人工智能发展的三个热潮
随着AlphaGo和Master横扫棋坛，人工智能再次进入公众的视野。但追根溯源，人工智能并不是新鲜事物，早在1956年的达特茅斯会议被公认为是人工智能的起源。而50年后当年的会议者们重聚，看着照片中白发苍苍的人工智能开拓者与奠基者，不禁感慨万千。
20世纪50年代到60年代第一次热潮：理论的革新这是电子计算机刚刚诞生的时代，当时的计算机更多的被视为运算速度特别快的数学计算工具，图灵在思想上走到了所有研究者的最前沿，琢磨计算机是否能像人一样思考，即开始在理论高度思考“人工智能”的存在。1950年10月，艾伦图灵发表了一篇名为《计算机械和智能》的论文，提出了著名的图灵测试，影响深远，直到今天仍被计算机科学家乃至普罗大众所重视。以图灵测试为标志，数学证明系统，知识推理系统，专家系统等里程碑式的技术和应用在研究者中掀起了第一次热潮。在当时，人们对人工智能普遍持过分乐观的态度，人们认为看到了几年内计算机通过图灵测试的希望曙光。然而受到计算机性能和算法理论的局限，接踵而来的失败似乎渐渐消灭了人们的热情，人工智能的热度迅速消退。至2017年的今天，仍未有计算机真正意义上通过图灵测试。
20世纪80年代到90年代第二次热潮：思维的转变在第二次AI热潮中，语音识别是最具代表性的突破性进展之一，而这个突破依赖的是思维的转变。过去的语音识别更多的是专家系统，即根据的是语言学的知识，总结出语音和英文音素，再把每个字打开成音节与音素，让计算机用人类学习语言的方式来学习语言。在研发过程中，计算机工程师与科学家围绕着语言学家进行工作。而新的方法是基于数据的统计建模，抛弃了模仿人类思维方式总结思维规则的老路，研发过程中没有或极少语言学家的参与，更多的是计算机科学家与数学家的合作。这其中的转变看似容易，其实面临着人类既有观念和经验的极大阻力。最终，专家系统寿终正寝，基于数据统计模型的思想开始广泛传播。
事实证明，计算机的“思维”方法与人类的思维方法之间，似乎存在着非常微妙的差异，以至于在计算机科学的实践中，越是抛弃人类既有的经验知识，依赖于问题本身的数据特征，越是容易得到更好的结果。——李开复
2006年至今第三次热潮：技术的融合今天的人工智能研究中，深度学习无人不谈，无人不识。从知名的AlphaGo，到不那么知名但在2014年ImageNet竞赛中第一次超越人眼的图像识别算法，都是深度学习的产物。从根本上说，深度学习是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。但不为人所知的是，深度学习的历史几乎和人工智能一样长，只是一直默默无闻，直到它等到了时代的机遇。首先，计算机的计算性能和处理能力大幅提高。符合摩尔定律而指数级增长的计算机性能最终跨过了门槛。其次，互联网的蓬勃发展为搜索引擎等公司带来了高质量的大数据。并且正是因计算机性能的提高人们得以储存和利用这些数据。可以说在第三次热潮中，深度学习+大规模计算+大数据=人工智能
看到这里，似乎三次热潮只是如同下图所示：在一次又一次的震荡中往复。
然而事实或许并非如此，可能我们已经走到了从量变到质变的风口。
这条曲线概括了绝大多数高新技术的发展历程。我们很可能正处于第四个阶段。第三次热潮仍未结束。
第三次热潮有何不同？对比：前两次：学术研究主导市场宣传层面学术界在劝说和游说政府和投资人投钱更多的是提出问题第三次：商业需求主导商业模式层面投资人主动向热点领域的学术和创业项目投钱更多的是解决问题
如今的人工智能可以说真正和产业相结合，走进了人们的日常生活当中。搜索引擎的背后是以深度学习为基础的算法；美图秀秀的背后是机器视觉和AI艺术的结合；网络地图的背后是AI对大数据的挖掘和处理；……
今天的人工智能，是有用的人工智能。——李开复《人工智能》
最后以维基百科使用的综合定义作结：AI就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。
智能制造发展的五个阶段，你到哪一阶段了
第一阶段：全员生产系统（TPS）。由日本提出来的，建立的5S标准（整理、整顿、清扫、清洁、素养）是七八十年代整个制造系统当中引以为核心的标准，固化在了组织和对人培训方面。
第二阶段：精益制造和6-Sigma。它的核心价值是如何以数据作为标准建立管理体系，本质是消除浪费。
在这个基础下面包括质量管理体系、产品全生命周期管理体系等等。这个时候数据真正在制造使用过程中发挥作用。
第三阶段：数据驱动的预测性建模分析。以数据驱动的预测性建模分析，指的是怎么把隐性的问题显性化，显性化之后解决隐性的问题，避免显性问题的发生。
第四阶段：以预测为基础的资源有效性运营决策优化。对于过去产生的关联性都能够建模之后，怎么根据系统生产、环境、人员多方要素变化进行实时动态优化。
第五阶段：“信息-物理”系统。它是建立在对于所有设备本身运行的环境、活动目标非常精确建模基础上，这个时候产生知识的应用和传承问题。
智能制造最终要具备状态感知、实时分析、自主决策、精准执行的特征，使得企业更柔性、更智能、更集成化，并且实现了大部分或者全部的智能化技术应用，目标是实现知识的获取、规模化利用与传承。
目前我国处于转型的最重要时期，还没有完全到达第三个阶段。
制造范式转型，关键在于数据流通与工艺建模工业体系交替的背后是制造范式的改变。
从传统到现代再到智能制造，研发生产流程不断进行重构与组织重建，创新流程的边界日渐模糊。
