本文系由深圳創新發展研究院、博研商學院、深圳企聯等共同主辦的“科技創新院士報告廳”第五期內容。8月26日，全球知名智能制造研究專家、加拿大工程院外籍院士杜如虛做客科技創新院士報告廳，圍繞“智能制造產業創新、布局與應變”發表演講。

以下內容根據杜如虛院士演講速記整理，經講者審訂。

8月26日，加拿大工程院外籍院士杜如虛做客科技創新院士報告廳。 

今天很高興來到這兒跟大家做一個交流。

眾所周知，今天的世界有些不好的趨勢：保護主義盛行，技術、原材料、零部件、市場隨時可能不保；天災人禍不斷，交通、通訊、能源都有可能中斷；恐怖襲擊、社會動亂……其中的原因有很多，比如社會的兩極分化、貧富的距離越來越大、還有爭霸（所謂“修昔底德的陷阱”）、人類的偏見、新技術難以駕馭等等。

制造也面臨許多挑戰。中國制造在2016年左右就超過了美國（當然，美國是以服務業為主，所以GDP還是領先）。審視中美出口的數據（表1），就可以看到為什么美國會瞄準中國的電子產品了。所以，像華為這樣的企業必然首先被限制。

表1 中國與美國制造工業出口比較

例如，中國的5G技術其實不比美國落后，美國就說“不行，我要封殺。”另外還有AI技術。大家覺得AI好像就是軟件、算法，其實不是，AI跟5G是一樣的，有硬件和軟件的集成，缺一不可。中國不比美國落后，所以美國也要封殺，不讓AI產品出口。 

疫情考驗國家韌性

2020年新冠疫情暴發，一些醫護用品短缺。中國是制造大國，所以有優勢。美國以服務為主，自己不做日用品而依靠進口，所以口罩就短缺了。在疫苗生產上，中國在全球也排名第3、4名的位置，很有競爭優勢。

更重要的是疫情會改變我們的生活，也改變全世界的制造工程。今天新冠病毒的變種現在超過七八百種了（圖1），德爾塔只是其中一種。今后會繼續演變，與人類共存。

圖1 Covid-19新冠病毒的基因變異 

據統計，從新冠疫情爆發到現在大約有2億多人受感染，死亡人數近五百萬。但放在人類歷史長河中，這還不算大的。比如跟1918年的西班牙流感相比，當時的死亡人數是5千萬到1億。當時人類其實還不知道“病毒”這個概念，治療的方法有兩種，一種是隔離，第二種是退燒藥。西班牙的流感過了3年就沒有了。新冠從前年開始已經一年多了,3年后會怎樣呢？隨著時間的推移和人類技術的進步，新冠終會成為歷史的。

人類本身是具有韌性的，它不會被這樣或者那樣的事件輕易地打垮。人，作為生命個體也有韌性，不會一病就死掉，而是有一個自我恢復的能力。社會也有韌性，能夠在各種各樣的改變下很快地恢復過來。當然，國家、地區、公司都需要這種韌性。

韌性理論的研究始于“911事件”，轉眼20年時間過去了。面對這樣的事件，學者們開始考慮怎樣抵御這些事件的發生，于是就產生了韌性理論。

美國洛克菲勒基金會提出了韌性城市計劃[注：“全球100韌性城市”（100RC）項目，旨在幫助世界各地城市增強韌性，應對21世紀日益頻發的自然、社會、經濟挑戰，美國紐約、法國巴黎、英國倫敦、意大利羅馬、澳大利亞墨爾本等均是其會員城市]。中國目前有四個城市入選，分別是：湖北黃石、四川德陽、浙江海鹽、浙江義烏。在全球有倫敦、巴黎、紐約等這些世界名城都在考慮怎樣成為“韌性城市”。但新冠病毒來了都疲于應付，可見這個理論還不成熟，還有待提高。

有時候人類認知會超前實踐，有時候實踐會推動認知的發展。

韌性是什么？從雷達圖（圖2）上可以看到，它包括多個方面：研發與創新、領導與管理、營運管理、金融資產、控制與制度、產品與服務、信息與通訊、供應鏈、固定資產、人與文化、市場與消費群體、社會關系。

你的韌性處于什么水平？可以做個雷達圖，判斷一下。 

圖2 怎樣獲得韌性

制造系統如何獲得韌性

怎樣獲得韌性？對于制造系統，有三個要素：創新、布局和應變。

一、創新

創新是發展的引擎。首先，新技術層出不窮，一個產品不可能永遠領先。其次，世界上2/3的專利都與制造有關。大家都在努力，你不努力人家一定會超過你。

比如手機的發展。手機本來是美國最先發明的，但是由于電話公司的保守以及相互之間打架，自己的發展拖了很久，所以中國就有機會超越美國。

創新包括好多部分的創新，比如產品設計的創新、制造技術的創新、供應鏈和市場的創新等等。

先簡單講一下產品的創新。產品創新的一個例子是大疆公司的無人機結構（圖3），大疆是一個電子公司，機械設計不是他們的強項。他們找到了美國的AUTOCAD公司幫他們設計無人機的結構。這個結構是用人工智能算法自動設計出來的，后來發現這個設計跟南美洲一種會滑翔的松鼠的骨架相似。這種松鼠可以在風中滑翔60米，非常穩定。今天大疆無人機抗風的能力非常強，就得益于這個結構設計。 

