勇敢的新（和旧）制造业世界
我写这个专栏的初衷是讨论一个最近很火的词，人工智能（AI）。无论以何种标准衡量，人们对人工智能的兴趣都在呈指数级增长，无论是人们可以阅读的关于该主题的文章数量，还是根据 Google 趋势，搜索这些文章的次数。
还有其他形式的人工智能，例如设计和形状优化、生成式设计和预测分析——仅举几例——人们可能会觉得智能工人应该感到受到威胁。一些专家说，人工智能很可能会取代我们所有人。
我认为不会。我确实认为它将极大地帮助我们，增强而不是取代我们。
要了解原因，请考虑人们所说的 AI 只是数学。是的，你没听错，它只是数字和数字以及一些非常复杂的函数和计算。我在这方面有一些经验。在我职业生涯的早期，我涉足了这个领域，编写了一个简单的神经网络，这是当今许多形式的人工智能背后的基础之一，得到了更广泛的认可。我这样做是为了更好地了解如何在图像分析中使用 AI，并且我开始意识到一些事情。
首先是使用大量数据来复制“人类”行为的人工智能形式只是统计建模和回归分析的一种形式——尽管是一种非常极端的形式。需要大量数据来训练算法。使用不同的数学方法进行优化或生成式设计也是如此。 AI 只是以更易于使用的形式打包的非常复杂的数学。
另一个认识是 20 年前我们必须等待多长时间才能得到一个好的答案。这与今天通过强大的计算轻松解决更困难的问题形成鲜明对比。廉价、无处不在的传感器提供了大量的数据集。您也不必像我一样编写 AI 功能。您可以购买或租用模型，例如“深度神经网络”。 IBM 的 Watson 和 MathWorks 神经网络工具箱只是两个例子。您提供数据并获得自己独特的 AI 解决方案。如今，人工智能正在使车间机器人更加通用，并帮助工程师通过优化设计零件。
但数学、传感器和数据仍然是由工程师和工人的愿望塑造的工具。他们可能比人类更好地执行个别任务，但要执行哪些任务以及为什么要执行将始终留在人类领域。人工智能没有目的。这将永远是我们的工作。
并不总是正确的工具
最后，各种形式的人工智能等花哨的数学并不总是正确的工具。这是我们到达本专栏标题的“旧”部分的地方。当我为本月的 ME 研究有关光学比较器的文章时，这很重要，这是一种可以追溯到 1920 年代的计量技术。尽管今天的大多数模型都使用基本的数字电子设备进行了更新，但基本思想保持不变——在大屏幕上放大零件的阴影并让人类进行测量。在制造业中随处可见这些机器，对基本理念进行了不同程度的数字化改进，直至并包括机器视觉。我的一位消息人士告诉我，他的公司最近翻新了一款已有 50 年历史的模型。
正是这种像人工智能这样的未来技术与久经考验的技术的共存，才是制造和工程的持续现实。也许其中一些原因是工程师不愿完全接受新技术。正如同一位消息人士告诉我的那样，他有时需要强调可以使用更新的技术，即使是在光学比较器中也是如此。尽管如此，光学比较器、千分尺和卡尺等技术以及使用它们的人类不太可能被任何更先进的技术完全取代。
自动化控制系统