【工业智能】79岁工程院院士这段关于“AI和智能制造”的演讲打动了现场所有来宾

会员服务 ·

【工业智能】79岁工程院院士这段关于“AI和智能制造”的演讲打动了现场所有来宾

2018 年 7 月 24 日 产业智能官

在2017中国产业互联与数字经济大会上，

中国工程院院士李伯虎先生带来主题演讲

《新一代人工智能技术引领下，加快发展我国智

能制造技术、产业与应用》。

在演讲中，这位老院士数次抬腕看表

分钟不差，用20分钟结束演讲，

这段20分钟的演讲，

引发了在场众位企业家的深思。

以下为梳理要点，具体内容请看视频。

新人工智能的五个趋势：数据驱动下深度强化学习技能、基于网络的技能、混合技能、跨媒体智能、无人机系统。

智能制造如何弯道超车？

关键是新一代人工智能引领下的智能制造。借助四类新的技术深度融合的数字化、网络化、智能化手段，这个新就是新的信息中心技术、新一代的职能科技技术和新的应用领域专业技术。通过这个手段构成一个以用户为中心的统一智能制造硬软资源、产品和能力三项服务云，公有云、智能公有云。

新一代人工智能引领下的智能制造产业技术：

1. 新一代的人工智能技术引领下的智能制造应该跟世界顶尖同步，产业成为新的增加点，产业成为改善民生新领域。

2. 2020年技术上实现重大突破，部分技术和应用达到世界领先水平，开始向部分推广，成为一个新的动力。

3. 三五年我们的技术总体上达到世界领先水平，而且要建立世界主要的智能创造中心，有明显的成效，实现大规模的推广应用。

智能制造产业技术的五点建议：

1)制造新的人工智能和新的应用技术四类技术深度融合。

2)4G生产管理资源保证，在云里面，在智能制造里面，模式、流程、手段必须深刻研究。

3)网络数据模型库、大型数据计算能力。

4)分享经济或者共享经济。

5)系统安全。

本期嘉宾

中国工程院院士

李伯虎

想更“人工智能”一点？就“深度强化学习”一下！

计算机世界

在人工智能领域，强化学习一直处于小众地位。但是，强化学习过去几年中已经开始在很多人工智能项目中发挥出了很大的作用。其最佳应用点是在环境情境化决策场景中计算出代理应采取的最优措施。

强化学习使用试错方法来最大限度地实现算法奖励函数，因此，非常适合IT运营管理、能源、医疗、商业、金融、交通运输和金融等领域的很多自适应控制和多代理自动化应用。它被用来在机器人、游戏和仿真等传统关注的领域中训练人工智能，也用于边缘分析、自然语言处理、机器翻译、计算机视觉和数字助理等新一代人工智能解决方案。

强化学习也是物联网自主边缘应用开发的基础。对于工业、交通运输、医疗和消费类应用，大部分边缘应用开发都涉及到在动态环境下，开发出能够在不同程度自治情形下运行的人工智能机器人。

强化学习是怎样工作的

在这样的应用领域，由于缺少预先存在的“完全真实”的训练数据集，边缘设备的人工智能大脑必须依靠强化学习，目的是最大限度地实现累积奖励函数，例如，根据规范中包含的一组标准来装配制造组件。这与其他类型的人工智能学习方式形成了对比，其他类型的人工智能通过(例如有监督学习)最小化基于完全真实数据的算法损失函数，或者(例如无监督学习)最小化数据点之间的距离函数来进行学习。

然而，这些人工智能学习方法并不一定是相互孤立的。最有趣的人工智能发展趋势之一是强化学习与有监督和无监督学习在更高级应用中的融合。人工智能开发人员在应用中混合了这些方法，因为没有一种单一的学习方法能满足需求。

例如，如果没有带标签的训练数据，监督学习本身是无用的，自动驾驶等应用中经常没有带标签的数据，每一次环境的瞬间变化基本上都是没有标签的，也是唯一的。同样的，无监督学习——使用了聚类分析来检测传感器馈入数据和其他复杂的无标签数据中的模式，并不适合用于确定智能端点在实际决策场景中应采取的最佳措施。

