在人工智能的发展历史上，连接主义依靠模拟大脑神经递质(Brain)和符号主义模拟人的思维与推理(Mind)来发展AI，似乎都遇到了问题，回到问题的起点，即，让机器来学习-开启了新的道路，才让AI经历寒冬，那么，这个时候，我们就要思考一个问题，机器学习人的什么？
“知识与经验”，经常被提及，其中知识是已有的物理公式与化学方程，这些都是经历了数百年积累的人类知识，但是，它也同样来自大量的实践实践积累—它的显著特征是显性，可被用数学表达。这是一种很高级的思维方式，具有很强的可可解释与可预测性，且在实现方面，算力要求低，20年前的芯片也可以用于处理这样的任务。
但是，经验，则是另一个方向，它无法用公式来描述，因为人经验是一种非结构而又依赖直觉的判断过程，而且人可以自组织学习，这是人相对于机器而言，比较强大的。机器的优势在于“野蛮的算力”，存储与不知疲倦的工作能力-只要电力供应稳定。
图1 人的智能与人工智能应该形成互动
因此，就学习而言，机器学习实际上，是需要向人学习。记得去年参观印刷厂，看到一台进口胶印机，有一个功能就是调节水墨均衡，机器的产品拿到工作台上，被扫描，然后师傅在调节这个水相墨相时，机器可以将其调节过程记录，那么，这就是一个典型的学习过程。
在最近德国汉诺威展上，仪表同行谈到了参与了SmartFactoryKL的测试线，正在进行一个称为“Skill-Based Production”-这给我们一个启示，Skill-这是谁的技巧？对于已有的产品成熟的生产来说，可以实现预设的生产变化，但是，对于新材料、新工艺、新产品，机器该怎么去进行最优参数的获取？那么，它需要向人学习，人如何预设并调整参数，以获得高品质的产品，这些需要机器与人来协作完成。
这个时候，我们发现“技师”-职业教育能够培养大量的高素质技师也至关重要，因为，机器可以学习，但是，如果经验丰富的技师可以让机器快速的学习到好的经验，而如果经验弱的，机器只能很慢学习到低品质的产品生产过程。
机器学习过程也需要人的参与
有些朋友开玩笑，说现在的人工智能其实是“人工的”智能，这是有一定道理，就现阶段而言，在整个机器学习的应用过程来说还是得要人的参与才行。
一个完整或典型的机器学习应用，如图2所示，工业AI应用同样如此，在这个过程中，包括数据的采集、滤波处理、特征提取、参数选择、训练方法的选择、验证，其实都是依赖于人给予机器指导。
图2 机器学习的通用流程
就像特征提取，你数据量大，但与目标无关或弱相关，那么，你的数据量再大也无法得到有效的模型。另外，数据如果没有被有效的滤波处理，就会得到非常低品质的数据，消耗资源，却没有达到良好的训练效果。
当然了，相信随着技术的进步，机器自动提取特征或者自动降维处理也是会降低人的工作量的。但是，这个也需要数据科学专家来对它进行设计呀！
没有人的参与和帮助—想来机器也很迷茫啊！
人的智慧复合才能解决问题
我们经常讲掌握Know-How，直观的说，Know-How就是知道(Know)怎么作(How)，但是，我们还得在这之前知道Know-Why-目的是什么，方向确定了才选方法。这才关注Know-How,如何去做这件事，还得知道Know-Who，谁更适合做这件事情。
图3想回答一个问题，谁(Who)来做的问题，机器向人学习，而一个机器学习应用需要由多个人，或复合型的人来主持和协作团队来完成。
图3 机器学习多角色人的专业融合
对于算法，其实，机器学习的算法也有很多，用于来处理不同的任务，那么算法专家，就得清晰的明白每种机器学习方法的优点、缺点、适用的问题，以及在这个过程中，存在的潜在问题该如何处理，会遇到哪些常见问题。
而对于领域专家，尤其制造业里的各种复杂场景，印刷人家关注的是颜色、纸盒关注成型、机床加工的是金属材料成型，每种材料的特点-否则，也不知道影响质量的因素有哪些？
技师-就是那些掌握经验的人，毕竟现有的物理模型是有限的认知，且并非最优的，遇到新材料，新工艺，技师他就能有经验怎么摸索很快就能把需要的工艺参数做好—这种来自直觉的东西，就是机器要去学习的。
产品经理-其实，工业里做事情，都得具有可复制性，如果现在AI应用都得Case by Case的项目形式，这个就特别消耗工程师资源，再说懂AI的工程师这么贵，不能复制的应用就是成本无法被稀释，难以扩展就是问题，因此，产品经理，也得把这个AI应用给标准化，才能细水长流的赚钱。
项目管理-要很好的掌控开发项目过程的效率，品质，代码的规范，不管你做什么，只要是干软件活，这事也不能省，要不然就有可能遥遥无期，项目做不成-还不知道止损。
市场销售-还得有效的了解客户需求，高效沟通，考虑的不仅仅纯技术因素，也要考虑行业的未来战略，以及客户之间的协同。
总之，人，各种人才是关键—技师，尤其容易被忽略。大谈各种AI能带来什么价值—这种套话在各种场合里的专家那里都能听到，刚刚看了篇号称机械行业数字化的，却没有谈到任何一个具体机器行业，说的都是冠冕堂皇的话，忘记了现场有神明。
作者：宋华振
