1 针对AI潜能的共识

　　尽管AI被认为在制造业领域有着巨大的潜能，并预期将对制造业产生深远的影响，这种共识已然达成。人们相信AI将在制造业中的工程设计过程、运行过程、服务全流程里充满了机会，甚至在动态的过程优化与控制领域，也有着巨大的潜力。

　　(1)AI在工程开发领域，将通过AIGC编程来降低工程师的工作复杂性——在各个自动化厂商的开发环境中，AIGC编程都作为一种新的“卖点”被推广。这不难理解，人们都关注在降低工程师工作的复杂性，尤其是对于越来越复杂的软件设计工作而言，这是最乐观的AI场景。

　　虽然控制领域的工程师都认为这个事比较难，毕竟与纯软件的IT行业相比，机电控制还是与物理世界强耦合的。不过，用过的工程师都反映，它在框架搭建、文档规范方面还是超越“平均水准”的。

　　(2)在工业软件领域，传统的CAD/CAE以及专家系统等，都将通过AI实现更好的生成，更为轻量化，且更加易于使用。在传统的工业软件复杂且昂贵的背景下，通过AI来实现更好的工业软件设计，被认为是较有希望的路径。AI对于解决当前求解器不擅长的问题上被寄予了厚望，传统上，这些软件都得经过漫长的物理与数据混合方式的积累。

　　(3)在现场服务领域，通过人机交互、知识推送、预测性维护等，AI将带来更大的潜能，预测性维护目前是较多被应用的场景。

　　(4)在控制领域，解决模型学习的问题最被寄予厚望——因为这牵扯工艺的核心问题。状态估计、成本函数约束下的极值计算领域也有较大的潜在机会。PINN(物理信息神经网络)也成为了热点，以结合数据和物理方法来实现更好的参数学习。

　　2 漫长的道路：五座需要被跨越的“天堑”

　　尽管如此，作为AI与工业的结合，仍然有较为漫长的道路需要走。目前的阶段，只能称为“基础设施”的建设阶段。任何技术，它必须实现“经济性”，才能被真正有效的应用。而要实现经济性，就不仅考虑的是软硬件部署成本的问题——从这个视角看， AI似乎已经进入了经济性阶段，因为，今天AI被关注正是因为它的算力成本在不断下降，但是，在工业里，它需要走的路还包括以下几个方面。

　　(1)在商业AI与工业AI之间的“桥梁”建设

　　AI原生目前看是不存在的，或者非显性的，那些纯粹用AI来实现问题解决的公司都还在“幼儿阶段”，不是没有，而是几乎不在视野里。这些小型企业虽然是资本的宠儿，但其成长较之消费与商业领域的成长更为漫长。

　　大部分是AI外挂模式的企业， 即， 目前商业中AI的成功，就像DeepSeek/ChatGPT这些，在文本类知识交互、图像生成、视频、写作等应用方面非常强大;豆包、KIMI、元宝这些也有非常强的交互生成能力。这是人们可以直观看到的AI巨大的潜能。

　　但这些AI应用，要接入到工业的应用场景中，就会需要进行重新设计， 因为工业现场很难接受“不确定性”、“不可解释性”这些AI本身就存在的问题。而这也不影响AI在非动态、周期性问题上的应用。在这一点上，共识是易于达成的，因为在具体的控制闭环里，AI自然不要去插手，这很危险，但在批次后或者新生产的预设问题上，AI还是可以为更优的生产提供决策支持的。

　　深度学习、大语言模型LLM、多智能体这些必须为工业场景提供裁剪，或者将AI在工程领域的应用开发过程设计为“仅配置”——否则，就会依赖于懂AI又懂现场的工程师来进行复杂的任务实现。而现实中，这样的人才是极为匮乏的，因此，如何去开发一个“插件”、“外挂”形式与现有的开发平台来对接，这就是AI第一步要做的事情。

　　(2)理论界与工程界之间的“桥梁”

　　理论界采用AI来实现问题的解决也算是历史悠久了，而且，像控制理论历史上的这些专家，例如提出模糊控制的Lofti Zadeh、提出状态方程的R.Bellman、状态空间分析的Kalmann、提出鲁棒控制的G.Zames等等，其实，他们是控制专家的同时，也是AI领域的专家。但是，就像前段时间兰州理工大学的蒋博士写的《控制理论已死，那路在何方》一文，已被腾讯推送达到了5万的阅读量，这是个挺有意思的问题，因为，很多人认为控制理论已死——因为，自从前面提到这些大咖后，在控制领域的新思想、新方法就比较少了。大部分都在研究强化学习、深度学习，换言之，AI已成为控制学界的主要关注点了，当然，我们现在的控制的确比之前更为复杂，例如，在检测对象方面，机器视觉被融入产线中，就加强了AI的应用，这本来也属于AI擅长的领域。今天讲到“多智能体”，就会有更为复杂的采集量并纳入到系统中。