什么是深度强化学习

还有深度强化学习，在这种前沿的技术中，自治代理使用强化学习的试错算法和累积奖励函数来加速神经网络设计。这些设计对依赖于有监督和/或无监督学习的人工智能应用有着强大的推动作用。

深度强化学习是人工智能开发和训练流水线自动化的核心研究领域。深度学习、机器学习和其他人工智能模型的设计人员在确定各种架构、节点类型、连接、超参数设置，以及其他选项时，使用深度强化学习驱动的代理能够帮助他们迅速弄清楚这些设置的优缺点。

例如，研究人员使用深度强化学习，快速确定哪一种深度学习卷积神经网络(CNN)架构最适合解决特征工程、计算机视觉和图像分类等应用中的各种难题。人工智能工具使用通过深度强化学习得出的结果，自动生成最优CNN，针对具体任务，可以使用TensorFlow、MXNet和PyTorch等深度学习开发工具。

在这方面，令人鼓舞的是出现了强化学习开发和培训的开放框架。当你研究深度强化学习时，表中列出的强化学习框架可以供你参考，这些框架与TensorFlow以及其他深度学习和机器学习建模工具有接口，利用并扩展了这些得到广泛应用的工具。

人工智能开发人员需要的强化学习技能

展望未来，人工智能开发人员自己也应该沉浸在这些以及其他框架中实现的各种强化学习算法中。还需要加深对多代理强化学习架构的理解，其中很多架构充分利用了已经建立起来的博弈论研究成果。还应该熟悉深度强化学习，将其作为一种工具来识别计算机视觉应用中与“模糊”这种攻击方法相关的安全漏洞。

作者：James Kobielus ，SiliconAngle Wikibon的人工智能、数据科学以及应用开发首席分析师。

编译：杨勇

原文网址：http://www.infoworld.com/article/3250300/machine-learning/what-is-reinforcement-learning-the-next-step-in-ai-and-deep-learning.html

实施IIoT的最大挑战——工业物联网软件平台与边缘智能

Kurt Au 控制工程中文版

摘要

新兴的技术和体系架构，可以帮助制造企业在集成生态系统中开发灵活的工业物联网（IIoT）基础架构。

随着工业物联网 (IIoT)的发展，它在集成方面也遇到了与以前不同代系的工业自动化相似的挑战。除了不断变化的需求，还需要适用很多不同的硬件、软件技术以及应用场景。但是现在，利用开放标准，这些不同元器件可以很好的融合在一起，为用户提供解决方案。

在IIoT产品和应用开发中，开发人员的目标可能包括：

通过互联网支持不同类型的传感器和驱动器。
集成不同的有线和无线连接协议，包括 Modbus、LoRa、Sigfox、Wi-Fi、蓝牙以及其它协议。
通过端口将原始软件连接到不同的硬件，包括 MCU、x86/ARM CPU、GPU、及其它硬件，还有操作系统，包括微软视窗、Linux、嵌入式操作系统、Android、和其它操作系统。
连接云服务，可能包括WISE-PaaS、微软的Azure、IBM的Bluemix、和其它云服务。
维护数据的所有权和完整性，了解其对安全和隐私的影响。
快速开发健壮的应用程序。
部署、更新、升级和维护大量的设备和服务。
将大数据转换为有价值的业务信息。

因此， IIoT产品或解决方案必须满足与传感器、连接性、安全、云服务、存储、设备硬件与维护、边缘/云分析、系统集成、和应用程序开发等相关的挑战。许多公司面临的最大挑战，就是如何在平衡设计时间、投放市场时间和风险的情况下，将应用迁移到物联网上去。

边缘计算

物联网（IoT）数据往往具有很大的体量。应用程序通常具有实时性需求。传输大量的原始数据，通常会给网络资源带来较大的负载。通常，在数据源附近处理数据更为行之有效，这样就可以只向云中心发送有价值的数据。

