人工智慧要來取代自動化工程師工作了？

以下文章來源於說東道西 ，作者宋華振

近日發了篇關於生成式AI應用於自動化工程開發的文章。就有朋友留言問「難道自動化工程師也要失業了嗎？」——想起來前些日子也有人問及這個關於AI的話題。這似乎是一個由來已久的問題，AI這個領域特別有意思，他們從誕生那天起，就在宣揚著對世界的改變，不斷號稱要顛覆人類的未來，威脅著人們的工作。很有意思的是，即使自動化幹了這麼久，好像也沒有說過會讓誰失業。

- 文章信息 -

本文作者宋華振，貝加萊工業自動化（中國）有限公司技術傳播經理，本文由公眾號「說東道西」原創首發，數字化企業經授權發布。

以前我不會談這個問題，但是，當有人問自動化工程師是否也會因為AI失業的時候，我突然覺得很有必要談談這個有意思的話題。突然想起來，這還蠻有意思，達特茅斯會議創造AI這個詞的人之一，麥卡錫說過「當它一旦可用，就不會再有人稱之為人工智慧了（」As soon as it works, no one call it AI anymore 」），自動化就是非常管用的技術，但就不會有人稱它為智能了——其實，自動化本身就是智能的目標，難道你們用AI不是為了自動化嗎？

01

AI真的能夠取代人嗎？

微軟中國CTO韋博士在混沌課堂里有一次談到生成式AI，他的觀點「如果我們擔心AI是否代替人類，那是人類對自己缺乏自信」。當然，他還有另一段話「我們往往高估了人工智慧在短期內的成就，而低估了它對人類認知和價值觀的深遠影響」。因此，對於這件事，我想就包括了兩個部分的思考：

1).AI很難真正意義替代人類的工作。

2).但是，你必須主動的擁抱AI-畢竟它還是有很多價值能夠幫助到我們。

與以往AI所帶來的轟動效應不同，事實上，生成式AI的確具有更強的顛覆性。它目前的工作與進化速度的確是超乎想像，已經有同事展示了將它勇於設計PPT，乃至視頻處理方面的超強能力。也包括在對編程方面的支持能力，與自然語言來訓練讓機器快速理解，並能夠編寫程序，這的確帶來了巨大的改變。

02

自動化的自動化問題

剛畢業那會在一家電梯公司工作，管理電梯安裝現場，發現一個很現實的問題，裝電梯的過程中，電梯安裝人員是沒有電梯可用的。因為電梯進場安裝時，建築結構、外裝、內裝都已經基本完成，現場的那些卷揚機、塔吊很有可能拆掉了。這就意味著機房裡的曳引機、電櫃，每層樓的廳門、地檻、井道里導軌及所需的支架、螺栓，都是要人工搬運到各層的。所以，那時候我們感慨「裝電梯的人坐不了電梯」。

同樣，做自動化的也會遇到這個問題，儘管自動化廠商給用戶設計自動化系統的，但設計這個工作本身它卻很難被自動化。儘管我們使用了模塊化軟體來大幅降低工作量，但畢竟還是一個手動組裝的過程。

因此，當生成式AI可以被應用於編程工作的時候，這是一個邁向自動化的自動化的道路—反倒是值得我們高興的事情。

AI在自動化工程師手裡有幾個角色：

1).作為輔助工具本身，幫助提高工程師工作的能力；

生成式AI有這個潛力，它會讓我們通過自然語言去給出機器好的提問，然後給出規則，讓他們去寫這個代碼（這個代碼也是需要大量學習），除了代碼、注釋、版本等軟體管理工作，我想AI是可以幫助工程師的。這個時候，它作為一種工具是會有助於工作更為自動化一些。

另一個我想生成式AI它會學習到更多來自於網路世界的資源，以獲得更多「共享世界的資源」，讓工程師可以擴展自己的知識邊界。尤其是在今天，我們想說自動化工程師也需要掌握AI的工具與能力時，來自Linux開源社區的演算法、代碼等，均可以被自動化工程師所採用，以增強他們在數據分析與處理方面的能力。

和一位工程師談到一個比較麻煩的事情，就是AI仍然是需要「喂入」知識，就像有些機電控制的工藝演算法，畢竟，沒有可開放的這些代碼可以被AI來引用—但工程師認為這並非是問題，因為即使複雜的演算法也會由不同的可被抓取的程序構成-因此，這仍然為開發者提供了更多的可能性。因為一個工藝模塊實際上也由不同的局部模塊構建出來的。

圖-創成式設計

創成式設計，可以通過給出設計的需求、約束條件，通過可視化的方法輸入給系統，他們會給出自動的設計結果。這也算是對「工程的自動化」—看來，人類就是想走向一個語言、視覺方式讓系統生成程序與任務的過程。

從技術發展的長遠來看，利用自然語言的輸入，讓系統理解，並藉助於過去的知識（模型、代碼）來實現新的設計任務。因此，AI更多的角色不是替代工程師，而是為工程師搭建系統提供更多的便利。

