8月20日-25日，由北京市人民政府、工業和信息化部、中國科學技術協會共同主辦，中國電子學會、北京市經濟和信息化局、北京經濟技術開發區管委會承辦的2019世界機器人大會在北京亦創國際會展中心舉行。8月22日，ABB中國有限公司首席技術官劉前進在新興應用與實踐論壇做了主題為《機器與人：從共存到共事》的報告。

報告原文如下：

很高興有機會和各位同仁交流，剛才陳教授正好在結尾提到人工智能和Robotics有更好的結合，下面我就分享一下機器人和人工智能的進展，包括我們做的一些比較好玩的事情。

左邊的圖片當中的游戲我沒有玩過，應該是叫Dota是吧？過去兩年馬斯克創立了一家公司叫做Open AI，然后讓人類冠軍和計算機比賽，比賽結果是260：0，機器完勝人類。大家看到這種新聞可能已經覺得見怪不怪了，Alpha Go擊敗李世石，Google語音訂餐，包括今天玩的各種游戲，看著可能很炫，但是為什么不能干點正事呢？都是在玩游戲下棋，其實這正好是背后的挑戰，我們想把人工智能、深度學習和我們現實生活和工業結合在一起。

右邊的圖片是拿破倫的滑鐵盧戰役，這場戰役當中出了很多狀況，拿破倫是一個天才軍事家，也在這場戰役當中把自己的才能充分發揮，但是當天下了大雨，導致大炮沒法運輸到指定地點，英國惠靈頓將軍比較聰明，把陣地擺得很難擊破，現場的指揮也有一些臨時不能到位，戰略地圖貫徹不夠堅決等等。

我想說的是，現實生活當中沒有那么多規則和狀態的約束，就像游戲當中規定人類玩家冠軍不允許用這個不允許用那個，但現實當中沒有那么多約束、沒有那么多條件，所以我們面對的真正現實要比游戲復雜得多，人生不是游戲，真正工業當中期待人工智能處理的任務更為復雜。

網上有幾句話比較有意思，比如摩拉韋克悖論，我們看到很復雜的事情，玩游戲、下圍棋，上周我也看到澳門人工智能大會也有人拿象棋示范，這些都是相對不難的，雖然可以挑戰我們的認知，如果想讓電腦像人一樣去做一些小孩的感知呢？去年有一部視頻非常有意思，一個人搬著大箱子把門撞開，雙手使勁去轉，然后角落有一個三歲小孩站在那里，看著這個人試了兩次打不開，他就直接走過去把門打開了。如果沒有任何訓練和學習，我們的電腦是做不到這件事情的，所以讓機器人完成看似很簡單、很基礎的工作其實非常之難。今年CVPR大賽上面，英特爾CTO提到讓計算機搬起茶杯要比打敗李世石困難得多，因為面對的所有空間、路徑都是不可知的。

傳統機器人都是任勞任怨的機器人，就是不停重復高精度準確的工作，要是真正和人配合進行人機協作就讓機器人一下子變得親和許多，所以我們把它叫做協作機器人。

過去幾年我們都經常提到工業4.0，比如機器換人、設備上網、數據上云，這是工業4.0針對工業3.0的主要變化趨勢。我們所說的自動化和自主化是需要有更高程度，但不是完全的無人化，無人只是一個狀態，不是一個目的。就像Jeff前面提到的，過去的十年當中很多工作消失了，也有很多新的工作出現了，往往是以前沒有的工作，但人是不可替代的，人在這個過程當中只會有更多機會和更多工作出現。自動化水平也是這樣，我們不是100%無人化的工廠，包括無人倉庫、無人超市，背后還是需要有人創造更多的工作，包括一些新的工作崗位。

我們看到機器換人的過程當中更多的是藍領工人的工作，就是把人類原來重復的、低技術含量的工作通過機器替代掉，大伙如果有機會去到一些3C工廠，那些工廠的環境是非常之差的，讓你一天八到十個小時重復站在那里去做一件工作，一天三班倒，墻上寫著“今天工作不努力，明天努力找工作”。我們覺得這種工作沒有必要保留，完全希望它被自動化替代，這樣我們能夠提高效率，把人釋放出來，利用人類認知、適應能力或者創造能力去做更加有意義的工作，因此人機協作一定會有更好的前景，也讓我們的生活變得更加有意義。

