1 引言 

      在过去的几年里，大数据已经成为学术界和工业界人工智能的一个新兴领域。更具体地说，Chen等人将商业智能和分析（BI&A）的发展分为3个阶段：第一个阶段以基于DBMS（数据库管理系统）的结构化内容为中心，称为BI&A 1.0，第二个阶段以非结构化web内容的文本和web分析为中心，名为BI&A 2.0，第三个阶段以移动和基于传感器的内容为中心。随着工厂物联网（IoT）的数字化和使用，产生的数据量继续呈指数级增长，制造业被确定为大数据具有变革潜力的五个领域之一。

       与此同时，一种名为智能制造的新制造模式正在兴起，它吸引了学术界和工业界的极大兴趣。智能制造领导联盟（SMLC）将其定义为“加强先进智能系统的应用，以实现新产品的快速制造、对产品需求的动态响应以及制造生产和供应链网络的实时优化”。

      正如我们所知，已经存在所谓的智能制造（IM），它可以被视为人工智能在制造业中的实现。那么，SM和IM以及大数据和人工智能之间存在什么关系呢？它们是如何进化的？本文将试图回答这些问题，旨在通过解决与下一代人工智能相关的制造智能/智能的现状来澄清SM和IM，并确定下一代智能制造——智能制造应该努力的领域。

2人工智能进化

     自1956年人工智能诞生以来，人工智能领域在随后的几十年里经历了起伏，并在1974-80年和1987-93年经历了两个主要的冬天。人工智能可以大致分为符号和子符号方法（例如，神经网络、模糊集和进化算法）。

      在20世纪60年代的第一波浪潮中，符号智能在解决“玩具问题”的小型演示程序中模仿高级思维方面取得了巨大成功。与此同时，基于神经网络或控制论的方法被放弃或推到了后台。特别是，1969年Minsky和Papert出版了《感知器》一书，概述了感知器的局限性，放弃了连接主义，1973年Lighthill报告导致人工智能研究大幅减少，以及20世纪70年代初DARPA的资金削减，导致人工智能在1974-80年进入了第一个冬天。

      在20世纪80年代，专家系统（ES）或基于知识的系统（KBS）取得了巨大的成功，其中有知识库，包括从专家中提取的高级领域知识，并以特定的结构化格式表达。在制造业中也开发了应用，以解决多个工具同时在同一工件上工作的机器编程的复杂问题。这种需求导致了知识工程/知识表示的出现，这是经典人工智能研究的核心。与此同时，连接主义研究的“冬天”于20世纪80年代中期结束，霍普菲尔德、鲁梅尔哈特和其他人的工作重新唤起了人们对神经网络的大规模兴趣。因此，没有特定知识表示的子符号方法，如神经网络（NN）、模糊集、统计和遗传算法（GA），开始引起研究人员的注意。因此，亚符号方法进入了人工智能系统。不幸的是，第二个人工智能冬天是由1987年Lisp机器市场的崩溃、1988年战略计算倡议撤销了人工智能的新支出、第五代计算机的失败以及20世纪90年代初专家系统的衰落引发的。

      20世纪90年代，随着多智能体（MA）的出现，分布式人工智能（DAI）越来越受到关注，这使得以前处于集中、分层控制结构中的人工智能系统变得扁平，取而代之的是一组松散耦合的智能体，它们相互协作、互操作消息并从经验中相互学习。

      2000年代，人工智能系统中出现了Web 2.0、Web服务和Web智能。互联网的普及导致了大量的在线数据。此外，个人或组织会产生大量需要处理的结构化和非结构化数据。如此大量数据的存储和处理反映了挖掘和将这些数据作为知识处理的迫切需求和巨大挑战。

      人工智能的持续兴趣浪潮始于2010年左右，由三个相互关联的因素推动：大数据的来源，包括电子商务、社交媒体、研究社区、组织和政府；在大数据提供的原材料基础上大幅改进的机器学习方法和算法；以及支持大数据计算的强大计算机。

       这种颠覆性的进步正在改变传统的人工智能（称为AI 1.0），它强调以结构化内容和集中控制结构为特征的符号方法，进入一个新的版本，称为人工智能2.0（AI 2.0），它强调以非结构化内容和分散（分布式）控制结构为特征的机器学习（尤其是深度学习）。从内容和控制的角度简要说明了人工智能的演变：从AI 1.0（符号人工智能），通过称为AI 1.5D的DAI（分布式人工智能）或称为AI 1.5 W的Web人工智能，到AI 2.0。