　　图2是本人结合之前对控制理论发展(Karl Astrom在《控制——一种视角》一文中对控制论的发展主要贡献者)，以及近期AI领域的进展，做的一个简单梳理——并不代表权威。仅想说明的是，在控制理论的历史上，与数据方法(AI)结合也是较多的交叉领域。

　　但是，控制理论界似乎对于AI更为偏执，而这种理论研究与现实中的工程又存在着较大的差异。工程实践领域，更强调可靠与稳定，它不是在实验室测试一个应用场景的可行性，而是要大量的工程验证，且成为标准化的软件封装 ——

　　这是工业软件的关键路径，即，它必须被软件化、模块化存在。而理论界通常仅在TRL1-3这个阶段，但实际的工业却考虑的是TRL4-9这个阶段的问题。

　　在人才培养这个层面也出现了这样的问题，理论界讲的很多东西在现实的工程界是不大使用的。通常的说法认为“理论不切实际”，但实际工程师又缺乏理论支撑——很多时候工程师的工作又有点“野蛮生长”的感觉，但又可以理解，因为，他们需要解决眼前的问题，并且能够用简单的、经济的方式解决问题，且有时间约束，不可能去像做科研那样长周期布局应用架构、长期可用性、可扩展性等。

　　这就像在《哲学的故事》里曾经看到的一段话：“如果没有经院哲学，社会哲学将语无伦次，而没有社会哲学，经院哲学将毫无意义。”理论和实践之间，这个“桥梁”怎么搭建呢?其实，这个问题就是一个“Engineering工程化”的问题——科学与技术之间本身就是通过工程来实现的。工科专业过于强调“科学元素”，喜欢“理论研究”，而脱离了工程实践。AI同样如此，今年Gartner提出了“AI未来工程化是投资的关键”——我和管老师说，这有点后知后觉，以前这个“造词”公司总是能够走在大家的前面，这次至少在这个问题上落后了。

　　国家越来越意识到“工科理科化”的问题，也注意到“工程师”以及“工程”本身的价值，在2024年开始设置国家级的“国家卓越工程师”大奖，来奖励工程领域的成就——按照一贯的基于“立场”的解读套路，这就是对某些“科研”的重新思考和定位。因此，在更多的层面鼓励产业与高校的深入融合，是可以通过有效的合作来打破壁垒的。

　　(3)机电软之间的“桥梁”

　　一谈到第二个“桥梁”，理论界与工程界的搭建——就需要思考第三个“桥梁”问题，即，如果单纯的机电融合，这似乎还不是能解决问题。例如工业软件的开发必须得有材料与工艺的融入。这里包括机械的物理学过程，以及像材料的物理及化学特性的介入，才能更好地发挥AI的数据能力。

　　在实际产业中，它一定是复杂的机械、电气、材料工艺的问题。这样的问题很多，例如，想要解决聚合物成型如吹瓶，其工艺过程的参数获取，除了机械传动(开合模的速度)、气体压力、模腔内温度等，也包括塑料材料自身的特性，例如在不同温度下，其实晶体结构的成型也是有差异的，如图3所示。

　　在图3中，PET瓶胚经过加热进入模腔，由伺服拉伸杆对其进行纵向拉伸动作，并由气体同时进行膨胀，使得其在横向也形成材料的延展。这样，聚合物材料如PET在模腔内会形成不同的层结构，并形成准确的分布与壁厚，但如果过大的拉伸速度，就会让PET分子链断裂，进而造成PET瓶变白，形成例如“珠花”的缺陷。

　　这里想说明的是——对于控制而言，真正难的事情并不是控制，而是找到这个“拉伸速度”的边界，并且它是在一个温度、气体压力、工作速度等工况下的参数值。

　　因此，在实际工程中，制造业对AI的期待不是“控制”。实际上，在这里大量的应用中，AI更多扮演的是“观测器”的作用，并不需要“你”直接下手进行信号级的控制，而是对整个过程进行约束，来获得机电参数的最优值，以及模型的学习。至于去控制、执行，对于现有的自动化系统，都不是问题。

　　(4)需求与应用之间的“桥梁”

　　如果我们回答了前三个“桥梁”，就会明白AI的核心是解决问题。记得看到今年5月13日红杉资本召集了全球最为顶级的专家们开了个闭门会，达成了“AI的未来是为客户提供价值”这个共识——我对此有些不以为然。因为，这是以前写的一个思维方式的差异问题，即，对于IT的自上而下的AI来说，它是先有“榔头”再找“钉子”的思路。而对于OT，它是先有问题，再找“榔头”——当然，你自己也可以做个“榔头”，这是自下而上的思维路径。

