在美国再工业化的讨论中，自动化将拯救美国制造业是一个很流行的说法。自动化、机器人将取代熟练劳动力，节约劳动力成本，提高生产率，从而振兴美国制造业。当然，自动化和机器人无法解决美国的就业问题，不能解决再工业化最主要的目标：通过大量就业使美国经济重新走上正循环，但这是另外一个问题。这里的问题是：自动化能救美国制造业吗？
》》》漫谈自动化与人生
一般认为，自动化能做到几件事：
1、 提高产品质量
2、 节约生产线上的劳动力
3、 降低对熟练劳动力或者技术人员的需求
4、 理想的全自动生产方式中，系统还具有自学习功能
在实际上，前两件事是有条件的，后两条在很大程度上不是人们想象的那回事。
自动化的生产方式可以达到非常高的重复性，所以产品的一致性较好。但原料品质不是绝对一致的，生产设备也有磨损和状态的变化，在实际使用中，全自动的生产线也是需要经常调整的。自动化生产的产品可以达到相当高的产品一致性，但不能达到最高质量。最高质量只有根据原料和设备的情况实时做出最优调整，这只有手工才能做到。这不是低级劳动力的手工，而是高级技工的手工。这不是锉刀、钻头的手工，是借用精密机床的手工，甚至是数控精密机床，但在熟练的高级技工手里，根据每一件产品的材质精细加工。罗尔斯罗伊斯轿车和百黛翡丽手表不是用自动化生产线制造的，这里面有传统工艺的原因，但更大原因正在于此：只有手工才能达到最高质量。但对于大宗产品和普通用户来说，自动化生产达到的质量足够好了。
节约生产线上劳动力就不这么简单。在劳动密集型产业里，生产线上的劳动力是劳动力的主体，自动化生产无疑可以大大降低对劳动密集型产业的劳动力要求，这不是问题。问题在于自动化生产的设备维修、加工设计和生产改进本身带来了新的劳动力要求。广义的设备包括硬件和软件。以典型的大型化工厂为例，精馏塔、泵、管道、容器、反应器这些不因为自动化生产还是人工控制而改变，但计算机控制系统（简称DCS）及相关的仪表、阀门是自动化的产物。围绕着DCS，化工厂“多”出来一整条支援链，一般仪表工、专职DCS仪表工、专职PLC（专用于程序逻辑控制和安全连锁保护）仪表工、专职分析仪表工，控制工程师、DCS工程师（负责系统软件和系统整合）、控制系统IT工程师（负责是DCS到商务/管理网络中间过渡层和通过OPC和DCS连接的先进控制、数据管理系统），这只是在化工厂里的这一部分。相关系统厂商还有一整套技术支援体系，从硬件到软件到应用全面支援，他们当然还有他们的上游支援体系。这样一整条产业链的人力是很可观的，尽管系统厂商及上游厂商的支援体系是在全行业共享的，而不是化工厂专用的。
到这里为止，自动化对拯救美国制造业的作用还是正面的。但接下来的事情就不那么清晰了。
自动化能降低对高级技工的需求吗？从表面上看，一切都自动了，人的存在都是多余的，当然能降低对高级技工的要求。实际上没有那么简单。自动控制系统可以控制正常生产条件，并处理有限的、已知的非正常情况。但只要在现实世界中生活过的人都知道，未知的非正常情况不仅是可能出现，而且总是在最要命的时候出现，只有训练有素和善于应变的高级技工才能对付，所以人的存在不仅是必要的，而且是救命的。但自动化正在产生新的问题。由于自动化系统自动处理绝大多数正常和低度离谱的情况，轻度异常工况的情况都被自动补偿了，容易使操作工产生麻痹和懈怠，并忽视潜移默化的异常征兆。一旦出现明显异常的情况的时候，通常已经很紧急了。这时首先要经过一个惊讶和反应阶段，然后就需要判别现状，回忆起或者翻出种种应急操作规程。由于这样的异常情况很少见，和平常的正常情况的反差太大，心理素质不特别好的操作工常常不能正确处理，像平常一样继续依赖自动化系统把他解围，没有正确判别这已经超出自动化系统的能力范围，造成故障升级，甚至演变成灾难性的事故。墨西哥湾里英国石油公司“深水地平线”平台事故中，就有操作工惊慌失措、当断不断的原因，造成事故升级和人员伤亡扩大。相反，自动化程度不高的话，操作工时时刻刻需要对过程“把脉”，容易察觉异常现象的蛛丝马迹，反而不容易出现故障升级现象。对自动化系统的过度依赖、不能正确判别和处理自动化系统失控的状态，这已经成为工业界的一个共同头痛。工业上通常使用仿真系统（也称模拟器）训练操作工的异常情况处理，但训练的成功与否取决于是否能正确预测典型异常情况，超出训练课程的异常情况依然要靠操作工随机应变，但高度自动化系统非常容易钝化人的随机应变能力。
