首先，就是AI本身的缺點在工業里發揮的場景似乎有限—這是被質疑的。因為可解釋性、安全性、穩定性等，這些使得現場的工程師質疑AI在工業的有效性。假設你讓openAI兩次回答同一個問題，它無法保證回答具有工業所需的“確定性”。它可以解決不確定性問題，但它不能用不確定性的方式解決問題。

其次，由于講述AI應用的美好前景的“*”，很多來自IT或大學的學者，對工業現場缺乏了解，使得其忽視了現場的復雜性。因此，AI被認為僅停留在理論上。同時，可能也是AI風頭蓋過了OT領域，使得OT領域對這些“夸夸其談”，不落地的言辭表示了不屑。

還有一個問題，就是從事AI工作的人也必須得說“AI應用必須建立在良好的自動化與數字化基礎之上”-理想很豐滿，現實很骨感。由于缺乏好的自動化基礎，原本那些可以通過自動化即可解決的問題，如果用AI來解決，那就陷入“為了AI而AI”的坑里，問題就在于自動化本來就可以經濟性的解決問題，卻非用了個“吃力不討好”的方式來解決，淪為笑料。

第四點，就是場景的可復制性，導致AI很多僅為項目型的應用，這使得其實現的經濟性匱乏，對于很多創業型公司而言，就會陷入“勞動密集型”產業的困境中—因此，如何AI在工業場景的工具化、應用標準化就是難題，尚未被有效的解決，而這需要數據的標準化、結構化，以及通信連接的接口等統一，否則，就會陷入在軟件工程領域里的軟件“泥潭”。

對AI的態度轉變

當然，流傳在IT業界的那句“我們容易高估技術在當前的影響力，卻又會低估在未來的潛能”。因此，隨著AI的應用逐漸多起來，產業對于AI似乎發生了較大的態度轉變。

上次在深圳遇到了上海大學的李明教授，他自己創業，做汽車領域的尺寸工程，在圖紙標注及作業工序方面，他采用了AI方式來為圖紙生成尺寸及加工路徑。可以大幅降低出錯、加工中的遺漏等。他說“AI不能不用，但看怎么用”—這就是比較理性的態度。即，我們不要忽視它的價值，但要結合實際。

郭朝暉老師前段時間提到了數字化創新，他提到了一句話，我覺得非常有道理，即“悲觀者正確，而樂觀者*”—對此，深以為然。對于AI的質疑和批評顯然是正確的，有道理的-但是，很多新事物它本身就處于探索中。我們需要去探索它的可能性，以及為其定義適用的邊界，并通過工程努力，去彌補它的缺點，發揮其優勢所在。路就是摸索中走出來的，正確也都是相對的—時間會告訴我們，因此，不要輕易對未來做出有限認知下的研判。

記得數年前，為交大學生講AI應用，其實也是講了幾個有限的場景-因此，D老師給學生講“跟你們說過了吧，AI沒啥用”—我當時很吃驚，D老師如此直白的表示對AI的質疑。當然，現在D老師認為還是有些場景適合AI的—我想他肯定是發現了AI的威力。

AI的潛力進一步釋放

顯然，AI在工業的潛能是巨大的，在以下幾個方面來說，它應該是巨大的潛能。

1.擺脫經驗依賴性：對于大規模生產，通過人員在初始階段的反復參數調試，形成穩定的生產參數組合，但這通常依賴于工程師的經驗。但是，隨著越來越少的技師，以及越來越復雜的產品規格與流程的變化。依賴于經驗的參數匹配，在小批量、多品種生產中就會造成大量的不良品，生產的經濟性、產品競爭力就會下降。

因此，在工業場景里，AI有一個很重要的作用，就是要將那些隱藏在豐富經驗的技師、工程師大腦里的知識給挖掘出來，變為可復用的，顯性的知識。其實，在各個領域廣泛存在著這樣的問題，每個領域里，過去都是依賴于經驗的—而這樣豐富經驗的人越來越稀少。

