此文寫了很久，總是困惑于是否過于尖銳的問題--畢竟自己的認知是有局限的，希望引發討論，而非抱怨，即或有偏執也是希望出于公心，也希望讀者多的指教。

一、自動化的焦慮

此文背景，是5月初在蘭州參加自動化專業類教指委會議，包括同期舉辦的全國自動化院系主任聯席會議上，學界對于智能制造時代的自動化教育展開了熱烈的討論，工程技術專業的人總是保持著坦誠直面問題的態度是一貫的作風，這里聚焦點在于“人工智能與自動化的融合問題”，即在新的時代教育如何與時俱進的發展，以適應產業需求與國家戰略的匹配—可以看出大家存在著一些焦慮的成分，可以概括為幾點：

（1）自動化專業的吸引力在下降嗎？

（2）人工智能如何與自動化相融合來解決智能制造的問題？

 

雖然這是一個學界的會議，看上去大家有些焦慮:)，但是，其實對于產業同樣如此也存在著一定的焦慮，產業當然關注的焦點是如何尋找增長點，傳統的市場已經處于飽和狀態，而如何通過“數字轉型”帶來新的業務增長，今天的智能制造已經被“互聯網+”“人工智能”、“云計算”等來自IT的理念渲染的熱火朝天，但是，如何把握這個數字化潮流，是每個自動化行業人必須思考的問題，困惑在某種程度存在著必然。

 

 

第一個問題是顯然的，大學采用通識教育，因此，以大類招生，而在大三才選擇專業，那么自動化專業面臨學生越來越少選擇的困境，而同樣，由于自動化專業畢業的學生往往都不會去制造業（機械、系統、自動化企業本身），因為“利益驅動靈魂”—那里賺錢多??！就像有一次參加SCOM（供應鏈管理）會議上一位獵頭談到的，阿里巴巴你問薪水多少—人家會告訴你，薪水只是你的零花錢啊！你不用關心這個。

對于產業的焦慮在于人才的流失，目前大學畢業的學生都流向了ATM等所代表的移動互聯、IT企業，包括金融產業，能來到制造業的已經比較少了，人才招聘遇到了難題，在制造業盈利能力欠缺的情況下，缺乏對學生的吸引力。

 

第二個問題在于提升吸引力，而競爭的是“計算機”類專業，這里牽扯到非常多的科研資源傾向問題，國家將“人工智能”看到如此之重的位置，以至于連高中都開始進行AI的教育，而這個似乎又被劃分到了“計算機工程與科學”領域，而非自動化，這意味著專業的邊緣化和未來在資金、項目上的劣勢，會造成惡性循環。當人才流向了IT與人工智能等領域后，也使得自動化產業的升級遇到了困難，因為缺乏相關的人才，使得僅停留于概念階段而無法落地。

 

IT與傳統產業不同，在最初IT產業發展的時候，缺乏足夠的支撐，因此，IT是在純市場化的環境下運作起來的，而計算機相關專業也得益于IT技術的快速成長，更好的融合了產業，因此，相較而言，計算機相關專業與IT的融合就非常緊密，而且，從實踐的角度而言，IT主要提供了編程條件—一臺筆記本即可，而自動化則需要裝置，并且需要現場的復雜環境支撐，對于穩定與可靠的要求使得自動化產品生命周期往往較長，而且，現場復雜的環境使得產業缺乏吸引力，在創新性方面相對吸引力就不能與IT相比。

 

二、焦慮與質疑并不產生價值嗎？

 

其實就像會議之前幾天非常熱鬧的北京大學林校長所遇到的危機一樣，讀錯字了并非關鍵，而更多的批評來自于他那句“焦慮與質疑并不創造價值……”。

 

焦慮才會產生變革的動力，才會讓人們去面對問題尋找解決之道，對于學界如此，產業界同樣如此，因為IT與OT的融合過程中，傳統的OT相對還是開放度會低，其實，IT想進入OT同樣遇到問題：

 

