院士报告厅｜杜如虚：智能制造产业创新、布局与应变

本文系由深圳创新发展研究院、博研商学院、深圳企联等共同主办的“科技创新院士报告厅”第五期内容。8月26日，全球知名智能制造研究专家、加拿大工程院外籍院士杜如虚做客科技创新院士报告厅，围绕“智能制造产业创新、布局与应变”发表演讲。

以下内容根据杜如虚院士演讲速记整理，经讲者审订。

8月26日，加拿大工程院外籍院士杜如虚做客科技创新院士报告厅。 

今天很高兴来到这儿跟大家做一个交流。

众所周知，今天的世界有些不好的趋势：保护主义盛行，技术、原材料、零部件、市场随时可能不保；天灾人祸不断，交通、通讯、能源都有可能中断；恐怖袭击、社会动乱……其中的原因有很多，比如社会的两极分化、贫富的距离越来越大、还有争霸（所谓“修昔底德的陷阱”）、人类的偏见、新技术难以驾驭等等。

制造也面临许多挑战。中国制造在2016年左右就超过了美国（当然，美国是以服务业为主，所以GDP还是领先）。审视中美出口的数据（表1），就可以看到为什么美国会瞄准中国的电子产品了。所以，像华为这样的企业必然首先被限制。

表1 中国与美国制造工业出口比较

例如，中国的5G技术其实不比美国落后，美国就说“不行，我要封杀。”另外还有AI技术。大家觉得AI好像就是软件、算法，其实不是，AI跟5G是一样的，有硬件和软件的集成，缺一不可。中国不比美国落后，所以美国也要封杀，不让AI产品出口。 

疫情考验国家韧性

2020年新冠疫情暴发，一些医护用品短缺。中国是制造大国，所以有优势。美国以服务为主，自己不做日用品而依靠进口，所以口罩就短缺了。在疫苗生产上，中国在全球也排名第3、4名的位置，很有竞争优势。

更重要的是疫情会改变我们的生活，也改变全世界的制造工程。今天新冠病毒的变种现在超过七八百种了（图1），德尔塔只是其中一种。今后会继续演变，与人类共存。

图1 Covid-19新冠病毒的基因变异 

据统计，从新冠疫情爆发到现在大约有2亿多人受感染，死亡人数近五百万。但放在人类历史长河中，这还不算大的。比如跟1918年的西班牙流感相比，当时的死亡人数是5千万到1亿。当时人类其实还不知道“病毒”这个概念，治疗的方法有两种，一种是隔离，第二种是退烧药。西班牙的流感过了3年就没有了。新冠从前年开始已经一年多了,3年后会怎样呢？随着时间的推移和人类技术的进步，新冠终会成为历史的。

人类本身是具有韧性的，它不会被这样或者那样的事件轻易地打垮。人，作为生命个体也有韧性，不会一病就死掉，而是有一个自我恢复的能力。社会也有韧性，能够在各种各样的改变下很快地恢复过来。当然，国家、地区、公司都需要这种韧性。

韧性理论的研究始于“911事件”，转眼20年时间过去了。面对这样的事件，学者们开始考虑怎样抵御这些事件的发生，于是就产生了韧性理论。

美国洛克菲勒基金会提出了韧性城市计划[注：“全球100韧性城市”（100RC）项目，旨在帮助世界各地城市增强韧性，应对21世纪日益频发的自然、社会、经济挑战，美国纽约、法国巴黎、英国伦敦、意大利罗马、澳大利亚墨尔本等均是其会员城市]。中国目前有四个城市入选，分别是：湖北黄石、四川德阳、浙江海盐、浙江义乌。在全球有伦敦、巴黎、纽约等这些世界名城都在考虑怎样成为“韧性城市”。但新冠病毒来了都疲于应付，可见这个理论还不成熟，还有待提高。

有时候人类认知会超前实践，有时候实践会推动认知的发展。

韧性是什么？从雷达图（图2）上可以看到，它包括多个方面：研发与创新、领导与管理、营运管理、金融资产、控制与制度、产品与服务、信息与通讯、供应链、固定资产、人与文化、市场与消费群体、社会关系。

你的韧性处于什么水平？可以做个雷达图，判断一下。 

图2 怎样获得韧性

制造系统如何获得韧性

怎样获得韧性？对于制造系统，有三个要素：创新、布局和应变。

一、创新

创新是发展的引擎。首先，新技术层出不穷，一个产品不可能永远领先。其次，世界上2/3的专利都与制造有关。大家都在努力，你不努力人家一定会超过你。

比如手机的发展。手机本来是美国最先发明的，但是由于电话公司的保守以及相互之间打架，自己的发展拖了很久，所以中国就有机会超越美国。

创新包括好多部分的创新，比如产品设计的创新、制造技术的创新、供应链和市场的创新等等。

先简单讲一下产品的创新。产品创新的一个例子是大疆公司的无人机结构（图3），大疆是一个电子公司，机械设计不是他们的强项。他们找到了美国的AUTOCAD公司帮他们设计无人机的结构。这个结构是用人工智能算法自动设计出来的，后来发现这个设计跟南美洲一种会滑翔的松鼠的骨架相似。这种松鼠可以在风中滑翔60米，非常稳定。今天大疆无人机抗风的能力非常强，就得益于这个结构设计。 