2.降低人工工作量：對于復雜的生產中，包括參數的辨識、路徑規劃、調度流等，人是可以完成，但這些往往需要數小時乃至數天，才能完成推演。而這個對于AI來說，它能夠快速的生成路徑，并能夠根據對時間、成本、品質的約束，為生產提供決策支持—這個時間會縮短至分鐘級。

3.發現新潛能：人們經常說演繹法和歸納法作為兩種常用的人的思維模式，演繹法通常在大部分時候不產生新知識。而歸納法可以產生新知識—這是具有誘惑力的。因為，本身自然界或者工程領域，它的“未知”就是普遍存在的—畢竟，科學發展了數千年，其實對世界的認知也是極為有限的。因此，未知就是工程中的真實情況—如果通過數據的歸納法，能夠發現背后的知識，這顯然是令人興奮的。而這樣AI對于科學的研究同樣是促進的—工程在改變科學。

AI的制造業應用人才極為匱乏

AI人才的需求是極為迫切的-首先，就是對AI的認知方面的人才就是極為匱乏的。可以說大學基本上無法提供相應的人才輸出給工業-大學很多AI相關*，在教材、師資、課程方面，其實都是應對商業AI場景的。而且，現在商業AI場景的工程師都是匱乏的—更別說勻一點給工業領域了。而傳統的自動化*領域，包括在基本的軟件工程訓練也是缺乏的-畢竟，AI*終還是以軟件為載體的，也同樣是需要良好的軟件工程訓練作為基礎的。

1.領域*：制造業的復雜性在于它是一個非常需要垂直領域的*支持的，制造業*的問題就是，物理對象的強耦合關系如何被“解耦”的問題。這樣的人才本身就是急缺的，更何況要結合

2.技師，雖然我們把人才分為研究型、應用型，對應于科學、工程。但技術型，即現場技術經驗豐富的技師，他們的經驗也是AI應用去學的對象—如果這個技師它的經驗不是特別豐富，那么，其實，這個彎路也是一樣的。

3.數據處理-這個數據處理主要還是在信號采集，有些原始信號本身就要被有效的轉化為信息，以及知識—按照DIKW、www.shzy4.com/模型，它需要將數據轉為信息，這本身就是需要豐富經驗的工程師的。因為，工業的數據如振動，聲波、編碼器信號都有著特殊的處理需求的。

4.標準化-數據的結構化，以及構建可復用的軟件系統規范與接口的標準化*，它們需要參與到項目中，否則，缺乏標準化的進程，就會使得AI也變為在工程上難以被復用的。盡管在很多時候，這比較難，但如果能標準化的還是得標準化，盡量降低工程的實施成本，否則，AI就變成了“勞動密集型”產業。

5.算法*：這里特指在AI算法的有效使用的*。

在某種意義上，AI工業應用就包括兩個方向的人才培養模式：

1).垂直領域*自身培養AI應用人才；

2).兩者在產業的結合，即，各自還是培養強的垂直*人才，而在產業中，進行擬合。

3).在教學中，融入AI，但考慮到壓縮課時，以及每個領域*課程不足，這種必須得是較為通識性的教學。

工業AI人才的聚焦點

在說一句有用的廢話，解決問題的關鍵是找到關鍵問題—其實AI發展的關鍵問題就是人才的問題，有人認為這個技術方向重要，那個技術方向重要，如何培養人才—認知這些，本身就需要人才。也即，能夠對這件事究竟如何發展，該怎么去發展，能把問題整明白，就是人才—而且，還是人才中的人才。

（1）.對復雜問題的拆分與模塊化

盡管AI是如此受人關注，被譽為科技的前沿，但就產業的實際而言，它仍然需要按照工程思維，對復雜的問題進行拆解。

在實際的工程中，影響品質、效率的因素是多重的，相互之間具有耦合關系，所謂的“復雜系統”就是這其中包含著材料特性、機械傳動、電氣、測量、路徑等多個維度的問題。在生產現場，它也與人員的操作、現場環境、材料的不一致性等緊密相關。