第一個層次是人來決策
決策的主體是人，但信息感知和執行是通過網絡下達。這時，ICT技術的作用，是拓展了人的感知和執行能力，讓人有了“千里眼和長手臂”。利用這種做法，人類可以遠離工作條件艱苦的生產現場；有利于崗位的集約化、一個人干幾個人的活，并提升協同能力。還有助于利用好遠程的專家資源、有助于高層管理者了解生產實際，從而提高企業的管理水平。AR、VR、數字孿生等新技術都有發力的空間，可以讓專家可以更加直觀地獲得信息，決策更加容易。
第二個層次是輔助決策
就是我經常說的“小秘書的智能”：計算機提醒人們發現異常或者需要關注的事件或異常，做出科學決策。比如：排煙溫度過高了、設備報警沒及時處理、要為下工序準備了等等。發現事件和異常，往往是通過“對標”來實現的。為此，我們首先需要對生產過程的要求進行標準化：什么樣的煙氣溫度是正常的、報警必須多長時間必須處理、什么情況下需要為下工序準備。另外，有些比預料中更好的事情，也是需要關注的：比如某次生產的能耗更低、效率更高。計算機能夠捕捉這些事件，可以為持續改進做準備。所以，在數字化時代，PDCA可以做得更好。
“小秘書的智能”最大的價值在于：發現、記錄問題的能力比人更強。比如，通過數據，計算機可以針對成千上萬臺設備，發現秒級、毫秒級的問題，記錄完整、及時且不出錯。用這種本事，管理者可以輕松地管理好成千上萬的團隊。
從技術上講，這種智能完成了計算機“從感知到認知”的變化。也就是從基本的傳感器信息(如溫度)轉化為具有業務含義的信息(排煙溫度過高)。這樣的智能有巨大的發展空間，而AI是其中的新技術之一。這樣的“智能”也是需要人類專家的知識的：該關注什么問題、用什么數據關注，就是專家知識。數字化往往只是讓專家的知識更加準確、并便于計算機執行。
30年前我讀本科時，用于輔助決策的“專家系統”就很熱。但這種技術卻沒有發展起來。在我看來，“專家系統”過度重視了推理的復雜性、希望在邏輯推理方面比人類專家更強。但復雜的邏輯推理在工業中并不是特別常見，當年的專家系統往往變成了屠龍之技。而現在的做法，則是利用了計算機快速響應、快速決策、少出錯等優勢。應用場景多得多。
第三個層次是機器自動決策
這種決策，經常是我說的“吳淑珍式的智能”。也就是通過ICT技術提供準確、及時、完整的信息，再利用軟件化、數字化的簡單的知識做出決策。所謂簡單的知識，就是人類容易說清楚的決策邏輯、是人類專家的提供的。
對于這種提法，很多人奇怪的是：人們研究了多年的模型算法(如最優控制、熱傳導方程)就不用了嗎？顯然不是，些無法測量的東西，需要用模型算出來。但在我看來，不是“不用”而是“被用”。也就是說，這些算法往往不是成敗的關鍵。企業的關鍵知識，來自企業的業務專家，關鍵是要把他們的知識數字化。現在，掌握模型和控制算法知識的人不少，對具體問題來說，這些知識往往不是瓶頸。
這類智能在算法上的麻煩是誤差修正。我在前面的文章講到：大系統的誤差是難以避免的，系統運行久了偏差也是難以避免的。這些誤差和偏差，經常會超出人們的容忍程度。
修訂這些偏差，往往是最令算法人員最頭疼的問題。這些方法，要把數據和理論公式結合在一起。如果這些問題不解決，模型的算法就不準確。或者投運的時候準確，用久了就不準確了。所謂“用得久了”，可能是幾年，也可能是幾天甚至幾個小時。
自動決策的智能往往是最難的。原因是：機器決策時，對算法的安全、穩定、可靠性要求很高，執行時出不得半點差錯。解決這個問題的辦法之一，是讓人來保駕護航，干預甚至終止算法。這會讓技術難度大大降低，但自動化程度會下降，現場的滿意度也會下降。
要實現這些層次，有很多事情要做。比如平臺。平臺是支持上述三類工作的工具。平臺工具解決的，不是能不能做的問題，而是實現這些想法和思路時，如何提升工作效率、保證工作質量、提升穩定性和安全性、便于管理的問題。本質是在智能化技術落地的過程中，提高生產力水平。
我把算法分成三個層次問題的原因，是想提醒某些同志：不要只想著業務上網這類最簡單的事情。業務上網、機器換人這些事情，傻子都能想到，還要什么領導的智慧？ 如果是別人做什么你跟著做什么，只是靠錢多、人多、口氣大，永遠只能是技術跟隨。
智能化時代有很多事情要做。引領世界不是靠口號，而是要眼光和行動。若干年后，缺乏眼光的領導會發現：你喊了多年口號，國外卻默默耕耘了很多年，比我們先進很多。那么，現在吹下的牛怎么辦？
作者：郭朝暉(工學博士，教授級高工。企業研發一線工作20年；優也科技信息公司首席科學家；東北大學、上海交大等多所院校兼職教授。國內知名智庫、走向智能研究院的發起人之一。原寶鋼研究院首席研究員)