图3 大疆无人机结构

产品的创新有了想法以后还要先看看已有的专利技术，要不然就会有侵权的可能。产品的创新还包括面向加工的设计以及设计优化和自动设计。

关于制造技术的创新，大家熟悉的是3D打印技术。还有一个是无模成型技术。在加工金属板材时，精密的模具或大型的模具非常昂贵，如果只需要一件或几件，那么成本就高得难以接受。因此我们尝试不用模具直接加工出产品。我们做了多个无模成型的机床。图4是一个6000KN步进弯板机，用于加工大型船板。

图4 6000KN步进弯板机

二、布局

布局可以从两个角度来做：一个是硬性，一个是柔性。

（1）硬性。硬性可以说是师法古人。世界各个古代文明传下来的传世之作，如埃及的金字塔和中国的万里长城为什么能够矗立数千年不倒呢？那是因为硬性的、严格的质量控制。埃及金字塔的设计者就埋在金字塔旁边。中国万里长城的砖上也有字说明是谁负责烧制的。

这样硬性的规定对于精密制造特别重要。我们国家质量管理的方法通常是制定一大堆质量检查标准、国标、以及行业标准等。而日本的质量管理更值得借鉴。我们都听说过丰田的质量管理方法，丰田的质量不是只看产品的质量，而是看产品加工中每一步的质量，它是一个全过程质量控制方法。这个理念十分重要。做质量控制并不是最后检查一下产品行不行，而是要检查产品生产中的每一个步骤行不行。如果每一步都行了，到后来就算有问题也很容易发现和纠正。如果只是到最后才发现有问题，那也许已经不可修复了。

（2）柔性。柔性可以说是师法自然。在自然界里，有生命的东西都是柔性的。即使是鲸鱼、大象这些大型动物也不例外。

柔性意味着可以变化，变化带来韧性。有一种小动物叫做水熊虫，长度只有0.3到0.5毫米，不怎么看得见。但是，它们可以抵御151℃高温、-272.8℃低温 、缺水、超强辐射。有研究发现，在原子弹爆炸过的地方，水熊虫还活着。它的武器就是变：变成胞囊、脱水隐生。

在制造领域，我们也可以利用柔性布局。布局分三步：

第一步危机分析。麻省理工学院的Yossi Sheffi教授有一本书《THE POWER OF RESILIENCE》（网上可以免费下载），讲到分析危机时要考虑到危机发生的可能性及危机导致的严重性。

第二步是把应变的机制植入到制造系统以应对危机（图5）。传统的方法是并联和堆栈。并联就是使用多个机床，一台机床不保险就用两台、三台。堆栈用于仓储，先把零部件存起来，机床发生故障时用。新的方法是使用可重构机床。一台机床可以重构，做多个工作。使用可重构机床柔性好，总投资也少些。堆栈可做成用计算机控制的可移动堆栈（如立库、AGV等），效率更高。

图5 堆栈

第三步是计算机仿真和优化。近年来计算机仿真已经发展到了数字孪生，利用数字孪生可以对生产线进行各种各样的分析，从而优化生产线的运行。

用“可重构机床”与“可移动堆栈”来布局的思想也可以用到其他地方，如交通管理、电力管理等等。

三、应变

应变就是智能控制。工业人工智能是现今制造业的发展方向。工业4.0的精神就是工业人工智能。

工业人工智能面临着许多挑战。首先是数据安全，企业有很多数据，这些数据是企业的生命线，不可外泄。其次，各个企业的数据难以分享。比如你买了一台机器人，你的生产线可以与机器人对接，却无法获得机器人内部的数据。机器人公司要保护自己的专利技术，不会把所有的数据都公开的。还有我们通常只有大量正常运作时的数据，没有或很少有故障时的数据。这就是所谓“数据孤岛”的问题。数据很多，但不能连在一起。

工业人工智能有三个层次：第一个层次是信号采集与信号处理。把生产线上各种装备的数据采集回来，并进行统计分析。目前国内一些公司已经能够做到了。第二层是数字孪生，把采集回来的数据与生产线的计算机模型生成的数据加以比对，并进行深度分析。目前德国做得最好，还开发了一些专门的软件。第三层是利用人工智能，发现问题的根源，不但可以防患于未然，而且还可以优化系统的营运，从而达到韧性。