（1）IT的迭代在OT上不能發生

很多IT人想進入制造業，他們的思維有時候會比較慣性：“如果這個精度達不到，那么我是否可以先接近，然后再慢慢迭代到目標精度”-但是，客戶是不允許你提供的系統這樣來迭代的，你只有達到0.1mm的精度，才能和他們展開合作，而不是先達到0.3，然后慢慢達到0.1mm，這里牽扯到巨大的測試成本的，因此，這種迭代不像手機的HMI上的操作體驗，僅軟件層面的優化，不產生物理的材料成本。

 

（2）IT不會有非常強的實時性、穩定性要求

IT其實在某種意義上也把制造業的問題想簡單了，單說IT想訪問數據這件事情就變得極其困難，各種現場總線、各種約束條件，因此，IT可以干非實時、非人身安全、非緊急的任務，但對于復雜的控制場景而言，IT仍然不要輕易涉足，因為自動化人干這個數十年也是有道理的。

 

其實在人工智能與自動化融合這個過程，我們必須清楚的認知自己的優勢：

（1）自動化的優勢在于行業知識

無論是流程工業、大型水電工程、電網、制藥、食品飲料等工業而言，自動化一直在過去數十年兢兢業業的在實現高品質的產品質量控制、高速切削加工、滲碳工藝以及流程優化等，包括MPC模型預測控制、APC-高級過程控制，這些本身已經屬于智能的范疇。

這些行業的Know-How是累積了數十年的，而且問題的提出在于收益更大，凡是具有大的收益的控制任務、人工智能任務顯然最早來自于工業領域，而過去之所以沒有采用人工智能等，只是因為IT所提供的計算能力、存儲、網絡能力沒有達到，而今天，IT為我們提供了這些條件，我們借助于此發揮而已。

 

（2）.自動化與人工智能在制造業為場景

目前計算機相關專業的人工智能主要聚焦在語音、視覺，而其應用場景往往是消費類的，這些與工業領域對于人工智能的需求是不同的，約束條件更多，因此，計算機專業的人工智能專家并不擅長于解決制造業的問題，而自動化專業的人卻擅長，因此，這并不矛盾。

 

（3）.痛苦的何止于自動化？

而事實上是，我與非自動化專業如計算機、機械專業的老師交流的結果，他們同樣焦慮，因為IT相關專業想進入制造業也同樣找不到合適的場景，他們也很痛苦，因為他們只能教學生解決一些APP的開發或者圖書管理系統、交通信號燈系統的開發，對于智能制造的場景他們也無能為力，機械專業也焦慮，因為他們與產業實際結合也出現了問題。

（4）.何止需要自動化與計算機

其實，還有一個很重要的問題，這是一個必須大家相互學習合作的時代，自動化與計算機專業都不能很好的融合解決問題，因為，人工智能其實是一個對“數學”要求非常高的專業，因此，數學的分析方法與模型也同樣要深刻的融入到這個場景里。

（5）.創新驅動才能拉動教育

產業總是覺得教育有問題，不能培養合適的人才，但是，產業自身也是有一定的責任，中國的制造業本身缺乏創新，在很多產業都是“抄襲”—這也使得基于原理性的正向設計與研發并不真正的存在，企業因此也普遍不重視工程師的工作，也不能對“知識”給予足夠的重視，自身的盈利能力也普遍較弱，無法提供足夠的科研資金以及優渥的待遇，這不僅是教育的問題，也是需求的問題，產業缺乏自主創新，就對大學沒有那么明確的橫向拉動。

 

三、自動化專業該如何發展？

自去年開始，新工科就變得流行起來，包括復旦共識、天大行動，為整個工科教育提出了綱領性的指導，這個看上去不錯，面向制造業2025培養人才，新興專業、復合交叉的學科培養、結合產業優勢培養實用人才、創新型技術人才。

 

圖1 新工科之復旦共識

 