还有一个问题是工作负荷的高度集中。在手动操作时代，很多操作工分兵把守，各自为政。自动化之后，很多机械的、重复的工作被自动化系统取代了，操作工在更高的层次监控自动化系统。在体力上，这更加轻松；但信息量实际上大大增加，需要关注的事情多得多。这好比交通警察。在一个交通警管一个路口的时候，他要根据车流情况开关红绿灯，指挥这个路口的交通。交通控制自动化后，他的工作岗位转到交通控制中心，具体路口的红绿灯控制转为自动控制。在正常情况下，他要眼观六路、耳听八方，从确保一个路口交通畅通变为确保一大片路口交通畅通。一旦自动控制不力，出现交通受阻，他需要及时人工干预，正确疏导，而不是加剧堵塞，实际上工作负担是增加了，对技能的要求也大大提高了。
高度自动化的另一个问题是操作经验的流失。随着人员流动，有经验的老资格操作工被缺乏经验的新操作工取代，新操作工从一开始就依赖自动化系统，缺乏实际经验，到时候想随机应变都无从入手。这就好比用GPS导航自动驾驶的汽车，在正常情况下不需要人的干预，可以安全自动地从A开到B。车上的人在原则上是可以手动超越驾驶的。问题是久而久之就生疏了，或者只有理论上的能力，真的到了GPS失灵的时候，驾车人临时抱佛脚，不把车开到沟里才怪。
操作经验流失的另一个坏处在于未来自动化系统的研发。自动化系统不是天上掉下来的，更不是纸上谈兵拍脑袋出来的，而是丰富操作经验的物化。高级技工的经验不仅对于现有生产过程十分重要，对于把新的生产过程开出来更加重要。只有通过他们把新过程摸出来了，才谈得上高度自动化。自动化的难点通常不在关键过程或者动作的自动化，而在于异常情况的处理、人机交互处理、不同状态之间的无缝转换，这些都不是理论或者空想可以解决的，必须要靠高度的经验。所以自动化降低了对中初级技工的需求，但不降低对高级技工的需求。问题是高级技工不是天上掉下来的，也是从中初级技工中筛选出来的。这使得自动化带来的技术进步难以为继，因为生产技术和产品技术是不断进步的，但高级技工成了无源之水之后，下一步的自动化就难以为继了。换句话说，依赖自动化的制造业振兴可能成为一次性的。
这个问题在工程技术人员中也存在。美国制造业公司中技术工作大量外包，一般性设计和工程管理都承包给EPC公司（Engineering Procurement Construction），以降低公司的负担。这对公司是有利的，有项目的时候请人来做，没项目的时候不需要养一支队伍，更没有福利、养老等长期负担。外包的公司都是专业人士，经验和见识比公司里的人还广。问题是EPC公司对用户公司的工程标准和项目程序有一个熟悉过程，这中间的磨合常常令人抓狂。更要命的是，现在可以依靠EPC公司，但大家都没有从第一线出来的工程师了，下一代EPC的人马从哪里来？这种“我死后哪管他洪水滔天”的短视做法和试图用自动化振兴制造业一样成问题。
不过计算机技术、人工智能的高速发展给人们以新的希望，说不定以后高度智能的系统可以自学习了，那就彻底摆脱对高级技工的依赖了。摩尔定律依然在发光，计算机的速度依然在以不可思议的速度增长，“你怎么知道以后计算机就不能比人聪明呢？”
人工智能的极限是一个哲学问题，在这个问题没有解决之前，计算机是否可能比人聪明都是空谈。人类智能到现在为止依然是一个无法定性和计量的东西，人类智能的生成、演进、转移和储存都是远远没有解决的问题，更谈不上复制或者超过人类智能。智能不是知识的堆积，具有海量的数据库和闪电般的快速检索并不能绕过知识的堆积不等于智能这个障碍。面对同样的数据，不同的人会做出不同的反应，人工智能要超越的是谁的智能？事实上，人工智能极限作为一个哲学问题，是否对人工智能实践没有实质性指导意义呢？自动控制理论比计算机和人工智能先行，很多东西可以借鉴。早期控制理论使用输入-输出模型，但60年代卡尔曼提出状态空间理论，用状态方程建立全新的模型，更加深刻地揭示了动态系统的本质，并且把线性/非线性、定常/时变、确定性/随机、单变量/多变量理论放到统一的架构之下。同时，状态空间也第一次触及可控性概念。在一定的条件下，系统的状态不是完全可控的，不管控制系统设计得多精巧都不管用。可控性就是一个跨不过去的坎。人工智能的极限是什么？这个问题最终是绕不过去的。