人機協作能夠達到什么狀態呢？這是一個真正協作的機器人，就是不用加上視覺和傳感，可以被動地和人合作，而且能夠很靠近人，和人產生互動。我們通過傳感視覺讓大型機器人和人產生間歇性的合作，這是目前工業領域人機協作最好的狀態。

我們要對人機協作有更高的要求，那么工廠當中協作需要什么狀態？我們知道機器有一個安全工作區域，可以在工作范圍以外有一種共存，原來說是機器換人，現在變成人機共存，但光是共存是不夠的，還是對空間有比較苛刻的要求，有沒有可能人進到機器工作的范圍以內？未來不僅是共享空間，還要共享時間，就是在緊密的工作區域內和機器完全互動，機器人可以接受零件，完成整個工業流程。

人機從過去的競爭到現在的協作，也就是從共存、協作到未來的共事，真正和人一起去工作，這是我們對人機協作定義的狀態。

關于過去幾年一下子火得不能再火的人工智能，我們應該怎么看待？過去幾年深度學習也有很多突破，深度學習網絡和卷積神經網絡就像一個通用的函數逼近器，無論有任何復雜的工況、功能和函數，我們可以無限地逼近你、靠近你，達到一個立式的精度完成。就像現在我們做的人臉識別和游戲示范，能夠達到人類無法企及的高度，要在這些數據統計當中產生知識和人類專家結合，這是工業當中我們期望看到的，算法和專家結合起來之后能夠增加人類潛力，也有更多的應用機會，這是我們未來希望看到人工智能的方向。

我們是把機器學習和深度學習在各種工業場景，包括光伏、風電做了很多不同的示范，總結下來就是三類：首先是預測維護，根據設備的現場數據可以從歷史數據當中預測數據會不會有什么問題，不是等到故障以后再做緊急的修補或者定期的維護，電力行業一年一小修、三年一大修，無論設備有沒有出狀況，所以需要維持好的維護團隊，但是不能保證維護團隊有足夠的經驗和知識處理維修工作，一個大的設備進行維修以后很難判斷可靠性是提升還是下降。

過去一年我們在內蒙電網全面推廣我們的軟件系統，叫做資產健康軟件，第一次實驗是在2017年示范，覺得剛剛做過運維應該不會有問題，結果上了軟件以后發現有七臺大型變壓器可能會有問題，要不要挑出幾臺檢查一下？后來發現運維的過程當中不小心碰到了繞阻，導致繞阻出現扭曲變形，也會帶來一些安全隱患，可以說是非常好的和工業結合的狀況，我們在做和生產運營過程相關的，能夠提高整個生產運行的水平。

再就是遠程服務中心，通過遠程檢測了解故障，也有最好的專家保障設備的安全運營。這是我們在2018年做的全球首例無人駕駛傳播，地點是在赫爾辛基，北海附近有些居民，我們在島內不停穿梭，最新的電控系統和自主駕駛的功能這樣結合，產生一些新的功能模塊，不只是能做運營監控、遠程分析和艦隊管理，整個工作叫做運營中心，現在我們可以在全球建立一套網絡，針對所有海洋船舶提供服務。我們知道一艘大型運輸船舶希望保障最好的可靠性，同時有最好的空間為運貨提供服務，這樣就會產生兩難問題，規劃好路線之后可以得到最好的燃油性價比，包括最多的空間提供運營生產能夠得到的價值回報。

人工智能怎么和機器人結合？最好是機器人的安裝和使用，現在的機器人使用的時候還是有些復雜，雖然相比過去是有很大的進步。以前可能需要一個專門的工程師花幾天編程來做更好的規劃，交響樂師和機器人工作了七個小時完成了兩首曲子的編排，能夠像人一樣非常優美地把比賽盒滑來滑去，精準完成比賽的過程。但是我們覺得還不夠，未來即使不用專業工程師去教它，看到我們的產業先工人在做什么就會主動了解這項工作，以及自己能不能完成。我們把最新的研究成果和機器人的安裝示范過程結合起來難度在哪里？