圖1所示為復旦共識之總結，實際上，可以相信這個也是對目前存在的問題以及尋找解決問題的指導性綱領，對于問題認知也不能說不深刻，此共識應該是凝聚了數十年教育問題以及方向的把握。

天大行動的總結

天大行動則提出了幾個關鍵“問題”：

（1）問國際、建標準:建立合理的教學質量、方法、認證標準，CDIO、華盛頓協議等也被引入并推廣。

（2）問需求、建專業：緊密結合產業實際，目前的確開展了“機器人”、“人工智能”、“物聯網”等專業。

（3）問技術、改內容：目前學校的內容已經與實際產業脫節，必須修改教材內容以滿足與前沿接軌，另一個方面就是要加強思維性培養，而不能僅限于技術本身。

（4）問志趣、變方法:現在的學生不像以前，他們更具有個性，沒有興趣的驅動，就會放棄學習，如果沒有吸引力的教學方法和對未來顯著的驅動，那么無法吸引學生投入其中。

（5）問資源、創條件：這一點不是很明了，暫不表述。

（6）問學校、推改革：改革首先要明確問題，需求，才能有的放矢，改革需要魄力，需要大的設計。

 

圖2 新工科之天大行動

 

看上去挺不錯，該如何執行，就怕出現定量考核—KPI已經不是一個好的方法，必須結合產業實際，我們研究產業的變化才能更有效的了解教育的發展，因為，教育服務于產業，并與產業形成良性互動，互相促進，才是最佳的狀態。

 

四、智能制造對教育的需求背景

 

自2014年德國提出工業4.0，中國政府提出“制造業2025”,這過去的幾年里，概念風起云涌，思潮也是變幻多端，然而，究其本源，智能制造仍然是要回到其服務于客戶需求，提供更為成本效率的生產與制造過程，而不是為了“工業互聯網”而去工業互聯網，為了智能制造而智能制造，而很多學校積極迎合市場發展，推動智能制造專業的建設，但是，如果不從制造業現場來，你就無法了解制造業。

 

很多已經討論的概念也不去討論了，只從數字制造的整體來看自動化、智能化等應用場景如何，這樣才能分辨出自動化、智能化需要進一步發展的技術，以及要解決的問題。

 

3.1 制造場景分析

圖3 Mckinsey數字化工廠

 

圖3是麥肯錫關于數字工廠的描述，包括了連接、優化、傳輸、預防性、敏捷等多個方面，可以看到，先基礎的連接包括物理設備、通信、軟件的連接，進而通過數據采集、匯總、回歸、分析實現優化，并能夠達到預防/預測的能力，并對工廠進行指導，實現敏捷制造，而這里牽扯到了自動化控制、統計學習、機器學習、人工智能、精益運營等綜合性問題。

 

AI與ML的應用場景主要在于優化方面，下圖則反應了在各個領域里AI的應用優先級與潛力大小。

圖4 機器學習過程

 

機器學習其實在原有的工業場景已經有很多應用，只是今天又被計算機專業拿來講—因為外部條件更為成熟。其實在現有的自動化系統所提供的能力就可以實現本地的機器學習（作為AI的一個分支），也可以通過延展到Edge Computing平臺來進行學習，解決規劃、優化、策略問題。

 

3.2pWC關于數字工廠的全景

 

圖5-pWC數字化制造的應用場景需求

 

pWC的這個全景的圖片描述有助于我們理解在整個數字化工廠里的智能分級，其實，采用的技術自然是多有不同的，但是，這張圖比較完整的呈現了數字化制造的全景。

Digital Twin:在這個場景里，數字孿生包括了針對工廠本身的、生產設備與設施的、產品本身的數字孿生，而這個就包括了目前數字孿生的幾個方面（圖中1/2/3）