      在人工智能进化的过程中，越来越多的亚符号方法被加入其中。尽管神经网络在20世纪80年代复兴，但当时人工智能仍以符号方法为主。后来，传统专家经验、人工神经网络、进化算法和模糊集在各种配置中的集成产生了所谓的混合专家系统。神经网络通过训练模式而不是加载规则，在一定程度上促进了知识获取的过程。进化算法被用作解决复杂的实际工程优化任务（如生产调度问题）的有效工具。2010年代，起源于深度学习（DL）的神经网络出现了，它能够从大量非结构化数据中获取智能，从而在某种程度上克服了依赖于知识提取的符号人工智能瓶颈问题，这可能是构建专家系统最困难的部分。由于人工智能方法和解决方案的多样性，应用的人工智能方法之间没有明确的区别。例如，在模糊系统中，知识以符号特征的形式保存，同时在神经网络中实现为类似神经元的数值过程。智能代理既可以使用符号方法，也可以使用次符号方法。

       由于人工智能可以被称为一个高度计算机化的系统，其行为需要智能，计算进化也对人工智能有很大影响。当大型计算机在1950-60年代被用来管理公司的运营时，第一波计算开始了。然后在1980-90年代，个人计算机兴起，并继承了在昂贵的专用机器中部署的专家系统等工作，这可能会导致所谓的“Lisp机器市场的衰落”的错误印象。现在，在2010年代，我们正进入物联网、云计算、普适计算或泛在计算的新时代，这导致了大数据的出现。需要新的人工智能工具来收集和分析此类大数据。

3从智能制造到人工智能制造

A.智能制造(IM)

      为了简单起见，智能制造（IM）可以被视为人工智能和制造业的交叉点。因此，IM随着人工智能的发展而发展，在IM领域，第一本书《制造智能》于1988年出版，然后我们见证了人工智能的方法、技术和范式在制造中的应用，导致了许多特定的IM系统的出现，第二次人工智能浪潮中的设计、调度、生产、检查、诊断、建模和控制。

       有研究论文涉及人工智能在制造业中的应用。例如，Teti和Kumara调查了1997年之前制造业中引入的相关人工智能方法，并将其分组如下：基于知识的/专家系统（KBS/ES）、神经网络（NNs）、模糊逻辑（FL）、多智能体（MA）以及其他方法，如进化算法和模拟退火（SA）。人工智能应用为CIM带来了智能组件，如智能CAX（如CAD、CAP、CAM和CAQ）以及智能机器人。在智能制造系统（IMS）发展的早期，KBS/ES引起了更多的关注，后来的神经网络、基于案例的推理、GA和FL也引起了关注。KBS/ES在CIM组件中被有效引入，而IMS在工业中被部分引入，但主要针对大公司。最著名的IMS研究是1995年发现的国际联合研究计划，称为智能制造系统，最初可追溯到1989年，来自日本，其成员来自日本、美国、欧盟和其他工业国家。

      20世纪90年代，智能制造的基于代理的系统出现了，随后是基于web服务的制造系统，以及21世纪初的Enterprise 2.0和众包。基于代理的方法似乎是潜在的解决方案，因为它为智能CIM组件和IMS提供了一个适当的范例，更多细节可以在中看到。智能代理用于分布式人工智能（DAI），这种基于代理的DAI方法能够处理当前软件应用程序的问题，特别是那些高度动态和不确定的工作条件。然而，大多数基于代理的系统仍处于实验室的研究和原型阶段，尚未在制造业中广泛采用。

B.智能制造(SM)

       在2010年代，我们看到的不是制造业中的智能技术（符号人工智能），而是制造业中类似的“智能”技术（与符号人工智能相反，称为“智能人工智能”）的融合，有可能从根本上改善制造企业在产品生命周期中的管理，从而为客户提供更多的选择。

       用于实现智能制造的技术跨越了广泛的领域，最初被称为物联网技术，然后加入了许多其他相关技术，如服务互联网（IoS）、网络物理系统（CPS）、大数据和先进机器人。这些智能技术正在第二代智能制造（IM 2.0），即智能制造中占据中心地位。物联网/CPS和智能物体（手机）的兴起使产品变得更加联网和可访问，由此产生的丰富数据可以准确定位，并通过知情、及时、深入的决策执行进一步实现对企业的主动管理。此外，人工、数据和智能/智能算法的融合对制造效率有着深远的影响。

       在这些聪明的术语中，大数据强调数据分析，而与物联网或物联网相比，CPS涵盖的范围更大，在制造业中变得越来越重要。图4举例说明了智能制造作为一种网络物理生产系统，它被视为物联网和物联网的结合。在云等网络空间中，制造业相关资源被虚拟化并打包为云服务，可以通过IoS按需共享和利用。由于存在大量的制造服务，而单个服务通常无法满足复杂的任务要求，因此有必要利用粒子群优化、差分进化、，以及蜂群算法。然后，通过将每个云制造服务（虚拟机）链接到其对应的物理机，将在网络系统中创建的优化业务流程交付到物理车间执行。同时，物理车间的状态通过物联网感知到网络系统，以跟踪业务流程是否完成。

