本文选自《中国工程院学报》2019年第4期。
来源:从智能科学到智能制造[J]。工科，2019，5 (4): 615-618。
编辑评论/注释
科学包括两个领域:自然智能和人工智能。自然是发现生命系统智能行为的科学，人工智能是制造智能软件和系统的科学与工程。制造业高度依赖人工智能。中国工程院学报《工程》发表了《从智能科学到智能制造》一文。基于智能科学对智能制造的视角，分析了人工智能的发展简史，指出智能制造的目标是将先进的计算能力与制造设备相结合，在本地或全球范围内建立灵活、适应性强的制造业务。在云计算、大数据分析、物联网、移动互联网/5G等新技术的支持下，人工智能。通过机会工艺规划和调度进行无缺陷加工；具有成本效益且安全的资产预测和维护；复杂供应链的整体计划与控制。
一.导言
制造业的目标是利用集成信息技术(IT)和人工智能(AI)将先进的计算能力与制造设备相结合，在本地或全球范围内建立灵活、适应性强的制造业务。智能制造依赖于对制造车间甚至整个产品生命周期中机器和过程的实时数据的及时获取、分发和利用。有效的信息共享可以提高生产质量、可靠性、资源效率和报废产品的可回收性。基于数字的智能制造还旨在提高可持续性，为未来工厂做出贡献。然而，智能制造广泛依赖于人工智能。为了更好地把握智能制造的未来，有必要了解人工智能。从智能科学到智能制造，作者提出了自己对人工智能的看法。二、人工智能简史
人工智能是智能科学的一个分支，智能科学的领域大致涵盖自然智能和人工智能两个领域。。自然智能是发现生命系统智能行为的科学，而人工智能是制造智能软件和系统的科学和工程。这两个研究领域在过去的几十年相互促进。自然智能的发展为人工神经网络（ANN）、遗传算法（GAS）和蚁群优化（ACO）等的人工智能研究奠定了坚实的基础，而先进的人工智能工具有助于加速自然智能的发现。由于人工智能的历史相对较短，该领域的研究仍然活跃，有前景，并且还有待进一步发现，如在制造业的背景下。在讨论智能制造之前，有必要简单回顾一下人工智能的历史，如图1所示。人工智能的历史可以追溯到20世纪40年代初。第一个人工智能是由伊利诺伊大学的沃伦·麦卡洛克和沃尔特·皮茨创建的二元人工神经网络模型。虽然他们的模型只考虑了二元状态(即每个神经元的开/关)，但它是20世纪80年代后期快速人工神经网络研究的基础。1950年，英国数学家艾伦·图灵提出了著名的图灵测试来确定机器是否能思考。“图灵测试”是通过计算机通信进行的。它由一名考官、一个人和一台机器(即计算机)在一个单独的房间里进行。考官可以问任何问题。如果考官不能根据答案区分机器和人，则机器通过测试。1951年，普林斯顿大学的两名研究生马文·明斯基和迪安·埃德蒙兹建造了第一台神经元计算机，用来模拟40个神经元的网络。图1人工智能简史人工智能发展的一个重要里程碑是第一届人工智能研讨会。
，本次研讨会标志着人工智能历史上“黑暗时代”的结束和“人工智能崛起”的开始
。该研讨会于1956年在达特茅斯学院举行。麦卡锡提出的“人工智能”一词在当时就得到了认可，并沿用至今。麦卡锡后来搬到麻省理工学院。1958年，他定义了第一种人工智能语言LISP，该语言至今仍在使用。该领域最雄心勃勃的项目之一是通用解题程序（GPS），由艾伦·纽厄尔和卡内基梅隆大学的赫伯特·西蒙于1961年创建。GPS基于形式逻辑，可以生成无数个试图找到解决方案的运营商，但在解决复杂问题方面效率低下。1965年，加州大学伯克利分校的拉特飞·扎德发表了他的著名论文《模糊集》，这是模糊集理论的基础。第一个专家系统DENDRAL于1969年在斯坦福大学开发，该项目由美国国家航空航天局（NASA）资助，由诺贝尔遗传学奖获得者乔舒亚·莱德伯格领导。然而，由于当时大多数人工智能项目只能处理玩具问题而不是现实世界的问题，所以许多项目在美国、英国和其他几个国家被取消，人工智能研究进入了所谓的“人工智能冬季”。虽然经费被削减了，但是人工智能的研究还在继续。1969年，Bryson和Ho提出了神经网络学习的反向传播基础。此外，第一个遗传算法是由密执安大学的霍兰德于1975年提出的。他使用选择、交叉和变异作为优化的遗传算子。1976年，斯坦福大学丹德拉的同一个研究小组开发了霉素。MYCIN系统是一个基于规则的血液疾病诊断专家系统，它使用450个if-then规则，并且被发现比初级医生执行得更好。三十年后，人工智能领域又开始了神经网络的研究。人工智能成为一门科学的新时代始于1982年，当时约翰·霍普菲尔德发表了他的《霍普菲尔德网络》,这本书至今仍很受欢迎。1986年，反向传播在提出16年后成为人工神经网络中真正的学习算法。它还通过并行分布式处理触发了分布式人工智能(DAI)的开始。经过22年的发展，日本公司于1987年成功地将模糊集合论或模糊逻辑构建到洗碗机和洗衣机中。1992年，John Koza提出了遗传编程来操纵代表Lisp程序的符号代码。基于戴和人工生命的思想，智能主体在90年代中期逐渐形成。20世纪90年代末，模糊逻辑、人工神经网络和遗传算法的混合系统开始流行，用来解决复杂问题。最近，出现了各种新的人工智能方法，包括蚁群算法、粒子群优化算法(PSO)、人工免疫优化算法(AIO)和DNA计算。人工智能在未来(比如制造业)的潜力还无法预测。