連接的工廠（Connected Factory），在pWC的圖中，其實指用于連接工廠單元之間的AGV、物流、機器人，用于將生產變為“連續型”集成的輔助設備。

模塊化的生產單元：這些即是裝備的設計與制造，例如啤酒飲料工廠的獨立設備，可以根據生產的變化進行重組，而這里又牽扯到數字孿生里的生產設備本身的建模仿真。

柔性制造方法：

過程可視化/自動化：SCADA角色被重新定義，基于新的IT技術來實現可視化監測已經變得非常容易，基于Mobile技術即可實現這些。

集成規劃：基于MES/ERP的技術，實現整個工廠的架構。

數據應用的分析：

預測性維護

數據驅動的過程/質量優化

數據使能的資源優化

生產參數的傳輸

質量追溯與跟蹤

我們可以看到，無論Mckinsey和pWC均是來自于對產業大量企業的研究，并對數字制造進行了目標與方向的總結，但是，融合是必然的，自動化、計算機、數學、精益管理都需要共同合作來實現目標。

 

五、觀察：智能制造與傳統相比異同在哪里？

 

1 回到第一性原理-制造的本質

無論是自動化專業還是自動化產業，都無需焦慮，保持冷靜，回到本源，其實，生產制造的本質一定是服務于產品的成本效率，最大的區別在于連接、數字化、智能，但是，傳統自動化本身所積累的行業應用、軟件并不會因為智能制造而就失去價值，相反，自動化要更為加強這方面的積累，才能更具價值。

 

2 有哪些改變？

我們可以發現智能制造的應用場景具有其顯著的特點，這些是教育培訓需要考慮的：

2.1 集成與連接技術變得更為關鍵

2.1.1 硬的連接問題：傳統上，離散制造都是“離散的”—就是工廠各個單元設備間就是物理分散的，而今天，通過連接技術，包括機器人、AGV、輸送系統（包括最新的輸送系統如SuperTrak、ACOPOStrak、iTrak等）將生產變為一個連續的過程。

2.1.2 軟件的連接問題：連接技術的另一個方面是軟件的連接，指數據的連接問題，這包括了通信的互聯（物理接口與標準）、互通（數據對象定義）、語義互操作三個層面，傳統的現場總線到實時以太網，再到未來發展到TSN解決底層協議標準，而OPC UA /DDS等解決語義層面的數據連接。

 

圖6 總線技術的發展

 

2.1.3 系統的連接

系統的連接則是包括了功能性、全局的集成問題，將機器-機器、機器到產線、到管理系統、到分析與智能系統的集成。

 

因此，教育的問題在于解決連接的框架，連接的方法問題，全局的給予理解。一種是需要增加對全局集成的認知與關聯關系的介紹。

 

2.2 軟件/數字仿真

連接的設備就會出現邏輯順序、時間節拍的協同、定位與速度的匹配問題，因此，DigitalTwin針對生產的過程就是對其進行建模仿真，然后，在需要變化的時候解決其協同問題。

Digital Twin通常涵蓋整個生命周期，當然，在不同的階段如產品設計階段、制造階段、售后服務—系統的服務方面，Digital Twin包括了從虛擬到現實的一些對應關系，包括一些新的工具與方法如FMU/FMI的學習。

 

圖7-德勤數字孿生的構建

 

Digital Twin本身也是一個連接與集成的問題，從應用角度而言，主要在集成，而不在開發。自動化類專業并不會去開發類似于MATLAB/Simulink這樣的軟件，而是把這個軟件學習用于解決實際的問題，自動化是一個解決問題的專業，因此，必須認識到問題，才能解決。

 

圖8 自動化與數字孿生的融合

 

2.3 人工智能/機器學習的介入

其實，就自動化本身的控制機理模型優化而言，這個已經是非常的完善，在流程工業，各種控制模型已經應用于控制的各個領域，在離散領域，運動控制、機器人也是非常成熟的，智能制造所引入的機器學習很多本身就是屬于原有的問題的新解決方案。

 

而模塊化的機器設計本身牽扯到建模仿真，這是與創新有關，基于這些方法則可以進行優化，包括機器學習的算法在控制系統參數優化方面進行的工作。

下圖則反應了未來各項技術應用的成長性，在預測性維護、數據驅動的質量與過程優化方面潛力最大，這些其實，自動化仍然是有優勢的。

 

