人——即便到了共产主义社会,人类还是要劳动的,只是劳动的形式更高级、从事具有创造性的劳动。所谓“有创造性的劳动”,就是“生产知识”。与机器相比,人类最大的优势就是学习能力。所以,从事智能化的时候,没有必要过度强调、过度神秘化机器学习。

其实,知识学习的过程,更要强调人机融合:让机器帮助人类学习,或者人类帮助机器学习。人机的优势互补才是正路。这样的技术可以有很多:在某些场景下,AR、VR、数字孪生、仿真计算,就是机器帮助人类学习。

以上文字来源于网络,侵权立删。