第一个流行的人工智能工具可能是基于人工智能的国际象棋计算机程序深蓝，它是由IBM创建的。当国际象棋世界冠军加里·卡斯帕罗夫在1997年的一场表演赛中与深蓝对弈时，他以2.5: 3.5输给了深蓝。另一个早期的例子是2005年的本田ASIMO机器人，它可以爬楼梯。机器人要在非结构化环境中运动并由人类指挥，需要具备自然语言处理、计算机视觉、感知、物体识别、机器学习和运行时运动控制的能力。2016年，DeepMind的AlphaGo利用云计算、强化学习和蒙特卡洛搜索算法结合深度神经网络进行决策，在五场比赛中的四场击败了世界围棋冠军李世石。其新版本Alphago Zero通过从无到有的自我学习，仅用三天时间就超越了Alphago的能力。如今，从下棋到机器人控制，从疾病诊断到飞机自动驾驶，从智能设计到智能制造，人工智能技术和系统无处不在。除了图1总结的人工智能技术，机器学习和深度学习显示了智能制造的巨大前景。
表1典型的机器学习模型按照有监督的还是无监督的，有区别的还是生成的，深度学习的还是非深度学习的来分类。
表1典型的机器学习模型
三。人工智能在制造业的代表性例子
在制造业的背景下，智能科学，或者更具体地说，机器学习模型形式的AI，有助于智能制造。。图2描绘了人机协作（HRC）的一种场景，其中来自传感器和现场设备的数据在应用适当的机器学习模型后被转换为知识。使用特定领域的HRC决策模块进一步将知识转化成行动。因此，操作人员可以在沉浸式环境中安全地使用机器人，而机器人可以预测人类接下来会做什么，并根据需要提供现场帮助。图2 智能制造中的机器学习机器人是使用有经验的人类操作员的脑电波的自适应机器人控制的另一个例子。。不需要遵循数据—知识—动作链，只需通过适当的训练将人类脑电波模式映射到机器人控制命令即可实现脑电波—动作的进展，如图3所示。在这种情况下，使用一个14通道的EMOTIV EPOC +设备（EMOTIV，美国）来收集人类的脑波信号。信号处理后的匹配命令被传递给机器人控制器进行自适应执行。图3 脑机器人人机协作四。机遇和挑战人工智能和云计算、大数据分析、物联网、移动互联网/5G等最新IT技术的支持，为智能制造提供了很多机会。这些新技术将促进智能制造中的实时信息共享、知识发现和知情决策，具体如下
移动互联网/5G使得超低时延传输大量数据，实现实时信息共享成为可能。
云计算提供快速、按需的数据分析；它还有助于存储数据，这些数据可以很容易地与授权用户共享。
大数据分析可以揭示数据中隐藏的模式和有意义的信息，从而将数据转化为信息，进一步将信息转化为知识。
例如，智能制造的新机遇可能包括
：①延迟时间短的远程实时监控和控制；②通过机会过程计划和调度进行无缺陷加工；③具有成本效益和安全的资产预测维护；④整体规划和控制复杂的供应链。此外，智能制造在不久的将来将受益于上述不同时间尺度的技术，具体如下：5年内，主要通过物联网和移动互联网实现更好的横向和纵向整合，可以消除80%的自动化孤岛差距；10年内，经验驱动的制造运营将主要通过云计算和大数据分析来实现，这可能在之前知识的支持下变成数据驱动；
20年内，很多中小企业(SMEs)可以通过云制造技术为大家提供服务，从而在全球市场获得竞争优势。
然而，复杂性和不确定性仍将是未来几年制造业面临的主要挑战。人工智能和机器学习可以在很大程度上提供缓解甚至解决这些挑战的机会。例如，深度学习可以用来更好地了解制造环境，并在制造过程发生之前更准确地预测未来的问题或故障，从而实现无缺陷制造。
安全的HRC是智能和灵活的自动化过程中的另一个挑战，包括人类的参与。这种协作是有用和必要的，尤其是在制造设备操作方面。深度学习可以帮助机器人变得足够智能，以帮助人类操作员，同时为人类的绝对安全提供更好的态势感知。
最后，在未来工厂实施智能制造之前，必须充分重视网络安全和新的商业模式。
注:本文的呈现形式略有调整。如有需要，请查看原文。
改编自原著:
汪卉。从智能科学到智能制造[J]。工科，2019，5 (4): 615-618。请点击文末“阅读原文”。前沿研究:迈向新一代智能制造前沿研究:介观尺度的复杂性——人工智能发展的共同挑战智能制造的三种基本范式前沿研究:智能制造领域的研究进展战略:新一代人工智能引领的智能制造智能制造助力制造业高质量发展
创造科技未来微信微信官方账号ID :CAE-Engineering注:论文反映研究成果进展，不代表中国工程科学杂志观点。