圖9 大數據應用場景（統計學習與機器學習）

 

六、創新才能贏得未來

回到問題的本源來看待自動化在人工智能時代的競爭，我們要回到本源問題，即，什么才是關鍵問題，根本性問題，如果不思考根本性問題，那么教育就沒有出路。

1 并非誰占主導，而是誰解決問題？

其實，我們討論誰占主導，但是，客戶卻要問的問題是誰能解決問題？

如果不能很好的解決問題，那么—你占據著這個地方也總歸會被取代的，邊緣化即是如此。

從這點上來說，產業就不會有學界那么焦慮，因為，產業本身就是問題導向、方案導向的，因此，都是解決客戶實際問題的，而且，在很多時候，IT所謂的解決問題也并非像他們所描述的那樣，其實很多問題，自動化的方案已經解決的很好了。

 

2 做好自己的事情

 

自動化與人工智能必然是融合的工作，各自發揮自身的優勢，并通過規范標準的接口進行融合，而且，自動化在發展智能化方面有其自身的優勢—當然了，從產業的角度而言，這很容易理解

其實，自動化專業一直很困惑，就是因為這個專業也像理論研究一樣的方式考核，而大學也沒有與產業實際應用緊密結合，為產業解決實際問題，培養能夠解決問題的人才，這是產業覺得大學培養的人才難以快速應用的原因。

沒有把自己的教育做好，而是看著人工智能課題多、項目多，這樣的出發點首先就是偏離了其工作的本心，很容易走偏，似乎迫不得已，但，實際卻因為這種所謂的“迫不得已”，又讓自己不斷的下降，走向惡性循環。

 

3.跨界學習

自動化專業本身不是一個理論專業，它就是一個應用學科，實踐性在這個專業里扮演非常重要的角色，而且，自動化技術本身是跨界技術基礎上發展起來的，它的優勢在于“融合”，因此，自動化專業的教學培訓不同于其它專業，就是一個“混合”、“交叉”的教育，這個專業不能按照垂直方向去發展，而應該橫向去發展。

在這個思想上，自動化應該是一個“接口”學科，其競爭力是在于采用綜合的方法解決實際的問題，包括對最新的軟件工具、芯片技術等的學習，而解決的問題則圍繞制造過程中的優化（質量、成本與效率問題）。

 

NNMI主要研究方向是如何通過制造創新來解決在新材料的制造工藝方面，包括碳纖維復合材料、柔性混合電子、增材制造、寬帶隙功率電子等領域，這些跨界的融合使得傳統行業煥發新的生命，也使得新興產業帶來革命性提升，都是自動化專業未來可以關注的。

圖10 解決制造過程實際問題同樣屬于創新的范疇

 

對于不同的大學，其可以結合其實際聚焦自動化在相關領域的應用—這本身是一些學校已經做的比較好的。

 

4 實用性與創新性

人才實用，能解決具體問題，與創新一點不矛盾，現在大學里拿著各家的手冊做教材這個事情很普遍，也有很多人對此提出異議，不過，有些學校老師似乎也頭頭是道“這個容易就業”—是?。∑鋵?，我真想說這是在毀了這些孩子，因為，他們只是學會了“術”而沒有學會“道”，設計思想與方法，這在未來將會嚴重制約他們的發展，而那些做的好的學校則不會如此局限。

創新則是另一個企業最為關注的話題，創新其實需要扎實的基本原理性的理解、批判性思維、動手能力相配合，這個話題就不多說了，因為，創新并非是件容易的事情，但是，掌握扎實的基礎是創新的前提。

 

創新，不僅是產業也包括教育，不僅是技術，也包括思想、方法與工具。

 

七、行動-產學融合跨界學習

自動化的教育一定是必須與產業實際結合的，否則，肯定是沒有前途的，這已然共識，必須解決幾個問題：

 

