前些日子在一个自动化专业群里，和一位教授产生了争论。教授认为模型可以解决一切智能化相关的问题。对此，我并不是完全赞同：对不了解模型的人，一定要强调模型的重要性；而认识到一定深度，又必须认识到模型的局限性。 在自动化领域，模型一般被定义为系统的输入输出关系。有了模型，就有了一般性的决策方法：至少可以通过仿真，去评估若干备选方案，从中选出相对理想的做法。所以，模型对机器决策的意义是非常大的。 我们也知道：原始人类和动物的决策，从来不依靠模型，甚至不依靠计算。即便是现在，人类重要的决策往往还是要靠直觉来做出，而机器只能其辅助作用。因为机器决策所需要的知识和信息必须是清晰的、明确的；人类决策面临的环境往往是开放的，相关的知识和信息往往是模糊的。所以，对于特别重大的事情，人类拥有的知识和信息往往更多，机器往往还不能代替人的决策。 需要特别关注的一个问题是：人类的关键决策往往是定性的，决策的重点是目标、路径和手段的选择。量化、数字化对战略决策当然是有用的，比如发现机会、纠正偏见、确定行动的起点和终点重点，但决策的关键逻辑往往是定性的。量化、数字化、模型化的价值更多体现在实施过程、执行过程，是对手段和方法的优化。 认识到这一点，对智能化中的一些认识也就容易串在一起了。 比如：智能化是决策革命、智能化是机器决策或帮助人决策、智能化的关键是知识；从自动化到智能化，关键是感知到认知；智能化往往促进管控融合等等。对于这些论点，人们其实应该质问一下：为什么是知识不是模型呢？为什么多出来一个“认知”呢？管控融合为什么重要呢？根据前面的分析，这些问题不难解释。 我们知道，自动化和智能化都涉及决策。但传统的自动化往往针对封闭小系统，是战术层面的决策、偏重量化的决策。我们现在推进的智能化，往往是传统自动化做不好的、传统上依靠人的那些决策。所以，智能化的决策往往首先偏重定性决策、是偏重管理的工作。由此可见，从自动化到智能化的变化，首先是问题领域的变化：针对过去那些由人做的决策，只是现在强调计算机的参与。 偏重定性决策时，首先是通过信息，对外部发生的事件定性。这就是所谓“感知到认知”。比如，把眼睛看到的图像信号对应“狼”，把机器震动300HZ对应“设备异常”。这种定性的结论，是决策的起点，以此为基础做出“赶紧逃命”、“设备需要维护”的定性决策。 我们注意到，感知到认知的过程本质上是确定某个概念，如“狼”、“设备异常”。我们知道，人类的知识体系是以概念为核心建立的。比如，“狼”的概念意味着“这个动物能吃羊”，“设备异常”对应着“需要检测、维修”。这些都是知识。 所以，“认知”的任务是确认概念。这样，决策过程就可以把与概念相对应的专业知识引入。这些知识包括“怎么做”的知识，也就是行动方法知识。这就是我经常强调的“吴淑珍式的智能”。而这种智能的特点是：用人能够明白的简单道理，让机器去做的比人更好。强调“人明白”有多方面的原因：工业知识几乎都是人能明白的，而可靠性的要求也必须要求“人明白”。这种智能的难点不在于知识复杂、甚至也不产生新知识，关键是把人的知识让计算机去决策。智能化的基础在于“及时、准确、完整的信息”，人们强调互联网、物联网和数字化模型，就是为了得到“及时、准确、完整的信息”。 我们强调决策的关键首先是定性，如“赶紧逃跑”、“机器要维修”。但这并不否定定量的作用。其实，计算机的优势之一就是量化的能力比人强。另外，计算机计算一定会用到量化的东西。比如，“和狼的相似程度”、“机器发生故障的概率”等。 在智能化的过程中，模型非常重要。这是因为：模型可以承载与对象相关的知识和信息，为决策提供依据。但是，决策时用的许多知识，是人们过去在现实的物理世界中实践的结果，并非是用模型算出来的。换句话说，模型并不能解决所有的知识来源问题。所以，模型很重要，却不是万能的。 另外需要说明的是：模型的定义有许多种。在控制领域，模型一般定义为系统的输入输出关系；在研发部门和软件工程师那里，模型定义为对象的属性和结构。或许还有人把知识定义为一种特殊的模型，也可以把知识当做模型的属性。但是，如果这样定义的话，概念就有点混乱了。 |