传统制造下研发/制造流程是串行的，现代制造下变革为并行，在未来智能制造体系下的研发/制造流程将是一体化，所有的过程是并行、并发的，数据的高速、有序的自由流通，各个环节高度互动和协同，组织是灵活动态的组织单元，由此而获得非常高的研发效率。
智能制造是以数据的自动流动解决复杂系统的不确定性，提高资源配置效率。
个性化定制是未来制造发展方向，产品越来越多，工艺越来越复杂，需求越来越复杂，以个性化定制为代表的复杂系统存在一系列问题。
比如成本如何解决，质量如何解决，交货期如何解决，这些问题带来了企业生产的复杂性、多样性和不确定性，而智能制造要解决的就是在制造复杂性提高的形况下的不确定性问题。
在前三次的工业革命中，传统的制造业主要围绕五个核心要素（5M）进行技术升级，分别是：
五个核心要素（5M）
（1）材料（Material）-包括功能、特性等；
（2）机器（Machine）-包括精度、自动化、和生产能力等；
（3）方法（Methods）-包括工艺、效率、和产能等；
（4）测量（Measurement）-包括6-Sigma、传感器监测等；
（5）维护（Maintenance）-包括使用率、故障率、和运维成本等。
这些改善活动都是围绕着人的经验开展的，人是驾驭这5个要素的核心。
生产系统在技术上无论如何进步，运行逻辑始终是：发生问题->人根据经验分析问题->人根据经验调整5个要素->解决问题->人积累经验。
建模是智能制造与传统制造最大区别。智能制造系统区别于传统制造系统的最重要的要素在于第6个M：建模（Modeling—数据和知识建模，包括监测、预测、优化和防范等），并通过这第6个M来驱动其他5个传统要素，从而解决和避免制造系统的问题，消除系统中的不确定性。
因此，智能制造运行的逻辑是：发生问题→模型（或在人的帮助下）分析问题→模型调整5个要素→解决问题→模型积累经验，并分析问题的根源→模型调整5个要素→避免问题，工艺模型担任大脑的角色，成为整个制造系统的核心。
02
数字孪生技术的背后是数字模型
数字孪生体现的是数字模型和实体的双向进化过程。数字孪生是指充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程。
在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。举例来讲，导航软件中城市的实体道路和软件中的虚拟道路就是“数字孪生”。
数字孪生体现了软件、硬件、和物联网回馈的机制，运行实体的数据是数字孪生的营养液输送线，反过来，很多模拟或指令信息可以从数字孪生输送到实体，以达到诊断或者预防的目的，是一个双向进化的过程。
通过产品数字孪生体的定义可以看出：
1）产品数字孪生体是产品物理实体在信息空间中集成的仿真模型，是产品物理实体的全生命周期数字化档案，并实现产品全生命周期数据和全价值链数据的统一集成管理；
2）产品数字孪生体是通过与产品物理实体之间不断进行数据和信息交互而完善的；
3）产品数字孪生体的最终表现形式是产品物理实体的完整和精确数字化描述；
4）产品数字孪生体可用来模拟、监控、诊断、预测和控制产品物理实体在现实物理环境中的形成过程和状态。
在这其中，数据流通与交换起到十分重要的作用，其为产品数字孪生体提供访问、整合和转换能力，其目标是贯通产品生命周期和价值链，实现全面追溯、双向共享/交互信息、价值链协同。
数字孪生是CPS关键技术。CPS通过构筑信息空间与物理空间数据交互的闭环通道，能够实现信息虚体与物理实体之间的交互联动。数字孪生体的出现为实现CPS提供了清晰的思路、方法及实施途径。
以物理实体建模产生的静态模型为基础，通过实时数据采集、数据集成和监控，动态跟踪物理实体的工作状态和工作进展（如采集测量结果、追溯信息等），将物理空间中的物理实体在信息空间进行全要素重建，形成具有感知、分析、决策、执行能力的数字孪生体。
03
软件定义制造，智能制造本质是软件化的工业基础
软件是智能的核心。工业软件建立了数字自动流动规则体系，操控着规划、制作和运用阶段的产品全生命周期数据，是数据流通的桥梁，是工业制造的大脑。
同时，工业软件内部蕴含制造运行规律，并根据数据对规律建模，从而优化制造过程。可以说，软件定义着产品整个制造流程，使得整个制造的流程更加灵活与易拓展，从研发、管理、生产、产品等各个方面赋能，重新定义制造。
软件定义制造。以信息物理系统为例，赛博物理系统（CPS）本质是构建一套赛博（Cyber）空间与物理（Physical）空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，解决生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。
这一闭环赋能体系概括为“一硬”（感知和自动控制）、“一软”（工业软件）、“一网”（工业网络）、“一平台”（工业云和智能服务平台）。
其中工业软件代表了信息物理系统的思维认识，是感知控制、信息传输、分析决策背后的世界观、价值观和方法论，可以说是工业软件定义了CPS。
工业软件是对工业各类工业生产环节规律的代码化，支撑了绝大多数的生产制造过程。作为面向制造业的CPS，软件就成为了实现CPS功能的核心载体之一。
工业软件不但可以控制产品和装备运行，而且可以把产品和装备运行的状态实时展现出来，通过分析、优化，作用到产品、装备的运行，甚至是设计环节，实现迭代优化。
声明
来源：网络，先进制造业公众号（ID:amdaily），转载请注明，如涉及作品版权问题，请联系我们删除或做相关处理！本文编辑：微明返回搜狐，查看更多