1 產業結合-聚焦應用

既然是應用學科，那肯定是每天用的人水平比較高，但是，自動化產品的研發、基礎軟件架構這些都是歐美、日本企業的天下，這個現實也需要我們去打破，自動化專業要么可以干這個事情，要么就是干可以為學生打下堅實的基礎，企業需要這樣的人才。

 

新工科的確提出結合產業、區域經濟來發展專業，每個學校都可以結合當地產業發展，聚焦相關應用，自動化專業過去發展不好，主要是因為與產業脫節，而之所以與產業脫節，由于產業脫節而無法帶來在實際問題的解決方面的能力培養，使得形成惡性循環，變成了大學里閉門造車，研究各種高大上的理論。

 

產業優勢：

大量的應用場景和亟待解決的問題；

產品與系統開發并非僅在技術，還包括更為全面的能力需求；

有成果驗證，推進理論前進；

可以教學中更為生動的實際案例有助于學生的理解；

對于驅動學生興趣和職業發展有引導作用；

更為前沿的技術。

其實，產業的培訓也同樣需要大學的理論基礎，很多人在讀書的時候并未能理解很多基礎理論，而工作往往又是跨界，例如開發機器，需要軟件工程思想，而機械專業又需要電氣理論，大學的基礎理論就可以在這里為產業提供補充性教學。

 

大學和產業必須緊密融合，發揮各自所長，一個長于實踐，一個長于理論，那么合作就會產生“知行合一”的效果，理論指導實踐，實踐反饋優化理論，進入正向循環。

 

2 師資力量需要升級

大學的教師很多是缺乏產業實踐歷練的，有一些有條件的學校往往會有機會參與眾多的項目，有一些自身看重實踐惠去通過承接項目、創辦公司來加強產學融合，而大部分老師，也沒有這樣的條件，因此，往往缺乏實踐使得其無法與產業結合的角度來授課，教學。而大學又類似于一個封閉的體制，無法從產業吸引人才進入教學領域，這使得師資的名頭都很大，卻缺乏產業實際的工作經驗，而缺乏經驗的師資很多根本無法介紹清楚這些教材的內容與學生未來的工作之間有什么關系？

為什么大學與產業不能互動呢？大學的人到企業，可以通過多種靈活的方式互相展開交流培訓，都是好的方法?？缃缃虒W是最好的方法，OT領域的企業如制造業、自動化產業應該引入軟件工程專業、機械專業來進行基礎理論教學，以增強工程師的綜合能力。

 

3 改變考核

你若問大學何以今天的局面，大部分在大學的教授們都非常清楚的告訴你“都是考核指標造成的”，我最驚訝的事情正在于此，似乎每個人都很清楚癥結之所在，然而，也最難以改變的就在這里。

戰略管理最講求執行，而戰略執行的設計第一要務的確在于考核，利益驅動靈魂，的確如此，只有利益才能讓人改變。

設定一些定量的考核，例如看發表論文數和引用，會造成幾個不良后果，為了完成任務而工作，數據看上去達標了，而不在乎教育本該怎樣進行，甚至有些投機主義者就會鉆營其中，上有其好，下有其效，大約制定這些考核指標的人受到了科學思想的影響吧！覺得定量才能顯示出“能觀能控”性吧？

另一個問題就在于約束了發揮，其實，很多大學的考核還挺嚴格、全面，各項都有指標，卻使得老師們疲于應付，無心教學。KPI這樣的考核本身特別適合于在工廠計件工資，標準化作業下的工作而設計，卻被應用于大學這種依賴于“思考”“創新”的領域，的確是會造成不良后果，只是不知道考核的設計者們究竟把老師們當做“機器”呢？還是當做“靈魂的工程師”呢？

 

改變肯定是艱難的，甚至是痛苦的，然而，不改變—卻仍然是如此繼續痛苦，焦慮，十年如一日的抱怨，卻于事無補，脫節越來越嚴重。

自動化教育，必然走向融合發揮自己的優勢，而跨界、產學融合是未來必然走向。