我研究工业人工智能已经三十多年了。 人工智能的算法大致分了五类：决策论、神经元网络、进化论、统计分析和模拟分析。（推荐阅读《终极算法》一书）。这些算法的主要目的是学习。近年来，最新的算法包括谷歌的Transformer（自我专注学习）、对比学习、变分自编码器、对抗神经网络等等。今天给大家介绍的是对抗神经网络。

对抗神经网络其实是许多人持续努力的结果。它至少可以追溯到斯坦福大学教授Bradley Efron（布拉德利·埃弗龙）。Efron在1970年代写了一篇文章提出了所谓的“自举”的概念。我们知道，我们用采样来分析样本空间的状况。例如，在座的这么多人，我来问其中的20个人“去年你们公司是挣钱了还是亏本了？”根据这个回答我大概就可以判断去年的经济状况，推论深圳的公司，甚至全中国的公司状况。传统的方法问一次就够了，大家都认为再问也没用了。这个方法是著名的数学王子高斯在100多年前发现的。Efron说不是的。他说你可以再问，再采样。然后把数据不停地组装、统计分析。他证明了再采样、再分析对样本空间的估计更加准确。后来，人们又发现不但统计量（如均值、方差）可以自举，时间序列、神经元网络等都可以自举。自举（Bootstrap）是20世纪统计学的一个突破。

时间又过了30年，美国的年轻学者Ian Goodfellow提出了对抗神经元网络。他在斯坦福大学毕业后到加拿大蒙特利尔大学，师从图灵奖获得者约瑟华·本吉奥（Yoshua Bengio）读博士，博士毕业以后到谷歌公司做研究。在美国做研究跟中国不一样，不大讲究文章、专利这样的指标，更加注重你做的东西行不行，对世界有没有影响。大多数人一辈子默默无闻，没有做出什么来，但是总有些人做出了有影响力的工作。Goodfellow做出了“对抗神经元网络”。刚刚讲到神经网络可以自举，但问题是自举生成出来的那些东西大部分都是一些垃圾，没有什么用处。Goodfellow做了一个发生器和一个判别器，判别生成的网络有没有用。在学习的时候，发生器和判别器互相博弈，最后达到共同最优，这个就是纳什平衡。纳什就是电影《美丽心灵》中讲的那位数学家。Goodfellow他做了一个模拟人衰老的例子（图6）。这是一位女性和一位男性在18、28、38、48、58、60岁的样子。他的文章引起了轰动，人工智能居然能够做这样的东西，让人惊叹。

图6 用对抗神经网络生成的衰老过程图片

Ian Goodfellow的算法需要高深的数学，大部分的人读不懂。但他非但没有申请什么专利，或者做什么加密，而且把这个程序开源，代码就在那儿，谁都可以下载。所有全球对抗神经元网络的文章数以万计，许多人不懂它的原理但照样可以使用。我们不得不钦佩这些胸怀远大的学者。

对抗神经元网络的计算十分复杂。目前最有效的计算方法是最优搬运法。这个方法源自于法国科学家Gaspard Monge（加斯帕尔·蒙日 ）。巴黎铁塔上有76位法国最著名的科学家的名字，他名列其中。Gaspard Monge的方法只是一个想法。2013年，法国数学家Cedric Villani（2010年菲尔兹奖得主）最后解决了这个问题。

我们的算法是基于对抗神经网络的自增强的算法（Self—reinforced learning），主要用于解决数据孤岛问题。

人工智能是人类数学史上第四次革命：第一次革命是计数，第二次革命发明了几何、代数，描述静止不动的东西。第三次革命是牛顿引入运动的概念，从而可以描述机械的运动、流体的运动、电子的运动等等。但是这些运动方程已经变得很复杂了，很难掌握。人工智能是第四次革命。利用深度学习的网络，你甚至不用什么代数几何微积分，用计算机就可以解决各种各样的难题。今天最大的深度学习网络有4亿个神经元，几分钟之内就可以把网上所有关于一个特定问题（如起重机）的资料都读一次并整理记录下来。以后肯定也会越来越好。人工智能是人类认识自然和社会的革命，非常重要。

人工智能的算法还可以不断学习。每次加入新的数据，就能够改进。比如变老会怎么样，疲劳了会怎么样，污染了会怎么样，等等。我们做了许多应用的例子，其中一个是机器人关节谐波减速器的监控诊断（图7）。谐波减速器非线性的，很不好做。而且还很容易坏。我们的算法监控准确率达到了96.79%。

图7 谐波减速器 

智能制造有三个部分，创新、布局、应变。创新包括设计、制造、供应链、客服的创新。布局包括生产线、可重构机床等等。应变是最重要的，应变就是工业人工智能。

（整理：王苗米。小标题为编者所加）