圖3 大疆無人機結構

產品的創新有了想法以后還要先看看已有的專利技術，要不然就會有侵權的可能。產品的創新還包括面向加工的設計以及設計優化和自動設計。

關于制造技術的創新，大家熟悉的是3D打印技術。還有一個是無模成型技術。在加工金屬板材時，精密的模具或大型的模具非常昂貴，如果只需要一件或幾件，那么成本就高得難以接受。因此我們嘗試不用模具直接加工出產品。我們做了多個無模成型的機床。圖4是一個6000KN步進彎板機，用于加工大型船板。

圖4 6000KN步進彎板機

二、布局

布局可以從兩個角度來做：一個是硬性，一個是柔性。

（1）硬性。硬性可以說是師法古人。世界各個古代文明傳下來的傳世之作，如埃及的金字塔和中國的萬里長城為什么能夠矗立數千年不倒呢？那是因為硬性的、嚴格的質量控制。埃及金字塔的設計者就埋在金字塔旁邊。中國萬里長城的磚上也有字說明是誰負責燒制的。

這樣硬性的規定對于精密制造特別重要。我們國家質量管理的方法通常是制定一大堆質量檢查標準、國標、以及行業標準等。而日本的質量管理更值得借鑒。我們都聽說過豐田的質量管理方法，豐田的質量不是只看產品的質量，而是看產品加工中每一步的質量，它是一個全過程質量控制方法。這個理念十分重要。做質量控制并不是最后檢查一下產品行不行，而是要檢查產品生產中的每一個步驟行不行。如果每一步都行了，到后來就算有問題也很容易發現和糾正。如果只是到最后才發現有問題，那也許已經不可修復了。

（2）柔性。柔性可以說是師法自然。在自然界里，有生命的東西都是柔性的。即使是鯨魚、大象這些大型動物也不例外。

柔性意味著可以變化，變化帶來韌性。有一種小動物叫做水熊蟲，長度只有0.3到0.5毫米，不怎么看得見。但是，它們可以抵御151℃高溫、-272.8℃低溫 、缺水、超強輻射。有研究發現，在原子彈爆炸過的地方，水熊蟲還活著。它的武器就是變：變成胞囊、脫水隱生。

在制造領域，我們也可以利用柔性布局。布局分三步：

第一步危機分析。麻省理工學院的Yossi Sheffi教授有一本書《THE POWER OF RESILIENCE》（網上可以免費下載），講到分析危機時要考慮到危機發生的可能性及危機導致的嚴重性。

第二步是把應變的機制植入到制造系統以應對危機（圖5）。傳統的方法是并聯和堆棧。并聯就是使用多個機床，一臺機床不保險就用兩臺、三臺。堆棧用于倉儲，先把零部件存起來，機床發生故障時用。新的方法是使用可重構機床。一臺機床可以重構，做多個工作。使用可重構機床柔性好，總投資也少些。堆棧可做成用計算機控制的可移動堆棧（如立庫、AGV等），效率更高。

圖5 堆棧

第三步是計算機仿真和優化。近年來計算機仿真已經發展到了數字孿生，利用數字孿生可以對生產線進行各種各樣的分析，從而優化生產線的運行。

用“可重構機床”與“可移動堆棧”來布局的思想也可以用到其他地方，如交通管理、電力管理等等。

三、應變

應變就是智能控制。工業人工智能是現今制造業的發展方向。工業4.0的精神就是工業人工智能。

工業人工智能面臨著許多挑戰。首先是數據安全，企業有很多數據，這些數據是企業的生命線，不可外泄。其次，各個企業的數據難以分享。比如你買了一臺機器人，你的生產線可以與機器人對接，卻無法獲得機器人內部的數據。機器人公司要保護自己的專利技術，不會把所有的數據都公開的。還有我們通常只有大量正常運作時的數據，沒有或很少有故障時的數據。這就是所謂“數據孤島”的問題。數據很多，但不能連在一起。

工業人工智能有三個層次：第一個層次是信號采集與信號處理。把生產線上各種裝備的數據采集回來，并進行統計分析。目前國內一些公司已經能夠做到了。第二層是數字孿生，把采集回來的數據與生產線的計算機模型生成的數據加以比對，并進行深度分析。目前德國做得最好，還開發了一些專門的軟件。第三層是利用人工智能，發現問題的根源，不但可以防患于未然，而且還可以優化系統的營運，從而達到韌性。