4 IM与SM的比较

      传统的IM系统配置集中，具有数据库、知识库、智能CAD（ICAD）、ICAP和ICAM等结构化内容，通常用于相对较小规模的企业部门。与此同时，代理技术促进了制造业中的分布式人工智能。随着互联网的发展，制造企业转向网络销售和推广其产品，这导致了社交媒体非结构化数据的出现。后来，物联网和服务的进步，智能技术越来越多地被工业利用，这导致了智能制造的出现，并使企业面临指数级增长的大数据的挑战。因此，企业需要利用大数据相关技术进行预测、主动维护和生产。然而，由于数据采集和处理能力的限制，这种大数据分析在传统的制造系统中是不可用的，即使在基于代理或网络的制造系统也是如此。

       如上所述，传统的IM是基于符号人工智能的，它试图整合制造业中的人类经验和知识，通常是从生产专家那里提取的。在传统的IM系统中，人类经验/知识通过IF-THEN生产系统或其他格式化方式（例如，框架、对象和语义）来表达。然而，SM中生成的大数据超出了传统数据库系统和软件工具的处理能力。因此，为了将原始数据转化为可操作的信息和/或有助于决策的知识，大数据分析对企业来说至关重要。

       即时消息是以知识为基础的，而即时消息是数据驱动和知识驱动的。数据和知识在数据、信息、知识和智慧的层次结构（DIKW层次结构）中是相关的。“大数据（分析）”的出现使企业决策者将注意力从知识转移回“数据”。由于正在处理大量数据，因此出现的预测模型和决策都是基于机器学习，尤其是深度学习，它可以用来从大量数据中抽象出高级表示。

        因此，在大数据时代，决策是由预测驱动的——从数据（经验）中学习来预测，并根据预测采取行动。机器学习从数据中学习，并使用统计方法来辅助决策，这种方法在实践中运行良好，与旧的“专家系统”方法形成对比，后者旨在通过程序员将明确的规则翻译成软件代码来模仿人类专家的规则。

       现在，从过去几年的调查中可以看出，关于制造业大数据的文献越来越多，尤其是在2012年之后。在数据库管理系统中，大数据和结构化数据有着深刻的区别。大数据是非结构化的大规模数据集，传统软件工具很难在可承受的时间内处理，其特征是高容量、高速度和高多样性，需要新的新兴方法将其转换为价值。尽管如上所述，从数据结构/来源的角度来看，BI&A分为3个阶段，但BI&A 2.0和3.0都与大数据有关，它们只在数据来源上有所不同。

       如上所述，我们将人工智能或智能制造分为两个阶段。在2000年之前，我们通常将人工智能在制造业中的应用称为智能制造（IM），但现在智能制造越来越多地被用作具有智能传感和控制技术的下一代制造模型。起初，智能工厂最初是随着物联网在生产中的应用而研究的，后来成为工业4.0（工业4.0）的关键部分。然后，越来越多的“智能”技术，如IoS、云计算和CPS，也被引入智能工厂或智能制造。

       现在，“智能”一词涉及在整个产品周期中创建和使用数据，以实现更灵活的制造流程，在不损害环境的情况下以低成本快速响应需求变化。正是这些技术的引入，使制造业变得“智能”，并不同于“老式”的智能制造。其中，物联网和CPS在某种意义上是同义词，两者都试图连接网络世界和物理世界，并产生大规模的数据集——大数据。SM的优势在于在包括物联网、物联网、CPS和大数据在内的ICT技术的支持下，从全面的全球角度实施制造智能（MI），这些技术以前是不可用的。因此，Davis等人将SM定义为“在工厂和供应链的所有操作层部署的多个实时应用程序中使用数据驱动的MI”，未来的企业是“数据驱动、知识支持和模型丰富，在整个企业中具有可见性，从而通过应用最佳信息和性能指标来主动执行所有操作”。

       在从产品线到供需网络的整个产品价值链中，从大数据中挖掘的信息/知识的普遍使用或访问，支持了新的服务和商业模式，如基于云的设计和制造中的“一切即服务”和“按次付费”。因此，“设计即服务”和“产品即服务”可以按需访问。因此，我们正在进入下一代智能制造——智能制造，在这种制造中，工厂有能力感知、理解、思考和响应我们的需求。表II给出了IM和SM的比较，从中我们可以看出，SM比IM提供了更多的好处。