就更具体的自学习系统而言，自动控制理论里也早就有了模型参考尤其是自校正控制，这就是入门级的自学习系统。这些概念在60、70年代就提出，也曾经是的人们大为振奋。自控理论的一个关键难点在于拥有形式合适而且精确可靠的动态数学模型，但对于大多数工业过程，这个模型难以获得，所以早期的控制理论常常停留在空谈的层次。自校正控制把在线辨识和最优控制相结合，一面实时校正数学模型，一面根据最新更新的数学模型实时调整控制策略，这不解决了缺乏数学模型的问题了吗？实际上没有，只是把问题的复杂性转移到另一个方向上去了。在线辨识需要过程处于动态中，只有牛鬼蛇神纷纷出动，才能辨识出过程的真实特性。但辨识的目的是形成最优控制，也就是把牛鬼蛇神统统镇压下去。但是都牛鬼蛇神都镇压了，在线辨识就要瞪大眼睛无事生非、没有牛鬼蛇神也草木皆兵造出几个来，导致模型失真，真有牛鬼蛇神再露头的时候，就容易发生过程失控。这个问题有很多就事论事的办法，但没有能从本质上解决的。人工智能的自学习是否会遇上同样的问题，这只有人工智能专家来解答，但类似的问题是逃不掉的。对于复杂过程的控制，最终取决于实质性的理解，而不是用投机取巧的数学方法绕过学习关。数学是对现实的抽象，但不下功夫理解现实，抽象就成了无源之水、无本之木，必定要误入歧途。这就是自学习救不了人工智能的本质原因。
对于系统复杂性，还有另一个例子。传统数学模型有一个公式，形式可以很复杂，可以有很多方程联立，可以是代数方程和微分方程的混合，并加入随机等其他复杂性因素，但这种传统数学模型能够描述的现象受到具体方程形式的限制。在研究人类智能的过程中，人们提出神经元的数学模型。这是一个简化的模型，但把很多这样的简化模型组网连接起来，可以描述几乎无限的现象，但神经元网络本身依然在数学或者计算上相对简单。神经元网络出现后，很多人以为这是终极数学模型，只要有足够多的数据和包括进所有的变量，从此可以把世界上所有复杂现象一网打尽。在学究们还在颤颤巍巍地刺探神经元网络的数学特征的时候，已经有人把它用于股票预测、市场预测和其他来钱的名堂，结果没有悬念：没戏。还是那句老话：数学是对现实的抽象，但不下功夫理解现实，抽象就成了无源之水、无本之木，必定要误入歧途。
那么自动化可以救美国的再工业化吗？自动化是一个工具，这个工具是要人来使用的。换句话说，这是一个力量倍增器，但基数是人。美国再工业化的关键还是人。想绕过美国人力资源的现实，用自动化来创造奇迹，这条路是走不通的。美国的人力资源问题是另一个话题了。工业DCS已经有很多自带“自动参数整定”软件，可以对自控回路自动整定，这或许是自校正控制的简化和实用版。这东西有用吗？软件能整定的回路，只有最基本的整定知识和经验的控制工程师都能搞定；工程师搞不定的，软件根本没戏。这就是inconvenient truth。
作者:晨枫
数据的堆砌不是真正的学习，或者说不是学习的全部，这个我也认为很对，非常赞同。也许理解现实，才是学习的真谛。假如对“自学习”重新界定，把“理解现实”当做“学习”的实质，那么“自学习救不了人工智能的结论”也可以改一改了吧。学习是什么？我也不知道，让我们大家一起来学习“学习”吧！
技术难点在“视觉识别”以及“声音识别”上，视觉识别技术现在有广泛的应用，比如海关通过x光系统自动鉴别违禁物品，比如无人机的自动识别系统；声音识别大家接触的比较多，比如手机的语音识别软件。具体技术上，用的比较多的是神经网络技术和模糊技术。神经网络系统俗称“黑盒子”系统，利用大量历史数据建立起输入输出的关系（术语叫“学习”），这种关系一般不能数学方程表达，所以叫黑盒子。说白了就是一种计算机程序。模糊技术是相对于传统数学发展起来的新学科（1965年有一篇模糊数学的重要文章发表），其根本是认为世界不是具体的是模糊的，是可以用度来衡量的，类似于天气预报说明天有60%的可能性要下雨一样（统计学范畴）。机器人的学习能力在工业领域我们也可以称“自适应能力”，就是不断输入新的数据，不断更新新的输入输出关系，从而适应不断变化的环境。当然不同的任务方法和算法都不同，但以我的理解机器要超过人脑的可能性不大，至少在现有技术制造的机器人的情况下。
“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。”实际上，支持的队伍不会小，只是支持的范围变了，变为支持机器学习了。机器学习的过程也是一个渐进的过程，有的地方需要改进，有的地方需要纠错。问题可以搬来搬去，可以施加不同的化妆，但问题不会消失。自动控制理论里有很多这样的例子，到后来，好像有一个“不变性”在里面，只是把原来难解决的问题换一个新的形式出现。极点配置到LQR问题就是一个例子，sliding mode又是一个例子，真正的硬核桃不因为换一个视角就变成软柿子了。固定结构系统-》自适应系统-》自学习系统，都是一样的，问题是形式和性质变了，难度不变。