　　人们把AI能解决的问题归结了很多，但其实，AI解决问题特别需要“咨询”或者需要“提问”——这种“顾问式”的过程。因为，它通常解决的是一些“隐性”的问题，或者不确定、非线性的问题。但是，这些问题本身的特征就是不明晰的，或者说是“模糊”的。

　　工程里，有一个经常被我称为“黑幕”的存在，即，这些问题的背后牵扯非常多问题的耦合，例如机械、电磁场、热场、材料特性、人的因素、环境的因素……究竟是什么样的关系，它有一个“未知之幕”。虽然我们经常讲“工程师的智慧”就是穿透迷雾，利用直觉来获得判断。但这种是不是也是“未知”、“模糊”、“不确定”的呢?那为何要AI可解释性呢?

　　针对这种复杂的工程问题，之所以说AI具有巨大潜能，是因为AI本身就擅长解决非线性、不确定性问题，这种背后所需的算力、或者对问题空间的探索，是人无法进行的，甚至也无法给出方向的。

　　要把工程上的问题解释清楚、让AI明白，也是一个难题，因为这些问题本来就是人都想不明白、没有搞清楚的!因此，AI的工业应用，还是要去解决这个“问题-方案”的“桥梁”架设问题。

　　解决这个问题的方法，其实就是未来工程师最为重要的能力，即，一种“提问”的能力，现在的新鲜词汇称为“提示工程”。其实，我们总是在讲“批判性思维”——它的训练就是依靠“提问”。就像我曾经接触过的几位咨询专家，最为深刻的感受就是他们的“提问”能力，他们可以快速地提出关键问题，并梳理和收敛问题到关键解决点上。

　　因此，能够在需求与技术之间架设“桥梁”，就是未来工程师的关键能力，而对于自动化公司，将复杂问题通过技术来实现，并形成可复制的方式，也是关键的竞争力之一。

　　(5)物理与数据应用之间的“桥梁”

　　最后一个就是在物理与数据之间架设的“桥梁”，这个更多是在实现的意义上。目前，从基础设施来说，包括物理的硬件和操作系统都可以实现，但这里需要搭建的“桥梁”在于“高效的接口”上。

　　物理信号与数字化之间还经历信号处理、传输、存储的系列问题，这个链路与商业AI的链路一致，但工业现场的链路实现也有自己的特殊需求。例如， OPC UA FX能解决这些问题，但另一方面，这个实现也并不像想象那么普及，或者说，如果觉得这种方式太重的话，也要思考更为便利的接口。

　　在物理与数据方法之间的接口——配置，也是一个需要快速构建的能力。

　　其实，这并非局部、单个垂直行业、而是是否存在普遍的高效数据接口的问题，包括从设计到运营，从现场到管理，从运营到维护。最为重要的是它必须易用，让数据能够快速流动，在各个软件之间形成快速的接口出入，或者能够直接形成周期性订阅、周期性发布的方式。

　　3“桥梁”的建造

　　从解决问题的视角，其实要搭建这些“桥梁”，首先需要在以下几点上达成共识，并持续推进实施计划。

　　(1)标准与规范的问题

　　工业的特性，决定了要继续保持原有的架构并扩展，而实现的标准包括在OPC UA FX方面以及这个垂直方向的努力。OPC基金会将在AI应用、统一信息建模方面下功夫，不过，还需要得到产业的共识。

　　OPC基金会制定了野心勃勃的计划，但OPC基金会似乎又过于试图搭建无所不在的框架来容纳所有概念和方法，包括支持通信DDS、MQTT，FX扩展到各种底层物理通信，无线/有线等等;同时OPC UA还在垂直行业、数字化设计、云端、AI各个方向扩展它的连接领域。

　　(2)咨询服务的角色

　　企业的能力也要进行重构，基于AI服务，它更需要一种类似于Palantir这家公司的FDE模式。即，这些工程师既有能力做顾问，又有能力技术实现，结合用户的特定需求，然后把它做成标准化的“订阅”——这是可参考的。

　　但要谈到业务模式，即，服务作为一项收费内容，将成为未来自动化行业的自身能力，并不是说说而已，而是体现在专业性的服务上;以及在模型方面，让业务流效率更高，可以靠专业的咨询服务来创造价值，并且客户愿意买单。

　　(3)人才培养的问题

　　人才培养，需要多方协作，包括工程与理论、AI技术提供者与行业解决方案提供商、软件与服务等方面的各种合作。而这种人才需要具备跨领域能力，这里的跨领域不仅是指专业领域，也指职业性的——即，这位专家可能是能够协调、运营、设计、实施、AI、工艺等多方面的技术管理型人才，或者是一位能够带领这些跨平台、团队、领域之间合作的领导者。