前些日子在一個自動化專業群里，和一位教授產生了爭論。教授認為模型可以解決一切智能化相關的問題。對此，我并不是完全贊同：對不了解模型的人，一定要強調模型的重要性；而認識到一定深度，又必須認識到模型的局限性。
在自動化領域，模型一般被定義為系統的輸入輸出關系。有了模型，就有了一般性的決策方法：至少可以通過仿真，去評估若干備選方案，從中選出相對理想的做法。所以，模型對機器決策的意義是非常大的。
我們也知道：原始人類和動物的決策，從來不依靠模型，甚至不依靠計算。即便是現在，人類重要的決策往往還是要靠直覺來做出，而機器只能其輔助作用。因為機器決策所需要的知識和信息必須是清晰的、明確的；人類決策面臨的環境往往是開放的，相關的知識和信息往往是模糊的。所以，對于特別重大的事情，人類擁有的知識和信息往往更多，機器往往還不能代替人的決策。
需要特別關注的一個問題是：人類的關鍵決策往往是定性的，決策的重點是目標、路徑和手段的選擇。量化、數字化對戰略決策當然是有用的，比如發現機會、糾正偏見、確定行動的起點和終點重點，但決策的關鍵邏輯往往是定性的。量化、數字化、模型化的價值更多體現在實施過程、執行過程，是對手段和方法的優化。
認識到這一點，對智能化中的一些認識也就容易串在一起了。
比如：智能化是決策革命、智能化是機器決策或幫助人決策、智能化的關鍵是知識；從自動化到智能化，關鍵是感知到認知；智能化往往促進管控融合等等。對于這些論點，人們其實應該質問一下：為什么是知識不是模型呢？為什么多出來一個“認知”呢？管控融合為什么重要呢？根據前面的分析，這些問題不難解釋。
我們知道，自動化和智能化都涉及決策。但傳統的自動化往往針對封閉小系統，是戰術層面的決策、偏重量化的決策。我們現在推進的智能化，往往是傳統自動化做不好的、傳統上依靠人的那些決策。所以，智能化的決策往往首先偏重定性決策、是偏重管理的工作。由此可見，從自動化到智能化的變化，首先是問題領域的變化：針對過去那些由人做的決策，只是現在強調計算機的參與。
偏重定性決策時，首先是通過信息，對外部發生的事件定性。這就是所謂“感知到認知”。比如，把眼睛看到的圖像信號對應“狼”，把機器震動300Hz對應“設備異?！?。這種定性的結論，是決策的起點，以此為基礎做出“趕緊逃命”、“設備需要維護”的定性決策。
我們注意到，感知到認知的過程本質上是確定某個概念，如“狼”、“設備異?！薄Ｎ覀冎?，人類的知識體系是以概念為核心建立的。比如，“狼”的概念意味著“這個動物能吃羊”，“設備異常”對應著“需要檢測、維修”。這些都是知識。
所以，“認知”的任務是確認概念。這樣，決策過程就可以把與概念相對應的專業知識引入。這些知識包括“怎么做”的知識，也就是行動方法知識。這就是我經常強調的“吳淑珍式的智能”。而這種智能的特點是：用人能夠明白的簡單道理，讓機器去做的比人更好。強調“人明白”有多方面的原因：工業知識幾乎都是人能明白的，而可靠性的要求也必須要求“人明白”。這種智能的難點不在于知識復雜、甚至也不產生新知識，關鍵是把人的知識讓計算機去決策。智能化的基礎在于“及時、準確、完整的信息”，人們強調互聯網、物聯網和數字化模型，就是為了得到“及時、準確、完整的信息”。
我們強調決策的關鍵首先是定性，如“趕緊逃跑”、“機器要維修”。但這并不否定定量的作用。其實，計算機的優勢之一就是量化的能力比人強。另外，計算機計算一定會用到量化的東西。比如，“和狼的相似程度”、“機器發生故障的概率”等。
在智能化的過程中，模型非常重要。這是因為：模型可以承載與對象相關的知識和信息，為決策提供依據。但是，決策時用的許多知識，是人們過去在現實的物理世界中實踐的結果，并非是用模型算出來的。換句話說，模型并不能解決所有的知識來源問題。所以，模型很重要，卻不是萬能的。
另外需要說明的是：模型的定義有許多種。在控制領域，模型一般定義為系統的輸入輸出關系；在研發部門和軟件工程師那里，模型定義為對象的屬性和結構?；蛟S還有人把知識定義為一種特殊的模型，也可以把知識當做模型的屬性。但是，如果這樣定義的話，概念就有點混亂了。
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)
