为什么工业5.0需要通用人工智能

在现代世界，我们认为自动化是理所当然的，每天都从遍布全球的供应链中受益，将大量商品送到我们的货架上。但在幕后，货物的生产和运输会产生许多优化挑战，例如包装、调度、路线和装配线自动化。这些优化挑战是动态的，并且随着现实世界不断变化。例如，由于不可预见的情况，预期的供应路线可能会突然受到影响——例如，苏伊士运河可能被封锁；由于火山爆发，航线可能会发生变化；由于冲突，整个国家都可能无法进入。立法变化、货币崩溃和稀缺资源也是供应方变量不断变化的例子。

再举一个例子，有时必须将新组件整合到机器或工作流程中（例如，用户可能需要不同的材料或颜色）。目前，需要专业的人力来对系统进行更改，或者在机器学习的情况下，额外重新训练和重新部署解决方案。以类似的方式，工业 4.0 的“数字双胞胎”仍然严重依赖于问题描述和输入分配可以在初始系统设计时一次性指定的概念。

最近的大流行凸显了“及时”供应链计划的脆弱性。越来越明显的是，在一个日益复杂和不确定的世界中，工业再也无法承受这种僵化。目前，制造业不得不在“Low-Mix High-Volume”（LMHV）和“High-Mix Low-Volume”（HMLV）之间做出固定选择。工业 5.0 预期“高混合高容量”（HMHV）的前景，其中可以以低成本重新配置工作流程以满足流体需求。为了实现这一点，需要“自动化自动化”，以便在问题或环境发生变化时消除人为干预和/或系统停机的需要。这需要系统“按命令工作”，对这些变化做出反应，同时仍有合理的前景在现实世界的时间限制内完成分配的任务。

“立即停止组装 X：这是 Y 的规格，这是您的大部分旧效果器和一些新效果器。现在开始组装 Y，避免这样那样的缺陷和浪费。”

尽管最近广泛谈论“通用人工智能”（AGI）即将通过所谓的大型语言模型（如 GPT-3）到来，但所提出的方法都没有真正能够“按命令工作”。也就是说，如果没有离线重新训练、验证和重新部署的停机时间，他们就无法承担完全超出其训练集的任务。

很明显，任何现实世界的智能概念都与对变化的反应密不可分。一个保持不变的系统——无论它暴露了多少意外事件——既不是自主的也不是智能的。这并不是要贬低这种深度学习 (DL) 方法的无可置疑的优势，这些方法作为一种针对难以明确指定的问题的综合程序的手段已经取得了巨大的成功。

那么什么样的系统功能可以让人工智能超越这种训练、冻结和部署范式，走向能够不间断的自适应学习？考虑在制造工作流程中用来自不同供应商的部件更换有缺陷的部件的需要，这可能具有不同的容差。随着当代人工智能的端到端黑盒建模，数字孪生过程必须重新进行。为了解决当代方法的局限性，需要进行彻底的改变：一个可以直接推理组件更改后果的模型——实际上是更普遍的反事实“假设”场景。将工作流分解为具有已知属性的组件并根据需要重新组合它们需要所谓的“组合性”。

迄今为止，组合性在当代 AI 中一直存在，它经常与较弱的模块化概念相混淆。模块化涉及将组件“粘合”在一起的能力，但这未能抓住组合性的本质，即推理结果工作流的行为以确定并确保保留某些所需属性的能力。这种能力对于验证和安全性至关重要：例如，系统能够推理“采用替代制造商的发动机将增加整个工厂的功率输出，而其所有其他组件都保持在温度范围内”。

尽管当代神经网络方法擅长从数据中学习规则，但它们缺乏组合推理。作为希望从神经网络架构中出现组合推理的替代方法，可以直接利用范畴论的结构，即组合性的数学研究。特别是，它的子领域分类控制论关注双向控制器作为基本的表示元素。双向性是执行正向和反向推理的能力：从原因到结果的预测，反之亦然。组合逆推特别重要，因为它允许在任何规模的结构表示中结合来自环境的反馈——这有助于从少量示例中快速学习。

给定一些期望的系统行为，然后学习任务是建立一个满足它的聚合控制结构。最初学习的结构充当后续学习的骨架。

随着系统知识的增加，这个骨架可以用学习到的成分特性来装饰，类似于如何确定 H2O 分子具有与其组成原子不同的特性。此外，正如“扔球”和“挥动网球拍”可以被视为人类相关的肌肉骨骼动作，相关任务可以共享一个骨骼控制器结构，该控制器结构通过来自任务的反馈以特定任务的方式进行修饰。环境。这种因果结构与特定任务的脱钩可以促进学习新任务，而不会出现困扰当代方法的灾难性遗忘。因此，上述形式的混合数字符号方法可以结合神经和符号方法的优势，通过具有明确的结构概念和自适应学习属性如何组成的能力。关于成分属性的推理基于系统当前被命令执行的工作。

总之，很明显需要一种新方法来创建真正的自治系统：能够适应重大变化和/或在未知环境中运行的系统。这需要不间断的自适应学习和对已知知识的概括。尽管有它们的名字，深度学习方法只是对世界的肤浅表示，无法通过学习过程在高层次上进行操作。相比之下，我们建议下一代出现的 AGI 系统将在更广泛的架构中结合深度学习，具备直接推理其所知道的能力的能力。

系统对自己的表示进行象征性推理的能力为行业带来了显着的好处：通过明确的组合表示，可以对系统进行审计——无论是由人还是由系统本身在内部进行审计——以满足安全和公平的重要要求。虽然学术上对所谓的 AGI 的x 风险有很多关注，但适当的重点是在保留这些重要要求的同时重新分配控制系统任务的具体工程问题，我们称之为交互式对齐的过程。只有通过采用这种值得信赖且高效的持续学习的控制系统，我们才能实现工业 5.0 所设想的下一代自主性。