我研究工業人工智能已經三十多年了。 人工智能的算法大致分了五類：決策論、神經元網絡、進化論、統計分析和模擬分析。（推薦閱讀《終極算法》一書）。這些算法的主要目的是學習。近年來，最新的算法包括谷歌的Transformer（自我專注學習）、對比學習、變分自編碼器、對抗神經網絡等等。今天給大家介紹的是對抗神經網絡。

對抗神經網絡其實是許多人持續努力的結果。它至少可以追溯到斯坦福大學教授Bradley Efron（布拉德利·埃弗龍）。Efron在1970年代寫了一篇文章提出了所謂的“自舉”的概念。我們知道，我們用采樣來分析樣本空間的狀況。例如，在座的這么多人，我來問其中的20個人“去年你們公司是掙錢了還是虧本了？”根據這個回答我大概就可以判斷去年的經濟狀況，推論深圳的公司，甚至全中國的公司狀況。傳統的方法問一次就夠了，大家都認為再問也沒用了。這個方法是著名的數學王子高斯在100多年前發現的。Efron說不是的。他說你可以再問，再采樣。然后把數據不停地組裝、統計分析。他證明了再采樣、再分析對樣本空間的估計更加準確。后來，人們又發現不但統計量（如均值、方差）可以自舉，時間序列、神經元網絡等都可以自舉。自舉（Bootstrap）是20世紀統計學的一個突破。

時間又過了30年，美國的年輕學者Ian Goodfellow提出了對抗神經元網絡。他在斯坦福大學畢業后到加拿大蒙特利爾大學，師從圖靈獎獲得者約瑟華·本吉奧（Yoshua Bengio）讀博士，博士畢業以后到谷歌公司做研究。在美國做研究跟中國不一樣，不大講究文章、專利這樣的指標，更加注重你做的東西行不行，對世界有沒有影響。大多數人一輩子默默無聞，沒有做出什么來，但是總有些人做出了有影響力的工作。Goodfellow做出了“對抗神經元網絡”。剛剛講到神經網絡可以自舉，但問題是自舉生成出來的那些東西大部分都是一些垃圾，沒有什么用處。Goodfellow做了一個發生器和一個判別器，判別生成的網絡有沒有用。在學習的時候，發生器和判別器互相博弈，最后達到共同最優，這個就是納什平衡。納什就是電影《美麗心靈》中講的那位數學家。Goodfellow他做了一個模擬人衰老的例子（圖6）。這是一位女性和一位男性在18、28、38、48、58、60歲的樣子。他的文章引起了轟動，人工智能居然能夠做這樣的東西，讓人驚嘆。

圖6 用對抗神經網絡生成的衰老過程圖片

Ian Goodfellow的算法需要高深的數學，大部分的人讀不懂。但他非但沒有申請什么專利，或者做什么加密，而且把這個程序開源，代碼就在那兒，誰都可以下載。所有全球對抗神經元網絡的文章數以萬計，許多人不懂它的原理但照樣可以使用。我們不得不欽佩這些胸懷遠大的學者。

對抗神經元網絡的計算十分復雜。目前最有效的計算方法是最優搬運法。這個方法源自于法國科學家Gaspard Monge（加斯帕爾·蒙日 ）。巴黎鐵塔上有76位法國最著名的科學家的名字，他名列其中。Gaspard Monge的方法只是一個想法。2013年，法國數學家Cedric Villani（2010年菲爾茲獎得主）最后解決了這個問題。

我們的算法是基于對抗神經網絡的自增強的算法（Self—reinforced learning），主要用于解決數據孤島問題。

人工智能是人類數學史上第四次革命：第一次革命是計數，第二次革命發明了幾何、代數，描述靜止不動的東西。第三次革命是牛頓引入運動的概念，從而可以描述機械的運動、流體的運動、電子的運動等等。但是這些運動方程已經變得很復雜了，很難掌握。人工智能是第四次革命。利用深度學習的網絡，你甚至不用什么代數幾何微積分，用計算機就可以解決各種各樣的難題。今天最大的深度學習網絡有4億個神經元，幾分鐘之內就可以把網上所有關于一個特定問題（如起重機）的資料都讀一次并整理記錄下來。以后肯定也會越來越好。人工智能是人類認識自然和社會的革命，非常重要。

人工智能的算法還可以不斷學習。每次加入新的數據，就能夠改進。比如變老會怎么樣，疲勞了會怎么樣，污染了會怎么樣，等等。我們做了許多應用的例子，其中一個是機器人關節諧波減速器的監控診斷（圖7）。諧波減速器非線性的，很不好做。而且還很容易壞。我們的算法監控準確率達到了96.79%。

圖7 諧波減速器 

智能制造有三個部分，創新、布局、應變。創新包括設計、制造、供應鏈、客服的創新。布局包括生產線、可重構機床等等。應變是最重要的，應變就是工業人工智能。

（整理：王苗米。小標題為編者所加）