主题：自动化的迷思 -- 晨枫
- 复 自动化的迷思
家园 自动化能不能拯救美国，俺不知道。可是自动化代表着机械产业 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。
- 复 自动化的迷思
家园 机器学习是未来的趋势 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。
家园 正是关注了CIMS和FMS才写了这一段的 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。
通宝推：波波粥,家园 如果能早些年看到师兄这句话就好了 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。我是在工作了以后才领悟到这个道理的，在领悟到这个道理以后我工作、对事物的认识实实在在的上了一个台阶，它在方法论上给了我很大的启发。
前些日子我和我带的实习生聊天的时候，和他讲，这个道理以及从它衍生出来的方法论才是核心know-how
- 复 自动化的迷思
家园 活在机器里的孩子 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。
通宝推：jingshui,黄土布衣,海峰,不远攸高,北纬42度,- 复 活在机器里的孩子
家园 附议 jyzh， 多写点实践体会吧，至为珍贵， 我的体会 大学学的课程都是精华，从实践摸爬滚打多年之后精炼出来的。
可是大学生没有摸爬滚打的经验， 反而对这些精华就不领情， 没有悟性。
而且这好像是教育界无法解决的问题。
就好像我们把自己 “浓缩的人生智慧”讲给子女听， 子女却不以为然一样。
我工作以后几个最激动人心的瞬间就是： 突然意识到工作中面临的问题是大学课本上有的。 回去翻旧教材， 一顿恶补以后， 解决问题的境界立刻高屋建瓴。
得到突出业绩， 奖励，提职之后就纳闷： 当初这门课我怎么还挂科了呢？
- 复 活在机器里的孩子
家园 赞这句 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。努力和经验真的是没法替代的。学校里也根本没办法教经验
- 复 活在机器里的孩子
家园 看了你写的两篇文章，写的很好 多写一些，介绍一下经历和感触吧？
家园 请原谅一个粗心的人 刚刚才注意到你对我说话，我到这里来的时间断断续续，往往是想到什么说两句，说完了，也许又离开一段时间。招呼不周，还请原谅。
潜水久，说话少，因为可说的着实不多。
希望能看到这迟到的回复。
- 复 活在机器里的孩子
家园 自动化最大的难点不在于硬件和基本软件 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。
家园 受教了，思想才是最重要的 自动控制思想，渗透到工作生活的方方面面，整体的思想水平都提高了，那是很厉害的。
- 复 自动化的迷思
家园 非常好。来说两句关于机器学习的事情 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
家园 我经常看《How to make it》 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。
本帖一共被 1 帖 引用 (帖内工具实现)家园 我感觉spaun其实没有突破 spaun能做的每一项任务，现有的、大家不认为有智能的神经网络都能做。而且我得说这些任务都很简单。
spaun的变化有两点：1) 让连接神经网络时，参照了大脑的分区；2)让spaun能同时完成多项任务。
有了第一点，spaun的结果解释可以比较fancy。比如在数字识别任务中，原来一团糟的神经网络中，某个神经元在运算，你没法做出任何解释，现在你可以说，视觉神经区在工作。但是，其实这个结果在做之前就能想到。你只让摄像头和视觉神经区有连接关系，我们还能期待别的什么结果吗？
关于第二点，Spaun其实感觉不到我们在让它学习多个任务，它只感觉自己在学习一个复杂任务而已。
家园 这个讨论非常好，和我们的讨论很接近，请过去参加 我们的讨论是：围绕脑科学而发生的若干玄想链接出处
我也把你的帖子链接过去了。欢迎参加讨论。我看来，这将是今后若干年的经济热点。