首页 / 行业

万物物联背后是数字化的危险

2019-07-04 10:05:00

光学传感器和机器学习系统的结合，可以比因为流水线工作而已经出现精神疲劳的工人更准确地监控组件质量。

社会分工正让人类变得越来越“愚蠢”。几百年前，一车车煤炭被运进遮天蔽日的巨大工厂，从机器发出的震耳欲聋的轰鸣声中，人们能非常直观地感知到社会的发展。但在今天，对于一些正在改变世界的技术(大数据、数据分析、机器学习)的重要性，大多数人一无所知，甚至将它们当作传统的商业噱头。

事实上，这些越来越流行的词汇反映了一个事实——我们日常生活中接触到的许多技术正在发生巨大变化。其中一部分朝好的方向发展，使人类与机器的信息交互更加自然，更加强大。但也有一部分出现了令人不安的征兆，比如被用来搜集普通人的关系、行为、地点，甚至精确挖掘出他内心深处的想法。无论怎么说，科技在每件事情上都留下了印记。

按照公认的说法，从上世纪60年代开始，人类社会已经进入了信息时代。数十年间，对信息价值的挖掘彻底颠覆了和日常生活相关的消费品领域。自然而然地，随着技术的进一步发展，“关于一切的信息”的概念开始向制造业渗透。智能、廉价、配备传感器的设备加上强大的分析算法，过去10年一直在改变着工业世界。

如今，“物联网”的雏形已经在许多地方出现。而按照公认的“工业4.0”，也就是“第4次工业革命”的定义，物联网是其出现的前兆之一。事实上，这次革命的准备工作早在过去十余年中就缓缓铺开，但由于位于工业自动化核心位置的“可操作技术”一直受到巨大文化差异和结构性冲突的影响，相关技术一直在磨合中，始终未能脱离起步阶段。

当然，“万物互联”本质上只是提高了信息的传递效率，单靠这个无法撑起一场工业革命。同样重要的是如何提高信息处理效率，在这方面，当前火热的人工智能(AI)技术将有广阔的发挥空间。

事情非常明显：即使是在现在这个人工智能还时常被称为“人工智障”的阶段，用上相关技术的公司也能通过更精确、更高质量的制造降低运营成本。此外，依托于AI的预见性维护和智能化，供应链中停工时间减少；由于设备适应性更强，工厂车间人员受伤人数减少。

在制造业外，其他行业也感受到了这种由神经传感器网络、“数据池”分析技术以及紧急事件实时反馈技术组成的系统的益处，尤其是航空、能源、物流等依赖可靠、可预测信息的行业。

但正如前文所说，新技术带来了重大挑战，同时也别忘了，“机器人正在窃取我们工作岗位”的声音从未消失。

传感器组成的世界

“工业4.0”是德国政府工程科学院在2011年的国家嵌入式系统技术使用路线图中创造的术语，作为描述工业“数字化”的一种方式，其内容主要是从简单的自动化(主要是独立的工业机器人)向网络化的“网络物理系统”(基于各种传感器和人类输入的系统与人类之间的信息协调)的转变。

德国联邦教育研究部将这份路线图纳入了宣传文件当中，该部表示：“机器相互沟通，相互通报生产过程中的缺陷，识别和重新订购稀缺材料库存……这就是工业4.0的愿景。”

在工业4.0时代，智能工厂里多种多样的新技术、新设备将无需笨拙的人类操控。可以设想，使用传感器替代人类跟踪所需的组件，并根据需求模式和其他算法决策树对其进行排序，可以将生产的及时性提高到一个新的优化水平；光学传感器和机器学习系统的结合，可以比因为流水线工作而已经出现精神疲劳的工人更准确地监控组件质量；工业机器人的效率和低公差将工人逼向更精细的岗位，或完全取而代之。

在许多情况下，模块化的供应链比起人工更加灵活，可以随着新产品的引进、消费趋势的变化和经济波动而及时调整配置。在大数据和大量传感器的帮助下，机器可以在损坏之前告诉人们何时需要修理，或者告诉人们更好的方法来组织生产线。

为了实现这一愿景，欧盟已经在被称为“未来研究协会欧洲工厂”的项目上投资了11.4亿欧元。类似的“未来工厂”项目也得到了多个国家机构的资助。

其中最有名的当属美国国防部高级研究计划局，也就是DARPA。该机构以层出不穷的“黑科技”闻名，在工业4.0方面，他们公开的立项包括适应性车辆制造项目、有效的人机协作(使机器成为人的合作伙伴而非工具)和基于AI技术的智能供应链系统(称为LogX)等。

值得一提的是，人机协作和智能供应链在美国是个热度颇高的领域，比如MITRE就在和包括“美国机器人”公司在内的多家创业公司合作，完善农业无人机全自动作业技术。他们目前已经推出了一个命名为“侦察机”的系统。该系统部署于农田附近，只需要简单编程，无人机的AI就能自动制定飞行计划和管理飞行过程，做好图像数据的收集和处理工作，并将所有东西上传到云端。

然后农民要做的只是查看相关数据，然后选一下要用的农药、除草剂、肥料等等，就可以到一旁休息了。这就是人机协作的初级阶段。

预测性维护系统

或许大部分美国人不知道也不关心，工业4.0在现实世界最大规模的实践就在他们身边：过去，超市员工需要逐个扫描清点仓库中的库存水平，然后挑出需要备货的产品，再用拖车之类的工具送到卡车上，发往各个门店。

而在沃尔玛，这部分物流环节中所有需要人参与的部分都已被机器替代——清点库存的变成了机器人，选取备货使用的是传感器和传送带，再由快速卸货机装载到卡车上。随着自动驾驶技术的发展，运输过程也将无人插手。

当然，如果被称为“第四次工业革命”的技术只能用在超市物流中，那绝对是名不副实的。

计算机化维护管理系统(CMMS)的概念自20世纪60年代以来一直以某种形式存在，但早期通常只有大型机构建设，因为CMMS早期依赖于维护报告和由人类收集并输入计算机的数据，是一个非常耗费人力的过程。

时至今日，据统计，目前用于工业维护的时间中，约80%是反应性而非预见性的。在工业系统中，近一半的非计划停机是由于设备在生命周期末段发生故障造成的。利用这些数据准确预测故障并在影响较小的情况下维护或更换硬件，变得越来越重要。又因为“资产和设备中的电子元件越来越复杂，软件数量也越来越多”，靠人力已经无法完成如此巨量的工作了。

进一步说，现代工业对CMMS的需求不仅在于预测何时需要进行维护，更要其根据海量数据，提出优化设备运行的方案，这也超出了人力极限。

因此，IBM开发了Maximo，通用开发了Predix和Matlab预测性维护工具箱，都试图利用机器学习和仿真模型实现上述效果，相关技术也被称为“预测性维护系统”。

这项技术尚未大规模铺开，主要原因是对于设备制造商来说，这是一个很难做到的事情，尤其是在某些情况下，因为实现这一概念通常需要为他们的产品提供详细的(因此是专有的和有深度保护的)建模数据。还有部分厂商从维修业务中获利颇丰，自然不愿意主动让出这部分利益。

此外，许多预测模型也存在另一个问题：虽然有大量可用数据，但大多数数据都是关于正常运行的，故障数据不多。如何没有足够的故障数据，机器该如何学习预测故障的算法？部分壕气的厂商会专门提供设备用作失败测试，但有目的地破坏昂贵而复杂的硬件，并非人人都负担得起的行为。这是现有AI技术的固有缺陷。