边缘计算是一种分布式信息技术(IT)架构。在该体系结构中，客户端数据在网络外围处理，尽可能接近数据源。边缘计算中的时间敏感数据，可由智能设备在数据源点处理，或发送到地理上比较接近的中间服务器来处理。对时间不太敏感的数据，可以发送到云端进行历史分析、大数据分析和长期存储。

不论该解决方案被称为基础结构、体系结构、平台还是服务器，公司都必须有管理边缘计算模式的手段。在研华新推出的边缘智能服务器(EIS)解决方案中，能够使本地IIoT网络实现边缘智能，从而可以最大限度地提高能源利用效率，减少对网络安全的威胁，更易于实施和模块化，还可以减少时间延迟。

IIoT软件平台

IIoT软件平台服务主要基于3个关键组件： IIoT节点、边缘智能服务器和云服务。下面将详细介绍在平台开发中，供应商或企业用户必须做出的一些技术选择。

对于边缘设备开发，“南向”传感设备连接必须处理不同的传感协议，例如Modbus、OPC、BACnet、无线IP和非IP。所有这些协议，可以通过即插即用的模块来处理传感器数据、数据规范化和通信。

然后，通过微服务容器模型来处理 “北向”云连接和智能设施，以模块化不同的云连接并启用设备管理。同样的，智能设施也采用微服务容器体系结构来支持数据摄取工作负载，比如数据预处理和清理。

其中最有价值的可能是按需的实时分析服务，在数据生成时，可实时提取预先设置的数据特性。预测维护和质量功能可用作边缘预测概念的验证。

基于无处不在的MQTT通信协议和模块化的Docker容器(container)技术，通过架构的开放标准来开发分析或预测维护模块。

其它技术，如 RESTful、API、MQTT和Node-RED，也有助于实现拖放式的应用程序开发。Node-RED和配置实用程序，使实现自定义应用程序变得容易。此外，具有良好文档的 SDK MQTT 示例代码和RESTful API 接口，使高级开发人员可以实现更高级别的需求。

最后一个部件是云服务，无论是边缘设备还是云端，都配置了SSL/TLS通信和英特尔内置的安全特性。数据服务可以提供标准化的PostgreSQL数据库和 NoSQL数据库，并支持标准集成接口，可以连接各种数据处理和存储产品。仪表板网充当“物联网”应用的用户界面，利用诸如Azure的Power BI 或表格等可视化设施，通过浏览器或移动设备来显示信息。

此外，IIoT平台还提供了一个用于采购不同的物联网实用程序的“市集”可提供云解决方案，如数据库、仪表板和机器学习工具。

工业物联网（IIoT）软件平台包括工业物联网（IIoT）节点、边缘智能服务器和云服务。图片来源: 研华

与IoT相关的技术

现在让我们更仔细地考察前面提到的一些技术。MQTT是一种简单、轻量级的发布/订阅消息传递协议，用于受约束的设备和低带宽、时间滞后较长或不可靠的网络。该服务将其功能和数据发布到 MQTT 代理，并为输入接口订阅特定主题内容。

RESTful API定义了一组功能，开发人员使用这些功能来执行请求并通过 HTTP 协议，比如"GET " 和 "POST" 接收响应。由于 RESTful API 使用 HTTP 作为传输协议，因此几乎任何编程语言都可以使用该应用程序，并且易于测试。RESTful API 的要求是客户端和服务器之间松散耦合，彼此保持独立，允许客户端或服务器以任何语言编码，并可任意改进，从而延长系统的使用寿命并简化进化过程。

RESTful API 指定了它可以提供什么，如何使用它，以及需要查询的详细信息，例如查询参数、响应格式、请求限制、公共使用/API 密钥、方法 (GET/POST/ PUT/DELETE)、语言支持、回调用法、HTTPS支持、以及资源表示应该都是自我描述的。

受RESTful结构样式约束影响的属性包括：

组件交互可能是用户感知性能和网络效率的主导因素。
可扩展性以支持大量组件和组件之间的交互。
统一接口简单明了。
组件的可修改性，能够满足不断变化的需求，甚至在应用程序运行时都可以进行修改。
服务代理对组件间通信的可见性。
通过将程序代码与数据一起移动，使组件具有可移植性。
在组件、连接器或数据出现故障时，在系统级别仍能防御故障。