2).AI方法的製造問題解決

當然，另一個AI的應用角色在於它不是為了自動化項目，而是為了應用本身—即，數據驅動的建模，用以解決機理模型缺乏，以及相關性關係的問題。AI的作用，是將那些隱藏的、無法被公式表達的知識（因果性）進行挖掘。儘管這會存在解釋性、實時性等問題，但是，它在規劃類、優化類、預測性問題仍然是有很多應用場景。尤其是在視覺的深度學習，對缺陷的分析、對工程參數的自適應匹配上。

AI的工業應用存在很多問題，包括可複製性問題、知識遷徙難題，但這些都是可以被逐漸去解決的—因此，在更為長遠的發展上，它仍然是有潛力的—因為，隨著極限的競爭不斷在製造業發生。記得馮恩波博士曾經也在其AI講座中談到，因果性問題可以解決90%的問題，但相關性問題的一點點改善卻成為了競爭的「勝負手」—當然，在多個相關性問題中的高相關性仍然可以讓「事半功倍」—這不難理解，就像電池行業，1%的製造良品率提升，都可能意味著以億計的盈利能力的提升。

為什麼說AI還是很難替代工程師的工作？

圖-針對AI主要障礙的調研

在上次廈門自動化教師師資培訓會議上，本人為了更好的講工業AI的問題，特意在產業朋友圈裡收集了114個專業人士對於AI的調研。其中，很多問題，仍然反饋出AI遇到的問題，以及在人才中的問題，還是很難替代工程師的工作。

這有幾個方面：

① 現在不是AI能否替代工程師，而是AI相關工程人才太匱乏

在圖中，我們可以看到，缺乏生產製造與技術融合的人才，AI相關人才，以及第二個比較高的選項「現場數據表徵與特徵提取難題」—這些都是製造業中的工程人才匱乏造成的。因為AI它自己不知道如何去工作，而是要由了解現場的人來幫助它，所以說「人工的智能」是一種真實的情況。

因此，在較長的時間裡，可能還是懂得AI工具的工程人才需要培養—這個需求是極大且迫切的。談替代現有工程師還是有點為時過早。

② 自動化工程師的工作遠非AI所涵蓋

其實，自動化的工程師還是任務艱巨的，包括前期的項目需求交流、問題的梳理、電氣選型、建模、軟體架構、功能開發、測試驗證、調試、維護—而這些工作里，可能AI能夠幫助的還是有限的，至少在目前來說仍然有限。

圖-工程師的工作流與重要的任務與能力

上圖按照流程列舉了機電系統設計的自動化工程師的工作任務，看看有多少AI可以幫忙的？

這些還是日常工作，如果談到更為廣泛的，例如帶領團隊、協調工作進度、品質進度管理、跨界創新，那麼，可能AI能夠幫忙的地方就更少了。

03

工程師需要增強的能力

當然，在AI的時代-咱們自動化圈的工程師的確需要不斷的進化自己的能力。

1).批判性思維的提問能力

前幾天讀了李培根院士在在高等工程教育研究的文章《工程教育需要從「知識導向」到「問題導向」》，其中談到了AI催生了一個新的崗位-提示工程師（Prompt Engineer）,並認為「提出問題是解決幾乎所有複雜問題的核心」。非常認同這個「問題導向」。

最近一年一直在研究「批判性思維」—其中，批判性思維的訓練就是要依靠「提問」的能力。對於工程師同樣如此—將生成式AI應用於自動化的項目開發，那麼，在這個時候，就需要給出AI最好的線索。並且，作為一種元認知能力，批判性思維所要去訓練的每個工程師的自我迭代能力、提出問題、發現問題、決策問題方向的能力也是最能體現工程師「智慧」的。愛因斯坦也說「如果我需要用1個小時解決問題，那麼我需要55分鐘來提出準確的問題」。

即使在「魚骨圖」的問題分析中，能夠提出好的問題，遵循「問題導向」，才能把問題導向到最終的最有效解決問題的道路上。M博士有一次談到了工程師「智慧」的問題，因為，工程師很多時候是在一團迷霧中尋找最優路徑，它需要一種智慧-對方向的把握，甚至依賴於「直覺」—這些都是人的優勢，是AI很難具有的。

這種判斷力來自於製造系統的複雜性不斷提升—這就需要在複雜的交織的因素中尋找「解耦」，使得問題被快速梳理到高相關性的維度上。

2).工程師的基本功還是逃不掉

儘管我們把AI理解為具有改變製造業的力量，並越來越重視。但是，卻不要忘記了，製造業有幾個必須具有的基礎能力。就像在上一篇提到的「信息物理系統（Cyber-Physics System）。Cyber似乎聲音比較大，而Physics反倒沒有那麼受到重視。但製造業又偏偏是一個非常強物理系統影響的，而且是因果性的。

因此，自動化工程師，它應該發揮自身在物理系統方面的基礎，再與時俱進，學習AI方法，這就雙劍合璧，能夠更好的強化自身的能力。

圖-AI工業應用中工程師能力調研的反饋

第二個要談到的基礎能力仍然要回到軟體工程能力——再怎麼說AI仍然是以軟體為載體的。工程師的工作，如何更好的規劃項目、設計架構、代碼規範。畢竟，生成式AI能幫你的忙，但不能幫你所有的忙。

再用韋博士的一句話就是「取代我們的不是AI，而是被AI賦能的人」。