自动化将拯救美国制造业的说法，在政治上无比正确，在技术上却是一个彻头彻尾的谎言。因为今天的美国，自动化首先是个被拯救的对象，处于泥菩萨过河自身难保的境地，而且怎么救它的药方还完全开不出来。美国正处在一个去工业化的过程中。从资本运作的角度，金融资本完全压倒了工业资本；从企业经营的角度，工业的活都在尽量外包；更重要的，从人力资源的角度，美国根本不能动员足够的人力资源去支撑自动化。每年冬天，美国的自动控制工作者要开一次年会CDC；每年夏天，中国的自动控制工作者也要开一次年会CCC。比较论文的水平，CDC比CCC平均高两个档次；但是如果步入会场，CCC参会人员平均比CDC要低大约20岁，女性参会人员百分比可能要高一个数量级。这种人员年龄和性别构成上的差异表明，太平洋两边动员自己最优质智力资源投入自动化的能力是完全不同的。
自动化不是神奇的空中楼阁，它是建立在整个工业体系的支撑之上的。而工业体系中最关键的，是工业人口，尤其是工程师及其以上级别的工业人口，这些人口是需要高等教育来培养的。自动控制在工科各专业中是知识面最宽数学要求最高的。在中国，自动控制是一个独立的一级学科，每年毕业大量的学士、硕士、博士，这些人中绝大多数不会从事自动化，但是留下的成为未来自动化事业的中坚。在美国，自动控制只是一个科学家们的松散联合，第一缺乏中国自动控制的学科自我维持能力，第二随着美国工业的萎缩而萎缩。美国的聪明孩子，一般选择医生、银行家这些职业。我在美国访问的时候，一个大学的控制组，十七八个研究生，只有一个是美国公民。这样的人才培养效率，怎么可能支撑起未来美国的自动化事业呢？美国孩子不仅不爱读自动控制，而且普遍不爱读工科。我的合作教授的解释是，百里挑一的美国孩子在工科领域根本拼不过万里挑一的中国孩子印度孩子，于是就去读医学、法律、金融这些对语言要求高的方向。而美国孩子离开后，美国教授就更是只好招中国孩子印度孩子来做研究生了，整个一正反馈。我不知道工业界的情况，但是在大学，美国的自动控制研究基本是战后婴儿潮一代的教授在撑着。十年之内，这些教授将全面退休，那个时候，美国大学还有没有人研究自动控制，能不能培养高素质的自动控制硕士、博士，将是一个问题。忧虑一点，大家庆祝卡尔曼老爷爷90岁生日的时候，有多少30岁以下的美国人还知道卡尔曼滤波？总不能指望100岁的卡尔曼老爷爷来领导自动化拯救美国制造业吧。
提到美国是因为现在有许多自动化话题是围绕着美国重新产业化出现的，其实我倒没有认为这其中有因果关系。人工智能许多人都知道前几十年都是臭大街的，尤其是神经网络，以前学计算机系的都是绕着人工智能走，都认为是肉包子打狗的专业方向。这两年的高潮是因为确实有了些突破与实用上的进展，尤其还是神经网络。美国产业化如何是个难题，但是自动化提供了一个很不错的方向是肯定了，虽然这也是个未知数，也许又是肉包子打狗几十年谁也不知道，但是这个可能性摆在那里也不能假装它不存在。我的愿望是希望美国成功，因为进一步自动化可以把全世界的盘子做大谁都有好处。盘子做不大，大家就只好互相抢剩下的，真抢起来其实是没有什么悬念的，因为谁吃进嘴里的也不会随便吐出来，最后真正吃亏的就是现在在西西河上网的这些人，别管是在美国还是在中国。
觉得工厂里的自动化是一个重要的方面,但工厂里大多数是常规可控制环境,觉得好像不是当今研究的热点,或者说是按部就班在小幅前进?感觉现在没有太迫切的需求在工厂自动化方面突飞猛进.倒是觉得各种军事机器人的大规模使用和成群使用以及他们将来的民用会有一些在非常规环境中对各种不确定性的处理的控制问题,比如最新darpa challenge要用机器人来做一些人的工作,又比如老美军事上研究无人作战和多机协作,还有飞机autopilot在突发故障和极端情况下的处理.但是这些控制问题和晨大的化工问题又不太一样.大的方向上我以为在试图向人类和动物的感知,运动,决策能力学习,但可能还需要一些积累吧,不管是从很底层学起,还是很高层学起.
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。
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。
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。