大家知道，Image Light的識別率從70%提升到了90%，這是非常好的例子，但是和機器人結合的話會發現現場工況很難標注，因為現場情況非常復雜，沒有辦法預測所有的場景。剛才我們提到Dota游戲，最重要的就是上下左右回車，實際上我們的工作不只是上下左右。更重要的就是規律，要是能夠把規則完全定義好就是我們自動化工人做的事情，但是一定會有域外發生，能夠依靠人工智能呢？完成依靠從大數據抓取數據的AI來做件這事情嗎？

因此，數據和AI結合的話會有很大難度，包括三個不同層次：第一層次可以把現在我們深度學習做的一些工作來做位置識別，準確知道機器人抓取要到什么地方，我們也做了很有意義的示范。第二層次是技能，就是做了什么工作，然后指導機器人完成，甚至給出一個起始點和終點以后根據過去我們所做的數據強化學習完成某個規則。經過一段時間的強化訓練以后，發現我們可以達到這種效果，就是600多萬個不同種類的空間之中，機器人強化學習可以達到96%的識別率，之后我們會有更好的辦法，希望達到99%以上，甚至再有新的東西出來以后能夠簡化學習的過程。第三層次是應用程序的端到端學習，自己學習背后的機理、經驗和知識，抓住以后可以變成規則。

通用函數是不可解釋的，雖然可以很粗暴地達到一定精度，但是你不知道它的時候就不能用，這對工業來說幾乎是不可接受的，所以我們希望能夠有更好的辦法讓它變得更加可解釋，更加容易泛化，也更容易合作。

我們在湛江有一家合作公司，這是國內最大的海鮮制品公司，產線全程自動化，除了一個環節。我們都在必勝客吃過鳳尾蝦，但是要把皮去掉，如何讓不同形狀大小的蝦讓機器識別，既能保證足夠的肉又能夠把皮剝掉？這個環節必須由人完成，所以給人0.5平米的工位，人就站在那里八小時不停地把蝦扒出來放到指定位置。不說這個工作很辛苦，光是味道就會讓你覺得很難受。我們的科學家到了現場看了實際情況，通過不同的照片標注、識別、確定精準度，最后可以達到98%的精度，這樣就是最后一個環節通過自動化，這位同事就在現場聽報告。拍下一張圖片當中有幾十只蝦，通過算法推理一下子就把蝦的抓取點標識出來，交給機器人之后完全可以完成剩下的工作，“機器人抓蝦不抓瞎”。

這是物流場合大家經常碰到的場景，就是不同的工件混合在一起進行抓取，難度在哪里呢？因為形狀不規則，傳統的機器視覺很難做到，而且是堆放在一起的，即使是不同規則輸入庫里，怎么保證產生新的形狀，知道哪個先抓哪個后抓。這是目前工業機器人領域能夠把混合、堆疊、識別做到最高的水平，也是目前我們做到的最好Case。

工業人工智能，或者是把人工智能做得有意義的事情和機器人結合。傳統的方式是用一個完成的模型，然后我們執行感知分析和控制邏輯，這是傳統工程師在做的工作。人工智能引入這個環節會帶來一些新的變化，過去幾年的主要變化就是在認知和理解方面所做的工作，現在我們看到強化學習推進的過程優化都是完成這樣的過程。工業人工智能我們希望做的不僅是認知和理解，具體解決也可以帶來更多的突破。一個工廠當中的自動化系統一定有些場合、有些場景不是我們工程師提前預測到的，之前沒有預測和發生過的事情我們能怎么做？能不能讓機器自我學習，處理一些之前沒有預料到過的狀況，沒有發生過的事情，可以有些基本的識別和判斷，給出可以解決的方案出來？這是我們期待工業人工智能未來所做的工作，這個過程當中人是永遠存在的，不僅是監測整個生產過程，隨時可以取代自動化系統，介入、操作和完成。這是我們自己對工業人工智能的定義，從自動化到自主化，希望未來我們能夠有真正完全自主化的工作環境，也為人類創造更美好的環境。

(責編：楊虞波羅、呂騫)