微服务体系结构模式，允许设计人员将应用程序拆分为较小的、相互关联的服务集，而不是单一的应用程序。服务通常实现不同的特性或功能，如连接管理、垂直应用程序或其它功能。每个微服务都是一个具有独特体系结构的小型应用程序，包括业务逻辑以及各种适配器。

容器化（Containerization）是一种用于部署和运行分布式应用程序的操作系统级虚拟化方法，无需为每个应用程序启动整个虚拟机 (VM)。采用多个独立的子系统 (称为容器)，运行在同一个控制主机上，并访问单个内核。容器与主机之间共享相同的操作系统内核，通常比虚拟机效率更高，其中任何一个都需要单独的操作系统实例。

Docker容器在一个独立的子系统中封装了一个软件，包含文件系统和运行所需的一切：代码、实时运行、系统工具、系统库以及任何可能安装在服务器上的内容。这保证它始终以相同的模式运行，而无需考虑环境的不同。

此外，主机操作系统还限制了容器对物理资源 (CPU 和内存) 的访问，因此一个容器不会消耗掉主机的所有物理资源。

Node-RED是开源的，由IBM新兴技术组织实施。它包括一个基于浏览器的流编辑器，它可以轻松地将“调色板”中的各种节点连接在一起。单击就可以将数据流部署到试运行中。在Node-RED中创建的流使用 JSON 存储，并且可以导入和导出以供与他人共享。它可以在网络边缘或云端中运行。节点包管理器生态系统用于扩展可用节点的调色板，从而实现与新设备和服务的连接。

Freeboard提供了简单、实时的关键性能指标的可视化。这个工具为IoT项目提供了许多可能性，因为它简单、实惠、开源，并可以进行扩展。客户可以免费开始使用，一旦时机成熟，就可以选择一个适合于他们的计划。

边缘计算是一种分布式的 IT 架构。在该架构下，可以在网络外围尽可能接近数据源的地方，处理客户端数据。

灵活的体系结构

本文所讨论的体系结构可以分为5个类别层。每个层级都作为自己的微服务来实现的，使用 MQTT 代理作为通信总线,与其它微服务或客户端的所有服务接口。在运行时，每个实例都是一个Docker容器。这样就可以很容易地为特定用户、设备或特殊用例部署不同的使用经验。容器化，是一种用于部署和运行分布式应用程序的操作系统级的虚拟方法。

1. 体系结构的底层是传感器网络连接层。有线传感器支持各种类型，包括监控和数据采集 (SCADA)、Modbus和OPC UA。网络连接层收集数据，管理传感器集线器，将传感器协议转换为 MQTT 协议，然后将数据传递给 MQTT 通信总线。

2. SDK 层提供了诸如 EIS RESTful API、HDD故障预测算法等软件服务。开发人员通过 RESTful API或MQTT 调用这些服务。用户可以添加自己的服务，如机器学习平台、数据库引擎等

3. 基于流的层将Node-RED作为数据流设计引擎，以及SUSI API、WSN和HDD预测节点等附加组件。用户通过图形环境中简单的拖放操作，就可以完成逻辑路径的设计。

4.管理和用户的接口层，用于系统管理和IoT连接配置的 Webmin，使用Node-RED用户界面来呈现IoT/传感器数据。

5.云层可以被预安装，例如利用WISE-Agent 连接到WISEPaaS/ RMM云服务器。

灵活、可扩展的硬件/软件体系结构，可帮助制造企业在集成的生态系统中开发复杂的IoT基础架构，服务于不同的垂直市场。这样的架构可以定制，结合多个软件服务，然后根据要求将其安装在不同的硬件上。

本文来自于《控制工程中文版》（CONTROL ENGINEERING China ）2018年6月刊《技术文章》栏目，原标题为：工业物联网软件平台与边缘智能